CC BY
12
УДК 666:94.052:681.52
DOI: 10.30838/J.BPSACEA.2312.250918.66.198
РОЗРОБЛЕННЯ ТА ДОСЛ1ДЖЕННЯ РАЦЮНАЛЬНИХ ПАРАМЕТР1В НЕЙРОННО1 Ш1ТАЦШНО1 МОДЕЛ1 СИСТЕМИ РЕГУЛЮВАННЯ ТЕМПЕРАТУРИ ОБПАЛУ КЛ1НКЕРА У ОБЕРТОВИХ ПЕЧАХ
УЖЕЛОВСЬКИЙ В. О.1, канд. техн. наук, доц., УЖЕЛОВСЬКИЙ А. В.2, канд. техн. наук, доц., КРАВЕЦЬ Г. В.3, маг., БАБЕНКО А. В.4, маг.
'Кафедра автоматики та електротехтки, Державний вищий навчальний заклад «Придтировська державна академш будiвництва та архггектури», вул. Чернишевського, 24-а, 49600, Дтпро, Укра!на, тел. +38 (0562) 471700, e-mail: uva@mail.pgasa ORCID ID 0000-0001-7328-8226
2Кафедра автоматики та електротехтки, Державний вищий навчальний заклад «Придтировська державна академш будiвництва та архггектури», вул. Чернишевського, 24-а, 49600, Дтпро, Укра!на, тел. +38 (0562) 471700, e-mail: avuzhel@gmail.com, ORCID ID: 0000-0002-5228-2463
3Дтировський техшкум зварювання та електротки iменi G. О. Патона, Дншро, вул. Володимира Моссаковського, 2-а, 49600, Днiпро, Укра!на, тел. +38 (0562) 47-23-61, e-mail: ugalene30@gmail.com
4Кафедра автоматики та електротехтки, Державний вищий навчальний заклад «Придтировська державна академш будiвництва та архггектури», вул. Чернишевського, 24-а, 49600, Дншро, Укра!на, тел. +38 (0562) 471700, e-mail: babenkonastya@gmail.com
Анотащя. Постановка проблеми. У промисловосп виконано великий обсяг робгг 3i створення i впровадження спецiалiзованих приладiв, установок автоматичного контролю, локальних систем автоматичного регулювання, розроблення автоматичних систем управлшня виробництвом (АСУВ) iз застосуванням керуючих обчислювальних машин (КОМ).Автоматизащя виробничих процесiв пойдае одне з провщних мiсць у комплексi техшчних засобiв, сприяе шдвищенню продуктивностi пращ i полiпшенню якостi иродукцп в уйх галузях промисловостi, в тому числ i в промисловостi будiвельних матерiалiв. Однак не слiд вважати, що лише проведения звичайних налагоджувальних робiт може забезпечити пвдтримку оптимального процесу випалу клiнкеру.
На переби- технологiчного процесу можуть впливати таю фактори як: фiзичний стан обслуговуючого персоналу, дiя навколишнього середовища на техтчт параметри автоматичних пристро1в, елементи автоматизации неадекватна реакцiя операторiв одо прийняття рiшень. Оптимальне рiшення може бути прийняте експертною радою у складi досввдчених фахiвцiв, однак воно затратне. Перспективний напрямом в оргашзаци пвдтримки бажаного оптимального режиму випалу клшкеру застосування сучасних засобiв обчислювально! технiки з використанням нейронних мереж та нейроконтролерiв. Створення автоматизовано! системи управлшня з нейронним регулятором на основi еталонно! моделi та безпосередшм li налаштуванням для конкретних механiзмiв технологiчних процесiв потребуе додаткових дослщжень для вибору методу навчання нейрконтролера.
Методика. Запропонована послiдовнiсть супервiзорного навчання нейроконтролера базуеться на попередньому експериментальному визначеннi дискретностi входного навчального сигналу. Такий пiдхiд дозволяе здiйснити рацюнальний вибiр кiлькостi нейронiв i урошв навчання. Результати. Установлено, що попереднш вибiр тривалостi входного сигналу значно скорочуе на початковiй стадп затрати часу на навчання нейроконтролера, а розроблена система регулювання вщповвдае уйм яшсним показникам моделювання i ввдпрацьовуе вхiднi сигнали з бажаною точшстю та здатна реагувати на збурювальт ди навколишнього середовища з мшмальною похибкою. Наукова новизна. Удосконалено послвдовшсть супервiзорного навчання нейроконтролера для роботи в системах автоматичного регулювання технолопчних процейв.
Практична значим^ть. Запропонована послщовшсть супервiзорного навчання нейроконтролера скорочуе затрати часу на стади проектування подiбних нейроконтролерних систем автоматичного регулюваннята дозволяе тдвищити точнiсть i надiйнiсть 1х роботи.
Ключов1 слова: обпал; mirnep; обертова тч; iM^o^m/^ модель; нейронне управлшня; нейронний регулятор; нейронна система; нейромережа
РАЗРАБОТКА И ИССЛЕДОВАНИЕ РАЦИОНАЛЬНЫХ ПАРАМЕТРОВ НЕЙРОННОЙ ИМИТАЦИОННОЙ МОДЕЛИ СИСТЕМЫ РЕГУЛИРОВАНИЯ ТЕМПЕРАТУРЫ ОБЖИГА КЛИНКЕРА ВО
ВРАЩАЮЩИХСЯ ПЕЧАХ
УЖЕЛОВСКИЙ В. А.1, канд. техн. наук, доц., УЖЕЛОВСКИЙ А. В.2, канд. техн. наук, доц.,
КРАВЕЦ Г. В.3, маг., БАБЕНКО А. В.4, маг.
'Кафедра автоматики и электротехники, Государственное высшее учебное заведение «Приднепровская государственная академия строительства и архитектуры», ул. Чернышевского, 24-а, 49600, Днипро, Украина, тел. +38 (0562) 471700 uva@mail.pgasa_ORCID ID 0000-0001-7328-8226
2Кафедра автоматики и электротехники, Государственное высшее учебное заведение «Приднепровская государственная академия строительства и архитектуры», ул. Чернышевского, 24-а, 49600, Днипро, Украина, тел. +38 (0562) 471700, e - mail: avuzhel@gmail.com, ORCID ID: 0000-0002-5228-2463
3Днепровский техникум сварки и електроники имени Е. О. Патона, Днипро, ул. Владимира Моссаковского 2-А, 49600, Украина, тел. +38 (0562) 47-23-61, e-mail: ugalene30@gmail.com
4Кафедра автоматики и электротехники, Государственное высшее учебное заведение «Приднепровская государственная академия строительства и архитектуры», ул. Чернышевского, 24-а, 49600, Днипро, Украина, тел. +38 (0562) 471700, e - mail: babenkonastya@gmail.com
Аннотация. Постановка проблемы. В промышленности выполнен большой объем работ по созданию и внедрению специлизированных приборов, установок автоматического контроля, локальных систем автоматического регулирования, по разработке автоматических систем управления производством (АСУП) с использованием управляющих вычислительных машин (УВМ). Автоматизация производственных процессов занимает одно из ведущих мест в комплексе технических средств, способствует повышению производительности труда и улучшению качества продукции во всех отраслях промышленности, в том числе и в промышленности строительных материалов.
Однако не следует считать, что лишь проведение обычных наладочных работ может обеспечить поддержку оптимального процесса обжига клинкера. На протекание технологического процесса могут воздействовать такие факторы как: физическое состояние обслуживающего персонала, влияние окружающей среды на технические параметры автоматических устройств, элементы автоматизации, неадекватная реакция операторов по принятию решений, которые обеспечивают оптимизацию процесса. Оптимальное решение может быть принято экспертным советом в составе опытных специалистов, однако оно достаточно затратное.
Перспективным направлением в организации поддержки желательного оптимального режима обжига клинкера является применение современных средств вычислительной техники с использованием нейронных сетей и нейроконтроллеров. Создание автоматизированной системы управления с нейронным регулятором на основе эталонной модели и непосредственной ее настройкой для конкретных механизмов технологических процессов требует дополнительных исследований при выборе метода нейроконтроллера.
Методика. Предложенная последовательность супервизорного обучения нейроконтроллера базируется на предыдущем экспериментальном определении дискретности входного учебного сигнала. Такой подход позволяет осуществить рациональный выбор количества нейронов и уроков обучения. Результаты. Установлено, что предварительный выбор длительности входного сигнала значительно сокращает на начальной стадии затраты времени на обучение нейроконтроллера, а разработанная система регулирования отвечает всем качественным показателям моделирования и отрабатывает входные сигналы с желательной точностью и способна реагировать на возмущающие действия окружающей среды с минимальной погрешностью. Научная новизна. Усовершенствована последовательность супервизорного обучения нейроконтроллера для работы в системах автоматического регулирования технологических процессов. Практическая значимость. Предложенная последовательность супервизорного обучения нейроконтроллера сокращает затраты времени на стадии проектирования подобных нейроконтроллерних систем автоматического регулирования и позволяет повысить точность и надежность их работы.
Ключевые слова: обжиг; клинкер; вращающаяся печь; имитационная модель; нейронное управление; нейронный регулятор; нейронная система; нейросеть
DEVELOPMENT AND RESEARCH OF RATIONAL PARAMETERS OF NEURON SIMULATION MODEL OF SYSTEM ADJUSTING TEMPERATURES OF BURNING OF CLINKER IN THE REVOLVED STOVES
UZHELOVSKYI V. О.1, Cand. Sc.(Tech), Assoc. Prof, UZHELOVSKYI А. V.2, Cand. Sc.(Tech), Assoc. Prof, KRAVETS G. V.3, master's degree, BABENCO А. V.4, master's degree.,
1Department of automation and electrical engineering, State higher educational establishment the « Prydniprovs'ka state academy of building and architecture», street Chernyshevskogo, 24th, 49600, Dnipro, Ukraine, tel. +38 (0562) 471700, e-mail: uva@mail.pgasa, ORCID ID 0000-0001-7328-8226
department of automation and electrical engineering, State higher educational establishment the « Prydniprovs'ka state academy of building and architecture», street Chernyshevskogo, 24th, 49600, Dnipro, Ukraine, tel. +38 (0562) 471700, e-mail: avuzhel@gmail.com, ORCID ID: 0000-0002-5228-2463
3Dniprovsky Technical College of welding and electronics named after E.O. Paton, Dnipro, st. Volodymyr Mossakovsky 2A, 49600, Dnipro, Ukraine, tel. +38 (0562) 47-23-61, e-mail: ugalene30@gmail.com
4Department of automation and electrical engineering, State higher educational establishment the « Prydniprovs'ka state academy of building and architecture», street Chernyshevskogo, 24th, 49600, Dnipro, Ukraine, tel. +38 (0562) 471700, e-mail: babenkonastya@gmail.com
Abstract. Purpose. In industry the large volume of works on creation and introduction of the specialized devices, options of automatic control, in-plant systems of automatic control is done on development of automatic system of control by a production (ASCP) with the use of managing calculable machines (MCM). Automation of productive processes occupies one of leading places in the complex of technical equipments, assists the increase of the labour productivity and improvement of quality of products in all branches of industry, including industry of build materials. However, it is not necessary to consider that only realization of ordinary adjusting works can provide support of optimal process of burning of clinker. Such factors as physical condition support staff , influence of environment on the technical parameters of automatic devices, elements of automation, inadequate reaction of operators on making decision, which provide optimization of process can influence on flowing of technological process. An optimal decision can be accepted by expert council by specialists, however this decision is too expensive. Perspective direction in organization of support of the desirable optimal mode of burning of clinker is application of modern tools of the computing using neuron networks. Creation of ASC with a neuron regulator on the basis of standard model and it direct tuning for the concrete mechanisms of technological processes requires additional researches at a choice and method of studies of neural controller. Methodology. The offered sequence of supervisor studies of neural controller is based on previous experimental determination of discreteness of entrance educational signal. Such approach allows to carry out the rational choice of amount of neurons and lessons of studies. Results. The pre choice of duration of entrance signal considerably abbreviates on the initial stage of expense of time on the studies of neural controller is determined , and the worked out system of adjusting answers all high-quality indexes of design and works off entrance signals with desirable exactness and is able to react on the revolting actions of environment with a minimum error. Scientific novelty. The of supervisor studies of neural controller is improved for work in the systems of automatic control of technological processes. Practical meaningfulness. The offered sequence of supervisor studies of neural controller reduces costs time on the stage of planning of the similar neural controller systems of automatic control and allows to promote exactness and reliability of their work.
Keywords: burning; clinker; circulating stove; simulation model; neuron management; neuron regulator; neuron system
Постановка проблеми. Обертовi печi широко використовуються у виробницта цементу. Ид час роботи цементних обертових печей оператор, як правило, здшснюе суб'ективне вiзуальне
спостереження i контроль параметрiв процесу випалу та використовуе !х далi для прийняття ршення управлшня тччю.
У цементних обертових печах, що працюють мокрим способом виробництва, оператор враховуе таю параметри, як стан матерiалу, факела, розмiр гранул, величина шару клшкеру на виходi зони охолодження печ^ кут тдйому матерiалу, запилешсть, загальний стан зони сткання обертово'1 печь Контроль названих параметрiв процесу випалу в зонах сткання i охолодження печi дозволяе операторам не тшьки керувати процесами в цих зонах, а i використовувати !х для управлшня ваею обертовою тччю [2-4; 6].
Ефектившсть роботи обертових печей цементно'1 промисловосп значною мiрою
залежить вщ налагодження технологичного устаткування, процесу випалу клшкеру, режиму експлуатацп печей тд час випуску клшкеру високо'1 активносп, мшмальних витрат палива i високих техшко-економiчних показниюв.
Випал клшкеру - один iз найскладтших енергоемних процеав. Загальн
енерговитрати на виробництво цементу розподшяються приблизно таким чином: тдготовка сировини - 10 %, випал клшкеру - 79 %, помол цементу - 10 %, шше - 1 %. Тому налагодження процесу випалу, зниження енерговитрат, насамперед витрат палива, набувають виняткового значення [2].
Аналiз публЫацш. У науковш лiтературi описано багато прикладiв практичного використання нейронних мереж для розв'язання задач керування рiзноманiтними об'ектами. Наразi розроблено декшька методiв
нейрокерування: iмiтуюче, шверсне, з
прогнозуванням, багатомодульне, пбридне, допом1жне та ш. [7]. Значний вклад у створення систем керування процесом випалу внесли вчеш: В. К. Класен [2], П. В. Беседш [1], М. А. Верд1ян [б]. Виходячи з цього, можна зробити висновок що нейронш системи управлшня - це перспективний напрям удосконалення технологичного процесу обпалу клшкеру, що потребуе подальшого розвитку.
Мета та завдання. Мету дослщження становить пошук можливостей полшшення якост випалу готового матер1алу (клшкеру) з одночасним зниженням енерговитрат у процес роботи, полшшенням умов роботи оператора на тдприемста, зниженням загального часу випалу клшкеру шляхом створення автоматизовано! системи управлшня з нейронним регулятором на основ! еталонно! модел1 та безпосередшм !! налаштуванням. У зв'язку з цим виникае необхщшсть розроблення автоматизованих технолопчних комплекав, що забезпечують рацюнальне та оптимальне керування роботи обертових печей.
Нижче наведено розроблену !м!тацшну модель нейромережево! системи керування випалом клшкеру в обертових печах ¡з використанням прикладного пакета МАТЬАБ. Для дослщження роботи модел1 створено еталону модель (рис. 1), яка була використана в процес налаштування нейроконтролера.
Рис. 1. Структурна схема еталонно'1 модел1 системи автоматичного регулювання температури обпалу клгнкеру в обертовш печг
Суперв1зорне навчання нейроконтролера здшснено за методикою, запропонованою в [7]. 1м1тацшна нейронна модель керування в зош сткання клшкеру розроблена ¡з врахуванням динам1чних параметр1в
обертово! печ1 обпалу, наведених у [5] (рис. 1).
модель включае: блок випадкових схщчастих (UniformRandomNumber); нейроконтролер на основ! еталонно! модел1 (ModelReferenceController); тдсистему
об'екта керування (РеЛ) та вихщний осцилограф (x(2y)Graph) з годинником (С1оск) (рис. 2).
1м!тацшна формування ¡мпульав
Мойе! Рйегепсе СогЛгоНег
Рис. 2. 1мтацшна модель САК температурив зонI спгкання печ1 випалу клгнкеру з нейроконтролером у середовищI БтыНпк
Налаштування контролера здшснюеться в два етапи. На першому етат проводиться щентифшащя об'екта управлшня (навчання щентифшацшно! МНС), а на другому -навчання керуючо! БНС за умови, щоб поведшка замкнуто! системи «контролер -об'ект управлшня» була б щентичною поведшщ заздалепдь обрано! модель Таким чином, у вибраному контролер! реал1зуеться стратег1я навчання «з учителем».
Перше налаштування здшснювалося з використанням 10 нейрошв та б 000 навчальних урок1в.
Рис. 3. Вгкно Iдентиф1катора Р1аПМепйАсайоп
Рис. 4. Налаштування процесу iдентифiкацiï об'екта управлшня
Рис. 5. Графж навчальних даних вхiдного та вихiдного сигналiв зi збшьшеною тривалiстю дискретних вiдлiкiв
Результати моделювання, наведет на графшу (рис. 4), показали, що система не встигае виконувати необхщне
вщпрацювання вхщного сигналу i на виходi спостерiгаеться неяюсне навчання.
На такий результат може впливати не тiльки кiлькiсть нейронiв, а й частота дискретних вщлшв, яю подаються на вхiд. У зв'язку з цим були проведет дослщженняпроцесу навчання
нейроконтролера шляхом змiни тривалост вхiдного сигналу i знаходження рацюнальних значень, за яких система буде якюно обробляти вхiдний сигнал.
На рисунку 5 вщображено результат моделювання, з якого видно, що у разi збшьшення тривалостi дискретних вщлшв система бiльш точно описуе вхщний сигнал,
тобто яюсть моделювання стае достатньою. Вщповщна похибка присутня, але вона мш1мальна.
Edit View Insert Tools Desktop Windol
Plant Output
II ш II щшщ
0 2000 400 ХЮ"4 Егго ©ООО
О 2000 4000 6000 NN Output
2000 4000 6000 time (s)
2O00 4O00 6000 ti me (s)
Рис. 6. Графжи тестовых даних
Validation data for NN Model Refere
2000 4000 6000 time (s)
0 2000 4000 6000 time (s)
Рис. 7. ГрафЫи nepeeipKU даних
Рис. 8. ГрафЫи тренувальних даних
Таким чином, за оптимально! кшькосп нейротв та правильного налаштування параметрiв щентифшатора досягаеться бажана точшсть вщпрацювання сигналiв нейроконтролером.
На рисунках 6-8 наведено графши навчання щентифшатора нейроконтролера. Шсля навчання щентифшатора контролера
Plant Identification та отримання вс!х граф!к!в виконувалося навчання самого контролера на основ! загально! еталонно! моделi керування процесом випалу кшнкеру.
Для контролера Model Reference Controller були задан! в!дпов!дн! дан! процесу навчання. П!сля вибору еталонно! модел!, числа нейрон!в та загальних параметр!в в!дбуваеться етап створення тренувальних даних для нейроконтролера ModelReferenceController протягом 3 000 начальних урок!в (рис. 9).
♦] Input-Output Data for NN Model Reference Control
Reference Model Input
"l-ТВ KM
Рис. 9. ГрафЫи вхiдних та вихiдних сигналiв нейроконтролера
П!сля введення даних та вибору необх!дних параметр!в !дентиф!катора ! контролера було виконано генерац!ю даних. На п!дстав! згенерованих даних отримано граф!к (рис. 10). К!льк!сть етап!в навчання та сегмент!в кожного етапу мае в!дпов!дати точност! в!дпрацювання вх!дного сигналу. Сп!вв!дношення к!лькост! етап!в до числа сегмент!в п!дбираеться експериментальним шляхом.
П!сля завершення генерац!!
тренувальних даних маемо к!нцевий результат, зображений на рисунку 10.
На завершальних граф!ках (рис. 10) спостер!гаемо майже 100 % в!дпрацювання вх!дного сигналу нейромережевою системою. Нейроконтролер (синя крива) виконав оптим!зац!ю вх!дного сигналу зг!дно з еталонною моделлю та максимально точно в!дтворив вихщний сигнал системи (зелена крива).
Рис. 10. Графжи вхiдних та вихiдних сигналiв моделi i вiдпрацьованих сигналiв нейромережею
»«" Рис.
11. Графж керуючого сигналу у разi подачi на вхiд
випадкових чисел i3 мiнiмальною похибкою
Проанал!зувавши зд!йснене навчання у «суперв!зорному» режим!, можна зробити висновок, що така методика дозволить керувати технолог!чним процесом та адекватно реагувати на р!зноман!тн! впливи навколишнього середовища, п!дтримуючи необх!дн! параметри у норм!, або у раз! необх!дност! самост!йно приймати р!шення щодо !х регулювання.
Отже, модель на рисунку 2 може бути налаштована та повною м!рою виконувати автоматичне регулювання технолог!чним процесом випалу кшнкеру в обертовш печ!.
На рисунку 11, у режим! реального часу, спостер!гаеться 100 % в!дтворення бажаного перех!дного процесу системи з м!н!мальною похибкою у межах допустимо! норми, незважаючи на р!зного роду зовн!шн! збурення та подачу на вх!д системи випадкових чисел.
Висновки
1. У середовищ! MatlabSimulink розроблено ! досл!джено систему управл!ння процесом обпалу кшнкеру в
обертовш печ1 з використанням нейроконтролера на основ1 еталонно! модел1 Model Reference Controller.
2. Наведено послщовнютьнавчання щентифшатора нейромереж1 та самого нейроконтролера.
3. У процеа навчання нейросистеми отримано графам, яю вщображають р1зн1 етапи навчання нейромереж1 та нейроконтролера на основ1 еталонно! модель
4. Анал1з отриманих графтв процесу навчання i керування нейросистемою вказуе, що розроблена система вiдповiдаe уам якiсним показникам моделювання, може виконувати автоматизоване керування процесом випалу клшкеру в обертовiй печi з великою точнютю i бути рекомендованою до використання уехзО проектуваннi подiбних систем.
СПИСОК ВИКОРИСТАНО1 Л1ТЕРАТУРИ
1. Беседин П. В. Методы лингвистической аппроксимации в задачах управления обжигом клинкера / П. В. Беседин, А. В. Новиченко, С. В. Андрущак // Фундаментальные исследования. - 2013. - № 4, ч. 1. -С. 13-17.
2. Классен В. К. Технология и оптимизация производства цемента : краткий курс лекций : учеб. пособие / В. К. Классен. - Белгород : Изд-во БГТУ, 2012. - 308 с.
3. Кузнецов В. А. Численное моделирование горения и теплообмена в цементной вращающейся печи / В. А. Кузнецов, О. А. Рязанцев, А. В. Трулёв // Вестник Белгородского государственного технологического университета им. В. Г. Шухова. - 2011. - № 4. - С. 161-164.
4. Малишев О. I. Нейронна система керування процесом випалу клшкеру в обертових печах / Малишев О. I., Ужеловський В. О. // Вюник Придшпровсько! державно! академи буд1вництва та архггектури : зб. наук. пр. -Дншропетровськ, 2015. - № 7-8. - С. 84-91.
5. Порхало В. А. Автоматизация процесса обжига клинкера на основе статистической идентификации динамических параметров вращающейся печи : автореф. дис. ... канд. техн. наук : спец. 05.13.06 / Порхало Василий Александрович ; Белгород. гос. технол. ун-т им. В. Г. Шухова. - Белгород, 2013. - 20 с.
6. Способ регулирования процесса обжига клинкера : а. с. 1587024 СССР : МКИ С 04 В 7/44 / М. A. Вердиян, Е. Н. Головин, В. В. Бачурин, Д. Ф. Федосеев, А. Я. Литвин, Л. И. Пономарев, П. П. Пархоменко (СССР). -№ 4460831/23-33 ; заявл. 18.07.88 ; опубл. 23.08.90 ; Бюл. № 31. - 3 с.
7. Терехов В. А. Нейросетевые системы управления : учеб. пособие для вузов / В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин. - Москва : Высш. шк., 2002. - 183 с.
REFERENCES
1. Besedin P.V., Novichenko A.V. and Andrushсhak S.V. Metody lingvisticheskoy approksimatsii v zadachah upravleniya obzhigom klinkera [Linguistic approximation methods in issues of control of burning clinker]. Fundamental'nye issledovaniya [Fundamental research]. 2013, no. 4, vol. 1, pp. 13-17. (in Russian).
2. Klassen V.K. Tehnologiya i optimizaciya proizvodstva cementa [Technology and optimization of cement production]. Belgorod: Izd-vo BGTU, 2012, 308 p. (in Russian).
3. Kuznetsov V.A., Ryazantsev O.A. and Trulyev A.V. Chislennoe modelirovanie goreniya i teploobmena v tsementnoy vrashhayushheysya pechi [Numerical modeling of combustion and heat transfer in the cement rotary kiln]. 2011, no. 4, pp. 161-164. (in Russian).
4. Malyshev O.I. and Uzhelovskyi V.A Neirona systema keruvannia protsessom vypaly klinkerav obertovykh pecakh [Neurons process control system clinker burning in rotary kilns]. VisnykPDABA [Bulletin of Prydniprovs'ka State Academy of Civil Engineering and Architecture]. Dnipropetrovsk 2015, no. 7-8, pp. 84-91. (in Ukrainian).
5. Porhalo V.A. Avtomatizaciya processa obzhiga klinkera na osnove statisticheskoy identifikatsii dinamicheskih parametrov vrashhayushheysya pechi. Avtoref dis. [Automation clinker burning process of clinker on the base of statistic identification of dynamic parameters of the rotary kiln. Author's abstract]. Belgorod.gos.tech. univer. Im. V.G. Shukhova [Belgorod state techn. univers. named after V.G. Shukhova]. Belgorod, 2013, 20 p. (in Russian).
6. Verdiyan M.A., Golovin E.N., Bachurin V.V., Fedoseev D.F., Litvin A.Ya., Ponomarev L.I. and Parkhomenko P.P. Sposob regulirovaniya processa obzhiga klinkera [A method for controlling the clinker burning process]. Patent, no. 1587024 USSR: МКИ3 С 04 В 7/44 /. (in Russian).
7. Terekhov V.A., Efimov D.V. and Tyukin I.Yu. Neyrosetevye sistemy upravleniya [Neural network control system]. Moskva: Vyssh. shk., 2002, 183 p. (in Russian).
Рецензент: Штръко М. В., д-р техн. наук, проф.
Надшшла до редколеги: 16.04.2018 р.
