Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Интеллектуальная система управления процессом механообработки с оперативным использованием нечеткой нейросетевой модели знаний

Диссертация: Интеллектуальная система управления процессом механообработки с оперативным использованием нечеткой нейросетевой модели знаний
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработана структура интеллектуальной системы управления ПР, содержащая подсистему стабилизации главной составляющей силы резания или температуры резания, дискретный И-регулятор, функциональные блоки синхронизации, обучения, вычисления значений функций цели и ограничений, проверки выполнения условий ограничений, информационно-измерительную систему, базу знаний. Отличительными особенностями… Читать ещё >

Содержание

  • ОСНОВНЫЕ СОКРАЩЕНИЯ, ИСПОЛЬЗУЕМЫЕ В ТЕКСТЕ
  • ОСНОВНЫЕ УСЛОВНЫЕ ОБОЗНАЧЕНИЯ, ИСПОЛЬЗУЕМЫЕ В ТЕКСТЕ
  • ГЛАВА 1. АНАЛИЗ ВОПРОСОВ УПРАВЛЕНИЯ ПРОЦЕССОМ ОБРАБОТКИ ДЕТАЛЕЙ НА МЕТАЛЛОРЕЖУЩИХ СТАНКАХ С ЧПУ
    • 1. 1. Пути повышения эффективности механообработки
    • 1. 2. Содержательная постановка задачи управления процессом резания
    • 1. 3. Проблемы математического описания процесса резания
    • 1. 4. Проблемы управления процессом резания
    • 1. 5. Требования к модели процесса резания и системе управления процессом резания
    • 1. 6. Выводы и результаты по главе
  • ГЛАВА 2. ФОРМАЛЬНОЕ ПРЕДСТАВЛЕНИЕ ЗНАНИЙ О ПРОЦЕССЕ РЕЗАНИЯ
    • 2. 1. Выбор методов формального представления знаний о процессе резания
    • 2. 2. Структура модели знаний о процессе резания
    • 2. 3. Структура функций принадлежности нечетких множеств и нечетких отношений
    • 2. 4. Выполнение нечетких операций
    • 2. 5. Учет взаимодействий неопределенностей факторов процесса резания

Интеллектуальная система управления процессом механообработки с оперативным использованием нечеткой нейросетевой модели знаний (реферат, курсовая, диплом, контрольная)

Эффективность работы современного машиностроительного производства во многом определяется достигнутым уровнем его автоматизации. Высокие требования на мировом рынке к качеству выпускаемой продукции, тенденция к созданию технологического оборудования с высокими скоростями движения, многономенклатурность изделий, безопасность труда и другие социально-экономические требования современного общества обусловливают необходимость перехода к безлюдным технологиям, гибкому и автоматизированному производству. В настоящее время основная масса изделий машиностроения производится в механообрабатывающих станочных модулях и комплексах в которых основным технологическим процессом является процесс резания (ПР), а системами управления — системы числового программного управления (ЧПУ).

Практика применения систем ЧПУ показала, что их работа по «жестко» заданной программе не отвечает современным требованиям к системам управления, функционирующим в условиях малолюдного производства [5, 49]. Это обусловлено тем, что на этапе технологической подготовки производства при составлении технологии и написании управляющей программы для устройства ЧПУ невозможно учесть все возмущающие факторы, действующие на процесс, и заранее спрогнозировать возможные состояния процесса.

Как известно, наиболее информативными физическими величинами ПР являются температура и главная составляющая силы резания. Необходимо отметить, что в настоящее время существуют эффективные технические решения и программные средства, позволяющие проектировать системы управления режимами резания, в том числе, системы управления силой и температурой резания, позволяющие повысить качество выпускаемой продукции, максимально использовать возможности станка и инструмента, повысить производительность обработки и снизить ее себестоимость. При этом задающие воздействия (программа управления) для системы управления силой.

12 и температурой резания определяются, как правило, на этапе технологической подготовки производства, когда имеет место проблема дефицита и недостоверности априорной информации о ПР. Поэтому задающие воздействия формируются исходя из наиболее нагруженных режимов обработки деталей, что приводит к неполному использованию возможностей технологического оборудования и инструмента. Большой вклад в решение этих вопросов внесли отечественные ученые Балакшин Б. С., Безъязычный В. Ф., Заковоротный B. JL, Зориктуев В. Ц., Макаров А. Д., Митрофанов В. Г., Невельсон М. С., Рыжкин А. А., Силин С. С., Соломенцев Ю. М., Трусов В. В. и др.

В тоже время вопросы, связанные с формированием оптимальной программы управления температурой и силой резания в оперативном режиме (в процессе обработки) не получили пока достаточного развития. Это обусловлено отсутствием или неадекватностью моделей управляемых процессов и сложностью процедур их идентификации, ограничениями на количество используемых средств измерения в производственных условиях, косвенным измерением информативных физических величин и значительной их зашумленностью.

В этой связи актуальным является построение системы управления ПР, предполагающей оперативное формирование субоптимальных значений силы и температуры резания с учетом величины нечеткости исходной информации, позволяющей повысить производительность обработки крупногабаритных деталей из труднообрабатываемых материалов при обеспечении заданных показателей точности деталей и ограничений на возможности технологического оборудования и инструмента.

Решаемые в диссертации вопросы являются составной частью исследований, проводимых кафедрой автоматизированных технологических систем Уфимского государственного авиационного технического университета (УГАТУ) в соответствии с координационными планами АТН РФ, программой «Конверсия и высокие технологии. 1997;2000 г. г.», в рамках федеральной.

13 целевой программы «Государственная поддержка интеграции высшего образования и фундаментальной науки на 1997;2001 г. г.».

Целью настоящей работы является повышение эффективности механообработки путем интеллектуального управления процессом резания.

Для достижения данной цели поставлены следующие задачи.

1. Предложить и обосновать модель знаний о ПР для оперативного вычисления функций целей и ограничений при обработке деталей на металлорежущих станках с ЧПУ.

2. Разработать алгоритмы и методику обучения (идентификации) модели знаний о ПР.

3. Разработать структуру интеллектуальной системы управления процессом механообработки.

4. Синтезировать алгоритм формирования программы управления температурно-силовым режимом обработки в условиях неопределенности.

5. Оценить эффективность предложенных алгоритмов и методик для формирования субоптимального температурно-силового режима обработки.

На защиту выносятся:

1. Нечеткая нейросетевая модель знаний о ПР для оперативного определения функций целей и ограничений на управление обработкой деталей на металлорежущих станках с ЧПУ, включающая самоорганизующуюся нейронную сеть прямого распространения с нечеткими операциями, с входными сигналами в виде нечетких множеств факторов ПР и связями в виде нечетких отношений между факторами ПР.

2. Алгоритмы и методика обучения (идентификации) модели знаний о ПР для оценки и снижения неопределенности знаний, которые заключаются в построении нечетких множеств, нечетких отношений и в формировании оптимальной архитектуры нейронной сети, аппроксимирующей связи ПР с заданным уровнем неопределенности и минимальным временем вычислений.

3. Структура интеллектуальной системы управления ПР, содержащая подсистему стабилизации главной составляющей силы резания или.

14 температуры резания, дискретный И-регулятор, функциональные блоки синхронизации, обучения, вычисления значений функций цели и ограничений, проверки выполнения условий ограничений, информационно-измерительную систему, базу знаний.

4. Алгоритм формирования программы управления температурно-силовым режимом обработки в условиях неопределенности во время технологического перехода, заключающийся в оперативном определении функций цели и ограничений на управление ПР с использованием информации от датчиков из зоны резания и электроприводов, а также в определении субоптимальных значений главной составляющей силы резания и термо-ЭДС.

5. Результаты оценки эффективности формирования субоптимального температурно-силового режима обработки деталей, полученные путем имитационного моделирования и внедрения в производство разработанных методик.

Научная новизна диссертационной работы: новыми являются.

1. Использование нечеткой нейросетевой модели знаний для ускоренного вычисления функций целей и ограничений на управление обработкой деталей на станках с ЧПУ с возможностями самоорганизации и параметрической оценки неопределенности исходной информации.

2. Алгоритмы обучения модели знаний о ПР для формирования оптимальной архитектуры нейронной сети, для построения нечетких множеств значений факторов ПР и нечетких отношений на основе сочетания методов идентификации и искусственного интеллекта, позволяющие использовать данные, собранные в производственных условиях, когда статистические методы обработки информации не применимы.

3. Структура интеллектуальной системы управления ПР, позволяющая формировать управляющее воздействие в условиях неопределенности и строить (уточнять) модели ПР с целью снижения нечеткости знаний об управляемом процессе и возможностью тиражирования этих знаний.

Практическая ценность:

1. Использование модели знаний о ПР с параметризированными нечеткими множествами, нечеткими отношениями и нечеткими операциями позволяет повысить скорость вычисления функций целей и ограничений на 1−2 порядка по сравнению с использованием классических максиминных операцийотражать экспертные и экспериментальные знания.

2. Использование алгоритма формирования температурно-силового режима обработки в системах управления ПР позволяет снизить степень нечеткости вычисления значений функций целей и ограничений в оперативном режиме на 20−30% по сравнению с их вычислением на этапе технологической подготовки производствасократить время на технологическую подготовку производства в среднем на 10−12%- сократить время операции на 30%.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ.

1. Предложена и обоснована нечеткая нейросетевая модель знаний о ПР для оперативного определения функций целей и ограничений при управлении обработкой деталей на металлорежущих станках с ЧПУ, обладающая возможностями самоорганизации и параметрической оценки неопределенности используемой информации. Применение параметризированных нечетких множеств, нечетких отношений и операций позволяет повысить скорость вычислений на 1−2 порядка по сравнению с выполнением классических максиминных операций с поэлементными множествами.

2. Разработаны алгоритмы и методика обучения (идентификации) модели знаний о ПР, которые направлены на снижение неопределенности знаний и которые сводятся к построению нечетких множеств, нечетких отношений и к формированию оптимальной архитектуры нейронной сети, аппроксимирующей связи ПР с заданным уровнем неопределенности и минимальным временем вычислений. В отличие от экспертных методов построения нечетких множеств и нечетких отношений разработанные методики на основе методов идентификации и методов искусственного интеллекта позволяют отражать в модели ПР знания, полученные экспертным и экспериментальным путем, количественную и качественную информацию.

3. Разработана структура интеллектуальной системы управления ПР, содержащая подсистему стабилизации главной составляющей силы резания или температуры резания, дискретный И-регулятор, функциональные блоки синхронизации, обучения, вычисления значений функций цели и ограничений, проверки выполнения условий ограничений, информационно-измерительную систему, базу знаний. Отличительными особенностями системы с такой структурой являются: возможности моделировать и контролировать неопределенности используемых знанийблагодаря способности обучения легко перестраиваться на управление новыми процессами в других.

175 технологических условиях, пополнять и уточнять знания в процессе дообучения, минимизируя при этом степень неопределенности знанийформировать управляющее воздействие с учетом величины нечеткости исходной информации с целью повышения надежности работы оборудования и повышения гарантий изготовления качественных деталей.

4. Синтезирован алгоритм формирования программы управления температурно-силовым режимом обработки в условиях неопределенности во время технологического перехода на основе оперативного вычисления значений функций целей и ограничений, позволяющий решать технологические задачи в процессе управления. Оперативное формирование значений главной составляющей силы резания позволяет снизить степень нечеткости вычисления значений функций целей и ограничений на 20−30% по сравнению с определением значения силы резания на этапе технологической подготовки производства.

5. Исследована эффективность предложенных алгоритмов и методик для формирования программы управления температурно-силовым режимом обработки деталей. По результатам имитационного моделирования и внедрения их в производство получено сокращение времени точения в среднем для партии деталей на 30% по сравнению с традиционными подходами, сокращение времени на технологическую подготовку производства новых деталей на 1012% за счет использования ранее накопленных знаний о подобных процессах.

Показать весь текст

Список литературы

  1. A.M. Математическая модель процесса точения при управлении по каналам скорости продольной подачи и частоты вращения шпинделя // Станки и инструмент. 1976. — № 5. — С. 16−17.
  2. Р.Г., Алиев P.A., Алиев P.P. Синтез САУ с обучаемым на нейронной сети нечетким контроллером // Известия РАН. Техническая кибернетика. 1994. — № 2. — С. 192−197.
  3. А.Н., Гаазе-Рапопорт М.Г., Поспелов Д. А. Толковый словарь по искусственному интеллекту. М.: Радио и связь, 1992. — 256 с.
  4. Автоматическое регулирование процессов резания по температуре: Сб. науч. тр. № 4 / Отв. ред. С. С. Силин. Ярославль.: Ярославский политехнический институт, 1976. — 169 с.
  5. Адаптивное управление технологическими процессами / Ю. М. Соломенцев, В. Г. Митрофанов, С. П. Протопопов, И. М. Рыбкин, В. А. Тимирязев. М.: Машиностроение, 1980. — 536 с.
  6. P.A., Абдикеев Н. М., Шахназаров М. М. Производственные системы с искусственным интеллектом. М.: Радио и связь, 1990. — 264 с.
  7. О.Г. Алгоритмы интеллектуального управления и координации взаимодействия в сложных робототехнических системах: Дис. канд. техн. наук. Уфа, 1997. — 174 с.
  8. В.Ф. Модели и методы конструирования интеллектуальных САПР ТП механообработки // Машиностроительное производство. Автоматизированные системы проектирования и управления. М.: ВНИИТЭМР, 1990. — 56 с.
  9. А.И., Зайцев А. Г. Теория резания металлов. 4.1.Основы процесса резания: Учеб. пособие. Воронеж: Изд-во ВГУ, 1990. — 216 с.177
  10. А.И., Зайцев А. Г. Теория резания металлов. 4.2. Основы системологии процессов резания: Учеб. пособие. Воронеж: Изд-во ВГУ, 1990.-176 с.
  11. А.И., Башмаков И. А. Механизмы наследования, выявления и разрешения противоречий в обобщенной модели представления предметной области // Известия РАН. Теория и системы управления. 1995. -№ 3. — С. 175−189.
  12. A.A., Загашвили Ю. В., Маркелов A.C. Методы и средства идентификации динамических объектов. JL: Энергоатомиздат, 1989. — 280 с.
  13. А.Г. Алгебра нечетких множеств // Известия РАН. Теория и системы управления. 1998. — № 5. — С. 88−95.
  14. А.Н., Крумберг O.A., Федоров И. П. Принятие решений на основе нечетких моделей: Примеры использования. Рига: Зинатне, 1990. -184с.
  15. Е. С. Овчаров JI.A. Теория вероятностей и ее инженерные приложения. М.: Наука, 1988. — 480 с.
  16. Вопросы оптимального резания металлов: Труды УАИ, выпуск 29. Уфа: УАИ, 1972.-190 с.
  17. Вопросы оптимального резания металлов: Труды УАИ, выпуск 34. Уфа: УАИ, 1972.-255 с.
  18. Ф., Мюррей У., Райт М. Практическая оптимизация: Пер с англ. М.: Мир, 1985. — 509 с.
  19. Дж. Ф. Автоматизированное приобретение знаний с помощью нейронных сетей // Известия РАН. Техническая кибернетика. 1994. -№ 5. — С. 93−96.178
  20. Е.Ю., Чибизова H.B. О построении интеллектуальной обучающей системы // Известия РАН. Теория и системы управления. 1996. -№ 5. — С. 85−92.
  21. Е.К., Лукьяница A.A. Искусственные нейронные сети. I. Основные определения и модели // Известия РАН. Техническая кибернетика. -1994.-№ 5.-С. 79−92.
  22. Горелик A. JL, Скрипкин В. А. Методы распознавания. М.: Высш. шк, 1984.-208 с.
  23. В. А, Сирая Т.Н. Методы обработки экспериментальных данных при измерениях. JL: Энергоатомиздат, 1990. -288 с.
  24. Д. Методы идентификации систем / Пер. с англ. В. А. Васильева, В.И. Лопатина- Под ред. Е. И. Кринецкого. М.: Мир, 1979. — 302 с.
  25. Ю.И. Исследование операций. М.: Высш. шк., 1986.320 с.
  26. A.M. Методы идентификации динамических объектов. М.: Энергия, 1979. — 240 с.
  27. Л.М. Что считать результатами обучения: интерпретация зависимостей посредством анализа топологии обученной нейронной сети // Известия РАН. Теория и системы управления. 1996. — № 5. -С. 71−76.
  28. М.В., Подорожный Д. А., Сапир М. В. Подход к созданию гибких обучающих систем // Известия РАН. Теория и системы управления. -1996.-№ 5.-С. 77−84.
  29. И.И., Рукавишников В. О. Группировка, корреляция, распознавание образов. -М.: Статистика, 1977. 144 с.
  30. В.Н., Николаева О. И. Машиностроительные стали: Справочник. М.: Машиностроение, 1992. — 480 с.179
  31. JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. — 163 с.
  32. В.Н., Ульянов C.B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. IV. Имитационное моделирование // Известия РАН. Техническая кибернетика. 1994. — № 5. — С. 168−210.
  33. В.Ц. Повышение эффективности обработки деталей из труднообрабатываемых материалов на станках путем идентификации и автоматического управления температурно-силовым режимом точения: Дис. д-ра техн. наук. Уфа, 1989. — 480 с.
  34. В.Ц., Лютов А. Г., Гончарова С. Г., Месягутов И. Ф. Интеллектуальное управление сложным мехатронным объектом с использованием быстрорасчетной нейро-нечеткой модели // Мехатроника. -2001.-№ 6.-С. 24−28.
  35. Измерение электрических и неэлектрических величин: Учеб. пособие для вузов / H.H. Евтихиев, Я. А. Купершмидт, В. Ф. Папуловский, В.Н. Скугоров- Под общ. ред. H.H. Евитхиева. М.: Энергоатомиздат, 1990. — 352 с.
  36. Ш. Г. Разработка системы автоматического регулирования силами резания по электрической проводимости контакта «инструмент -деталь»: Диссертация канд. техн. наук: 05.13.07. Уфа, 1987. — 235 с.
  37. Искусственный интеллект. В 3-х кн. Кн.2. Модели и методы: Справочник / Под ред. Д. А. Поспелова — М.: Радио и связь, 1990. — 304 с.
  38. В.Н., Панкин В. Ф. Математическая статистика. М.: Высш. шк., 1998. — 336 с.
  39. П.К. Статистические методы исследования режущего инструмента. -М.: Машиностроение, 1968. 156 с.
  40. А.Г., Костюк В. И., Краскевич В. Е., Сильвестров А. Н., Шпит C.B. Адаптивные системы идентификации. Киев.: Техшка, 1975. — 288 с.
  41. Ю.М. Исследование вопросов оптимального точения углеродистых сталей в связи с их химическим составом и свойствами: Дис. канд. техн. наук. Уфа, 1970. — 187 с.
  42. В.И., Сосонкин B.JI. Структурированные нейроподобные сети как средство моделирования дискретных процессов // Автоматика и телемеханика. 1998. — № 1. С. 147−154.
  43. Э.С. Метод построения и применения интеллектуальных объектов в системах моделирования // Автоматизация и современные технологии. 1998. — № 2. — С. 27−31.181
  44. А.П. Состоятельный алгоритм формирования нейронной сети для анализа кластеров высокой плотности // Известия РАН. Техническая кибернетика. 1994. — № 5. — С. 97−102.
  45. Конфликт сложных систем. Модели и управление / Б. К. Нартов, С. Г. Братцев, Ф. А. Мурзин, A.A. Пунтус- под ред. A.A. Пунтуса. М.: МАИ, 1995.-120 с.
  46. .Г., Прокофьев Г. И., Рассудов JI.H. Системы программного управления промышленными установками и робототехническими комплексами. JL: Энергоатомиздат, 1990. — 352 с.
  47. A.M., Шапарев Н. К. Оптимизация управления металлорежущими станками. -М.: Машиностроение, 1974. 200 с.
  48. А. Введение в теорию нечетких множеств: Пер. с франц. -М.: Радио и связь, 1982. 432 с.
  49. В.Г. Технологические аспекты создания систем оперативного формирования управляющих программ // Оптимальное управление мехатронными станочными системами: Сб. науч. трудов. Часть 1. — Уфа: Изд-во УГАТУ, 1999. — С. 146−152.
  50. О.П. Псевдооптические нейронные сети -прямолинейные модели // Автоматика и телемеханика. 1996. — № 12. — С. 145 154.
  51. В.Б. Построение групповых решений в пространствах четких и нечетких бинарных отношений. М.: Наука, 1982. — 168 с.
  52. О.И., Мечитов А. И., Мошкович Е. М., Фуремс Е. М. Выявление экспертных знаний. М.: Наука, 1989. — 128 с.
  53. A.A., Мальцев П. А., Спиридонов A.M. Сети Петри в моделировании и управлении. Л.: Наука, 1989. — 133 с.
  54. А.Г. Синтез системы управления процессом резания с использованием модифицированного интегрального критерия качества. Дисс.канд. техн. наук: 05.13.07. Уфа, 1994. — 232 с.182
  55. А.Г., Гончарова С. Г. Принятие решений при оценивании состояний технологических процессов в условиях неопределенности // Автоматизированные технологические и мехатронные системы в машиностроении: Сб. науч. тр. Уфа: Изд-во УГАТУ, 1997. — С. 40−46.
  56. А.Г., Гончарова С. Г. Иерархическая система управления технологическим процессом механообработки // Технология и оборудование современного машиностроения: Тезисы докладов Всероссийской молодежной науч.-техн. конф. Уфа: Изд-во УГАТУ, 1998. — С. 18.
  57. А.Г., Гончарова С. Г. Нейронная реализация функций принадлежности // Оптимальное управление мехатронными станочными системами: Сб. науч. тр. Часть 1. — Уфа: Изд-во УГАТУ, 1999. — С. 74−79.
  58. А. Д. Оптимизация процессов резания. М.: Машиностроение, 1976. — 278 с.
  59. Н.Г., Берштейн Л. С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. -М.: Энергоатомиздат, 1991.-136с.
  60. Д. Программирование экспертных систем на Турбо Прологе: Пер. с англ./ Предисл. С. В. Трубицына. М.: Финансы и статистика, 1994. — 256 с.
  61. И.И. Нейронные сети и комбинаторная оптимизация // Автоматика и телемеханика. 1994. — № 11. — С. 3−40.
  62. Методология IDEF0. Функциональное моделирование. М.: Метатехнология, 1993. — 117 с.
  63. Методология IDEF1X. Информационное моделирование. М.: Метатехнология, 1993. — 120 с.
  64. Методы параллельного микропрограммирования / П. А. Анишев, С. М. Ачасова и др.- под ред. O.JI. Бандман. Новосибирск: Наука, 1981. — 180с.
  65. И.В., Никифоров В. О., Фрадков A.JI. Нелинейное и адаптивное управление сложными динамическими системами. СПб.: Наука, 2000. — 549 с.
  66. Д.П., Суворов A.B., Ященко В. В., Ященко Н. Ю. Формирование оптимального пути в пространстве состояний сложной технической системы в условиях неполноты исходной информации // Известия РАН. Теория и системы управления. 1996. — № 5. — С. 61−65.
  67. H.H. Математические задачи системного анализа. М.: Наука, 1981.-488 с.
  68. М.С. Автоматическое управление точностью обработки на металлорежущих станках. JL: Машиностроение, 1982. — 184 с.184
  69. Нейрокомпьютеры и интеллектуальные роботы / Н. М. Амосов, Т. Н. Байдык, А. Д. Гольцев и др.- под ред. Н. М. Амосова. Киев: Наук. Думка, 1991.-272 с.
  70. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д. А. Поспелова. М.: Наука, 1986. — 312 с.
  71. Нечеткие множества и теория возможностей. Последние достижения: Пер. с англ./ Под ред. Ягеря P.P. М.: Радио и связь, 1986. — 408 с.
  72. А.Д. Адаптивная система управления температурно-силовыми режимами процесса резания металлов. Дисс.канд. техн. наук: 05.13.07.-Уфа, 1999.- 192 с.
  73. В.В., Цуканова Н. И. Обучение как многошаговый дискретный процесс управления с нечеткими параметрами // Известия РАН. Теория и системы управления. 1996. — № 5. — С. 93−96.
  74. О.Н., Фомин А. Ф. Основы теории и расчёта информационно-измерительных систем. М.: Машиностроение, 1991. — 336 с.
  75. Новые методы определения обрабатываемости материалов резанием и шлифованием: Сб. науч. тр. № 3 / Отв. ред. С. С. Силин. -Ярославль.: Ярославский политехнический институт, 1975. 203 с.
  76. Оптимизация процессов резания жаро- и особопрочных материалов: Межвузовский тематический научный сборник, выпуск IV. Уфа: УАИ, 1979.-192 с.
  77. Оптимизация процессов резания жаро- и особопрочных материалов: Межвузовский тематический научный сборник, выпуск V. Уфа: УАИ, 1980.-191 с.
  78. Оптимизация процессов резания жаро- и особопрочных материалов: Межвузовский тематический научный сборник, выпуск VI. Уфа: УАИ, 1981.-206 с.185
  79. Оптимизация процессов резания жаро- и особопрочных материалов: Межвузовский тематический научный сборник. Уфа: УАИ, 1982. -210с.
  80. Оптимизация процессов резания жаро- и особопрочных материалов: Межвузовский тематический научный сборник. Уфа: УАИ, 1985. -171с.
  81. Оптимизация процессов резания жаро- и особопрочных материалов: Межвузовский тематический научный сборник. Уфа: УАИ, 1987. -159 с.
  82. Оптимизация технологических условий механической обработки деталей авиационных двигателей / В. Ф. Безъязычный, Т. Д. Кожина и др. М.: МАИ, 1993.-184 с.
  83. С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. — 208 с.
  84. Г. С. Построение баз знаний на основе взаимодействия интерактивных методов приобретения знаний. I. Концептуальные элементы модели мира // Известия РАН. Теория и системы управления. 1995. — № 3. — С. 160−174.
  85. Основы математического моделирования с примерами на языке MATLAB: Учебное пособие/ Д. Л. Егоренков, Ф. Л. Фрадков, В.Ю. Харламов- Под ред. А. Л. Фрадкова. СПб.: БГТУ, 1996. — 192 с.
  86. A.B., Бортаковский A.C., Летова Т. А. Оптимальное управление в примерах и задачах: Учеб. пособие. М.: МАИ, 1996. — 212 с.
  87. Ф.Ф., Чернышев K.P. Методы построения систем управления на основе знаний // Приборы и системы управления. 1996. — № 8. -С. 12.
  88. Дж. Теория сетей Петри и моделирование систем. М.: Мир, 1984. — 264 с.186
  89. Планирование эксперимента в исследовании техники / В. И. Барабащук, Б. П. Креденцер, В.И. Мирошниченко- Под ред. Б. П. Креденцера. -К.: Техшка, 1984.-200 с.
  90. Планирование эксперимента в исследовании технологических процессов / К. Хартман, Э. Лецкий, В. Шефер- Под ред. Лецкого. М.: Мир, 1977. — 552 с.
  91. Д.А. Логико-лингвистические модели в системах управления. М.: Энергоатомиздат, 1981. — 232 с.
  92. Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986.-288 с.
  93. Построение экспертных систем: Пер. с англ. / Под ред. Хейеса-Рота, Д. Уотермана, Д. Лената. М.: Мир, 1987. — 441 с.
  94. Т.Б. Структурная модель управления технологическим участком непрерывного производства как база знаний для экспертной системы // Приборы и системы управления. 1996. — № 9. — С. 17−22.
  95. А.Ю. Решение задачи идентификации нечетких систем // Известия РАН. Теория и системы управления. 1996. — № 4. — С. 40−46.
  96. И.В. Проблемы управления сложными крупномасштабными процессами // Приборы и системы управления. 1996. -№ 6.-С. 35−40.
  97. Л.А., Маджаров Н. Е. Введение в идентификацию объектов управления. М.: Энергия, 1977. — 216 с.
  98. Л.А. Обучение как управление // Известия РАН. Техническая кибернетика. 1993. — № 2. — С. 40−46.
  99. Л.А. Системы экстремального управления. М.: Наука, 1974.-632с.
  100. В.А. Управление станками гибких производственных систем. М.: Машиностроение, 1987. — 272 с.187
  101. Режимы резания металлов. Справочник / Под ред. Ю. В. Барановского. М.: Машиностроение, 1972. — 407 с.
  102. Резание труднообрабатываемых материалов. / Под ред. П. Г. Петрухи. М.: Машиностроение, 1972. — 175 с.
  103. Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам / Пер. с англ. A.M. Раппопорта, С. И. Травкина. Под ред. А. И. Теймана. М.: Наука, 1986. — 496 с.
  104. В.Н., Соболев B.C., Цветков Э. И. Интеллектуальные средства измерений/ Под ред. Э. И. Цветкова. Л.: РИЦ «Татьянин день», 1994. -280 с.
  105. С.С. Метод подобия при резании материалов. М.: Машиностроение, 1979. — 152 с.
  106. E.H., Шмелев Л. А. Нейробионика. Организация нейроподобных элементов и систем. М.: Наука, 1983. — 279 с.
  107. В.Л., Мартинов Г. М. Концепция числового программного управления мехатронными системами: архитектура систем типа PCNC// Мехатроника. 2000. — № 1. — С. 26−29.
  108. Справочник технолога- машиностроителя. В 2-х т. Т. 1/ Под ред. А. Г. Косиловой и Р. К. Мещерякова. М.: Машиностроение, 1986. — 656 с.
  109. В.Б. Искусственная жизнь и нечеткие эволюционные многоагентные системы основные теоретические подходы к построению интеллектуальных организаций // Известия РАН. Теория и системы управления. — 1998. — № 5. — С. 12−23.
  110. В.А. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления // Известия РАН. Теория и системы управления. 1996. — № 3. — С. 70−79.
  111. В.М. Применение экспертных систем в автоматизированных системах проектирования и управления //188
  112. Машиностроительное производство. Автоматизированные системы проектирования и управления. -М.: ВНИИТЭМР, 1990.
  113. Управление динамическими системами в условиях неопределенности / С. Т. Кусимов, Б. Г. Ильясов, В. И. Васильев и др. М.: Наука, 1998.-452 с.
  114. С.Н. Резание металлов. Киев.: Техшка, 1975. — 232 с.
  115. Фрадков A. J1. Адаптивное управление в сложных системах: беспоисковые методы. М.: Наука, 1990. — 296 с.
  116. Э. Искусственный интеллект: Пер с англ. М.: Мир, 1978.560 с.
  117. Цой Э.В., Юдин А. Д., Юдин Д. Б. Задачи пополнения и синтеза знаний // Автоматика и телемеханика. 1994. — № 7. — С. 3−36.
  118. М.К., Гаджиев М. Ю. Математическое моделирование иерархических систем с приложениями к биологии и экономике. М.: Наука, 1983.- 192 с.
  119. Н.В. Экспертные компоненты САПР. М.: Машиностроение, 1991. — 240 с.
  120. Г. Г. Автоматизация проектирования систем оперативного управления технологическими процессами. М.: Энергия, 1980. -288 с.
  121. Шалыто A.A. SWITCH-технология. Автоматизация и программирование задач логического управления. СПб.: Наука, 1998. — 628 с.
  122. В.Ф. Модели и методы управления сложными технологическими комплексами в нештатных (экстремальных) режимах работы в АСУТП // Автоматика и телемеханика. 1994. — № 10. — С. 158−164.
  123. A.A. Бифуркации стационарных решений в в синергетической нейронной сети и управление распознаванием образов // Автоматика и телемеханика. 1996. — № 11. — С. 139−147.189
  124. Д.Б. Алгоритмы обучения нейронных сетей. (Алгоритмы пополнения знаний) // Автоматика и телемеханика. 1996. — № 11. — С. 148−154.
  125. Г. Ю., Якоб Э., Кохан Д. Оптимизация резания. Параметризация способов обработки резанием с использованием технологической оптимизации. -М.: Машиностроение, 1981. 279 с.
  126. П.И., Еременко M.JL, Фельдштейн Е. Э. Теория резания. Физические и тепловые процессы в технологических системах: Учеб. для вузов. Мн.: Выш. шк., 1990 — 512 с.
  127. Goncharova S.G. Using of artificial intellect methods for the cutting process optimal control // Preprints of 7-th International Student Olympiad on Automatic Control (Baltic Olympiad). Saint-Petersburg, 1999. — P. 200 -204.
  128. Goncharova S.G., Mesyagutov I.F. Technique of processing of experimental information about complex plant // Preprints of 8-th International Student Olympiad on Automatic Control (Baltic Olympiad). Saint-Petersburg, 2000.-P. 138−140.
  129. MATLAB. User’s Guide. The Math Works, Inc., 1999.
  130. Mamdani E.H. Advances in the linguistic synthesis of fuzzy controllers // International Journal of Man-Machine Studies. 1976. — Vol. 8, pp. 669−678.
  131. Mesyagutov I.F., Goncharova S.G. Formal description of cutting process for control problems solution // Preprints of 8-th International Student Olympiad on Automatic Control (Baltic Olympiad). Saint-Petersburg, 2000. — P. 41−45 .
  132. Sugeno M. Industrial application of fuzzy control. Elsevier Science Pub. Co, 1985.
Заполнить форму текущей работой

На отлично!