Методы проектирования математического обеспечения систем автоматизации вытяжки оптического волокна

• Автор: Соловьев, Денис Викторович
• Шифр специальности: 05.13.12
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Санкт-Петербург
• Количество страниц: 143 с. : ил.

ОГЛАВЛЕНИЕ
Введение
Глава 1. Обзор состояния вопроса проектирования МО СА технологического процесса вытяжки оптического волокна
1.1. Определение списка задач, требующих автоматизации
при проектировании МО СА ТП вытяжки ОВ
1.2. Особенности решения задач идентификации при проектировании МО СА ТП вытяжки оптического волокна
1.3. Особенности решения задачи проектирования
СА ТП вытяжки оптического волокна
1.4. Особенности решения оптимизационных задач при проектировании МО СА ТП вытяжки ОВ
1.5. Особенности решения задач прогнозирования параметров
ТС при проектировании МО СА ТП вытяжки ОВ
1.6. Постановка задачи разработки САПР МО СА ТП
вытяжки ОВ
Глава 2. Методы решения задач АП МО СА ТП вытяжки ОВ с помощью технологий ИНС
2.1. Эволюционное развитие технологии искусственных нейронных сетей
2.2. Биологический нейрон, принципы работы
2.3. Модель искусственного нейрона, принципы работы
2.4. Процедуры выбора активационных функций ИНС
2.5. Типы нейронов и структур ИНС
2.6. Анализ методов и алгоритмов обучения ИНС
2.6.1. Постановка задачи обучения ИНС
2.6.2. Методы и алгоритмы обучения ИНС «с учителем»
2.6.3. Методы повышение эффективности обучения ИНС
2.6.4. Методы и алгоритмы обучения ИНС «без учителя»

2.7. Ключевые особенности математического аппарата ИНС
Глава 3. Разработка методики решения оптимизационной задачи при проектировании МО СА ТП вытяжки ОВ
3.1. Особенности ИНС Хопфилда как средства решения
оптимизационных задач при проектировании
МО СА ТП вытяжки ОВ
3.2. Разработка методики синтеза ИНС Хопфилда
для решения оптимизационной задачи при проектировании
МО СА ТП вытяжки ОВ
3.3. Показатели качества решения оптимизационных задач
с помощью ИНС Хопфилда при проектировании
МО СА ТП вытяжки ОВ
3.4. Методика решения оптимизационной задачи САПР
с использованием динамической ИНС Хопфилда
3.5. Методика решения оптимизационной задачи САПР
с помощью динамико-статической ИНС
3.6. Анализ ТП вытяжки ОВ как объекта автоматизации
Глава 4. Разработка структуры САПР МО САПОМ и практическая реализация разработанных методик и алгоритмов
4.1. Разработка концептуальной и функциональной структуры
САПР МО САПОМ
4.2. Автоматизация проектирования математических
моделей ТП производства ОВ с помощью ИНС
4.3. Методика решения оптимизационной задачи с помощью
САПР МО САПОМ
Заключение
Литература
Приложения

Введение
Оптическая промышленность, как и другие виды производств, в настоящее время уже пережила процесс трансформации из плановой экономики в отрасль рыночной экономики. Так как развитие оптической промышленности напрямую зависит от стоимости различных потребляемых ресурсов: сырьевых, топливно-энергетических, трудовых, то в наше время, чтобы извлекать прибыль, необходимо учитывать и рационально использовать эти ресурсы.
Производство оптических материалов (ОМ) включает в себя сложные с точки зрения анализа и управления технологические объекты. Автоматизация производства ОМ, как неотъемлемая в современных условиях часть мероприятий по повышению качества готовой продукции, требует создания специального математического обеспечения (МО), систем автоматизации производства оптических материалов (САПОМ) и эффективных методов его автоматизированного проектирования (АП) [1,2].
Это обусловлено тем, что большинство традиционных подходов к математическому моделированию технологических процессов (ТП) производства ОМ не предоставляют разработчику требуемой адекватности и точности воспроизведения параметров. В основе ТП производства современных ОМ лежат фазовые превращения вещества и сложные физикохимические преобразования под воздействием многочисленных факторов, что затрудняет их аналитическое описание. ТП проводятся на протяжении длительного (до нескольких суток) времени и всё это время требуется стабилизация параметров установок с достаточно высокой точностью и компенсация случайных возмущений, что невозможно без адекватного математического моделирования [3—5].
Технологические процессы производства оптического волокна (ОВ) являются сложными и обладают следующими характеристиками:

строя 10% нейронов в нервной системе не прерывает ее работы, в отличие от последовательных ЭВМ, построенных по архитектуре фон-Неймана, где сбой одной ячейки памяти или одного узла в аппаратуре приводит к краху системы.
Анализ представленных выше особенностей биологических нейронных сетей вызвал значительный интерес в плане построения их искусственных структурных аналогов для решения целого ряда задач по сложной обработке сигналов.
2.3. Модель искусственного нейрона, принципы работы
Искусственный нейрон является основным элементарным элементом, из которого строится ИНС. По характеру осуществляемых преобразований информации он представляет собой математическую модель биологического нейрона.
Здесь важно понять, что модель эта является моделью в смысле схожести схем обработки сигналов, является отображением механизма функционирования. Поэтому такие модели обычно называют нейроподобными элементами или формальными нейронами.
Функционирование формального нейрона можно описать следующим образом.
Структурно в состав модели входят умножители (синапсы), сумматор и блок нелинейного преобразования. Входной вектор (набор входных сигналов нейрона) подаётся на устройство, реализующее вектор синаптических коэффициентов. В этом устройстве каждая входная связь характеризуется неким коэффициентом (синоптическим весом). В том случае, если синаптический вес положителен, говорят, что сигнал является возбуждающим, в случае, если он отрицателен - тормозящим. Входной вектор, взвешенный на синапсах, подаётся на обычный линейный сумматор, после чего результат сложения поступает на вход нелинейного блока, реализующего активационную функцию нейрона. Кроме того модель может