Автоматизація виробництва технологічної пари в умовах нечіткого завдання контрольованих параметрів

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Національний університет «Одеська політехніка»

Костянтин Вячеславович Беглов

канд.техн.наук, доц.

Ігор Васильович Арику, аспірант

Анотація

Ключові слова автоматизоване керування, технологічні процеси, нечітке керування, адаптивні системи, невизначеність контрольованих параметрів.

Вступ

У сучасному промисловому ландшафті, що швидко розвивається, автоматизація стала ключовим фактором ефективності та продуктивності. Однією з галузей, де автоматизація виявилася особливо корисною, є виробництво пари - найважливішого компонента багатьох промислових процесів. Автоматизація виробництва пари не тільки підвищила ефективність, а й дала змогу краще контролювати параметри, що беруть участь у процесі.

Однією з проблем автоматизації виробництва пари є боротьба з невизначеністю і неточністю, притаманними керуючим параметрам. У багатьох випадках бажані значення цих параметрів не задаються точно, а описуються у вигляді діапазону або нечіткої множини. Саме тут на допомогу приходить нечітка логіка [1 -3].

Використання нечіткої логіки, дозволяють визначити правила управління, що враховують неточність і невизначеність параметрів управління. Це дає змогу створити гнучкішу й надійнішу систему керування, здатну адаптуватися до мінливих умов і забезпечувати оптимальне вироблення пари [4-6].

Постановка задачі. Проблема виробництва технологічної пари в умовах нечіткого завдання контрольованих параметрів полягає в тому, що в таких умовах важко досягти точного та стабільного налаштування параметрів процесу. Нечіткість або недостатня чіткість завдання може виникати з різних причин, таких як:

1. Відсутність однозначних метрик. Якщо немає чітких та вимірюваних метрик, які описують бажані властивості технологічної пари, може виникнути проблема визначення оптимальних параметрів. Наприклад, якщо метрика якості не чітко визначена або не має точного співвідношення з контрольованими параметрами, важко зрозуміти, які саме значення параметрів слід налаштувати.

2. Неоднорідність процесу. Якщо процес виробництва технологічної пари має неоднорідність або нерегулярність, то точне налаштування параметрів може стати складним завданням. Наприклад, якщо властивості матеріалу або умови навколишнього середовища змінюються, то необхідно знайти компроміс між різними параметрами, щоб забезпечити бажані результати.

3. Взаємодія параметрів. У деяких випадках параметри процесу можуть взаємодіяти між собою, що ускладнює налаштування. Зміна одного параметра може вплинути на інші параметри та результати процесу. В таких випадках важко визначити оптимальні значення для кожного параметра окремо, оскільки їх вплив на кінцевий результат може бути непередбачуваним.

4. Наявність шуму та випадкових впливів. У реальних умовах виробництва можуть бути присутні шуми, випадкові впливи та похибки вимірювання, що додатково ускладнює налаштування параметрів. Ці навмисні або випадкові відхилення можуть впливати на точність та стабільність процесу.

Викладення основного матеріалу

Розв'язання проблеми виробництва технологічної пари в умовах нечіткого завдання контрольованих параметрів може включати такі підходи [7-10]:

Використання адаптивного керування. Розробка алгоритмів адаптивного керування, які можуть адаптуватися до змінних умов та змінювати властивості системи регулювання при відхиленні властивостей об'єкта керування від розрахункових значень в реальному часі.

Адаптивне керування є ефективним інструментом для розв'язання проблеми виробництва технологічної пари в умовах нечіткого завдання контрольованих параметрів. Цей підхід дозволяє системі адаптуватися до змінних умов і забезпечує оптимальну продуктивність.

Однією з переваг адаптивного керування є його гнучкість. Він дозволяє системі змінювати свої параметри в реальному часі, щоб відповідати змінам у виробничому середовищі. Це особливо важливо в умовах нечіткого завдання контрольованих параметрів, коли точні значення цих параметрів не відомі.

Адаптивне керування дозволяє системі самостійно визначати оптимальні значення параметрів на основі отриманих даних [11,12]. Ще однією перевагою адаптивного керування є його здатність до самонавчання. Це дозволяє системі постійно покращувати свою продуктивність і ефективність. Крім того, адаптивне керування дозволяє системі працювати в умовах змінних параметрів. Дуже часто у виробничих процесах існують різні зовнішні впливи, при виробленні пари це змінення хімічного складу палива. Адаптивне керування дозволяє системі адаптуватися до цих змін і продовжувати працювати з оптимальною продуктивністю.

Однак, при використанні цього методу умови нечіткого завдання контрольованих параметрів можуть призвести до недоліків у розв'язанні проблеми виробництва пари. По-перше, нечіткість завдання контрольованих параметрів може призвести до неправильного визначення оптимальних значень цих параметрів. По-друге, нечіткість завдання контрольованих параметрів може призвести до недостатньої точності вимірювання цих параметрів. Це може призвести до неправильного регулювання процесу виробництва технологічної пари та збільшення його варіаційності. По-третє, нечіткість завдання контрольованих параметрів може призвести до недостатньої стабільності процесу виробництва технологічної пари. Це може призвести до збільшення кількості відхилень від заданих значень параметрів та зниження якості виробленої технологічної пари [13].

Експериментальний підхід. Виконання серії експериментів з різними комбінаціями параметрів, аналіз отриманих результатів та визначення оптимальних значень. Цей підхід може вимагати багато часу та ресурсів, але може допомогти знайти оптимальні налаштування навіть у складних умовах.

Перш за все, експериментальний підхід дозволяє проводити дослідження та експерименти з різними параметрами виробництва пари. Це дозволяє встановити оптимальні значення цих параметрів, що забезпечує ефективне виробництво пари. Крім того, експериментальний підхід дозволяє виявити залежності між параметрами та якістю пари, що дозволяє зрозуміти, які параметри необхідно контролювати для досягнення високої якості пари. Друге, експериментальний підхід дозволяє використовувати нечіткі завдання контрольованих параметрів. Це особливо важливо в умовах швидкого розвитку технологій, коли нові параметри можуть з'являтися на ринку. Експериментальний підхід дозволяє встановити оптимальні значення цих нових параметрів та забезпечити ефективне виробництво пари.

Однак, при розв'язанні проблеми виробництва технологічної пари в умовах нечіткого завдання контрольованих параметрів при використанні експериментального підходу, існують певні недоліки, які можуть вплинути на якість та ефективність процесу. По-перше, нечітке завдання контрольованих параметрів може призвести до неправильного визначення оптимальних значень цих параметрів. Це може призвести до недостатньої якості технологічної пари та збільшення витрат на її виробництво. По-друге, використання експериментального підходу може бути часо- та ресурсозатратним процесом. Проведення багатьох експериментів для визначення оптимальних значень параметрів може зайняти багато часу та витратити значну кількість ресурсів. По-третє, недостатня точність експериментального підходу може призвести до неточних результатів. Це може вплинути на якість технологічної пари та призвести до збитків для підприємства [14].

Використання експертного знання. Залучення експертів, які мають досвід у виробництві технологічної пари, може допомогти встановити початкові значення параметрів та розробити емпіричні правила для налаштування. Експертне знання може доповнити аналітичні та експериментальні підходи.

Перш за все, експерти, які мають багаторічний досвід у даній галузі, можуть надати цінні поради та рекомендації щодо налаштування обладнання та контролю параметрів. Крім того, використання експертного знання може допомогти вирішити проблему нечіткого завдання контрольованих параметрів. Експерти можуть враховувати різні фактори, які впливають на процес виробництва пари, і враховувати їх при визначенні оптимальних значень параметрів. Це дозволяє забезпечити стабільність та якість виробництва пари навіть при змінних умовах. Однак, при розв'язанні проблеми виробництва технологічної пари в умовах нечіткого завдання контрольованих параметрів при використанні експертного знання, можуть виникати певні недоліки. Один з недоліків полягає у тому, що експертне знання може бути суб'єктивним і не завжди точним. Експерти можуть мати різні думки та погляди на проблему, що може призвести до розбіжностей у виробництві технологічної пари. Крім того, експерти можуть допускати помилки або не враховувати всі можливі фактори, що також може вплинути на якість виробництва. Інший недолік полягає у складності визначення оптимальних значень контрольованих параметрів. У виробництві технологічної пари існує багато факторів, які можуть впливати на якість та ефективність процесу. Визначення оптимальних значень цих параметрів може бути складним завданням, особливо якщо вони нечіткі або неоднозначні. Крім того, недоліком є висока вартість використання експертного знання. Найняття та утримання експертів може бути дорогим процесом, особливо якщо проблема виробництва технологічної пари потребує постійного моніторингу та оновлення.

Використання інтелектуальних алгоритмів. Цей метод є поєднанням методів адаптивного керування з використанням експертного знання. Використання методів машинного навчання або нейромереж може допомогти вирішити проблему нечіткості завдання та знайти оптимальні налаштування параметрів на основі великого обсягу даних та аналізу.

Однією з переваг використання інтелектуальних алгоритмів є їх здатність адаптуватися до змінних умов та нечітких завдань. Це означає, що алгоритми можуть аналізувати дані та враховувати незначні зміни в параметрах, що контролюються, для досягнення оптимальних результатів. Це особливо важливо в контексті виробництва пари, де навіть невеликі зміни можуть мати значний вплив на якість та ефективність процесу. Застосування інтелектуальних алгоритмів також може покращити безпеку та надійність процесу виробництва пари. Алгоритми можуть аналізувати дані про стан обладнання та виявляти можливі проблеми або відхилення. Це дозволяє операторам вчасно реагувати на проблеми та запобігати аваріям або виробничим збоям [15,16].

Методи машинного навчання набувають все більшої популярності в різних галузях, включаючи техніку та інженерію. Однією з областей, де ці методи можуть бути особливо корисними, є вирішення проблеми невизначеності вимірювань в технологічних процесах. Розробляючи моделі на основі даних часових рядів, алгоритми машинного навчання можуть допомогти підвищити точність і надійність вимірювань параметрів у промислових умовах.

Однією з основних проблем при вимірюванні параметрів технологічних процесів є наявність шуму та невизначеності. Традиційні методи вимірювання часто не можуть забезпечити точні та узгоджені результати через різні фактори, такі як обмеження датчиків, умови навколишнього середовища та людські помилки. Це може призвести до неточних вимірювань, що, в свою чергу, може мати значні наслідки для загальної продуктивності та ефективності процесу.

Алгоритми машинного навчання пропонують багатообіцяюче рішення цієї проблеми, використовуючи можливості аналізу даних і розпізнавання образів. Навчаючи моделі на історичних даних часових рядів, ці алгоритми можуть вивчати основні закономірності та взаємозв'язки між різними змінними. Це дозволяє їм робити прогнози та оцінювати значення параметрів з вищим ступенем точності та впевненості.

Одним з підходів до використання машинного навчання для вирішення проблеми невизначеності вимірювань є розробка прогностичних моделей на основі даних часових рядів. Ці моделі можна навчити аналізувати історичні дані та виявляти закономірності, які свідчать про точність вимірювань. Використовуючи ці моделі для прогнозування значень параметрів у реальному часі, можна зменшити вплив невизначеності вимірювань і підвищити загальну якість вимірювань.

Інший підхід полягає у використанні алгоритмів машинного навчання для злиття даних і об'єднання датчиків. Об'єднуючи дані з декількох датчиків і джерел, ці алгоритми можуть забезпечити більш повне і точне представлення вимірюваного параметра. Це може допомогти пом'якшити вплив шуму і невизначеності та підвищити надійність вимірювань.

На закінчення, використання методів машинного навчання для вирішення проблеми невизначеності вимірювань в технологічних процесах може включати в себе розробку моделей на основі даних часових рядів. Ці моделі можуть допомогти підвищити точність і надійність вимірювань параметрів, використовуючи можливості аналізу даних і розпізнавання образів. Зменшуючи вплив невизначеності вимірювань, алгоритми машинного навчання можуть сприяти підвищенню загальної продуктивності та ефективності технологічних процесів.

Аналіз великих даних. У сучасну цифрову епоху кількість даних, що генеруються, зростає в геометричній прогресії. Ця величезна кількість даних, відома як Big Data, створює як виклики, так і можливості для підприємств та організацій. Однією зі сфер, де аналіз великих даних виявився особливо цінним, є сфера технологій. І це не дивно. Коли мова йде про вимірювання параметрів технологічного процесу, часто існує певний ступінь невизначеності. Такі фактори, як варіації в обладнанні, умови навколишнього середовища та людські помилки, можуть впливати на цю невизначеність. Традиційно ця невизначеність ускладнювала точне вимірювання та аналіз параметрів технологічного процесу.

Однак з появою аналізу великих даних цю невизначеність можна подолати. Шляхом збору та аналізу великих обсягів даних можна виявити закономірності та тенденції, які можуть бути неочевидними за допомогою традиційних методів. Це дозволяє більш точно зрозуміти параметри технологічного процесу.

В якості прикладу можна навести вимірювання параметрів у паровій турбіні. Парові турбіни є складними машинами з багатьма змінними, які можуть впливати на їх продуктивність. Збираючи дані з датчиків, розміщених по всій турбіні, можна генерувати велику кількість даних. Потім ці дані можна проаналізувати за допомогою методів великих даних для виявлення закономірностей і кореляцій. І це ще не все. Аналізуючи ці дані, можна виявити фактори, які сприяють зміні продуктивності турбіни. Наприклад, можна виявити, що певні умови навколишнього середовища, такі як температура або вологість пари, мають значний вплив на ефективність турбіни.

На завершення, використання аналізу великих даних дозволяє ідентифікувати та робити висновки з великого обсягу даних. Це може допомогти подолати невизначеність у вимірюванні параметрів технологічного процесу. Аналізуючи закономірності і тенденції в даних, можна досягти більш точного розуміння процесу, що призведе до підвищення продуктивності та ефективності. Оскільки технології продовжують розвиватися, використання аналізу великих даних, безсумнівно, стане ще більш важливим у вирішенні завдань вимірювання та аналізу технологічних параметрів.

Аналіз невизначеності. Точне вимірювання фізичних величин має вирішальне значення в різних галузях науки та техніки. Однак, кожне вимірювання схильне до невизначеності через різні фактори, такі як обмеження приладу, умови навколишнього середовища та людські помилки. Щоб забезпечити надійність і достовірність результатів вимірювань, важливо розуміти і аналізувати невизначеність, пов'язану з вимірюваннями. Саме тут варто використовувати методи аналізу невизначеності.

Аналіз невизначеності передбачає кількісну оцінку та характеристику невизначеностей у результатах вимірювань. Він забезпечує системний підхід до оцінки надійності та точності вимірювань шляхом розгляду діапазону можливих значень, в межах якого лежить істинне значення вимірюваної величини. А підґрунті аналізу невизначеності можна приймати обґрунтовані рішення і робити значущі висновки з результатів вимірювань.

Аналіз невизначеності дозволяє обробляти та інтерпретувати результати вимірювань у змістовний спосіб. Враховуючи невизначеність, вчені та інженери можуть встановлювати довірчі інтервали, які забезпечують діапазон значень, в межах якого істинне значення вимірюваної величини, ймовірно, потрапляє. Це дозволяє отримати більш повне розуміння результатів вимірювань і полегшує порівняння різних вимірювань або експериментальних даних.

Отже, використання методів аналізу невизначеності є корисним для розуміння та обробки результатів вимірювань, де величина невизначеності порівнюється з діапазоном дійсних значень. Він забезпечує системний підхід до кількісної оцінки та характеристики невизначеностей, що дозволяє обґрунтовані рішення та робити змістовні висновки.

З іншого боку, коли контрольовані параметри нечітко визначені, це може призвести до ряду недоліків при розв'язанні цієї задачі з використанням інтелектуальних алгоритмів, які варто враховувати.

По-перше, одним з основних недоліків є недостатня точність результатів. Коли контрольовані параметри недостатньо чітко визначені або неоднозначні, інтелектуальним алгоритмам стає складно надавати точні рішення. Це може призвести до коливань якості та кількості виробленої пари, що може негативно вплинути на загальний виробничий процес.

По-друге, інтелектуальні алгоритми можуть бути вразливими до непередбачуваних ситуацій. Нечіткі значення параметрів можуть призвести до неправильних рішень або некоректної поведінки системи. Наприклад, якщо алгоритм не враховує можливість зміни умов або відсутність деяких даних, це може призвести до неправильних висновків та некоректних дій.

Незважаючи на свої вражаючі можливості, ці алгоритми не застраховані від вразливостей, коли стикаються з непередбачуваними ситуаціями.

Однією з головних вразливостей інтелектуальних алгоритмів є їхня залежність від історичних даних. Ці алгоритми навчаються на минулих даних, щоб вивчати закономірності та робити прогнози. Хоча такий підхід може бути ефективним у багатьох випадках, він стає проблематичним, коли стикається з ситуаціями, що відхиляються від норми. Наприклад, якщо алгоритм тренується на даних зі стабільного ринку, йому може бути складно робити точні прогнози під час економічної нестабільності.

Ще однією вразливістю інтелектуальних алгоритмів є їхня нездатність адаптуватися до нових або мінливих обставин. Ці алгоритми розроблені для роботи в межах певного набору параметрів і припущень. Коли вони стикаються з ситуаціями, які виходять за межі цих параметрів, їм може бути важко робити точні прогнози або приймати рішення. Це може бути особливо проблематично в галузях, де ставки високі, наприклад, в охороні здоров'я або автономних транспортних засобах та атомній енергетиці.

Крім того, інтелектуальні алгоритми можуть бути вразливими до ворожих атак. Ці атаки передбачають навмисне маніпулювання вхідними даними, щоб обдурити алгоритм і отримати неправильні результати. Наприклад, алгоритм, що використовується для розпізнавання зображень, можна обдурити і неправильно ідентифікувати транспортний засіб, непомітно змінивши його зображення. Ця вразливість викликає занепокоєння щодо надійності та безпеки інтелектуальних алгоритмів у критично важливих додатках.

Для усунення цих вразливостей вкрай важливо розробляти алгоритми, які є більш надійними та адаптивними. Цього можна досягти за допомогою таких методів, як навчання з підкріпленням, яке дозволяє алгоритмам навчатися і адаптуватися в режимі реального часу на основі зворотного зв'язку з навколишнім середовищем. Крім того, алгоритми повинні регулярно тестуватися і оцінюватися в різних сценаріях для виявлення і усунення потенційних вразливостей.

По-третє, інтелектуальні алгоритми можуть бути складними для налаштування та підтримки. Відсутність формалізації при реалізації інтелектуальних алгоритмів керування може ускладнити їх розуміння та налагодження, що може бути проблематичним для розробників та подальшого налагодження. Вони вимагають великої кількості даних для навчання та налаштування, а також постійного оновлення та підтримки. Це може бути проблематичним для організацій, які не мають достатньо ресурсів або експертів для забезпечення належного функціонування таких алгоритмів.

Висновки

технологічний нечітке завдання контрольований

Проблема виробництва технологічної пари в умовах нечіткого завдання контрольованих параметрів є складною, але може бути вирішена за допомогою комбінації аналітичних, експериментальних та інтелектуальних підходів.

Слід зазначити, що автоматизація виробництва пари за наявності неточних керівних параметрів є складним, але вельми корисним завданням. Використання нечіткої логіки дає змогу домогтися кращого контролю параметрів, що беруть участь у процесі виробництва пари, що призводить до підвищення ефективності та продуктивності. Успішне впровадження контролерів на нечіткій логіці в різних галузях промисловості свідчить про ефективність цього підходу.

Автоматизація виробництва пари з використанням нечіткої логіки успішно реалізована в різних промислових умовах. Використання нечітких логічних контролерів дає змогу поліпшити управління процесом виробництва пари, що призводить до підвищення ефективності та зниження енергоспоживання. Крім того, використання нечіткої логіки дає змогу інтегрувати в систему управління експертні знання, забезпечуючи оптимізацію процесу відповідно до конкретних вимог галузі.

Але слід зазначити, що інтелектуальні алгоритми для управління параметрами з нечіткими значеннями мають свої недоліки, які варто враховувати. Складність, вразливість до непередбачуваних ситуацій та складність налаштування та підтримки - це лише деякі з проблем, з якими можуть зіткнутися організації, що використовують такі алгоритми. Тому перед впровадженням інтелектуальних алгоритмів варто ретельно проаналізувати їх переваги та недоліки, а також врахувати специфіку конкретної ситуації та потреби організації.

Список використаних джерел

[1 ] Сідлецький В.М., Ельперін І.В. Технології конструювання сучасних автоматизованих систем // Матеріали VIII Міжнародної науково-технічної Internet-конференції «Сучасні методи, інформаційне, програмне та технічне забезпечення систем керування організаційно-технічними та технологічними комплексами», 26 листопада 2021. [Електронний ресурс] - К: НУХТ, 2021 - с.310. -- Режим доступу: https://nuft.edu.ua/naukova-diyalnist/naukovi-konferencii/

[2] Рясна О. В. "Сучасні методи автоматизованих систем управління технологічними процесами." Thesis, Сумський державний університет, 2017. http://essuir.sumdu.edu.ua/handle/123456789/66639.

[3] Пензовський А.С. "Розробка та дослідження автоматизованої системи управління виробництвом технологічної пари." Master's thesis, Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії, Кафедра автоматизації технологічних процесів і виробництв, 2020. http://elartu.tntu.edu.ua/handle/lib/33301.

[4] Шевчук В.В., Федоришин Р.М. Порівняльний аналіз предиктивного та ПІД-регулятора для керування тепловим об'єктом. // Матеріали VN! Міжнародної науково-технічної Intemet-конференції «Сучасні методи, інформаційне, програмне та технічне забезпечення систем керування організаційно-технічними та технологічними комплексами», 26 листопада 2021. [Електронний ресурс] - К: НУХТ, 2021 - с.310. -- Режим доступу: https://nuft.edu.ua/naukova-diyalnist/naukovi-konferencii/

[5] Герасименко Т.М. Інтелектуальні методи дослідження нестаціонарних об'єктів //Матеріали VIII Міжнародної науково-технічної Intemet-конференції «Сучасні методи, інформаційне, програмне та технічне забезпечення систем керування організаційно-технічними та технологічними комплексами», 26 листопада 2021. [Електронний ресурс] - К: НУХТ, 2021 - с.310. -- Режим доступу: https://nuft.edu.ua/naukova-diyalnist/naukovi-konferencii/

[6] Blesl, M., Kessler, A. Energy Efficiency from an Energy Economic Perspective. In: Energy Efficiency in Industry, 2021, Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3- 662-63923-8_9

[7] Зінькевич П.О., Балюта С.М., Куєвда Ю.В., Столяров О.Я. Інтелектуальна система керування з використанням нейронних мереж NARX для реалізації функції прогнозування вироблення електроенергії сонячними станціями // Матеріали VIII Міжнародної науково-технічної Internet-конференції «Сучасні методи, інформаційне, програмне та технічне забезпечення систем керування організаційно-технічними та технологічними комплексами», 26 листопада 2021. [Електронний ресурс] - К: НУХТ, 2021 - с.310. -- Режим доступу: https://nuft.edu.ua/naukova-diyalnist/naukovi-konferencii/

[8] Alpaydin E. Introduction to machine learning. Cambridge: MIT press, 2004. 400 p.

[9] Kondratenko, Y.P., Kozlov, O.V. Combined Fuzzy Controllers with Embedded Model for Automation of Complex Industrial Plants. In: Shahnaz N. Shahbazova, Janusz Kacprzyk, Valentina Emilia Balas, Vladik Kreinovich (eds.) Recent Developments and the New Direction in Soft-Computing Foundations and Applications. Studies in Fuzziness and Soft Computing, Vol. 393, 2020, Springer, Cham, pp. 215-228. https://doi.org/10.1007/978-3- 030-47124-8_18

[10] Huang, Haocai & Zhang, Chenyun & Ding, Weiwei & Xinke, Zhu & Sun, Guiqing & Wang, Hangzhou. (2020). Design of the Depth Controller for a Floating Ocean Seismograph. // Journal of Marine Science and Engineering. 8. 166. DOI:10.3390/jmse8030166

[11] Devata Sai Harshith. Fuzzy Logic in Artificial Intelligence. https://www.linkedin.com/pulse/fuzzy-logic-artificial-intelligence-devata-sai- harshith?utm_source=share&utm_medium=guest_desktop&utm_campaign=copy

[12] Vugar E. Mirzakhanov, Value of fuzzy logic for data mining and machine learning: A case study // Expert Systems with Applications, Volume 162, 2020, https://doi.org/10.1016/j.eswa.2020.113781.

[13] Yanpeng Hu, Yanping Yang, Shu Li, Yaoming Zhou, Fuzzy controller design of micro- unmanned helicopter relying on improved genetic optimization algorithm // Aerospace Science and Technology, Volume 98, 2020, https://doi.org/10.1016/j.ast.2020.105685.

[14] Ansarian, M.J. Mahmoodabadi, Multi-objective optimal design of a fuzzy adaptive robust fractional-order PID controller for a nonlinear unmanned flying system // Aerospace Science and Technology, Volume 141,2023, https://doi.org/10.1016/j.ast.2023.108541.

[15] Maksymov, M., Lozhechnikov, V., Maksymova, O., & Lysiuk, O. (2017). Improvement of the control system over drum boilers for burning combustible artificial gases. Eastern- European Journal of Enterprise Technologies, 4(8 (88), 10-16. https://doi.org/10.15587/1729-4061.2017.107358

[16] Huang, H. et al. Biomass briquette fuel, boiler types and pollutant emissions of industrial biomass boiler: A review. Particuology, Vol. 77, 2023, pp. 79-90. https://doi.org/10.1016/j.partic.2022.08.01 6

Размещено на Allbest.ru