Тема прикладной научно-исследовательской работы:
Разработка метода повышения эффективности систем управления технологическими объектами на основе нейросетевой оптимизации работы промышленных контроллеров

Цель ПНИР

Целью является разработка метода повышения эффективности работы теплотехнических промышленных агрегатов на 3-5% на основе интеллектуализации существующих алгоритмов управления путем применения нейросетевых технологий. Данный метод позволит синтезировать нейросетевые настройщики параметров ПИ-регулятора для выбранного класса объектов без построения модели объекта управления. Эти настройщики будут реализованы программно для реальных промышленных контроллеров и испытаны в рамках сотрудничества с промышленным партнером. Партнер является представителем металлургической отрасли промышленности, в которой используются нагревательные агрегаты высокой мощности, что позволит добиться ощутимого экономического эффекта. Достижение указанной цели позволит повысить эффективность применения находящегося в эксплуатации технологического оборудования, повысить уровень интеллектуализации систем автоматического управления промышленными тепловыми агрегатами.

Основные исполнители:
  1. Еременко Ю.И., д.т.н., проф. – руководитель ПНИР.
  2. Глущенко А.И., к.т.н., доц.
  3. Полещенко Д.А., к.т.н., доц.
  4. Халапян С.Ю., к.т.н., доц.
  5. Петров В.А., аспирант
  6. Фомин А.В., аспирант
  7. Цыганков Ю.А., аспирант
  8. Анпилов А.О., аспирант
  9. Боровинских М.Д., студент

Результаты первого этапа выполнения ПНИР
Первый этап ПНИ посвящен разработке теоретических основ построения нейросетевых настройщиков параметров П и ПИ-регулятора для повышения энергоэффективности работы промышленных агрегатов. Был произведен выбор направления исследований, в частности, выбор методологии: применение нейронной сети в сочетании с базой правил для настройки параметров упомянутых регуляторов в реальном масштабе времени без необходимости идентификации модели ОУ. Были решены следующие задачи:
  1. проведен аналитический обзор современной научно-технической, нормативной, методической литературы, затрагивающей научно-техническую проблему, исследуемую в рамках ПНИ. Показано, что в настоящее время между теорией и практикой адаптивного и оптимального управления существует разрыв, связанный, с одной стороны, со сложностью предлагаемых методов, а с другой стороны – с необходимостью использования или модели ОУ или эталонной модели. Обоснована необходимость применения интеллектуальных методов для решения рассматриваемой задачи;
  2. выбрано и обоснованно направление дальнейших исследований: применение нейронной сети в сочетании с базой правил для настройки параметров упомянутых регуляторов в реальном масштабе времени без необходимости идентификации модели ОУ;
  3. проведены патентные исследования по ГОСТ 15.011-96. Анализ найденных документов показал, что полных аналогов разрабатываемой системы не существует. Однако есть решения, в которых реализуется некоторая часть функций. В ходе исследования технического уровня объекта было выяснено, что предлагаемое решение обладает особенностями, не обнаруженными ни в одном из объектов интеллектуальной собственности;
  4. проведены теоретические исследования существующих нейросетевых методов, в частности: а) исследование применимости различных подходов к построению систем нейросетевого управления; б) исследование применимости различных архитектур нейронных сетей. Для решения задач ПНИ были выбраны многослойные нейронные сети, обладающие рекуррентными свойствами ввиду особенностей организации схемы управления с самонастройкой параметров ПИ-регулятора (также выбранной в данном разделе);
  5. закуплено оборудование для реализации ПНИ;
  6. разработана математическая модель прикладного применения: нейронная сеть прямого распространения сигнала в сочетании с базой правил, определяющей скорость ее оперативного обучения, в режиме реального времени. Такая модель позволяет настраивать параметры линейных промышленных регуляторов в реальном масштабе времени для компенсации нелинейности их характеристик и поддержания требуемого качества управления. Научная новизна идеи заключается в разработке настройщика параметров линейных промышленных регуляторов на основе комбинирования двух интеллектуальных подходов (нейронных сетей и экспертных систем) следующим образом: нейронная сеть получает на свои входы объективные данные из существующей системы управления и вычисляет на своих выходах значения параметров регулятора (при этом она учится только оперативно, не требуя автономной обучающей выборки), а база правил (отражающая опыт инженера АСУ ТП) определяет в какие моменты и с какой скоростью обучать такую нейронную сеть. Настройщик не требует модели объекта управления и способен работать как в режиме отслеживания изменения задания, так и в режиме компенсации возмущающих воздействий.

Заявленные на отчетный этап задачи решены полностью.

Публикации по итогам выполнения первого этапа ПНИР
1) Публикации, индексируемые Web of Science и SCOPUS:
1.1) Eremenko Y.I., Glushchenko A.I., Fomin A.V., Petrov V.A. On Comparison of Effectiveness of Neural Tuner Based Adaptive Control System and Observer Based Controller to Solve Heating Plant Control Problem. Proceedings of the International Conference on Inventive Computing and Informatics (ICICI 2017) IEEE Xplore Compliant - Part Number: CFP17L34-ART, ISBN: 978-1-5386-4031-9, pp.1-4.
1.2) Eremenko Y. I., Poleshchenko D. A., Tsygankov Y. A. Development of neural network model of the multiparametric technological object // Journal of Fundamental and Applied Sciences. – 2017. – Vol. 9. – №. 7S. – P. 706-721.
1.3) Eremenko Y., Glushchenko A., Fomin A. Applying a neural tuner of the PI-controller parameters to control gas heating furnaces // Eastern-European Journal of Enterprise Technologies. – 2017. – №6/2(90). – В ПЕЧАТИ.
1.4) Eremenko Y., Glushchenko A., Petrov V. Development of the method for joint operation of neural-network tuners for current and speed circuits // // Eastern-European Journal of Enterprise Technologies. – 2017. – №6/9(90). – В ПЕЧАТИ.
 
2) Публикации в журналах, входящий в перечень ВАК:
2.1) Еременко Ю.И., Глущенко А.И., Фомин А.В. О применении нейросетевого настройщика параметров ПИ-регулятора на тепловых объектах горно-металлургической отрасли в режиме отработки возмущений // Горный информационно-аналитический бюллетень.  – 2017. – №12. – С. 122-133.
2.2) Еременко Ю.И., Глущенко А.И., Петров В.А. Об адаптивной настройке пропорционально-интегрального регулятора скорости на физической модели электропривода постоянного тока // Горный информационно-аналитический бюллетень.  – 2017. – №11. – С. 101-112.
2.3) Полещенко Д.А. Опыт промышленной эксплуатации автоматизированной системы мониторинга уровня заполнения шаровой мельницы // Горный информационно-аналитический бюллетень.  – 2017. – №12. – С. 153-160.
2.4) Халапян С.Ю., Анпилов А.О. Применение нейросетевых технологий для организации косвенных измерений в системе управления процессом обезвоживания железорудного концентрата // Горный информационно-аналитический бюллетень.  – 2017. – №12. – С. 195-200.
 
3) Публикации в сборниках трудов конференций:
3.1) Глущенко А.И., Фомин А.В. Сравнение работы адаптивной системы на основе нейронастройщика параметров ПИ-регулятора с регулятором состояния для нагревательного объекта управления. Современные сложные системы управления HTCS'2017: материалы XII международной научно-практической конференции. – Липецк: Издательство Липецкого государственного технического университета, 2017. – Ч.1. – С. 78-82.
3.2) Петров В.А., Глущенко А.И. Разработка нейросетевого настройщика для снижения динамических нагрузок электропривода прокатной клети. Современные сложные системы управления HTCS'2017: материалы XII международной научно-практической конференции. – Липецк: Издательство Липецкого государственного технического университета, 2017. – Ч.1. – С. 164-168.
3.3) Еременко Ю.И., Полещенко Д.А., Цыганков Ю.А. О возможности применения нейросетевого аппарата для идентификации шаровой мельницы. Современные сложные системы управления HTCS'2017: материалы XII международной научно-практической конференции. – Липецк: Издательство Липецкого государственного технического университета, 2017. – Ч.1. – С. 215-219.
3.4) Халапян С.Ю., Анпилов А.О. Автоматизация процесса обезвоживания с использованием косвенных измерений на основе нейросетевой модели дискового вакуум-фильтра. Современные сложные системы управления HTCS'2017: материалы XII международной научно-практической конференции. – Липецк: Издательство Липецкого государственного технического университета, 2017. – Ч.1. – С. 220-224.
3.5) Петров В.А., Глущенко А.И., Еременко Ю.И. О способе снижения динамических нагрузок в электроприводе постоянного тока с использованием нейронастройщика. Актуальные проблемы прикладной математики, информатики и механики: сборник трудов Международной научно-технической конференции, Воронеж, 18–20 декабря 2017 г. – Воронеж : Издательство «Научно-исследовательские публикации», 2017. – С.1691-1694.
3.6) Еременко Ю.И., Полещенко Д.А., Цыганков Ю.А. О возможности разработки модели шаровой мельницы на основе данных ее эксплуатации для построения эффективной системы управления объектом. Актуальные проблемы прикладной математики, информатики и механики: сборник трудов Международной научно-технической конференции, Воронеж, 18–20 декабря 2017 г. – Воронеж : Издательство «Научно-исследовательские публикации», 2017. – С.1625-1631.
3.7) Еременко Ю.И., Халапян С.Ю., Анпилов А.О. Повышение производительности дискового вакуум-фильтра на основе его автоматизации с косвенной оценкой технологических параметров. Актуальные проблемы прикладной математики, информатики и механики: сборник трудов Международной научно-технической конференции, Воронеж, 18–20 декабря 2017 г. – Воронеж : Издательство «Научно-исследовательские публикации», 2017. – С.1632-1638.
3.8) Еременко Ю.И., Халапян С.Ю., Анпилов А.О. О применении косвенной нейросетевой оценки технологических параметров в управлении процессом обезвоживания железнорудного концентрата. Новые технологии в научных исследованиях, проектировании, управлении, производстве: труды Международной научно-технической конференции. – Воронеж: ФГБОУ ВО «Воронежский государственный технический университет», 2017. – Т.1. – С.285-288.
3.9) Еременко Ю.И., Глущенко А.И., Фомин А.В. К вопросу о применении нейросетевого настройщика на многозонных тепловых печах. Системы автоматизации в образовании, науке и производстве: Труды XI Всероссийской научно-практической конференции / Сиб. гос. индустр. ун-т. – Новокузнецк: Изд. Центр СибГИУ, 2017. – С. 189-194.
3.10) Еременко Ю.И., Глущенко А.И., Петров В.А. Нейросетевой настройщик для отработки возмущений в систем управления прокатной клетью. Системы автоматизации в образовании, науке и производстве: Труды XI Всероссийской научно-практической конференции / Сиб. гос. индустр. ун-т. – Новокузнецк: Изд. Центр СибГИУ, 2017. – С. 171-173.
3.11) Еременко Ю.И., Полещенко Д.А., Цыганков Ю.А. Разработка математической модели шаровой мельницы для решения задач управления технологическим объектом. Системы автоматизации в образовании, науке и производстве: Труды XI Всероссийской научно-практической конференции / Сиб. гос. индустр. ун-т. – Новокузнецк: Изд. Центр СибГИУ, 2017. – С. 370-372.
3.12) Еременко Ю.И., Халапян С.Ю., Анпилов А.О. Об организации автоматического управления процессом обезвоживания железнорудного концентрата на основе косвенной нейросетевой оценки технологических параметров. Системы автоматизации в образовании, науке и производстве: Труды XI Всероссийской научно-практической конференции / Сиб. гос. индустр. ун-т. – Новокузнецк: Изд. Центр СибГИУ, 2017. – С.165-168.
3.13) Глущенко А.И., Петров В.А. Построение адаптивной системы управления электроприводом постоянного тока на основе наблюдающего устройства. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы XIV Всероссийской научно-практической конференции. – Старый Оскол: СТИ НИТУ «МИСиС», 2017. – Т.2. – С.22-26.
3.14) Еременко Ю.И., Глущенко А.И., Фомин А.В. О связи качества регулирования температуры и энергоэффективности в печах нагрева СПЦ-1 АО «ОЭМК». Современные проблемы горно-металлургического комплекса. Наука и производство: материалы XIV Всероссийской научно-практической конференции. – Старый Оскол: СТИ НИТУ «МИСиС», 2017. – Т.2. – С.32-36.
3.15) Цыганков Ю.А., Полещенко Д.А., Еременко Ю.И. Перспективы применения систем управления на основе прогнозирующей модели в горно-обогатительной отрасли. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы XIV Всероссийской научно-практической конференции. – Старый Оскол: СТИ НИТУ «МИСиС», 2017. – Т.2. – С.154-158.
3.16) Еременко Ю.И., Халапян С.Ю., Анпилов А.О. О перспективах применения нечеткой логики в управлении процессом обезвоживания железнорудного концентрата. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы XIV Всероссийской научно-практической конференции. – Старый Оскол: СТИ НИТУ «МИСиС», 2017. – Т.2. – С.37-40.
3.17) Халапян С.Ю., Анпилов А.О. Применение нейросетевых технологий для организации косвенных измерений в системе управления процессом обезвоживания железнорудного концентрата. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы XIV Всероссийской научно-практической конференции. – Старый Оскол: СТИ НИТУ «МИСиС», 2017. – Т.2. – С.141-147.

4) Свидетельства о регистрации РИД:

4.1) Св-во об офиц. регистр. программы для ЭВМ № 2017663031 РФ. Модернизированный нейросетевой настройщик с минимизацией влияния адаптации на качество текущего переходного процесса // Еременко Ю.И., Глущенко А.И., Фомин А.В.; опубл. 23.11.2017. РОСПАТЕНТ.
4.2) Св-во об офиц. регистр. программы для ЭВМ № 2017663396 РФ. Модуль FB контроллера Siemens SImatic S7 300/400 с реализованным в нем нейросетевым настройщиком параметров ПИ-регулятора // Еременко Ю.И., Глущенко А.И., Фомин А.В.; опубл. 01.12.2017. РОСПАТЕНТ.
Результаты прикладных научных исследований за 2017-2018 гг.

Прикладные научные исследования посвящены разработке теоретических основ построения нейросетевых настройщиков параметров П и ПИ-регулятора для повышения энергоэффективности работы промышленных агрегатов, а также реализации предложенной методологии в виде экспериментального образца программного комплекса для промышленных контроллеров и его апробации на математических и физических моделях нагревательных объектов. В рамках ПНИ были решены следующие задачи:

1) проведен аналитический обзор современной научно-технической, нормативной, методической литературы, затрагивающей научно-техническую проблему, исследуемую в рамках ПНИ. Показано, что в настоящее время между теорией и практикой адаптивного и оптимального управления существует разрыв, связанный, с одной стороны, со сложностью предлагаемых методов, а с другой стороны – с необходимостью использования или модели ОУ или эталонной модели. Обоснована необходимость применения интеллектуальных методов для решения рассматриваемой задачи;

2) выбрано и обоснованно направление дальнейших исследований: применение нейронной сети в сочетании с базой правил для настройки параметров упомянутых регуляторов в реальном масштабе времени без необходимости идентификации модели ОУ;

3) проведены патентные исследования по ГОСТ 15.011-96. Анализ найденных документов показал, что полных аналогов разрабатываемой системы не существует. Однако есть решения, в которых реализуется некоторая часть функций. В ходе исследования технического уровня объекта было выяснено, что предлагаемое решение обладает особенностями, не обнаруженными ни в одном из объектов интеллектуальной собственности;

4) проведены теоретические исследования существующих нейросетевых методов, в частности: а) исследование применимости различных подходов к построению систем нейросетевого управления; б) исследование применимости различных архитектур нейронных сетей. Для решения задач ПНИ были выбраны многослойные нейронные сети, обладающие рекуррентными свойствами ввиду особенностей организации схемы управления с самонастройкой параметров ПИ-регулятора (также выбранной в данном разделе);

5) закуплено оборудование для реализации ПНИ;

6) разработана математическая модель прикладного применения: нейронная сеть прямого распространения сигнала в сочетании с базой правил, определяющей скорость ее оперативного обучения, в режиме реального времени. Такая модель позволяет настраивать параметры линейных промышленных регуляторов в реальном масштабе времени для компенсации нелинейности их характеристик и поддержания требуемого качества управления. Научная новизна идеи заключается в разработке настройщика параметров линейных промышленных регуляторов на основе комбинирования двух интеллектуальных подходов (нейронных сетей и экспертных систем) следующим образом: нейронная сеть получает на свои входы объективные данные из существующей системы управления и вычисляет на своих выходах значения параметров регулятора (при этом она учится только оперативно, не требуя автономной обучающей выборки), а база правил (отражающая опыт инженера АСУ ТП) определяет в какие моменты и с какой скоростью обучать такую нейронную сеть. Настройщик не требует модели объекта управления и способен работать как в режиме отслеживания изменения задания, так и в режиме компенсации возмущающих воздействий.

7) разработана программная реализация разработанной новой математической модели прикладного применения существующих нейросетевых методов (нейросетевого настройщика параметров линейных регуляторов). Для этого применен язык программирования SCL, основанный на стандарте языка Structured Text. Благодаря этому полученный код не требует внесения изменений при переходе на контроллеры фирмы производителя, отличного от Siemens. Реализация отражает весь заявленный функционал нейросетевого настройщика;

8) разработан экспериментальный образец программного комплекса нейросетевой настройщик параметров линейных регуляторов (далее ЭО ПК). В частности, подготовлена вся необходимая программная и эксплуатационная документация, позволяющая производить интеграцию настройщика в существующую АСУ ТП для нагревательных объектов;

9) изготовлен ЭО ПК, о чем подготовлен соответствующий акт;

10) разработана программа и методики исследовательских испытаний ЭО ПК. Данная программа содержит в себе описание всех экспериментов, необходимых для проверки соответствия разработанного экспериментального образца программного обеспечения требованиям Технического задания на выполнение ПНИ. В качестве объектов управления в данных опытах используются математическая и физическая модели одной из зон печи нагрева, применяемой Индустриальным партнером;

11) проведены исследовательские испытания ЭО ПК по разработанной Программе и методикам исследовательских испытаний, о чем подготовлены протоколы и акты испытаний;

12) проведен анализ данных экспериментальных исследований. Экспериментальный образец программного обеспечения успешно выдержал все испытания. Одним из основных результатов является следующий. Для реальной печи СНОЛ 40/1200, являющейся физической моделью одной из зон печи нагрева, применяемой Индустриальным партнером, он показал снижение энергопотребления печью на 3-6% по сравнению с системой управления с ПИ-регулятором с постоянными параметрами в условиях изменения задания, загрузки печи и влияния возмущений;

13) разработан проект ТЗ на проведение ОКР по теме: «Разработка систем управления технологическими объектами на основе нейросетевой оптимизации работы промышленных контроллеров»;

14) проведен анализ полноты решения задач, достижения поставленной цели ПНИ и проверка соответствия результатов ПНИ данному техническому заданию. Цель ПНИ достигнута. Задачи ПНИ решены полностью. Уровень полученных результатов соответствует лучшими достижениями в данной области. В частности, показано, что достигнутые результаты по снижению энергопотребления превосходят результаты, которые возможно получить при использовании средств настройки регуляторов, которые в настоящий момент уже интегрированы в большинство программируемых промышленных контроллеров. С точки зрения теоретических результатов, настройщик не требует модели объекта управления и способен работать как в режиме отслеживания изменения задания, так и в режиме компенсации возмущающих воздействий.

Возможными потребителями результатов ПНИ в реальном секторе экономики являются: промышленные предприятия, в частности, металлургической и машиностроительной отраслей, в технологических цепочках которых используются энергоемкие тепловые объекты управления.

Внедрение нейросетевых настройщиков приведет к снижению на 3-6% расхода энергоносителя на ведение технологических процессов в нагревательных печах промышленных предприятий, в частности металлургической и машиностроительной отраслей, что, в конечном итоге, сделает более дешевыми товары, произведенные на основе продукции указанных предприятий, для конечного потребителя.

Проведенные работы и полученные результаты соответствуют Плану-графику исполнения обязательств и Техническому заданию на выполнение ПНИ.
Заявленные задачи ПНИ решены полностью. Цель ПНИ достигнута.


Публикации по итогам выполнения второго этапа ПНИР:
1) Публикации, индексируемые Web of Science и SCOPUS:
1.1) Glushchenko A.I., Petrov V.A. On Comparative Evaluation of Effectiveness of Neural Network and Fuzzy Logic Based Adjusters of Speed Controller for Rolling Mill Drive // Studies in Computational Intelligence. – 2019. – Vol. 799. – P. 144–150.
1.2) Eremenko Y., Glushchenko A.I., Petrov V., Molodykh A. On Speed Controller Neural Tuner Application to Compensate PMSM Mechanics Inertia Moment Drift // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). – 2018. – Vol. 10878 LNCS. – P. 727-735.
1.3) Glushchenko A.I. On Development of Module for Neural Tuner to Adjust D-part of PID-controller Online // Procedia Computer Science. – 2019. Принята к публикации.

2) Публикации в журналах, входящий в перечень ВАК:
2.1) Глущенко А.И. О методе определения скорости обучения нейронной сети для задачи оперативной настройки линейных регуляторов при управлении нелинейными объектами // Управление большими системами. – 2018. – Вып. 72. – С.52-107.
2.2) Еременко Ю.И., Глущенко А.И., Петров В.А. Сравнительная оценка эффективности нейросетевого настройщика как альтернативы адаптивному управлению двигателем постоянного тока с помощью наблюдателя // Приборы и системы. Управление, контроль, диагностика. – 2018. – № 3. – С.11-17.
2.3) Глущенко А.И. Адаптивный нейросетевой настройщик ПИД-регулятора для управления нагревательными печами // Проблемы управления. – 2019. –№1. Принята к публикации.

3) Публикации в сборниках трудов конференций:
3.1) Глущенко А.И., Петров В.А. О сравнительной оценке эффективности нейросетевого и нечеткого настройщиков регулятора скорости при управлении электроприводом прокатной клети. Информатика, управление и системный анализ: Труды V Всероссийской научной конференции молодых ученых с международным участием. – Ростов-на-Дону: Мини-Тайп, 2018. – С. 430-439.
3.2) Глущенко А.И., Петров В.А., Молодых А.В. О применении нейросетевого настройщика для компенсации дрейфа механической части синхронного двигателя с постоянными магнитами. Управление большими системами (УБС’2018) [Электронный ресурс] : Материалы XV Всерос. школы-конф. молодых ученых, 10–13 сент. 2018 г, Воронеж / под общ. ред. Д.А. Новикова, С.А. Баркалова; Ин-т проблем упр. им. В.А. Трапезникова; Воронежский государственный технический ун-т. – Электрон. текстовые дан. – М.: ИПУ РАН, 2018.
3.3) Еременко Ю.И., Глущенко А.И., Фомин А.В. Изучение возможности компенсации возмущений, действующих на печь нагрева металла перед прокатом, с помощью настройки ПИ-регулятора. Управление большими системами (УБС’2018) [Электронный ресурс] : Материалы XV Всерос. школы-конф. молодых ученых, 10–13 сент. 2018 г, Воронеж / под общ. ред. Д.А. Новикова, С.А. Баркалова; Ин-т проблем упр. им. В.А. Трапезникова; Воронежский государственный технический ун-т. – Электрон. текстовые дан. – М.: ИПУ РАН, 2018.
3.4) Фомин А.В. Применение табличной адаптации ПИ-регулятора для нагревательных печей АО «ОЭМК». Современные сложные системы управления HTCS'2018: сборник трудов XIII Международной научно-практической конференции / под общ. ред. Ю. И. Еременко. – Москва : ИПУ РАН; Старый Оскол : СТИ НИТУ «МИСиС»; Старый Оскол : ТНТ, 2018. – С. 88-90 с.

4) Свидетельства о регистрации РИД:
4.1) Св-во об офиц. регистр. программы для ЭВМ № 2018663585 РФ. Нейросетевой настройщик параметров ПИ-регулятора с поддержкой импульсного режима управления // Еременко Ю.И., Глущенко А.И., Фомин А.В.; опубл. 31.10.2018. РОСПАТЕНТ.
4.2) Св-во об офиц. регистр. программы для ЭВМ № 2018663584 РФ. Усовершенствованный нейросетевой настройщик ПИ-регулятора для компенсации возмущений с расчетом предельно допустимой скорости обучения // Глущенко А.И.; опубл. 31.10.2018. РОСПАТЕНТ.
4.3) Св-во об офиц. регистр. программы для ЭВМ № 2018664427 РФ. Нейросетевой настройщик ПИД-регулятора для ступенчатого изменения задания // Глущенко А.И.; опубл. 16.11.2018. РОСПАТЕНТ.
4.4) Св-во об офиц. регистр. программы для ЭВМ № 2018664514 РФ. Нейросетевой настройщик параметров ПИ-регулятора для переходных процессов с оценкой устойчивости системы управления // Глущенко А.И.; опубл. 19.11.2018. РОСПАТЕНТ.