Статті (ККІСУ)
Permanent URI for this collection
Browse
Browsing Статті (ККІСУ) by Issue Date
Now showing 1 - 7 of 7
Results Per Page
Sort Options
Item Ідентифікація об’єктів керування(2010) Ананьєв, М. В.; Целіщев, О. Б.; Лорія, М. Г.; Єлісєєв, П. Й.; Єрохіна, О. В.В статті висвітлюється алгоритм ідентифікації об’єкта керування з часом запізнення ланкою другого порядку з часом запізнення. Для цього використовується крива розгону об’єкту керування. Алгоритм базується на методі найменших квадратів.Item Проектування, алгоритмізація і діагностика систем автоматизованого керування технологічними комплексами(2010) Стенцель, Й. І.; Поркуян, О. В.; Проказа, О. І.Показано, що технологічні комплекси сучасних хімічних виробництв відносяться до багатопараметричних об’єктів з великою кількістю регулюючих, регульованих і збурюючих технологічних параметрів, які супроводжуються реологічними переходами. Розглянуто принцип моделювання таких об’єктів з використанням теорії реологічних переходів і перетворень.Item Adaptive control of ore pulp thinning in ball mills with the increase of their productivity(2014) Porkuian, O.; Поркуян, О. В.The optimal control problem and its solution algorithm for magnetic separation processes based on clear-fuzzy block predictive model are formulated.Item Rheological model of mixing and transformation processes in multiphase medium(2015) Porkuian, О.; Prokaza, O.; Kutaiba, A. A.; Поркуян, О. В.; Проказа, О.Theory of rheological transitions and transformations was used in multiphase medium for description of mixing and transformation processes. In the article there presented models of irreversible rheological transitions and shown that such transitions are described by integrated impulse Dirac delta function. Rheological model of process with the usage of zero gradient method is obtainedItem Some algorithms of computer algebra(2016) Porkuian, O.; Timoshyn, A.; Timoshyna, L.The article describes one of the methods for computing determinants without using fractions proposed by Bareiss. This problem has a clear algorithmic character in nature and refers to the field of computer algebra. The implementation of this algorithm is proposed in the known Maxima system of symbolic computations. In addition, this method makes it possible to get enough convenient formula for the calculation of the matrix of unitriangular transformation of a quadratic form to a canonical one.Item Моделювання лінійної нейронної мережі з зворотним поширенням помилки для основних каналів керування реактором синтезу оцтової кислоти.(СНУ ім. В. Даля, 2023) Поркуян, О. В.; Самойлова, Ж. Г.; Porkuyan, O. V.; Samojlova Zh. G.В наш час для управління технологічними об'єктами можуть бути використані нейронні мережі, нечітка логіка чи генетичні алгоритми. Було небагато спроб використати технології штучного інтелекту для по-будови автоматичних систем керування. Однак тільки в останні роки, зі зростанням дослі-джень у галузі нелінійного управління, використання технологій штучного інтелекту в керуванні техноло-гічними процесами набуло широкого поширення. Моделювання та дослідження роботи штучних ней-ронних мереж можна проводити за допомогою про-грамних симуляторів. Найбільш поширеними паке-тами для моделювання властивостей нейромереж є Neural Works Pro Plus, Neuro Solution, Matlab (Neural Network Toolbox), Neuro Wisard, ANsim, Neural Ware та інші. Програми відрізняються складністю, кількі-стю типів нейронів та алгоритмів навчання, що під-тримуються в системі. У статті досліджується побудова лінійних нейрон-них мереж із зворотним розповсюдженням помилки для основних каналів управління реактора синтезу оцтової кислоти. Для побудови та дослідження властивостей нейрон-ної мережі використовувалися статистичні дані ре-актора синтезу оцтової кислоти у стаціонарному режимі цеху оцтової кислоти Сєвєродонецького ЗАО «Азот». Для моделювання використовувалося середо-вище програмного симулятора MATLAB 2021. Ця програма рекомендована для моделювання різних нейронних мереж із різною кількістю нейронів і різ-ним типом функції активації. Для побудови нейрон-ної мережі використовувалася ітераційна проце-дура. Архітектура нейронної мережі: перший шар міс-тить спочатку 9 нейронів, потім 23 нейрона, а згодом 46 нейронів з функцією активації tansig. Дру-гий шар містить один нейрон з функцією активації purelin. Діапазон зміни входу [8900-9800]. Навчання нейронної мережі виконувалося протягом 50 циклів. Потім виконувалося моделювання мережі. Наприкінці моделювання розраховували відносну по-хибку для виходу мережі. У тому випадку, якщо залежності мають лінійний характер для апроксимації даних можна використо-вувати лінійні нейронні мережі з зворотнім поши-ренням помилки. Всі створені та промодельовані ней-ронні мережі для всіх основних каналів керування по-казали задовільну якість апроксимації даних. Якість апроксимації даних складала во всіх випадках менше 1%. Це дозволить використовувати нейромережі для управління технологічними процесами синтезу оцто-вої кислоти та перспективність подальших дослі-джень цього напряму.Item Вплив функції активації лінійної нейронної мережі на апроксимацію даних основних каналів керування реактру синтезу оцтової кислоти.(СНУ ім. В. Даля, 2024) Поркуян, О. В.; Самойлова, Ж. Г.; Porkuian, O. V.; Samojlova, Zh. G.Штучні нейронні мережі будуються за принципами організації та функціонування їх біологічних аналогів. Вони можуть вирішувати широке коло завдань розпізнавання образів, ідентифікації, прогнозування, оптимізації керування складними об'єктами. Подальше підвищення продуктивності комп'ютерів дедалі більше пов'язують із штучними нейронними мережами, зокрема нейрокомп'ютерами. Нині з'являється більше інтелектуальних систем керування технологічними процесами у хімічної промисловості, у яких вирішуються завдання адаптації, самонавчання, самоналаштування. Для вирішення завдання керування технологічними процесами в хімічній промисловості використовуються багатошарові лінійні нейронні мережі зі зворотним розповсюдженням помилки. Для побудови багатошарової мережі для проміжного шару часто використовують функції активації типу логічної (logsig) або гіперболічного тангенсу (tansig), а для кінцевого шару використовується лінійна функція активації (purelin). У цій роботі для побудови та дослідження властивостей нейронної мережі використовувалися статистичні дані реального реактора синтезу оцтової кислоти, який працює у стаціонарному режимі в цеху оцтової кислоти,. Для моделювання використовувалося середовище програмного симулятора MATLAB 2021. Ця програма рекомендована для моделювання різних нейронних мереж із різною кількістю нейронів і різним типом функції активації. В даній роботи була побудована і досліджена лінійна нейронна мережа зі зворотним поширенням помилки з фіксованою кількістю нейронів першого шару за основними каналами керування реактором синтезу оцтової кислоти. В роботі досліджувався вплив функцій активації першого шару та кінцевого шару нейронної мережі на апроксимацію даних реактора синтезу оцтової кислоти. Архітектура нейронної мережі перший шар містить 23 нейрона. Функція активації нейронів змінюється. Спочатку це функція hardlim, потім функція tansig, потім функція logsig і purelin. Другий шар містить один нейрон також з різними функціями активації: hardlim, tansig, logsig і purelin. Діапазон зміни входу [8900-9800]. Моделювання нейромережі з використанням MATLAB 2021 показало успішність процесу побудови та навчання нейронної мережі та його задовільну якість, яка дозволить використовувати нейромережі для керування технологічними процесами синтезу оцтової кислоти та перспективність подальших досліджень цього напряму.