Разработка и исследование нейросетевых инструментов моделирования и управления сложными технологическими процессами

• Автор: Домашнев, Павел Алексеевич
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Липецк
• Количество страниц: 199 с. : ил.

1. АНАЛИЗ ИНСТРУМЕНТОВ ТЕОРИИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ И СОВРЕМЕННЫХ СРЕДСТВ МОДЕЛИРОВАНИЯ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ

1.1 Введение

1.2 Элементы теории искусственных нейронных сетей

1.2.1 Общие сведения

1.2.2 Построение нейросетевой модели

1.2.2.1 Подготовка данных для нейронной сети

1.2.2.2 Структурная идентификация нейронной сети

1.2.2.3 Обучение нейронной сети

1.3 Современные инструменты моделирования сложных технологических процессов

1.3.1 Модель локальной технологии

1.3.2 Модель глобальной технологии

1.3.3 Гибкое управление технологией производства и качеством продукции
1.3.4 Элементы кластерного анализа
1.3.5 Элементы технического анализа
1.4 Основные направления и задачи исследования
2. РАЗРАБОТКА СТРУКТУРЫ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ЛОКАЛЬНОЙ ТЕХНОЛОГИИ СЛОЖНОГО ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА
2.1 Простейшие нейросетевые модели технологического процесса
2.2 Модель взаимосвязи свойств продукции и технологических параметров на основе многослойного перцептрона
2.3 Нейросетевая модель многоэтапного технологического процесса
2.4 Статистические интервальные оценки прогнозов показателей качества продукции

2.5 Выводы
3. ОБУЧЕНИЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ ЛОКАЛЬНОЙ ТЕХНОЛОГИИ
3.1 Формальный критерий окончания обучения
3.2 Конструктивный метод формирования двухслойной нейросетевой модели технологического процесса
3.2.1 Этап параметрической идентификации
3.2.2 Этап модификации структуры нейронной сети
3.3 Конструктивный метод формирования многослойной нейросетевой модели многоэтапного технологического процесса
3.4 Адаптация нейросетевых моделей локальной технологии
3.5 Выводы
4. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ИДЕНТИФИКАЦИИ МОДЕЛИ ГЛОБАЛЬНОЙ ТЕХНОЛОГИИ
4.1 Разработка нейросетевого классификатора
4.2 Идентификация глобальной технологии на основе структуры нейросетевого классификатора
4.3 Исследование возможности идентификации модели глобальной технологии на основе нейронных сетей
4.4 Выводы
5. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ИНСТРУМЕНТОВ МОДЕЛИРОВАНИЯ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА
5.1 Апробация на имитационной модели
5.1.1 Описание имитационной модели
5.1.2 Создание нейросетевой модели технологического процесса и анализ ее адекватности
5.2 Апробация на реальных экспериментальных данных
5.3 Выводы
ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК
ПРИЛОЖЕНИЯ
Приложение 1. Библиотека классов, используемых для описания
нейронной сети
Приложение 2. Основные видеокадры автоматизированной системы
нейросетевого моделирования технологического процесса
Приложение 3. Спецификация технологических величин имитационной
модели технологического процесса
Приложение 4. Спецификация технологических величин, используемых для моделирования процесса производства стали в ККЦ-1 ОАО
НЛМК
Приложение 5. Результаты моделирования технологического процесса
производства стали в ККЦ-1 ОАО НЛМК
Приложение 6. Результаты прогнозирования вероятности производства качественной продукции нейросетевыми классификаторами

Самая простая нейросетевая модель одного из показателей качества может состоять из одного формального нейрона (рис. 2.1).
1
1
X , , 2,
(V 5 1 + <Га5 У
X**«,
Рис. 2.1. Модель / -ой характеристики продукции на основе формального нейрона
Количество входов модели соответствует количеству технологических параметров рассматриваемого процесса - п, X = {хі,х2 хп}, в качестве функции активации выбирается логистическая функция. В теории нейронных сетей такая модель называется однослойным перцептроном с одним выходом. Функционирование модели происходит по следующим формулам:
£=!>/*
1 + е
-я5'
(2.1)
(2.2)
Алгоритм формирования топологии модели на основе одного перцептрона состоит из следующих шагов:
1. Все сигналы, соответствующие технологическим факторам процесса, т.е. вектор сигналов X = (хь...,хп), подаются на вход модели.
2. Выход перцептрона у ! соответствует моделируемому у-му свойству продукции.
Обычно, производимая продукция характеризуется несколькими показателями качества Ї = {у,—,ут} ■ Совокупность моделей (2.1)-(2.2), объединенных в единую нейронную сеть, составляют нейросетевую модель зависимости всех показателей качества продукции от технологии производства (рис. 2.2). Данная модель имеет один слой нейронов и т выходов.