НЕЙРОСЕТЕВАЯ СИСТЕМА УПРАВЛЕНИЯ ВАКУУМНЫМ ДЕАЭРАТОРОМ ВД-400
Аннотация
В статье рассматриваются алгоритмы, применяемые в программной реализации нейросетевой системы управления концентрацией кислорода деаэрированной воды. Выполнен анализ вакуумного деаэратора ВД-400 как объекта управления. Выявлены регулирующие и возмущающие воздействия, а также регулируемые параметры ВД-400. Особое внимание уделено программному обеспечению создающего модели многослойных нейронных сетей прямого распространения и обучающего их в режиме реального времени. Демонстрируются интерфейсы обучения и моделирования. Приведена общая схема управления вакуумным деаэратором ВД-400.
Об авторах
П. П. Алексеев
Астраханский государственный технический университет
Россия
Алексеев Павел Павлович, магистрант
Россия
Алексеев Павел Павлович, магистрант
И. А. Щербатов
Астраханский государственный технический университет
Россия
Щербатов Иван Анатольевич, кандидат технических наук, доцент
Россия
Щербатов Иван Анатольевич, кандидат технических наук, доцент
Список литературы
1. Бобырь М.В., Титов В.С. Интеллектуальная система управления температурными деформациями при резании // Автоматизация. Современные технологии. 2011. № 5. С. 3–7.
2. Бобырь М.В. Диагностика оборудования с ЧПУ методами нечеткой логики // Промышленные АСУ и контроллеры. 2010. № 1. С. 18–20.
3. Глазков В.П., Большаков А.А., Кулик А.А. Использование нейросетевого компенсатора для стабилизации движения полуавтоматических протезируемых систем // Мехатроника, автоматизация, управление. 2014. № 1. С. 13–17.
4. Немчинов Д.В., Проталинский О.М. Снижение риска аварийной ситуации на производственном объекте // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2009. № 1. С. 111–116.
5. Осовский С. Нейронные сети для обработки информации / пер. с пол. М.: Финансы и статистика, 2002. 344 с.
6. Проталинский О.М. Проверка достоверности первичной информации в АСУ ТП с использованием нечетких множеств // Известия высших учебных заведений. Северо-Кавказский регион. Серия: Технические науки. 2003. № 3. С. 60.
7. Проталинский О.М., Дианов Р.С. Автоматизированная система управления разработкой газового месторождения с применением нейронной сети // Промышленные АСУ и контроллеры. 2003. № 12. С. 30.
8. Скобцов Ю.А., Ткаченко А.В. Программная реализация нейронных сетей для обучения в системах реального времени // Наукові праці Донецького державного технічного університету. Сер. обчислювальна техніка та автоматизація, випуск 66. Донецьк: ДонНТУ. 2005.
9. Moller M.F. ‘A scaled conjugate gradient algorithm for fast supervised learning’, Neural Networks. 1993. Vol. 6. P. 525–533.
10. Nguyen D., Widrow B. Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights. Proceedings of the International Joint Conference on Neural Networks. 1990. Vol. 3. P. 21–26.
11. Riedmiller M. A direct method for faster backpropagation learning. Proceedings of the 1993 IEEE International Conference on Neural Networks (ICNN ’93). San Francisco. Vol. 1. P. 586–591.
12. Rumelhart D.E., Hinton G.E., Williams R.J. Learning internal representations by error propagation // Parallel Distributed Processing: Exploration in the Microstructure of Cognition, D.E. Rumelhart and J.L. McClelland (Eds.). Cambridge, MA: MIT Press, 1986. Vol. 1. P. 318–362.
Рецензия
Для цитирования:
Алексеев П.П., Щербатов И.А. НЕЙРОСЕТЕВАЯ СИСТЕМА УПРАВЛЕНИЯ ВАКУУМНЫМ ДЕАЭРАТОРОМ ВД-400. Вестник НГУЭУ. 2016;(2):263-275.
For citation:
Alekseev P.P., Sherbatov I.A. NEURAL NETWORK CONTROL SYSTEM OF VD-400 VACUUM DEAERATOR. Vestnik NSUEM. 2016;(2):263-275. (In Russ.)
Послать статью по эл. почте 
