Проектирование математического обеспечения систем автоматизации производства оптических материалов с использованием нейронных сетей

• Автор: Богданов, Константин Вадимович
• Шифр специальности: 05.13.12
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Санкт-Петербург
• Количество страниц: 186 с. : ил.

Введение

Глава 1. Проблемы синтеза МО САПОМ

1.1. Определение состава сложных задач при проектировании МО САПОМ

1.2. Анализ особенностей решения идентификационных

задач при проектировании САПОМ

1.3. Анализ особенностей решения задач синтеза систем автоматизированного управления при проектировании САПОМ

1.4. Анализ особенностей решения оптимизационных

задач при проектировании САПОМ

1.5. Анализ особенностей решения задач прогнозирования

при проектировании САПОМ

Глава 2. Искусственные нейронные сети как аппарат решения задач АП МО САПОМ

2.1. Анализ эволюции представлений об искусственных нейронных сетях
2.2. Принцип действия биологического нейрона
2.3. Построение модели искусственного нейрона
2.4. Процедура выбора активационной функции в модели искусственного нейрона
2.5. Классификация ИНС
2.6. Анализ методов и алгоритмов обучения ИНС
2.6.1. Формальная постановка задачи
обучения ИНС
2.6.2. Анализ методов и алгоритмов обучения
ИНС с учителем
2.6.3. Анализ методов и алгоритмов обучения
ИНС без учителя
2.7. Основные свойства ИНС
Глава 3. Применение статических ИНС в задачах
АП МО САПОМ
3.1 Исследование применения статических ИНС в задачах идентификации
3.1.1. Общая формулировка идентификационной
задачи в нейросетевом базисе
3.1.2. Критерии качества проектируемой идентификационной модели на основе ИНС
3.1.3. Разработка методики синтеза идентификационной модели на основе ИНС РБФ
с помощью генетического алгоритма
3.2. Исследование применения статических ИНС в задачах синтеза систем управления
3.2.1. Анализ использования ИНС
в задачах управления
3.2.2. Методы обучения ИНС нейросетевых
систем управления
у 3.2.3. Разработка методики синтеза контроллера
нейросетевой системы управления, обучаемой в режиме i, на основе генетического алгоритма
3.2.4. Разработка методики синтеза контроллера адаптивной нейросетевой системы управления, обучаемой в режиме i
Глава 4. Применение динамических ИНС в задачах
АП МО САПОМ
4.1. Анализ применения динамических ИНС
в решении оптимизационных задач
4.1.1. Анализ особенностей ИНС Хопфилда
как средства решения оптимизационных задач
4.1.2. Разработка методики синтеза ИНС Хопфилда
для оптимизационной задачи
4.1.3. Показатели качества решения оптимизационных задач с помощью ИНС Хопфилда
4.1.4. Разработка методики решения оптимизационной задачи с использованием динамической
ИНС Хопфилда
4.1.5. Разработка методики решения оптимизационной задачи с помощью динамикостатической ИНС
4.2. Анализ применения динамических ИНС в задачах прогнозирования параметров технологических систем
4.2.1. Анализ особенностей применения ИНС
в прогнозных задачах
4.2.2. Разработка математической модели процесса прогнозирования состояния технологической системы с помощью ИНС
4.2.3. Разработка алгоритма прогнозирования технического состояния объекта с помощью динамической ИНС Хопфилда
Глава 5. Разработка САПР МО САПОМ
5.1. Разработка концепции и функциональной спецификации САПР МО САПОМ
5.2. Разработка методики решения идентификационной
задачи с помощью САПР МО САПОМ
5.3. Разработка методики решения задачи синтеза контроллера системы управления с помощью
САПР МО САПОМ
5.4. Автоматизация проектирования математических моделей ТП производства ОМ с помощью ИНС
5.5. Разработка методики решения оптимизационной задачи с помощью САПР МО САПОМ
5.6. Разработка методики решения задачи прогнозирования с помощью САПР МО САПОМ
Заключение
Введение


Структурные свойства представлены набором важных характеристик идентификационных моделей. Исследование устойчивости является одной из ключевых задач анализа математической модели, определяющая области устойчивости, запас устойчивости и возможность стабилизации системы. Теоретические модели строятся на базе углублнного исследования динамики моделируемого объекта и отражают физические закономерности процессов, происходящих во время ТП. Теоретические модели, как правило, считаются более универсальными и справедливыми в большем диапазоне внешних воздействий, чем эмпирические. Однако, в ряде случаев это не так. Так, к примеру, в рамках настоящей работы будет рассмотрен класс идентификационных моделей на основе искусственных нейронных сетей, чь построение основано на эмпирических данных. Применение аппарата ИНС для идентификации и моделирования сложных ТП производства оптических материалов является обусловленным всеми теми сложностями, о которых уже сказано, а также сложностями в решении задачи синтеза законов управления такими ТП, о которых будет сказано ниже. Рассмотрим задачу проектирования систем управления технологическими процессами оптических материалов. Оценим особенности вышеупомянутых ТП с этой точки зрения 6. Вопервых, эти технологические процессы характеризуются крайне малой информативностью изза ненаблюдасмости выходных параметров. Поэтому сбор адекватного количества контрольной информации для управления выходными параметрами качества готовой продукции затруднн, а при решении задачи управления в реальном времени нередко технически невозможен. Соответственно, невозможно и построение замкнутых автоматизированных систем управления, в которых в каналах обратной связи используется информация о качественных показателях готового продукта. Эти особенности усложняют концептуальную задачу построения автоматизированных систем управления таких ТП. Вовторых, ТП производства оптических материалов характеризуются распределнностью технологических параметров, которая приводит к необходимости измерения тех или иных значений на производственной установке при помощи анализа косвенных показателей. Так, например, в ТП варки оптического стекла в индукционной печи с холодным тиглем, измерение температуры расплава производится оптическим пирометром с зеркала расплава или же косвенным путм по величине сеточного тока лампового генератора 4. При автоматическом управлении ростом оптического кристалла по методу Чохральского достаточно давно и традиционно используется контроль весовой динамики расплава в тигле . В е годы были предложены методы косвенного управления качеством выращиваемых по методу Чохральского оптических кристаллов на основе контроля колебаний диаметра растущего кристалла . Этот параметр оказался достаточно информативен в роли индикатора нарушений равновесных условий тепло и массопереноса. Позднее, в частности, рассматривались достаточно сложные и не получившие до сих пор адекватного решения проблемы адаптивного управления начальным и конечным этапом ТП выращивания кристаллов управление затравкой и отрывом шейки 4. Нетрудно заметить, что и здесь прямой контроль по выходным показателям качества продукта на практике не реализован. Втретьих, отмечается значительное влияние на технологические параметры внешних возмущений, носящих стохастический характер, что накладывает определнные жсткие требования на регуляторы соответствующих систем автоматизированного управления ТП. Дрейф параметров технологической системы в процессе работы нередко вызывается и сопровождается внешними возмущениями. Поскольку в динамическом объекте заранее невозможно аналитически описать возможный вид возмущений с целью их компенсации, то задача синтеза систем управления может быть переформулирована в терминах задачи синтеза адаптивных регуляторов. В этом случае проблема проектирования соответствующего математического обеспечения сводится к построению эффективных и скоростных алгоритмов адаптации законов динамики регулятора системы автоматизированного управления к внешнему воздействию в реальном масштабе времени.