Помощь в написании студенческих работ
Антистрессовый сервис

Ретроспективный анализ массивов данных производственного контроля для задач управления качеством стали

Диссертация: Ретроспективный анализ массивов данных производственного контроля для задач управления качеством стали
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Среди представленных в базах параметрах технологии определены факторы, влияющие на степень загрязненности неметаллическими включениями, и выход плавок с пластичностью vj/z<10% и>20%. Найдены оптимальные интервалы для времени продувки кислородом, количества вводимого алюминия, времени наполнения слитка из сталей Зсп и 10ХСНД. Оценки (Р) риска забраковать изделие и риска повышенного содержания… Читать ещё >

Ретроспективный анализ массивов данных производственного контроля для задач управления качеством стали (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. Аналитический обзор литературы
    • 1. 1. Факторы качества металлургической продукции
      • 1. 1. 1. Низколегированные стали
        • 1. 1. 1. 2. Конструкционные улучшаемые легированные стали
      • 1. 1. 2. Металлургическое качество стали, как фактор однородности свойств
        • 1. 1. 2. 1. Влияние неметаллических включений и примесей на разрушение конструкционных сталей
      • 1. 1. 3. Дефекты стали и их влияние на преждевременное разрушение
        • 1. 1. 3. 1. Макронеоднородность, зональная ликвация
        • 1. 1. 3. 2. Дендритная ликвация
        • 1. 1. 3. 5. Шиферность в изломе (шиферный излом)
        • 1. 1. 3. 6. Светлые полосы в изломе
        • 1. 1. 3. 7. Белые пятна в изломе
        • 1. 1. 3. 8. Камневидный излом
    • 1. 2. Системы управления качеством
      • 1. 2. 1. Развитие понятия качества
      • 1. 2. 2. Алгоритмы и методы анализа технологических данных
      • 1. 2. 3. Статистические методы, особенности применения
      • 1. 2. 4. Искусственные нейронные сети
        • 1. 2. 4. 1. Области применения НС
        • 1. 2. 4. 2. Структура искусственных нейронных сетей
        • 1. 2. 4. 3. Обучение сети
      • 1. 2. 5. Реализация «раскопок данных» и нейросетевых алгоритмов в прикладных задачах
    • 1. 3. Выводы по литературному обзору
    • 1. 4. Цели и задачи исследования
  • Глава 2. Материал и методика исследования
    • 2. 1. Объект исследования
      • 2. 1. 1. База данных технологии производства крупных поковок из стали 38Х113МФА-Ш
      • 2. 1. 2. Базы данных толстолистового проката
      • 2. 1. 3. Анализ неоднородности структур и разрушения
    • 2. 2. Некоторые понятия и термины использованные при статистическом описании данных
    • 2. 3. Термины и понятия нейростатистики, использование программных модулей
  • Глава 3. Результаты и их обсуждение (Ретроспективный анализ массивов производственного контроля для задач управления качеством стали)
    • 3. 1. Использование баз данных производственного контроля для управления качеством металлопродукции
    • 3. 2. Анализ структуры данных в базах. Первичный анализ массива
      • 3. 2. 1. База данных производства крупных поковок (сталь типа 38ХНЗМФА-Ш)
      • 3. 2. 2. База данных листовых сталей (Зсп, 10Г2С1, 14Г2АФ, 10ХСНД)
    • 3. 3. Ретроспективный анализ технологического цикла для задач управления качеством
    • 3. 4. Структурные факторы пластичности толстолистовой стали «в третьем направлении» (обнаружение и объединение скрытых переменных)
      • 3. 4. 1. Роль неметаллических включений
      • 3. 4. 2. Влияние параметров плавки на балл неметаллических включений
    • 3. 5. Камневидный излом крупных поковок
  • Выводы

Наблюдаемая в металлургии неоднородность разномасштабных структур и сопутст-4 вующий им разброс свойств однородной продукции, часто значительный, появление необъяснимых «вспышек брака» (когда все параметры технологии находятся в пределах поля допуска) — результат неблагоприятного сочетания порознь суммируемых, но взаимодействующих отклонений от нормы на разных этапах технологии.

Достаточно хорошо организованная система измерения и сбора информации по технологической цепочке, где последовательность операций описывают ~102 управляемых параметров, а качество продукта — не менее 10 параметров, обеспечивает быстрое накопление в архивах АСУ предприятия представительных массивов данных контроля. В то же время объем информации ограничен сверху: обычно он содержит менее 1000 плавок, так как за большее время меняются или заказы на продукт, или технология и оборудование. В такой многомерной нелинейной задаче при использовании классических статистических алгоритмоврегрессионного и дисперсионного анализа — оказывается малодостоверным даже только прогноз результата. Между тем, для производства конечной целью является не столько прогноз, сколько возможность корректировки процесса — единовременной либо поплавочной, в реальном времени, по наблюдениям начальной части траектории. Для этого необходимо найти эффективный комплекс алгоритмов ретроспективного анализа данных («раскопок данных» -" data mining), применимых в условиях металлургического производства.

Выводы.

• 1. Изучены возможности использования архивных массивов данных о технологических процессах для управления качеством металла. Показано, что специфика ретроспективного анализа в металлургии ограничивает выбор метода анализа и делает предпочтительными непараметрические методы с наименьшей потерей информации.

2. Предложен теоретически оптимальный (с наибольшей асимптотической эффективностью) непараметрический метод выделения «зоны риска» и нахождения решающих правил для корректировки обработки «плавок риска» в пределах, регламентированных технологией.

3. Сопоставление результатов предложенного метода и методов регрессионного анализа и нейронных сетей с генетическими алгоритмами показало предпочтение предложенного непараметрического подхода с определением критерия Смирнова.

4. Метод опробован на заводских данных о производстве крупных поковок из стали типа 38ХГ13МФА-Ш. Обнаруженная группа факторов риска по камневидности излома состоит из трех параметров: температура в ковшеколичество вводимого известнякаотношение Mn/S.

5. Найденный способ снижения риска — понижение температур в первых зонах печи «при нагреве под ковку, позволит сократить на 70% выход поковок с долей камневидной составляющей в изломе более 10%.

6. Для неполных по объему массивов данных листовой стали показана возможность удовлетворительного решения частных задач — определения достаточности скрытых переменных (балл включений) для прогноза пластичности в третьем направлении vj/z.

включений.

Было установлено, что при раскислении алюминием стали Зсп в количестве более 0,50 кг/т сокращается доля плавок с низким баллом неметаллических включений на 25% и с Рокс>2=0,22±-0,10 до Pokc< I.

•.

1 3————-1-.? !? о.

• ?.

•.

• «• • • Во? s? IS о° с 3 i i.

5.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0. S А) в ковш • от 2.5 балла.

80 100 120 140 160 180 200 220 240 время наполнения сталь Зсп.

10ХСНД.

Рис. 3.26 — Оценка влияния технологических параметров на степень загрязненности сульфидными включениями в стали Зсп и 10ХСНД.

В стали 10ХСНД доля образцов с баллом оксидных включений от 2 и выше возрастает если время продувки кислородом менее 4,2 и составляет 0,73±0,29. Средний балл сульфидных включений также увеличивается. При продолжительности продувки кислородом стали Зсп не более 1,5 минут, риск получить балла сульфидов выше 2,5 составляет Рсульф>215=0,66±-0,18, если продолжительность продувки увеличить, то он снижается до Рсульф>2,5=0,36±-0,12. Однако разные стали — это разные технологии, следовательно, переноса выявленных правил не происходит..

В интервале 1,5−2,5 минут времени наполнения слитка отношение образцов с низким баллом к образцам с высоким баллом неметаллических включений находилось в отношении «3/1 (Р0ко2,о-0,81±0,19- Рокс<1,5=0,19±-0,07) Так сократив время наполнения слитка, уменьшаем риск получить загрязненность по неметаллическим включениям большого балла (РсУльф<2,5=0,86±-0,27 если t.

Регламентирование указанных технологических параметров, в пределах указанных интервалов, изменило прогноз по выходу относительного сужения. Ожидается снижение доли испытаний с низким уровнем относительного сужения, в случае увеличении времени продувки кислородом (рис. 3.27)..

1.2 1 0.8 08 04 0 2 0.

1° j. о.

•¦кнсся Враиа продувш 0?"1 4S Врана продуаш 02>1 9 мсьыксш Врана преет*** OJ<4 4 6р*ыя предуми 02>4 45 а) Зсп б)10ХСНД.

Рис. 3.27 — Прогноз изменения выхода с пластичностью <10% и >20% при оптимизации технологии выплавке сталей Зсп и 10ХСНД по времени продувки Ог.

Для стали 10ХСНД в случае, если время продувки кислородом не превышает 4,4 минут риск получить vj/z<10 Pvz2o=0,07±0,05, в то время как на всем массиве P4/z>2o=0,22±0,06. При увеличении продолжительности времени продувки стали Зсп более чем в 1,5 минуты Рц/г>2о увеличивается с 0,32±0,12 до 0,50±0,12, а Р^ю уменьшается с 0,36±0,13 до 0,26±0,08..

V V V V V.

Яроыя продувки о,.

V V.

-V ////// /.

Время продувки О,.

•—PaxWt -«-Pti>20|.

L ^^.

Также происходит изменения прогноза на долю выхода vj/z при реализации управления по рациональному вводу алюминия (рис. 3.28). При ограничении ввода алюминия до 0,27 происходит сокращение риска получить низкую пластичность P^io^O.ieiO.Oe, и увеличивается вероятность получения удовлетворительного уровня относительного сужения Рч, г>2о=0,58±0,13..

Рис. 3.28 — Влияние количества вводимого А1 на vj/z<10% и vj/z >20% (сталь Зсп).

В условиях, когда количество управляющих параметров и параметров риска ограничено, в первую очередь длиной рассматриваемой технологической цепочки, во вторую количеством регистрируемых параметров и их вариацией в пределах технологического коридора, возможно перебрать все связи, не прибегая к алгоритмам отбора входных данных (регрессия, нейронные сети)..

Проведенный ретроспективный анализ архивов данных контроля технологии производства толстого листа из низколегированных сталей показал влияние неметаллических включений (оксидов и сульфидов) на уровень пластичности vj/z. Выше границы суммарного балла сульфидов и оксидов, «Балл сульф+1,5*Балл оксидов=4,5», то вероятность получить сужение vj/z>20% составляет всего 0,20±0,05..

Среди представленных в базах параметрах технологии определены факторы, влияющие на степень загрязненности неметаллическими включениями, и выход плавок с пластичностью vj/z<10% и >20%. Найдены оптимальные интервалы для времени продувки кислородом, количества вводимого алюминия, времени наполнения слитка из сталей Зсп и 10ХСНД. Оценки (Р) риска забраковать изделие и риска повышенного содержания неметаллических включений в стали к риску получить низкую пластичность близки. Малое время продувки кислородом повышает риск неудовлетворительной пластичности (P4,z.

Предложенный комплекс последовательных алгоритмов (регрессия, нейронные сети, расчет расстояния Смирнова) позволяет проводить анализ массивов данных ограниченного объема (не более 102 наблюдений) для 20−60 контролируемых параметров технологии и сдаточных свойств, из которых для адаптивного управления можно использовать 10−20. Использование регрессии и нейросетевого моделирования для прогнозирования на неоднородных выборках малой размерности малоперспективно, в таких условиях оказалось более эффективно использование непараметрических критериев..

3.5 Камневидный излом крупных пиковок.

Эффективность предлагаемой цепочки алгоритмов системного отбора управляемых параметров проверялась на полученном из многолетних экспериментальных исследований Массиве контроля производства крупных (4350−5150 кг) поковок (113 контролируемых параметров по 342 поковкам) из стали типа 38ХНЗМФА-Ш, Выявлялись технологические факторы, позволяющие, не только прогнозировать долю поковок с камневидной составляющей в изломе более ] 0%. но и в рамках действующей технологии, уменьшать их выход..

Камневидный излом — аномалия вязкого разрушения. В изломе темп лета наблюдаются крупные (100−200 мкм), плоские фасетки с ямочной поверхностью (рис. 3.29). При низкой температуре испытания камневидности сопутствует излом «белые пятна» и снижение вязко.

Г1о нормам предприятия доля камневидной составляющей оценивается в представленной базе баллом 1,3 или 4. У 34 поковок камневидной составляющей в изломе не обнаружено (5баял). У 275 поковок не более)0% площади излома занято камвевидннми фасетками (3 балл), у 33 поковок, от 10 до 30% камневидной составляющей в изломе (4 балл) (2-ой балл по шкале предприятия — это древовидность излома, которой на рассматриваемых 342 поковках не было)..

Рис. 3.29 — Камневидный излом а) Камневидный излом х250 б) фасетка кам невидного излома х 1200.

Связи механических свойств при 20(1С, ударной вязкости при -50°С с баллом камне-видного излома не обнаружено {рис.3.30). Но наличие камневидной составляющей в изломе указывает на риск хрупкого разрушения при эксплуатации изделия в экстремальных режимах. Поэтому необходимо было выявить ее причины и найти возможности снижения доли поковок с 4-ым баллам камневидности..

12 3 4.

Балл.

Рис. 3.30 — Ударная вязкость KCU+20 и KCU" 50 при разном балле камневидного излома.

В таблице 3.16 приведен список регламентируемых и регистрируемых технологических параметров и диапазон их изменений..

Для мартеновской плавки приведен ее вес (Х4), время плавления (XI), кипения и общее время плавки (Х2, ХЗ), масса данных в шлак извести (Х9) и бокситов (кг/т)(Х10), температура в ковше (Х7), температура в печи (Х8)..

Для ЭШП указаны верхний (Х25) и нижний (Х26) размер слиткамасса флюса (Х24), время разведения флюса (Х21), время переплава (Х22) и выведения усадки (Х23)..

Для ковки указана температура в четырех зонах печи (Х27,Х29-Х31), время в первой зоне (Х28) и остальное время нагрева (ХЗЗ), температура слитка при выдаче (Х32), в начале (Х34) и в конце ковки (Х35)..

Для термической обработки известны температура и время нормализации (Х36) и (Х37) и нагрева под закалку (Х38) и (Х39), температура воды (Х41) и масла (Х42) и время подстуживания в воде (Х40) и охлаждения в масле (Х43), температуры (Х44, Х46) и время (Х45, Х47) двух отпусков (а для 30 поковок также температура и время дополнительного третьего отпуска — Х48 и Х49)..

Для поиска параметров, контролирующих появление камневидного излома, из имеющихся 49 параметров (табл.3.16) технологических параметров, было оставлено 44. Остальные исключались, как постоянные или неуправляемые, если (xkmax — тш) <28х (например Температура нормализации варьировалась в коридоре 10°С). Не рассматривался отдельно химический состав после мартеновской выплавки, так как состав после электрошлакового переплава с ним сильно связан (п. 3.2.1). После ЭШП произошло снижение содержания серы на 0,001−0,007% и кремния на 0,03−0,18%. Значительного изменения в содержании других химических элементов после ЭШП не выявлено..

Показать весь текст

Список литературы

  1. Betegon С., Belzunce F.J., Rodriguez С., A two parameter fracture criterion for high strength low carbon steel- Acta Metallurgica (Acta Mater), Vol. 44 #3, pp 1055−1061, 1996
  2. B.C. Механические свойства металлов. — М.:МИСИС, 1998
  3. WANG G. Z., CHEN J. H. On locations initiating cleavage fracture in precracked specimens of low alloy steel and weld metal, International Journal of Fracture 108: 235−250, 2001.
  4. Воскобойников В.Г., Кудрин B.A., Якушев A.M. Общая металлургия//-М.: Металлургия, 1979,488с
  5. Технология металлов и сварка//под.ред. проф. Полухина П.И.М.:Высшая школа, 1977, с.464
  6. М.И., Грачёв С. В., Векслер Ю. Г. Специальные стали.— М.:Металлургия, 1985.-408с.
  7. S rihar G., D as S .К., М ukhopadhyay N.K., F ailure a nalysis о f 1 ow с arbon free-cutting s teel wire rods- Engineering Failure Analysis, 6, pp 155−172, 1999
  8. E.C. Хладостойкая низколегированная сталь, -M. Металлургия, 1976, с.288
  9. Hodson P.D., Hickson M.R., Gibbs R.K. Ultrafine ferrite in low carbon steel- Scripta Materi-alia, Vol.40 No 10, pp 1179−1184, 1999 /2213.pdf7
  10. .Б., Пилюшенко В. Jl., Касаткин О. Г. Влияние легирования на рост аусте-нитного зерна малоуглеродистой стали // Известия АН СССР. Металлы.-1984.-№ 2.-С. 107 112
  11. И.Г., Парусов В. В., Гвоздев Р. В., Филонов О. В. Управляемое термическое упрочнение проката. — Киев: Технжа, 1989. — 118 с.
  12. Сталь на рубеже столетий./ Под ред. Ю. С. Карабасова.-М.: МИСиС, 2001.—664 с.
  13. В.В., Погоржельский В. И., Коровин А. В. Оптимизация механических свойств толстолистового проката // Черная металлургия России и стран СНГ в 21 веке.-1994.-№ 4,-С. 122−124.
  14. ГОСТ 19 281 — 89. Прокат из стали повышенной прочности. Общие технические условия. — Переиздание. Май. 1991 с изм. 1. — М.: Изд-во стандартов, 1991.
  15. ГОСТ 5520 — 79 Сталь листовая углеродистая низколегированная и легированная для котлов и сосудов, работающих под давлением. Технические условия. — Переизд. Июнь 1998 с изм 1- 2- 3- 4 — М.: ИПК Изд-во стандартов, 1998.
  16. Mohan R., Marschall С.- Cracking instabilities in a low-carbon steel susceptible to dynamic strain aging- Acta Metallurgica (Acta Mater), Vol. 46 #6, pp 1933−1948, 1998
  17. Nelson D. E., baeslaek W. A. Characterization of the Weld Structure in a Duplex Stainless Steel Using Color Metallography// Metallography 18:215−225 (1985)
  18. Г. А. Механические свойства листового проката стали в направлении его толщины// МиТС) М.-2001 .-№ 7.-с.39−40
  19. В.Н., Николаева О. И. Машиностроительные стали. Справочник .— 4-е изд. -М.Машиностроение, 1992.-480 с
  20. Dong Hyuk Shin, Byung Cheol Kim, yong-Seog Kim, Kyung-Tae Park- Microstructural evolution in a commercial low carbon steel by equal channel angular pressing (Acta Mater), Vol. 48, pp 2247−2255,2000
  21. Shinozaki K., Wang X., North Т.Н.- Effect of Oxygen on Hydrogen Cracking in High-Strength Weld Metal- Metallurgical Transactions A, Vol21 A, May 1990, ppl287−1298
  22. Verbeken K., Kestens L. Strain-induced selective growth in an ultra low carbon steel after a small rolling reduction// Acta Materialia 51 (2003) 1679−1690
  23. Yamane Т., Hisayuki K., Kawazu Y. Improvement of toughness of low carbon steels containing nitrogen by fine microstructures// Journal of Materials Science 37, 20 002.- h3875−3879.
  24. B.H., Шафигин E.K., Иржов Г. Г. Свойства трубных сталей, природнолегирован-ных хромом и никелем // МиТОМ.-2001.-№ 5.-с.20−23.
  25. Ю.П., Титова Т.И. Стали для севера и Сибири -СПб, Химиздат, 2002, 352с
  26. Yuan Z.-X., JiaJ, A.-M.Guo, Shen D.-D., Song S.-H., Cooling-induced tin segregation to grain boundaries in a low-carbon steel,// Scripta Materialia 48 (2003)203 -206
  27. Watanabe Т., Tsurekawa S. The control of brittleness and development of desirable mechanical properties in polycrystalline systems by grain boundary engineering, Acta metallugica, vol 47, No 15, 1999, p. 4171−4185
  28. Г. Г. Тепловые процессы производства крупных поковок.:-Ленинград, Машиностроение, 1979, с.269
  29. Э. Специальные стали. Москва, I960.-1638с.
  30. Z hang X .Z., К nott J. F. С leavage fracture i n b ainitic a nd m artensitic m icrostructures, A eta metallurgies vol.47, No 12, 1999, p 3483−3495
  31. M.B., Давыдов JT.H. Конструкционные стали. -M.: Металлургия, 1980.
  32. Thomason P.F. Ductile spallation fracture and the mechanics of void growth and coalescence under shock-loading conditions, Acta Metallurgica, vol. 47, No 13, 1999 p.3633−3646
  33. Changsheng X., Mulin H., Yarning S., Wulin S., Oxidation reaction during laser cladding of SAE1045 carbon steel with SiC/Cu alloy powder, Journal of materials science, 36, 2001, p. 1501−1505
  34. Материалы в машиностроении. Выбор и применение: Справ изд. Т.2. Конструкционная сталь / Под ред. И. В. Кудрявцева.- М. Машиностроение, 1968.-496с
  35. Термическая обработка крупногабаритных изделий и полуфабрикатов на металлургических заводах, М. Металлургия, 1985 С.
  36. Е.С. Испытания и надежность технических систем.- Киев: Наукова думка.-1990.-328с
  37. А.В. Кудря, М. А. Бочарова, Г. В. Пантелеев и др. Влияние неоднородности структуры на разрушение конструкционных сталей. Материалы II Международной конференции / Болгария, София, 1997.
  38. А.Х. Теоретические аспекты процесса разрушения //Атомный механизм разрушения, -М.: Гос. Научно техническое изд. по черной и цветной металлургии.- 1963.30−68 с.
  39. А.И., Карташов Г. Д. Основы ускоренных испытаний на надежность.-М.: Советское радио.-1986.-224с.
  40. Ю.М. Металловедение и ТО металлов: 4-е изд. -М.: Металлургия, 1993.
  41. Е. Э., Година Ю. В., Котышев В. Ф. Об оценке восприимчивости стали к обратимой отпускной хрупкости // Известия ВУЗов. Черная металлургия.-1978.-№ 2.-с.113−117.
  42. Виноград М. И. Включения в стали и ее свойства. Металлургиздат, Москва 1963
  43. Атлас дефектов стали. Пер. с нем. Е. Я. Капуткина под ред. Проф. М. Л. Бернштейна. — М.: Металлургия, 1979. — 188 с.
  44. Н.М., Любов Б. Я., Гектина И. В., Лаврентьев Ф. Ф., Старцев В. И. Взаимодействие дефектов и свойства металлов. Тула 1976
  45. М. А. Проблемы металлургического качества стали (неметаллические включения) // Металловедение и термическая обработка металлов.-1974.-№ 2.-с.67−74.
  46. Черненко A. IL, Федоров А.II. Об эффективности метода контроля макроструктуры не-прерывнолитого металла, Заводская лаборатория, № 12, 1993 г., с.60
  47. Справочник по электротермическим процессам, Емлин Б. И., Гасик М. И., М. Металлургия, 1978 г., С.287
  48. А.В., Кузько Е. И., Соколовская Э. А. Анализ изломов. Возможности и перспективы для аттестации и управления качеством металлопродукции // Национальная металлургия. — 2001. — № 2. — с. 44 47.
  49. ГОСТ 1778–70 «Металлографические методы определения неметаллических включений». — Переизд. авг. 1984 с изм 1. — М.: Изд-во стандартов, 1984.
  50. Изменение № 2 ГОСТ 1778 70 // ИУС № 1. — М: Изд-во стандартов 1990.
  51. Включения и газы в сталях, Явойский В. И., Близшоков С. А" Вишкарев А. Ф., Горохов J1.C., Хохлов С. Ф., Явойский А. В., М. Металлургия, 1979, С.272
  52. Я.Н., Ковальчук Г. З. Сульфиды в сталях и чугунах.— М.:Металлургия, 1988.—248с.
  53. И.П. Критический размер неметаллических включений /Проблемы прочности, 1978, № 9, с.87−89.
  54. М.А. Перспективы качества стали // Черная металлургия России и стран СНГ в 21 веке.-1994.-№ 5.-С. 159−162.
  55. В.И., Рубенчик Ю. И., Окенко А. П., Неметаллические включения и свойства стали, -М: Металлургия, 1980, -176 с.
  56. А. В., Гуляев А. П., Павлерова И. А. Влияние степени чистоты на механические и технологические свойства стали // Сталь.-1973.-№ 4.-С.350−361.
  57. А. М., Ильина В. Н., Медведев 3. И. Влияние чистоты металла на склонность к хрупкому разрушению высокопрочной стали 38Х5МФСА // Бюллетень ЦНИИЧМ.-1971.№ 13.-С.51−52
  58. Г. В., Энтин Р. И. Отпускная хрупкость конструкционных сталей. М.: Ме-таллургиздат, 1945.-c.134
  59. Металлургия электрошлакового процесса/под ред. Б. Е. Патона и Б. И. Медовара -Киев.-Нукова думка, 1986. -246с.
  60. Чистая сталь, Гуляев А. П., М. Металлургия, 1975, С. 184
  61. А.В. Неоднородность структуры и вязкость металла крупных поковок, МиТОМ. № 4. 1999 г. СС.49−52
  62. Дефекты стали: Справочник / Под ред. С. М. Новокощеновой, М. И. Виноград — М.: Металлургия, 1984. — 200 с
  63. Г. С., Позняк JI.A. Микронеоднородность металлов и сплавов. — М.: Металлуг-рия, 1985. —216 с.
  64. ГОСТ 10 243 — 75 Сталь. Метод испытаний и оценки макроструктуры. — Переизд. Апр. 1985 с изм. 1. — М.: Изд-во стандартов 1985.
  65. ГОСТ 1414 — 75. Прокат из конструкционной стали высокой обрабатываемости резанием. Технические условия. — Переизд. Авг. 2002 с поправками и изм. 1- 2- 3 — М.: Изд-во стандартов, 2002.
  66. Контроль качества термической обработки стальных полуфабрикатов и изделий: Справочник /Под ред. В. Д. Кальнера. — М.: Машиностроение, 1984. — 384 с.
  67. А.Г., Зельберт Б. М., Киселева С. А. Структура и сойства подшипниковых сталей. — М.: Металлургия, 1980. — 264 с.
  68. .Я., Темкин Д. Е., Борисов В. Т. Рост и несовершенства металлических кристаллов. «Наукова думка», Киев 1996
  69. Л.П., Ежов А. А., Маресев М. И. Изломы конструкционных сталей: Справочник — М.: Металлургия, 1987. — 272 с.
  70. И.С., Голубев А. Я. Шиферный излом и расслоения в стали. М.: Металлургия, 1982.-С.88
  71. .А. Границы кристаллитов в литых металлах и сплавах. Издательство «Тех-шка», Киев 1970
  72. Л. М. Отпускная хрупкость стали. М.: Металлургиздат, 1961.-192с.
  73. В.Д., Малышев К. А., Полякова A.M., Авдеева В. Д., Арзамасцев И. Г., Ису-пов В.Ф. Камневидный излом в конструкционных легированных сталях, Сталь, № 9, 1955 г. СС.545−548
  74. Производство стальных поковок, Лошкарев В.Ф. М. Метллургиздат, 1953, с.
  75. А. В., Алексеев И. Г., Осоков Ю. В. Изменение доли камневидного излома с температурой испытаний. // Известия ВУЗов. Черная металлургия.-1991.-№ 10.-с.43.
  76. Штремель М. А, Алексеев И. Г" Кудря А. В, Взаимосвязь двух аномалий излома высоколегированной конструкционной стали, металлы. № 2. 1994. с.96−99
  77. Я.Е., Муштакова Т. Л. Камневидный излом стали — МиТОМ, 1978, № 5, с. 70—74
  78. Я. Е., Лазарева М. И. Камневидный излом в конструкционных сталях обычной и высокой чистоты //Известия АН СССР. Металлы.- 1973.-№ 2.-С. 156−159./
  79. Проблемы электрошлакового переплава / сб. статей
  80. Н.М., Кутьин А. Б., Полякова А.М, Сохранение «старых» границ в структуре повторно закаленной стали/ МиТОМ, № 8/, 1989 г. с.51
  81. М.В., Горохов Л. С., Кудря А.В" Мочалов Б. В., Артемьев Г. С. Влияние аусте-низации на сопротивляемость разрушению улучшаемой Cr-Ni-Mo стали, Черная металлургия, известия ВУЗ № 11,1990, СС.70−73
  82. А.В. Основы управления качеством продукции. -М.: Изд-во стандартов, 1988 с.241
  83. В.А. Управление качеством на базе стандартов ISO 9000−2000, СПб, Питер, 2002, с.272
  84. М.А. Перспективы качества стали, Черная металлургия России и стран СНГ в 21 веке.-1994.-№ 5.- С. 159−162
  85. С.И., Гринберг Е. М., Тихонова И. В. Металловедение и метрология, МиТОМ, № 6, 2002, с.45−48
  86. Г. Д. Зарубежный опыт управления качеством.-М.: Изд-во стандартов, 1992
  87. Т.М., Соловьёв В. П., Карпов Ю. А. Основы управления качеством продукциям.: МИСиС, 1990.-173 с.
  88. Х.Й., Ринне X. Статистические методы обеспечения качества -М.: Машиностроение, 1995 с.616
  89. Н. К. Управление качеством: краткий курс, СПб, Питер, 2001, с. 224
  90. В.И. Управление качеством продукции, Феникс, Ростов-на-Дону, 2000, с.256
  91. С.А., Енюков И. С. Прикладная статистика: основы моделирования и первичная обработка данных. -М.: Финансы и статистика, 1983,
  92. В.Е. Теория вероятностей и математическая статистика. Учебное пособие для вузов. Изд. 7-е, стер.- М.: Высш. шк., 2000.-479с
  93. В.А. Управление качеством на базе стандартов ISO 9000−2000, СПб, Питер, 2002, с.272
  94. М.А. и др. Перспективы качества стали. // Известия ВУЗов. Черная метал-лургия.-1980.-№ 5
  95. Ю.П. Новые направления в статистическом контроле качества метод Тагути. -М.: Знание, 1988
  96. И.И., Юзбашев М. М., Общая теория статистики, Финансы и статистика, Москва, 2000, с.480
  97. Дюк В., Самойленко A. Data Mining: учебный курс, СПб, Питер, 2001, с.368
  98. Hosking Jonathan R.M., Edwin P.D. Pednault, Madhu Sudan-A statistical perspective on data mining- FGCS, 13, pp 117−134, 1997
  99. A.M., Мхитарян B.C., Трошин Л. И. Многомерные статистические методы, Финансы и Статистика, 2000, с. 352
  100. Scotney В., McClean S. Efficient knowledge discovery through the intgration of heterogeneous data, Information and software technology, 41, 1999, p. 569−578
  101. Glymour C., Madigan D., Pregibon D., Smyth P. Statistical themes and lessons for data mining, Data mining and knowledge discovery, 1, 1997, p. 11−28
  102. M., Соломатин E. Средства добычи знаний в бизнесе и финансах // Открытые системы. -1997. -№ 4.
  103. Bon К. Sy, Aijun К. Gupta, Data Mining Approach Based on Information-Statistical Analysis: Application to Temporal-Spitial Data, MLDM 2001, LNAI2123, pp 128−140, 2001
  104. Mangasarian О .L. Mathematical Programming i n Data Mining, Data Mining and Knowledge Discovery// LNAI.- 1997.-P. 183−201.
  105. Scott P.D., Wilkins E.- Evaluating data mining procedures: techniques for generating artificial data sets- Information and Software Technology 41, pp579−587, 1999
  106. Bon K. Sy, Arjun K. Gupta, Data Mining Approach Based on Information-Statistical Analysis: Application to Temporal-Spitial Data, MLDM 2001, LNAI 2123, ppl28−140, 2001
  107. Итоги науки и техники: физические и математические модели нейронных сетей, том 1, М&bdquo- изд. ВИНИТИ, 1990,
  108. Eide A., Johansson R., Lindblad Т.,. Lindsey С. S- Data mining and neural networks for knowledge discovery- Nuclear instruments & methods in physics research, 389, pp 251−254, 1997
  109. Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. -М.: Мир, 1965
  110. Mark W. Craven, Jude W. Shavlik Using Neural networks for data mining-- FGCS, 13, pp 211−229,1997
  111. Sou-Sen Leu, Chee-Nan Chen, Shiu-Lin Chang, Data mining for tunnel support stability: neural network approach- Automation in construction 10, pp 429−441, 2001
  112. Haofen Zhou, Beijun Ruan, Jianqiu Zhu, Yangyong Zhu, Baile Shi, ARMiner: A data Mining tool based on association rules- WAIM 2001, LNCS 2118, pp 114−121, 2001
  113. Mangasarian О.L. Mathematical Programming in Data Mining, Data Mining and Knowledge Discovery// LNAI.-1997.-P. 183−20
  114. Bruha Ivan, Pre- and Post-processing in Mashin Learning and Data Mining- ACAI99, LNAI2049, pp 258−266, 2001
  115. И.Л., Михаев Ю. И., Шаров A.M. Эвоинформатика: теория и практика эволюционного моделирования. Наука М.-1991 206с
  116. Baeck Т., Rudolph g., Schwefel Н. Evolutionary programming and evolution strategies: similarities and difference. Proceedings of the EP'93, 1993, p.11−22
  117. Davis L. Genetic Algorithms and simulated annealing, Morgan Kaufmann publ., Inc., San Francisco CA, 1987
  118. Mitchell M. An Introduction to genetic algorithms MIT Press, Cambridge, mass., 1996
  119. Glymour C., Madigan D., Pregibon D., Smyth P. Statistical themes and lessons for data mining, Data mining and knowledge discovery, 1, 1997, p. 11−28
  120. Dattilo G., Greco S., Masciari E., Pontieri L., A hybrid Technique for Data Mining on Balance-Sheet Data, Springer-Verlag Berlin Heidelberg, 2000, p 419−424
  121. Eide A., Johansson R., Lindblad T.,. Lindsey C. S- Data mining and neural networks for knowledge discovery- Nuclear instruments & methods in physics research, 389, pp 251−254, 1997
  122. Macedo M., Cook D., Brown J.T. Visual data mining in atmospheric science data, Data mining and knowledge discovery, 4, 2000, p. 69−80
  123. Antony Unwin, Statistification or Mystification? The Need for Statistical Thought in Visual Data Mining ECML 2001, LNAI2167, p.602.2001
  124. Б. В. Орлов А.И., Заводская лаборатория. -1988. -Т. 54. -№ 1. -С.1−4
  125. А.Г., Юрачковский Ю. П. Моделирование сложных систем по экспериментальным данным. -М.: Радио и связь, 1987
  126. .Ю., Постовалов С. Н. О зависимости распределений статистик непараметрических критериев и их мощности от метода оценивания параметров, Заводская лабора-тория.-2001.- № 7.-С.62−64.
  127. А.И. Всегда ли распределение является нормальным, Заводская лаборатория, № ю, 902, с.64 66
  128. А.Н., Барвинок В. А., Шалавин В. В. Статистические методы управления качеством.- М. Машиностроение, 1999.- 320 с.
  129. Л.С. Методы планирования и обработки результатов физического эксперимента. М.: Атомиздат.-1987.-232с.
  130. В.П., Бояршинова Л. И., Крыванова Л. И., Статистический контроль показателей качества, Заводская лаборатория, № 12, 1993г., с.61
  131. Л.Г. Модельно- структурные методы в многомерном статистическом анализе // Заводская лаборатория.-2001.- № 11.-С.52−61
  132. П.В., Зограф И. А. Оценка погрешностей результатов измерений. -Л.: Энер-гоатомиздат, 1985
  133. А.С. Адаптивный статистический контроль служебных свойств металлопродукции на основе регрессионной модели // Заводская лаборатория.-1996.- № 3.-С.52−60
  134. Л. Хауэл Дж. Статистические методы контроля качества продукции. -М.: Мир, 1989,
  135. Медико-биологическая статистика, Гланц Стентон, М. Практика, 1999, С.459
  136. С.Г. Об ошибках в описанпии F-критерия и кое-что об односторонних статистических критериях, Заводская лаборатория, т.59 № 7, 1993 г. с.60−63
  137. Оптимизация гарантии в задачах управления, Субботин А. И., Ченцов А. Г., М. Паука, 1981, С.288
  138. Статистические решающие правила и оптимальные выводы, Ченцов Н. Н., М. Наукв, 1972, С.520
  139. В.И. Математический аппарат моделирования. -М.: Наука, 1983
  140. Э. Щюрц О. Статистические методы управления качеством. М.: Мир, 1976
  141. В.П., Демидович Е. А., Ковалев П. И. Контроль качества металлопродукции по корреляционной связи между параметрами// Заводская лаборатория.-2001.- № 1.-с.65−72
  142. Румшинский J1.3. Математическая обработка результатов эксперимента. -М.: Наука, 1971
  143. Г. Дисперсионный анализ: 2-е изд. -М.: Наука, 1980
  144. Н.Н. Методы повышения достоверности испытаний при малом объеме выборки на основе совместного использования априорной и апостериорной информации // Заводская лаборатория.-1998.- № 5.-С. 50−53
  145. Artificial Neural Networks: Concepts and Theory // IEEE Computer Society Press, 1992.
  146. Richard P. L. An Introduction to Computing with Neural Nets // IEEE Acoustics, Speech, and Signal Processing Magazine.- 1987.-№ 4
  147. A.M. Теория нейронных сетей, ИПРЖР, Москва 2000, с.416
  148. А.И., Синтез многослойных систем распознавания образов, // Энергия, Москва, 1974
  149. Weiss Y. Correctness of local probability propagation in graphical models with loops, Neural Computation, 12, 2000, p. 1−41
  150. Heckerman D. Bayesian Networks for Data mining, Data mining and knowledge discovery, 1, 1997, p. 79−119
  151. Araujo Carmen p. S. Novel Neural Network models for computing homothetic invariances: an image algebra notation, Journal of mathematical imaging and vision, 7, 1997, p. 6983
  152. P. Основные концепции нейронных сетей: Пер. с англ.-М.: Издательский дом «Вильяме», 2001.- 287 с.
  153. Лекции по нейроинформатике, мат-лы школы-семинара «Современные проблемы ней-роинформатики», МИФИ, Москва, 2001, с.212
  154. С., Марзуки X., Рубия Ю. Нейроуправление и его приложения, пер. с англ. Батина Н. В., ИПРЖР, Москва 2000, с.272
  155. Мак-Каллон У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности // Автоматы. -М.: Изд-во иностр. л-ры, 1965. с.362−402
  156. Knight Bruce W. Dynamics of encoding in neuron populations: some general mathematical Features, Neural Computation, 12, 2000, p. 473−518
  157. Vivarelli Fr., Williams Chr. Comparing Bayesian neural network algorithms for classifying segmental outdoor images- Neural Networks, 14, pp427−437, 2001
  158. Ф. Нейрокомпьютерная техника.- М.:Мир, 1992
  159. А.Б. Физические и математические модели нейронных сетей // Итоги науки и техники. -1990. -№ 1
  160. А.В. Нейронные сети: обучение, организация и применение. Москва: ИПРЖР, 2001,256с.
  161. А.В. Методы синтеза диофантовых нейросетей минимальной сложности // Доклады АН. -1995. -Т. 301. -№ 3. с.1106−1109
  162. Zhao Т., Tang L.H., Horace H.S. IP, Feihu QI, Visual keyword image retrieval based on synergetic Neural Network for Web-Based image search, Real-Time Systems, 21, 2001, p. 127 142
  163. A.B., Каляев А. В. Методы обучения и минимизации сложности когнитивных нейромодулей супер-макро-нейрокомпьютера с программируемой архитектурой // Доклады АН. 1994. Т.301. № 2. с 180−183
  164. И.Л. Итоги науки и техники: физические и математические модели нейронных сетей.- М.:ВИПИТИ, 1990
  165. Taylor J.G., Horwitz В., Friston K.J. Neural modeling and function brain imaging: an overview, Neural Networks, No 13, 2000, p. 829−846
  166. Meitzler R.C., Strohbehn K., Boahen K., Analog VLSI Neuromorphic Image Acquisition and pre-processing systems, Neural Networks, vol.8No7/8, 1995, p. 1323−1347
  167. Bartlett W. Mel, Fiser J. Minimizing Binding Errors Using learned conjunctive features, Neural Computation, 12, 2000, p. 247−278
  168. Ezhov A.A., Vvedensky V.L. Object generation with Neural Networks (When spurious memories are useful), Neural Networks, vol.9, 9, 1996, pp 1491−1495
  169. Нейронные сети. STATISTICA Neural Networks. -M.: Горячая линяя-Телеком, 2000. с. 182
  170. U. (2000): Knowledge Discovery Methods in Measurements of Steel Industry. Diploma Thesis. University of Oulu, Department of Electrical Engineering, Oulu, Finland, 86 p
  171. Cerpenter J.D., Shepherd R.G. Clean Steel projectidentification of variables that affect cope oxide inclusions in steel castings, AFS Transactions, p.237−248
  172. Gorni A. A. The Application of Neural Networks in the Modeling of Plate Rolling Processes, JOM-e, 49 (4) (1997)
  173. Jackson A .G., P awlak Z., LeClair S .R., R ough s ets a pplied t о t he d iscovery о f m aterials knowledge, Journal of alloys and compounds, 279, 1998, p. 14−21
  174. Elsila U. and Roning J. (2002): Knowledge Discovery in Steel Industry Measurements. In: Proc. of STarting Artificial Intelligence Researchers Symposium (STAIRS 2002), July, Lyon, France, pages 197−206
  175. Pam Haley, Don Soloway, Brian Gold, Real-time Adaptive Control Using Neural Generalized Predictive Control pp 4278−4282, NASA-99
  176. Hernandez R. P., Gallegos J.A., Hernandez Reyes J.A. Simple recurrent neural network: A neural network structure for control systems- Neurocomputing N23,1998, p. 277−289
  177. I. (2002): Predicting the Strength of Steel Plates Using Regression Analysis and Neural Networks. M.Sc. thesis, Department of Mathematics, Statistics, University of Oulu, Finland
  178. P., Roning J., Tuomela H. (2001): Steel slab temperature modelling using neural-and Bayesian networks. Soft Computing and Intelligent Systems for Industry (SOCO/ISFI 2001), June 26−29, Paisley, Scotland, U. K
  179. I. (2002): Predicting the Strength of Steel Plates Using Regression Analysis and Neural Networks. M.Sc. thesis, Department of Mathematics, Statistics, University of Oulu, Finland
  180. Neural networks accelerate materials design? LeClair St., Advanced materials &processes, 1,2000, p.45
  181. В. Нейросети в море бизнеса, PC week, 7/10, 1997 г. С. 65−68
  182. Ту Дж., Гонсалес Р. Принципы распознавания образов. -М.: Мир185 1978, Taylor J.G., Horwitz В., Friston K.J. The global brain: imaging and modeling, Neural Networks, No 13, 2000, p. 2
  183. Dua A. Inversion of Neural Networks: A Solution to the problems Encountered by a Steel Corporation/ Advanced Undergraduate Project Data Mining Group: Professor Amar Gupta, 2000, p.26
  184. Fielding St. Metal detection using neural networks, a thesis, 09, 1993 p. 144
  185. Hideyki Maki and Yuko Teranishi- Development оf Automated Data Minind System for Quality Control in Manufacturing- DaWaJ2001, LNCS 2114, pp93−100,2001
  186. Ozel Tu, Karpat Yi Predictive Modeling of Surface Roughness and Tool Wear in Hard Turning using Regression and Neural Networks International Journal of Machine Tool and Manufacture 06,2004, pp. 120−160
  187. Vitek J.M., Iskander Y.S., Oblow E.M., Babu S.S., David S.A. Neural Network model for predicting ferrite number in stainless steel welds, 5-th international conference on trends in welding research, June, 1998, p. 121−130
  188. Ozel Tu, Abhijit Nadgir, Prediction of flank wear by using back propagation neural network modeling when cutting hardened H-13 steel with chamfered and honed CBN tools International Journal of Machine Tools & Manufacture 42 (2002) 287−297
  189. Ozel Tu, Precision tracking control of a horizontal arm coordinate measuring machine in the presence of dynamic exibilities 23 September 2004 Int J Adv Manuf Technol
  190. ГОСТ 4543–71. Прокат из легированной конструкционной стали. Технические условия. Переизд. Дек. 1996 с изм. 1−5. -М.:Издательство стандартов, 1996
  191. ГОСТ 18 895–81. Сталь. Метод фотоэлектрического спектрального анализа. М.: Изд-во стандартов, 1981
  192. ГОСТ 22 536.1−88. Кулонометрический метод определения массовой доли углерода с использованием экспресс- анализатора АН-7 529. М: Изд-во стандартов, 1988
  193. ГОСТ 22 536.2−87. Кулонометрический метод определения массовой доли серы в стали с использованием экспресс- анализатора АС-7932. М.: Изд-во стандартов, 1987
  194. ГОСТ 7564–73 (СТ СЭВ 2859−81, ИСО 377−85). Общие правила отбора проб, заготовок и образцов для механических и технологических испытаний. М.: Изд-во стандартов, 1982.
  195. ГОСТ 1497–73. Металлы. Методы испытания на растяжение. М.: Изд-во стандартов, 1979
  196. ГОСТ 9454–78. Металлы. Метод испытания на ударный изгиб при пониженной, комнатной и повышенной температурах. -Переизд. июнь 1990 с изм.1,2.-М.: Изд-во стандартов, 1990.
  197. ГОСТ 5639–82 (СТ СЭВ 1959−79). Стали и сплавы. Методы выявления и определения величины зерна. Переизд. янв. 1984 с изм.1.-М.: Изд-во стандартов, 1984.
  198. ГОСТ 5640–68 Сталь. Металлографический метод оценки микроструктуры листов и ленты. Переизд. янв. 1988 с изм.1.-М.: Изд-во стандартов, 1988.
  199. ГОСТ 1778–70. Сталь. Металлографические методы определения неметаллических включений. -М.: Изд-во стандартов, 1971 Изменение № 1 ГОСТ 1778–70 // ИУС.-№ 8.- М.: Изд-во стандартов, 1984 Изменение № 2 ГОСТ 1778– —- 70 // ИУС № 1. — М: Изд-во стандартов 1990.
  200. Математическая статистика под. Ред. Зарубина B.C., Крищенко А. П., М.:изд-во МГТУ им. Н. Э. Баумана, 2001, с.424-
  201. Математическая статистика Иванова В. М., Калинина В. И., Нешумова Л. А., Решетникова И. О., М.: Высшая школа, с.371
  202. Нейронные сети. STATISTICA Neural Networks. Москва, Горячая линяя-Телеком 2000, с.182
  203. А.И. Теория нейронных сетей. — М: Кнорус, 2000.
  204. В.А. Нейроинтеллект. Теория и применения. Организация и обучение нейронных сетей с прямыми и обратными связями. — Брест: БПИ, 1999
  205. Jackie Rees, Gary Koehler Evolution in Groups: A Genetic Algorithm Approach to Group Decision Support Systems- Information Technology and Management, 2002, 3, c. 213−227-
  206. Mengjie Zhang, Victor Ciesielski Using Back Propagation Algorithm and Genetic Algorithm to Train and Refine Neural Networks for Object Detection, Lecture Notes in Computer Science, 1677, 1999, c.215−245-
  207. S. Dunn, S. Peucker Genetic Algorithm Optimisation of Mathematical Models Using Distributed Computing, Lecture Notes in Computer Science, 2358, 2002 c.220−240-
  208. Matthew G. Smith, Larry Bull Feature Construction and Selection Using Genetic Programming and a Genetic Algorithm, Lecture Notes in Computer Science, 2003, c.229−237
  209. В.И., Коноваленко В.В, Горелов Ю. И. Имитационное управление неопределенными объектами. — К: Наукова Думка, 1989
  210. ЗагоруЙко Н.Г., Ульянов Г. В. Локальные методы заполнения пробелов в эмпирических таблицах // Сборник научных трудов «Экспертные системы и распознавание образов» Новосибирск, 1988.- 177с.
  211. Литтл Р.Дж.А., Рубин Д. Б. Статистический анализ данных с пропусками /Пер. с. англ. М.: Финансы и статистика, 1990. 336с.: ил. — (Математико-статистические методы за рубежом)
  212. Москаленко, Электрометаллуригия
  213. А.В. Возможности и перспективы информационных технологий в управлении качеством металла. Электрометаллургия. № 9. 2002.C.35−42
  214. М.С. Оценивание показателей качества по неполным выборкам // Надежность и контроль качества. 1996. № 11. С. 16−24.
  215. С.С., Потемкин, В.К., Хлыбов О. С. Сталь, 1998, № 7.
  216. И.М., Власов С. А., Мулько Г. П. Математические модели для выбора рациональной технологии и управления качеством стали. М.: Металлургия, 1990. — 184 с.
  217. В.В. Теория эксперимента. М.: Наука, 1971. -208 с.
  218. В.Г., Адлер Ю. П., Талалай A.M. Планирование промышленных экспериментов (модели динамики). М.: Металлургия, 1978. 112 с.
  219. И. Анализ и обработка данных. Специальный справочник. СПб.: Питер, 2001.-752 с.
  220. Я.Ю. Асимптотическая эффективность непараметрических критериев. М.: Физматлит, 1995. 240 с.
  221. Ван дер Варден «Математическая статистика», М. ил., 1960
  222. Д., Хин Счастливцев В.М., Кутьин А. Б., Смирнов A.M. Исправление структуры и изломов конструкционной перегретой стали. УрО РАН, Екатеринбург, 2003, 192 с. кли Д. Теоретическая статистика. М.: Мир, 1978. — 560с.
  223. В.А. Методы решения проблемы нечеткости в задачах управления. Новосибирск: Наука, 1999. 240 с.
  224. Т. Принятие решений. Метод анализа иерархий. М.: РиС, 1993. 316 с.
  225. В.М., Кутьин А. Б., Смирнов A.M. Исправление структуры и изломов конструкционной перегретой стали. УрО РАН, Екатеринбург, 2003, — 192 с.
Заполнить форму текущей работой

Сессия? Спокойно!