520

Мақолада  нейро-ноқатъий  технологиялар  асосида  динамик  объектларни  адаптив
бошқариш  тизимини  яратиш  масаласи  кўрилган.  Ушбу  технология  юкланиш  ўзгариши  билан 
боғлиқ  алмаштиришларда  барабанли  қозонларининг  қиздирилган  буғи  температурасини 
бошқариш  алгоритмларини  яратиш  ҳамда  фаол  идентификация  учун  қўлланилган.  Тескари 
боғланишсиз  кўп  қатламли  нейрон  тўр  шаклида  тасвирланган  нейро-қатъиймас  регулятори 
моделини амалиётга тадбиқ қилиш қўлайдир.

  • Internet ҳавола
  • DOI
  • UzSCI тизимида яратилган сана 17-02-2020
  • Ўқишлар сони 486
  • Нашр санаси 10-09-2019
  • Мақола тилиO'zbek
  • Саҳифалар сони28-35
Ўзбек

Мақолада  нейро-ноқатъий  технологиялар  асосида  динамик  объектларни  адаптив
бошқариш  тизимини  яратиш  масаласи  кўрилган.  Ушбу  технология  юкланиш  ўзгариши  билан 
боғлиқ  алмаштиришларда  барабанли  қозонларининг  қиздирилган  буғи  температурасини 
бошқариш  алгоритмларини  яратиш  ҳамда  фаол  идентификация  учун  қўлланилган.  Тескари 
боғланишсиз  кўп  қатламли  нейрон  тўр  шаклида  тасвирланган  нейро-қатъиймас  регулятори 
моделини амалиётга тадбиқ қилиш қўлайдир.

Русский

В  статье  рассматриваются  вопросы  создания  адаптивной  системы  управления 
динамическими объектами  на базе нейро-нечеткой технологии. Данная технология применена для 
активной  идентификации  и  создания  алгоритмов  управления  температурой  перегретого  пара 
барабанного котла при наличии возмущений, связанных с изменением нагрузки. Нейро-нечеткая 
модель  регулятора  представлена  в  виде  многослойной  нейронной  сети  без  обратных  связей, 
отличающейся простотой реализации на практике. 

English

Article deals with the creation of an adaptive control system for dynamic objects based on neurofuzzy  technology.  This  technology  is  used  for  active  identification  and  creation  of  algorithms  for controlling the temperature of superheated steam of a drum-type boiler in the presence of perturbations 
associated  with  changing  the  load.  Neuro-fuzzy  controller  model  is  represented  as  a  multilayer  neural 
network without feedback, which distinguishes simple implementation in practice.

Муаллифнинг исми Лавозими Ташкилот номи
1 Umurzakova D.M. докторант кафедры «Системы обработки информации и управление», ТГТУ,
2 Siddikov I.H. – доктор технических наук, профессор кафедры «Системы обработки информации и управление», ТГТУ,
3 Bakhrieva H.A. докторант кафедры «Системы обработки информации и управление», ТГТУ,
Ҳавола номи
1 Ротач В.Я. Теория автоматического управления. М.: МЭИ, 2008. - 396 с.
2 Плетнев Г.П. Автоматизированное управление объектами тепловых электростанций. М.: Энергоиздат, 1986. - 368 с.
3 Круглов В.В. Искусственные нейронные сети. Теория и практика / Круглов В.В., Борисов Н.Н. М.:Горячая линия –Телеком,2001. - 382 с
4 Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / Пер.с польск. Рудинского И.Д. М.: Горячая линия –Телеком, 2006. - 452 с.
5 Сиддиков И.Х., Жукова Ю.А. Имитационное моделирование системы управления динамическим объектом на основе синергетического подхода Автоматизация. Современные Технологии.2018. №1. С. 22 - 25
6 Леоненков А.Ю. Нечеткое моделирование в среде Matlab и fuzzyTech. Спб.:БХВ, 2003. - 720 с
7 Siddikov I., Iskandarov Z. Synthesis of adaptive-fuzzy control system of dynamic in conditions of uncertainty of information // International Journal of Advanced Research in Science, Engineering and Technology. Vol.5. January 2018. Issue 1. P. 5089 - 5093.
Кутилмоқда