Методология интеллектуального управления слабоформализуемыми химико-технологическими процессами

Методология интеллектуального управления слабоформализуемыми химико-технологическими процессами

Автор: Проталинский, Олег Мирославович

Шифр специальности: 05.13.06

Научная степень: Докторская

Год защиты: 2004

Место защиты: Астрахань

Количество страниц: 427 с. ил.

Артикул: 2636678

Автор: Проталинский, Олег Мирославович

Стоимость: 250 руб.

Методология интеллектуального управления слабоформализуемыми химико-технологическими процессами  Методология интеллектуального управления слабоформализуемыми химико-технологическими процессами 

Введение
ГЛАВА ПЕРВАЯ
АНАЛИЗ ЗАДАЧ УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ХИМИКОТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ И ПОСТАНОВКА ПРОБЛЕМЫ ИССЛЕДОВАНИЯ.
1.1. Анализ сложных слабоформализуемых
химикотехнологических процессов.
1.2. Искусственный интеллект в задачах автоматизации сложных технологических процессов обзор литературы.
1.3. Анализ интеллектуальных методов управления
автоматизации химикотехнологических процессов.
1.4. Постановка задачи исследования
ГЛАВА ВТОРАЯ
КОНЦЕПЦИЯ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ХИМИКОТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ.
2.1. Принципы интеллектуального управления слабоформализуемыми химикотехнологическими
процессами.
2.2. Формализация качественной информации
2.2.1. Применение нечетких множеств для формализации качественной информации
2.2.2. Формирование элементов универсальных множеств.
2.3. Построение баз знаний и оценка их качества
2.3.1. Синтез модели базы знаний.
2.3.2. Показатели качества баз знаний.
2.3.3. Формирование баз знаний с заданными показателями
качества.
2.4. Разработка вычислительной процедуры генерации
решений
.1. Модификация вычислительной процедуры при обработке
информации с использованием нечетких множеств
2.4.2. Исследование быстродействия вычислительных процедур.
2.5. Адаптация баз знаний при интеллектуальном управлении химикотехнологическими процессами.
2.5.1. Фазификация первичной информации с учетом
ее случайной погрешности.
2.5.2. Обучение баз знаний при интеллектуальном управлении
2.5.3. Исследование параметров адаптации баз знаний.
2.5.4. Адаптация баз знаний.
2.6. Построение гибридных математических моделей
ГЛАВА ТРЕТЬЯ
ПОСТРОЕНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ
ГЕНЕРАЦИИ РЕШЕНИЙ РЕАЛЬНОГО ВРЕМЕНИ.
3.1. Структура интеллектуальной системы генерации решений.
3.2. Алгоритмы функционирования интеллектуальной
системы генерации решений реального времени.
3.3. Режимы функционирования интеллектуальной
системы генерации решений.
3.4. Использование интеллектуальной системы генерации
решений для тренинга персонала.
3.5. Реализация гибридной модели с использованием интеллектуальной системы генерации решений
3.6. Реализация интеллектуальной системы генерации
решений с использованием СА8Етехнологий
3.7. Основы применения интеллектуальной системы генерации решений для автоматизации химикотехнологических процессов
ГЛАВА ЧЕТВЕРТАЯ
МЕТОД ИДЕНТИФИКАЦИИ ПРЕДАВ АРИЙНЪГХ СИТУАЦИЙ НА ТЕХНОЛОГИЧЕСКИХ
ОБЪЕКТАХ УПРАВЛЕНИЯ
4.1. Постановка задачи распознавания предаварийных ситуаций
4.2. Классификация предаварийных ситуаций
4.3 Разработка метода идентификации предаварийных
ситуаций и их причин.
4.3.1. Использование интеллектуальной ситуационной
модели для распознавания предаварийных ситуаций
4.3.2. Идентификация причин предаварийных ситуаций.
4.3.3. Модификация метода идентификации
предаварийных ситуаций.
4.4. Диагностика достоверности первичной информации
при идентификации предаварийных ситуаций.
4.4.1. Избыточность и ее использование для проверки достоверности информации.
4.4.2. Диагностика достоверности первичной информации
и определение ее источника.
4.4.3. Восстановление информации от недостоверного источника.
4.5. Построение системы идентификации
предаварийных ситуаций.
4.5.1. Структура системы идентификации предаварийных ситуаций
4.5.2. Человекомашинный интерфейс системы идентификации.
4.5.3. Синтез машины управления системы идентификации
4.6. Формирование баз знаний системы идентификации
предаварийных ситуаций.
4.6.1. Описание технологического процесса получения серы
на установке Клауса
4.6.2. Анализ химикотехнологического процесса
как источника предаварийных ситуаций
4.6.3. Математическая модель термического
реактора установки Клаусса
4.6.4. Имитационное моделирование как инструмент
синтеза баз знаний
ГЛАВА ПЯТАЯ
ОПТИМАЛЬНОЕ УПРАВЛЕНИЕ СЛАБОФОРМАЛИЗУЕМЫМИ ,4 ХИМИКОТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ
5.1. Постановка задачи оптимального управления
слабоформализуемыми химикотехнологическими процессами
5.2. Построение гибридной математической модели каталитического риформинга и постановка задачи его оптимального управления
5.2.1. Технологический процесс каталитического риформинга.
5.2.2. Построение диаграммы взаимного влияния факторов.
на основе анализа процесса каталитического риформинга.
5.2.3. Задача оптимального управления процессом
каталитического риформинга
5.2.4. Построение сотовой модели каталитического риформинга.
5.2.5. Проверка адекватности математической модели
процесса каталитического риформинга.
5.3. Поиск оптимальных управлений с использованием
гибридных моделей.
5.3.1. Анализ особенностей гибридных математических моделей
при оптимальном управлении
5.3.2. Разработка поискового алгоритма оптимизации
с использованием гибридных моделей
5.3.3. Исследование эффективности алгоритма оптимизации.
А 5.3.4. Определения момента времени решения задачи оптимизации
5.4. Реализация системы оптимального управления процессом каталитического риформинга
5.4.1. Структура системы оптимального управления
5.4.2. Исследование эффективности управления методом
имитационного моделирования.
ГЛАВА ШЕСТАЯ
ПОСТРОЕНИЕ СИСТЕМ АВТОМАТИЧЕСКОГО РЕГУЛИРОВАНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ.
6.1. Постановка задачи построения систем регулирования слабоформализуемыми технологическими процессами.
6.2. Система стабилизации качества продукции.
6.2.1. Анализ технологического процесса как слабоформализуемого
6.2.2. Структура системы стабилизации
с использованием качественной информации
6.3. Проектирование системы стабилизации качества продукции
6.3.1. Проектирование нечеткого регулятора и компенсатора.
6.3.2. Обучение и адаптация нечеткого регулятора
6.3.3. Построение и адаптация модели объекта управления.
6.3.4. Синтез машины управления.
6.3.5. Эксплуатация системы регулирования качества продукции
6.4. Реализация систем стабилизации с использованием концепции
интеллектуального управления
Основные результаты работы и выводы.
ЛИТЕРАТУРА


Обычно объекты распознавания имеют достаточно непростую структуру и задача распознавания образа в этом случае сложна. Поэтому возникла идея описания объекта в виде структуры более простых подобразов. Процесс распознавания осуществляется после идентификации более простых элементов и составления образа объекта в целом. Эта же идея лежит в основе применения полилинейных решающих правил к решению задач распознавания образов . Важным этапом в развитии методов распознавания стала их статистическая интерпретация. Здесь можно отметить ряд направлений формирование изображений с минимизацией риска в специальном классе решающих правил 5, построение модели образов, основанной на изучении изображений обучающей последовательности 6. Рассматриваются также подходы, где используются не сами статистические оценки, а некоторые их эквиваленты, обладающие нужными свойствами. При применении метода допустимых преобразований модель представляет стохастические зависимости изображений от параметров, часть из которых являются искомыми, часть мешающими. Задача распознавания в этом случае представляется как задача нахождения оптимальных значений искомых параметров . Появившийся в е гг. Таким образом, проводится1 аналогия между структурой, изображения и синтаксисом языка, что позволяет использовать аппарат математической лингвистики для решения этого класса задач. С целью повышения эффективности и универсальности решения задач распознавания было предложено 0 объединить известные алгоритмы в коллективы, учитывая, что каждый из них хорошо работает в определенных условиях и при различных априорно сформулированных предположениях. Сформированные коллективы алгоритмов вырабатывают решения на основе правил, принятых в теории принятия коллективных решений. Большую группу составляют методы самообучения распознаванию образов. Они могут являться как дальнейшим развитием уже перечисленных методов например, статистические методы самообучения или вариационные и эвристические алгоритмы, на основе метода потенциальных функций, так и иметь самостоятельное направление например, самообучение по методу смешанных распределений. ИИ экспертные системы, нечеткие множества, нейронные сети используются чаще всего автономно. Прежде чем перейти к формулировке научной проблемы и постановке задач работы, проанализируем, основываясь на результатах обзора литературы и собственном опыте построения интеллектуальных систем, положительные и отрицательные стороны методов ИИ, и оценим их возможности для управления ТП в реальном времени. Математический аппарат нечетких множеств обладает рядом неоспоримых достоинств при решении задач автоматизации ТП. Он является единственным математическим аппаратом, который позволяет формализовать качественное описание значений переменной само понятие лингвистической переменной ЛП было введено для целей его дальнейшей формализации. Как результат формализации представление качественного описания в виде математических выражений. Нечеткие множества обладают возможностью математической обработки формализованной качественной информации с возможностью представления результатов обработки в математической форме для принятия решения. Нечеткие позволяют дать количественные оценки качества построенных моделей множества за счет достаточно развитого математического аппарата, хотя до настоящего времени подобные оценки еще не найдены. Наряду с отмеченными достоинствами, нечеткие множества обладают рядом существенных недостатков. Согласно теории НМ Л. Заде 2, элементом универсального множества должно являться число, которое имеет соответствующее значение функции принадлежности некоторому значению лингвистической переменной. Такой подход затрудняет описание более сложных явлений и процессов, например распознавание образов. В этом случае образ является более сложным понятием, включающим в себя ряд составляющих. При этом каждому отдельному образу соответствует одно значение его функции принадлежности определенному классу. Этот недостаток существенно сужает класс описываемых с помощью НМ процессов.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.225, запросов: 244