Помощь в написании студенческих работ
Антистрессовый сервис

Математическое моделирование и разработка системы диагностики состояния технологического процесса и управления качеством продукции: на примере процесса непрерывного литья заготовки алюминиевой фольги

Диссертация: Математическое моделирование и разработка системы диагностики состояния технологического процесса и управления качеством продукции: на примере процесса непрерывного литья заготовки алюминиевой фольги
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В настоящее время вопрос повышения качества продукции является ключевым для российских производителей. Только качественный продукт может успешно конкурировать на отечественном и международном рынке. Повышающиеся требования к качеству продукции заставляют применять меры организационного и технологического характера, состоящие, в том числе и во внедрении новых способов управления производственным… Читать ещё >

Математическое моделирование и разработка системы диагностики состояния технологического процесса и управления качеством продукции: на примере процесса непрерывного литья заготовки алюминиевой фольги (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. Анализ теоретических и литературных данных и определение задач исследования
    • 1. 1. Процесс непрерывного литья заготовки алюминиевой фольги и применение системы диагностики состояний технологического процесса и управления качеством
    • 1. 2. Определение структуры системы
    • 1. 3. Методы построения математических моделей объекта для целей технической диагностики
      • 1. 3. 1. Анализ сложности объекта
      • 1. 3. 2. Построение модели
    • 1. 4. Задачи исследования
  • 2. Анализ особенностей технологического объекта с целью выявления основных параметров состояний для системы технической диагностики
    • 2. 1. Общие сведения
    • 2. 2. Конструкция установки непрерывного литья ОАО «Фольгопрокатный завод» (г.Санкт-Петербург)
    • 2. 3. Описание технологического процесса
    • 2. 4. Метрологическое обеспечение технологического процесса
    • 2. 5. Возможные дефекты и причины их возникновения
    • 2. 6. Концептуальная модель технологического процесса
    • 2. 7. Выводы
  • 3. Разработка методики и результаты экспериментального исследования
    • 3. 1. Топология модели технологического процесса
    • 3. 2. Обработка и анализ данных пассивного эксперимента
      • 3. 2. 1. Цели анализа данных
      • 3. 2. 2. Корреляция между факторами
      • 3. 2. 3. Корреляция между откликами и факторами
      • 3. 2. 4. Проверка нормальности распределения
    • 3. 3. Разработка метода многомерного ситуационного экспертного опроса
      • 3. 3. 1. Выбор метода проведения экспертного опроса, определение существенных факторов и откликов
      • 3. 3. 2. Многомерный ситуационный экспертный опрос
      • 3. 3. 3. Разработка и описание программного обеспечения метода многомерного ситуационного экспертного опроса
    • 3. 4. Выводы
  • 4. Разработка алгоритмов и моделей системы диагностики
    • 4. 1. Варианты алгоритмов функционирования системы
    • 4. 2. Вероятностный алгоритм функционирования системы диагностики
      • 4. 2. 1. Вероятностный алгоритм диагностики состояния технологического процесса
      • 4. 2. 2. Формирование рабочей базы данных
      • 4. 2. 3. Регрессионные уравнения технологического процесса
      • 4. 2. 4. Алгоритм адаптации регрессионных уравнений и коррекции рабочей базы данных
      • 4. 2. 5. Расчет рекомендуемых изменений технологических параметров для достижения требуемого качества
    • 4. 3. Нейросетевой алгоритм функционирования системы диагностики
      • 4. 3. 1. Нейросетевой алгоритм диагностики состояния технологического процесса
      • 4. 3. 2. Алгоритм адаптации системы
      • 4. 3. 3. Расчет рекомендуемых изменений технологических параметров для достижения требуемого качества
    • 4. 4. Анализ и сравнение вероятностного и нейросетевого алгоритмов
    • 4. 5. Модель технологического процесса в виде нейронной сети
    • 4. 5. Программное обеспечение системы диагностики
    • 4. 6. Выводы
  • 5. Производственные испытания системы и перспективы для ее широкого внедрения
    • 5. 1. Проверка и внедрение компьютерного диалога экспертного опроса
    • 5. 2. Проверка системы диагностики на производстве
      • 5. 2. 1. Определение показателей качества по набору значений параметров технологического процесса
      • 5. 2. 2. Определение параметров технологического процесса по набору значений показателей качества
      • 5. 2. 3. Расчет рекомендуемых изменений технологических параметров для получения продукции требуемого качества
      • 5. 2. 4. Анализ экономической эффективности внедрения системы
    • 5. 3. Предварительная оценка перспектив внедрения метода
    • 5. 4. Выводы

В настоящее время вопрос повышения качества продукции является ключевым для российских производителей. Только качественный продукт может успешно конкурировать на отечественном и международном рынке. Повышающиеся требования к качеству продукции заставляют применять меры организационного и технологического характера, состоящие, в том числе и во внедрении новых способов управления производственным процессом [1]. Своевременное выявление брака на ранних этапах сложного технологического процесса позволяет вовремя изменять условия производства продукции, что в итоге отражается в снижении расходов на производство, уменьшает ее конечную стоимость, повышает конкурентоспособность.

Процедура управления технологическим процессом для получения продукции требуемого качества, называемая далее в данной работе процедурой управления качеством, имеет сходство с процедурой технической диагностики [2]. В обоих случаях конечной целью производимых действий является определение состояния системы. Отличие состоит в том, что техническая диагностика акцентирует внимание на работоспособности технологического оборудования, а управление качеством — на соответствии параметров продукции предъявляемым требованиям.

Для выработки верной стратегии управления качеством необходимо четко представлять производственный процесс, должен быть проведен анализ причин появления брака и способов их устранения. В результате такого анализа строится модель управления технологическим процессом, позволяющая рассчитывать необходимые изменения технологических параметров.

Математическая модель, лежащая в основе диагностической системы, должна описывать наиболее важные зависимости показателей качества от значений параметров технологического процесса. Технологические процессы обычно являются сложными объектами, то есть состоят из многих взаимодействующих частей и обладают качественными особенностями, которыми ни одна из них в отдельности не обладает. Кроме этого, технологические процессы подвержены влиянию неисчислимого количества факторов. Попытка построения максимально полной математической модели такой системы обычно приводит к получению настолько громоздкой и сложной математической задачи, что ее решение даже на современных быстродействующих вычислительных машинах затруднено. Выходом из этой ситуации является целенаправленное упрощение объекта исследования [3]. В каждом конкретном случае, определяющую роль играет ограниченное, как правило, небольшое число таких факторов, а остальные являются второстепенными, несущественными и их влияние мало. При построении математической модели требуется заранее оценить, каким из факторов отдать предпочтение, а какие отнести к разряду второстепенных и не брать их во внимания. Для принятия решения об отсеве факторов могут привлекаться статистический материал и специалисты, хорошо знающие производственный процесс. Получаемая математическая модель, однако, может применяться для изучения объекта только в определенных условиях, определяемых целями разработки модели, в других условиях данная модель оказывается неравноценной реальному объекту, именно поэтому важной частью процесса моделирования является этап проверки качества модели, выявления степени ее соответствия реальному объекту.

Гибкое управление производством позволяет предприятию легче конкурировать на рынке, расширять номенклатуру продукции, повышать качество выпускаемой продукции, снижать затраты, а значит позволяет проводить эффективную ценовую политику в отношении своего товара.

Особый интерес представляет возможность использования при построении диагностической системы информации о функционировании технологического объекта, получаемой в результате опроса экспертовспециалистов, очень хорошо знающих технологический процесс и обладающих обширной информацией в предметной области, полученной в результате длительных наблюдений за объектом. Интуитивно данные этих наблюдений уже переработаны экспертом, в них в неявном виде выявлен ряд закономерностей, которые и могут быть раскрыты в результате опроса.

Обычно характеристики внутренних связей объекта постепенно изменяются, поэтому в процессе эксплуатации системы диагностики, модель объекта должна корректироваться, иначе точность решения с течением времени перестанет удовлетворять предъявляемым требованиям.

Построение системы диагностики состояния технологического процесса в данной работе проведено на примере процесса непрерывного литья заготовки алюминиевой полосы. При этом преследуется цель получения инструмента эффективного управления качеством фольги. Кроме того, описанные в работе алгоритмы и методы диагностики состояния технологического процесса и управления качеством выпускаемой продукции могут быть использованы при управлении качеством продукции в ряде других отраслей.

6. ОБЩИЕ ВЫВОДЫ.

Цель данного исследования состояла в построении системы диагностики состояний процесса непрерывного литья заготовки алюминиевой фольги для управления качеством продукции и применении построенной системы для выработки рекомендаций по ведению технологического процесса. В ходе разработки были получены следующие результаты:

1. Исследованы и проанализированы два варианта алгоритма построения и функционирования системы диагностики, различающиеся способами определения параметров технологического процесса по значениям показателей качества продукции: в одном случае — с помощью эвристического вероятностного алгоритма, в другом — с помощью нейросетевой модели управления технологическим процессом. В результате анализа и сравнения этих вариантов был разработан итоговый алгоритм построения и функционирования системы диагностики, в основу которого положена нейросетевая многофакторная математическая модель процесса непрерывного литья листовых заготовок алюминиевой фольги, реализованная в виде трехслойного персептрона с 9 нейронами во входном слое, 25 нейронами в скрытом слое и 5 нейронами в выходном слое. Для сбора исходной информации о связях между выходными и входными координатами технологического процесса при построении модели использован разработанный нами метод многомерного ситуационного экспертного опроса. Математическое обеспечение созданной системы диагностики базируется на методах теории нейронных сетей, статистическом анализе, теории экспертного оценивания, теории планирования эксперимента.

2. Проведен анализ существующих методов сбора информации о связях между выходными и входными координатами технологического объекта в результате проведения пассивного эксперимента, активного эксперимента, экспертного опроса. В ходе анализа отмечены сложности проведения экспериментов на технологическом объекте, находящемся под управлением, что обусловило необходимость разработки инструмента сбора данных для построения многофакторной модели в результате экспертного опроса (многомерный ситуационный экспертный опрос). Предложенный метод использует элементы теории планирования эксперимента и теории экспертных оценок и заключается в сравнении влияний на показатели качества совокупностей технологических параметров, характеризующих состояния технологического процесса, соответствующие плану полного или дробного факторного эксперимента. Для проведения опроса и обработки его результатов создано и зарегистрировано программное обеспечение. Проведение многомерного ситуационного экспертного опроса при построении системы диагностики состояний технологического процесса непрерывного литья заготовки алюминиевой фольги в режиме диалога эксперта с компьютером не превышало 3 часов.

3. Разработана математическая процедура моделирования технологических процессов, базирующаяся на сочетании методов регрессионного анализа, методики bootstrap и теории нейронных сетей. Показано, что применение регрессионных уравнений для моделирования промышленного многофакторного объекта затруднено в частности из-за необходимости априорного выбора и фиксации вида зависимостей. Ошибка в выборе вида модели становится одной из главных причин ее неадекватности. При построении нейросетевой модели не требуется выбор вида аппроксимируемой зависимости, поэтому переход от регрессионной модели к нейросетевой, позволяет устранить один из главных источников ошибок. Разработанная процедура была реализована в системе диагностики технологических состояний. Проверка работоспособности процедуры заключалась в переводе системы из 9 регрессионных уравнений, в нейросетевой вид и оценке степени расхождения полученных моделей. Нейросетевая модель была реализована в виде трехслойного персептрона с 25 нейронами в скрытом слое. Проверка соответствия между моделью в виде нейронной сети и моделью в виде регрессионных уравнений в 1000 точек факторного пространства показала максимальное расхождение значений факторов на 3.35%.

4. В связи с невозможностью полного учета нелинейностей объекта управления рекомендовано реализовывать управляющие воздействия дискретно-шаговым путем, когда требуемое качество достигается не однократным изменением технологических параметров, а за несколько последовательных шагов, с контролем адекватности модели на каждом шаге. Количество шагов выбирается исходя из стоимости возможного ущерба, возникающего при реализации ошибочных воздействий на технологический процесс. Во время промышленных испытаний системы диагностики состояния процесса непрерывного литья требуемое качество удавалось за 5 шагов.

5. Математическая модель объекта управления, дополнена алгоритмом адаптации, используемым для учета возможного дрейфа характеристик сырья и изменения условий производства. Алгоритм заключается во внесении в обучающую выборку нейронной сети данных, полученных при наблюдении за технологическим процессом, и обучении сети на скорректированной выборке в случае выявляемой неадекватности модели.

6. Проведены производственные испытания разработанной системы диагностики с целью проверки ее работоспособности в условиях промышленной эксплуатации. Они заключались в определении параметров технологического процесса по показателям качества продукции, расчете рекомендаций по изменению технологических параметров для достижения требуемых значений показателей качества, реализации рекомендаций и сравнении достигнутых показателей качества с требуемыми. В ходе испытаний расхождения требуемых и достигнутых показателей качества не превышали 12%, что оценивалось заказчиком, как приемлемый уровень остаточных отклонений.

7. В результате производственных испытаний получен пятнадцати процентный рост выхода годной продукции с подтвержденным экономическим эффектом 1256 рублей на 1 тонну продукции.

8. Проведен анализ и дополнительные производственные исследования с целью оценки возможности широкого применения разработанного метода для ряда объектов в машиностроении и металлургии. Исследование в этом направлении производилось в частности на Кушвинском заводе литых прокатных валков. В результате и здесь было установлено, что предварительно полученные модели в достаточной степени отражают характер зависимостей показателей качества от технологических параметров и могут далее использоваться для построения системы диагностики на основе нейросетевой модели технологического процесса. Это говорит о достаточной универсальности предложенного метода и возможности его более широкого применения.

Показать весь текст

Список литературы

  1. И.И., Шапиро В. Д. Управление качеством: Учеб. пособие. -М.:Высш. шк., 2003. 334 с.
  2. В.И., Лисиенко В. Г., Меныциков В. А. Информационные измерительные системы: теория, моделирование, проектирование, применение. Екатеринбург: Издательство АМБ, 2005. — 208 с.
  3. .Я., Яковлев С. А. Моделирование систем: Учеб. для вузов. 3-е изд., перераб. и. доп. — М.:Высшая школа, 2001. — 343 с.
  4. A.B., Гаскаров Д. В. Техническая диагностика. -М.:Высшая школа, 1975.-207 с.
  5. Д. Обнаружение и диагностика неполадок в химических и нефтехимических процессах / Пер. с англ. Л.:Химия, 1983. — 352 с.
  6. П.И., Пчелинцев Л. А. Последовательное обучение систем диагностики. М.: Энергоатомиздат, 1987 — 112 с.
  7. О.П., Обичкин Ю. Г., Блохин В. Г. Статистические методы в технологии производства радиоэлектронной аппаратуры. М.:Энергия, 1977.-296 с.
  8. Статистические методы повышения качества / Под ред. X. Куме. -М.:Финансы и статистика, 1990. 304 с.
  9. Контроль качества с помощью персональных компьютеров / Т. Макино, М. Охаси, X. Докэ, К. Макино. М.: Машиностроение, 1991. — 224 с.
  10. А. Контроль качества продукции / Сокр. пер. с англ.- авт. предисл. и науч. ред. A.B. Гличев. М.: Экономика, 1986. — 472 с.
  11. Г. Л., Антипенко В. И. Диагностика брака и дефектности отливок в автоматизированной системе управления качеством. // Инф. листок ЦНТИ. -№ 949.-1995.-С. 4.
  12. Г. Л., Антипенко В.И Актуальные проблемы автоматизации смесеприготовления // Совершенствование литейных процессов. Труды конф. литейщиков России. ЕкатеринбурпУГТУ. — 1997. — С.21−33.
  13. Э.В. Экспертные системы, решение неформализованных задач в диалоге с ЭВМ. М: Наука, 1987. — 284 с.
  14. Искусственный интеллект: Применение в интегрированных производственных системах / Под ред. Э. Кьюсиака- Пер. с англ. -М. Машиностроение, 1991. 544 с.
  15. Создание экспертных систем обнаружения дефектов электроагрегатов. / В. И. Кузякин, А. Р. Харисов // Труды международной научно-практической конференции «Топливно-энергетический комплекс». В 4 т. Том 4. Часть 2 -Екатеринбург, 2007 — С. 281−284.
  16. Ю.Л. Безаварийность и диагностика нарушений в химических производствах. -М.: Химия, 1990. 144 с.
  17. B.C. Статистические методы в управлении качеством продукции. М.: Финансы и статистика, 1982. — 119 с.
  18. В.М. Методы анализа качества продукции. М.: Финансы и статистика, 1985.-214 с.
  19. И.Б., Шумский В. М., Осепян Ф. А. Адаптивное управление непрерывными технологическими процессами. М.: Энергоиздат, 1986. -240 с.
  20. Ким Д. П. Теория автоматического управления. М.: Физматлит, 2004. -Т. 2: Многомерные, нелинейные, оптимальные и адаптивные системы. -464 с.
  21. Р. Процессы регулирования с адаптацией. М.: Наука, 1964. -360 с.
  22. JI.A. Адаптация сложных систем. Рига: Зинатне, 1981. -375 с.
  23. Н. Кибернетика. М.:Наука, 1983. — 344 с.
  24. Современные методы идентификации систем / П. Эйкхофф, А. Ванечек, Е. Савараги и др.- Под ред. П. Эйкхоффа. М.:Мир, 1983. — 400 с.
  25. Д. Анализ процессов статистическими методами. -М.:Мир., 1973.-510 с.
  26. A.A., Михайлов А. П. Математическое моделирование: Идеи. Методы. Примеры. 2-е изд., испр. — М.: Физматлит, 2001. — 320 с.
  27. Компьютеры, модели, вычислительный эксперимент. Введение в информатику с позиций математического моделирования / Авт. пред. А. А. Самарский. -М.: Наука, 1988. 176 с.
  28. А. Н., Самарский А. А. Уравнения математической физики. 5-е изд. — М.: Наука, 1977. — 73 6 с.
  29. Кузин J1.T. Основы кибернетики: В 2 т. М.: Энергия, 1979. — Т. 2: Основы кибернетических моделей. — 584 с.
  30. Ю.М. Математические основы кибернетики: Учеб. пособие. -М.: Энергия, 1980.-424 с.
  31. P. Congdon Applied Bayesian modeling. Wiley, 2002. 472 p.
  32. Дж., Дженкинс Г. М. Анализ временных рядов, прогноз и управление. Т. 1−2.-М.: Мир, 1974.
  33. М. Дж., Стьюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976. — 736 с.
  34. .Н. Избранные труды. М.:Наука, 1983. — Т.1: Теория автоматического управления. — 432 с.
  35. В.Г., Салихов З. Г., Гусев O.A. Моделирование объектов с распределенными параметрами на примере трехуровневых АСУ нагревом материала: Учеб. пособие. Екатеринбург: УГТУ-УПИ, М: МИСиС, 2004. -163 с.
  36. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. — 275 с.
  37. A.A., Поляков А. О. Интеллектуальные системы управления. -СПб: Издательство СПбГТУ, 1999. 264 с.
  38. Н.П., Калашников В. В., Коваленко И. Н. Лекции по теории сложных систем. М.:Наука, 1973. — 440 с.
  39. Нейроинформатика / А. Н. Горбань, В.Л.Дунин-Барковский, А. Н. Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с.
  40. Ю.М., Старосельский В. А. Моделирование и управление в сложных системах. М.: Сов. радио, 1974. — 264 с.
  41. В.В., Чернова H.A. Статистические методы планирования экстремальных экспериментов. М.: Наука, 1965. — 340 с.
  42. И.М., Рукавишников В. О. Группировка, корреляция, распознавание образов. Статистические методы классификации и измерения связей. -М.: Статистика, 1977. 143 с.
  43. Факторный, дискриминантный и кластерный анализ / Дж.-О. Ким, Ч. У. Мьюллер, У. Р. Клекка и др. М.?Финансы и статистика, 1989. — 215 с.
  44. В.В., Голикова Т. И. Логические основания планирования эксперимента. М.: Металлургия, 1980. — 152 с.
  45. И.Г. Планирование эксперимента для исследования многокомпонентных систем. М.:Наука, 1976. — 390 с.
  46. Ю.П., Маркова Е. В., Грановский Ю. В. Планирование эксперимента при поиске оптимальных условий. М.:Наука, 1976. — 279 с.
  47. В. В. Теория эксперимента. М.: Наука, 1971. — 206 с.
  48. A.A. Планирование эксперимента при исследовании технологических процессов. -М.: Машиностроение, 1981. 184 с.
  49. И.Г. Планирование эксперимента для исследования многокомпонентных систем. М.: Наука, 1976. — 390 с.
  50. А.И. Экспертные оценки // Заводская лаборатория. 1996. — Т.62. -Ж1.-С.54−60.
  51. В.В., Дли М.И., Годунов. Нечеткая логика и нейронные сети. -М.: Физматлит, 2001. 224 с.
  52. Нечеткие множества в моделях управления и искусственного интеллекта / А. Н. Аверин и др.- Под ред. Д. А Поспелова. М.: Наука, 1986. — 312 с.
  53. .В., Мировская Е. А. Математические методы и ЭВМ в стандартизации и управлении качества. -М:. Издательство стандартов, 1990. -168 с.
  54. H.H. Групповые экспертные оценки. М.: Знание, 1975. — 64 с.
  55. Планирование эксперимента в исследовании технологических процессов / К. Хартман, Э. Лецкий, В. Шефер и др. М: Мир, 1977. — 552 с.
  56. Г. С. Методы оптимизации и решение уравнений. М.:Наука. Гл. ред. физ.-мат. лит., 1987. — 127 с.
  57. Айвазян С. А, Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Статистическое оценивание зависимостей. -М.: Финансы и статистика, 1985. -484 с.
  58. Т. Введение в многомерный статистический анализ. М.: Физматгиз, 1963. — 500 с.
  59. Многомерный статистический анализ в экономике: Учеб. пособие для вузов / Л. А. Сошникова, В. Н. Тамашевич, Г. Уебе, М. Шефер. М.:Юнити-Дана, 1999.-598 с.
  60. C.B. Многомерный статистический анализ: Учеб. пособие. -Барнаул: Изд-во Алт. гос. ун-та, 2003. 213 с.
  61. И. Д. Кластерный анализ. М.: Финансы и статистика, 1988. -176 с.
  62. ., Оделл П. Кластерный анализ. М.: Статистика, 1977. — 128 с.
  63. Г. Современный факторный анализ. М.: Статистика, 1972. — 489 с.
  64. К. Факторный анализ. М.: Статистика, 1980. — 389 с.
  65. Э.М., Мучник И. Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983. — 464 с.
  66. X., Лейтер Ю. Многомерный дисперсионный анализ. М.: Финансы и статистика, 1985. — 232 с.
  67. Т. Введение и многомерный статистический анализ / Пер. с англ. -М. Физматгиз, 1963. 500 с.
  68. Айвазян С. А, Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.-471 с.
  69. Прикладная статистика: Классификация и снижение размерности / С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, Л. Д. Мешалкин. М.:Финансы и статистика, 1989. — 607 с.
  70. Прикладные нечеткие системы: Пер. с япон. / К. Асаи, Д. Ватада, С. Иван и др.- Под ред. Т. Тэрано, К. Асаи, М. Сугэно. М.: Мир, 1993. — 368 с.
  71. Нечеткие множества в моделях управления и искусственного интеллекта / А. Н. Аверкин, И. З. Батыршин, А. Ф. Блишун и др.- Под ред. Д. А. Поспелова. М.:Наука. Гл. ред. физ.-мат. лит., 1986. — 312 с.
  72. В.И. Применение ЭВМ для решения задач распознавания образов: Учеб. пособие. Л.:Изд.-во Ленингр. ун-та, 1983. — 216 с.
  73. К. Введение в статистическую теорию распознавания образов. -М.: Наука. Гл. ред. физ.-мат. лит., 1979. 368 с.
  74. Н., Смит Г. Прикладной регрессионный анализ. 2-е изд. -Т.1−2. -М.: Финансы и статистика, 1986.
  75. Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1973.-302 с.
  76. C.R. Rao, Н. Toutenburg Linear models: Least squares and alternatives, Springer, 1999.-439 p.
  77. Ч., Хенсон P. Численное решение задач методом наименьших квадратов. М.: Наука, 1986. — 232 с.
  78. В.Н. Восстановление зависимостей по эмпирическим данным. -М.:Наука, 1979.- 448 с.
  79. Д.К. Планирование эксперимента и анализ данных. -Л.:Судостроение, 1980. 384 с.
  80. M.R. Chernick, R.H. Fritis Introductory Biostatistics for the Health Sciences Modern Applications Including Bootstrap, Wiley, 2003. 420 p.
  81. Д. фон Нейман Теория самовоспроизводящихся автоматов. Часть 2. -М.:Мир, 1971.-48 с.
  82. А.Н. Колмогоров Избранные труды. Математика и механика, М.:Наука, 1985.-470 с.
  83. С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. — 344 с.
  84. A.B., Лоскутов А. И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003. — 384 с.
  85. Методы нейроинформатики / Под. ред. А.Н. Горбаня- отв. за выпуск М. Г. Доррер. КГТУ, Красноярск, 1998. — 205 с.
  86. Нелинейная теория управления: динамика, управление, оптимизация / Под ред. В. М. Матросова, С. Н. Васильева, А. И. Москаленко. М.: Физматлит, 2003. — 352 с.
  87. A.A., Шумский С. А. Нейрокомпьютинг и его применения в экономике и бизнесе. М: МИФИ, 1998. — 222 с.
  88. В.И., Смирнов В. И. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия-Телеком, 2002. — 96 с.
  89. Гольдштейн C. JL, Щербатский В. Б., Гущина О. В. Практический нейрокомпьютинг: Учеб. пособие. Екатеринбург: ГОУ ВПО УГТУ-УПИ, 2005.-128 с.
  90. Ф. Нейрокомпьютерная техника. М.: Мир, 1992. — 237 с.
  91. А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: «Наукова думка», 1981. — 296 с.
  92. А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев: Техника, 1975. — 312 с.
  93. Сотник C. J1. Идентификация колебательного звена методом группового учета аргументов и искусственной нейронной сетью с генетическим алгоритмом обучения // http://www.alicetele.com/~sergei/indexe.htm.
  94. Дж. фон Нейман Теория самовоспроизводящихся автоматов. Часть 1. -М.: Наука, 1971. -56 с.
  95. В.А. Теорема Гёделя о неполноте. М.: Наука, 1982. — 114 с.
  96. С.Н., Коваленко П. А., Симонов В. Н. Бесслитковая прокатка алюминиевой ленты. М.: Металлургия, 1976. — 136 с.
  97. И.А. Шур Перспективы развития бесслитковой прокатки алюминиевых сплавов // Технология легких сплавов. 2001. — № 5−6. — С.38−41.
  98. А.Н. Сметанин, А. П. Гергерт, С. С. Саркисов Освоение и развитие производства упаковочных материалов // Цветные металлы. 1999. — № 1. -С.56−58.
  99. Е.Ф. Зависимость механических свойств полос алюминия от режима бесслитковой прокатки // Цветные металлы. 1983. — № 8. — С.79−81.
  100. М.В., Бажнн В. Ю. Технические и технологические разработки для литья алюминиевых полос, совмещенного с прокаткой. // Литейщик России. 2005. — № 1 — С. 37−39.
  101. Технологическая инструкция ТИ 14 504 589−087−2005 ОАО «Уральская фольга» Изготовление алюминиевой ленты на агрегате бесслитковой прокатки АБП-1600. 32 с.
  102. М.В., Бажин В. Ю., Мысик Р. К. Причины образования поверхностных дефектов фольговой заготовки из алюминиевых сплавов на агрегатах бесслитковой прокатки // Литейщик России. 2005. — № 9. — С. 4346.
  103. Алюминиевые сплавы. Металловедение алюминия и его сплавов: справочник / Под ред. Л. Ф. Фридляндера. М.: Металлургия, 1971. — 352 с.
  104. М.В., Бажин В. Ю. Дефекты фольговых заготовок и фольги из алюминиевых сплавов: Учеб. пособие. Екатеринбург: ГОУ ВПО УГТУ-УПИ, 2006. -126с.
  105. В.Ю., Хазан Г. Л., Бабенко А. Г., Волкова А. В. Использование экспертных оценок для диагностики дефектности бесслитковой фольговой заготовки // Литейщик России. 2005. — № 9. — С. 37−40.
  106. А.Г., Хазан Г. Л. Свидетельство об официальной регистрации программы для ЭВМ № 2 005 612 701 «POLL».
  107. Ю. Альманах программиста. M.:MicrosoftPress, Русская редакция, 2003. — Т. 1: Microsoft ADO.NET, Microsoft SQL Server, Доступ к данным из приложений. — 403 с.
  108. Д. и др. Программирование на Microsoft Visual С++ 6.0 для профессионалов / Д. Круглински, С. Уингоу, Д. Шеферд. М.:Русская редакция, 2004. — 864 с.
  109. Н. С++ стандартная библиотека. Для проффесионалов. -СПб.: Питер, 2004. 730 с.
  110. Проектирование и реализация баз данных Microsoft SQL Server 2000: Учебный курс. M.:MicrosoftPress, Русская редакция, 2003. — 510 с.
  111. Г. Л., Бабенко А. Г., Бажин В. Ю. Диагностика состояния многофакторного процесса. // Расплавы. 2006. — № 1. — С.28−35.
  112. Г. Л., Лисиенко В. Г., Бабенко А. Г., Бажин В. Ю. Альтернативные методы диагностики состояния многофакторного процесса. // Расплавы. -2006. № 4. — С.77−81.
  113. Г. Л., Антипенко В. И., Злыгостев С. Н., Антипенко А. В. Обращение уравнений регрессии. // Расплавы. 1996. -№ 2. — С. 31−37.
  114. Г. Л., Вальдман Л. М. Алгоритм адаптации обучающей выборки при распознавании производственно-технологических ситуаций // Известия высших учебных заведений. Черная металлургия. 1991. — № 6. — С.86−88.
  115. В.Г., Хазан Г. Л., Бабенко А. Г., Бажин В. Ю. Построение системы управления качеством заготовок алюминиевой фольги, изготовленных методом непрерывного литья. // Энергоанализ и энергоэффективность. 2006. — № 7. — С.36−39.
  116. А.Г., Хазан Г. Л., Бажин В. Ю., Лисиенко В. Г. Свидетельство об официальной регистрации программы для ЭВМ № 2 007 611 221 «NNControl».
  117. Е.И. Статистические методы анализа и обработки наблюдений. М. гНаука, 1968. — 288 с.
Заполнить форму текущей работой

Сессия? Спокойно!