Искусственные нейронные сети в АСУ ТП

Москва 2023

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РФ

Университет науки и технологий МИСИС

ИНСТИТУТ КОМПЬЮТЕРНЫХ НАУК

Кафедра автоматизированных систем управления

И.О. Темкин 
В.Б. Трофимов

ИСКУССТВЕННЫЕ 
НЕЙРОННЫЕ СЕТИ В АСУ ТП

Учебник

Рекомендовано редакционно-издательским  
советом университета

№ 4417

УДК 004.896 
 
Т32

Р е ц е н з е н т ы : 
д-р физ.-мат. наук, профессор, главный научный сотрудник,  
заведующий сектором ФГУ «Федеральный исследовательский центр 

Институт прикладной математики им. М.В. Келдыша  
Российской академии наук» С.М. Соколов; 
д-р техн. наук, профессор, профессор кафедры автоматических  
систем ФГБОУ ВО «МИРЭА – Российский технологический  
университет» В.Д. Ивченко

Темкин, Игорь Олегович.
Т32  
Искусственные нейронные сети в АСУ ТП : учебник / 

И.О. Темкин, В.Б. Трофимов. – Москва : Издательский 
Дом НИТУ МИСИС, 2023. – 352 с.
ISBN 978-5-907560-95-6

Представлены основные понятия искусственных нейронных 

сетей, дана их классификация, описаны способы обучения. Детально 
рассматривается полный цикл разработки искусственных 
нейронных сетей – от формирования обучающей выборки до программной 
реализации при решении практических задач, связанных 
с построением автоматизированных систем управления 
технологическими процессами (АСУ ТП). Материал учебника 
дает достаточно полное представление о современном состоянии 
применения искусственных нейронных сетей для решения задач 
управления технологическими процессами в России и мире.
Предназначен для студентов, аспирантов, специалистов в области 
автоматизации производственных процессов и разработки 
систем управления в индустриальной сфере.

УДК 004.896

 Темкин И.О., 

Трофимов В.Б., 2023
ISBN 978-5-907560-95-6
 НИТУ МИСИС, 2023

ОГЛАВЛЕНИЕ

Введение ......................................................................5

Глава 1. Основы искусственных нейронных сетей ............9
1.1. Основные понятия искусственных нейронных  
сетей ........................................................................9
1.2. Классификация нейронных сетей ........................ 13
1.3. Однослойный персептрон ................................... 53
1.4. Многослойный персептрон ................................. 54
1.5. Алгоритмы обучения многослойного персептрона ... 57
1.6. Радиальная нейронная сеть ................................ 69
1.7. Самоорганизующаяся сеть Кохонена ................... 72
1.8. Искусственные нейронные сети 
в системах управления ............................................. 74
1.9. Обзор областей применения искусственных 
нейронных сетей ...................................................... 88
1.10. Фундаментальные работы по теории 
искусственных нейронных сетей ................................ 94
Контрольные вопросы .............................................. 98
Вопросы для самостоятельной работы ....................... 101
Тестовые задания ................................................... 103
Тестовые задачи..................................................... 106

Глава 2. Программный инструментарий нейронных 
сетей (на примере STATISTICA Neural Networks) ........... 110
2.1. Обучение многослойного персептрона ................ 110
2.2. Настройка радиальной нейронной сети .............. 128
2.3. Построение сети Кохонена ................................ 132
2.4. Задания для самостоятельной работы ................ 140
2.5. Нейронные сети в задачах моделирования .......... 145
Контрольные вопросы ............................................ 155

Глава 3. Искусственные нейронные сети в задачах 
автоматизации ......................................................... 156
3.1. Многоструктурный нейросетевой распознаватель 
цифровых изображений .......................................... 156

Искусственные нейронные сети в АСУ ТП

3.2. Искусственные нейронные сети в управлении 
агломерационным процессом ................................... 170
3.3. Искусственные нейронные сети в управлении 
доменным процессом .............................................. 208
3.4. Искусственные нейронные сети в управлении 
конвертером .......................................................... 226
Задание для самостоятельной работы ........................ 237
3.5. Искусственные нейронные сети в управлении 
качеством металлопродукции .................................. 241
Задание для самостоятельной работы ........................ 251
Контрольные вопросы ............................................ 266

Глава 4. Нейросетевые методы моделирования 
и управления в АСУ ТП горного производства ............... 268
4.1. Основные направления применения  
искусственных нейронных сетей в горной 
промышленности ................................................... 268
4.2. Управление вентиляционной системой шахт 
с использованием типовых нейронных сетей .............. 270
Контрольные вопросы ............................................ 319

Заключение ............................................................. 320

Библиографический список ........................................ 321

ВВЕДЕНИЕ

Важные направления современной науки и техники – теория 
построения и практика использования искусственных 
нейронных сетей в различных сферах деятельности человека, 
в частности в области управления промышленными объектами 
и технологическими процессами. Можно утверждать, 
что теория нейронных сетей сегодня является базисом 
для решения многих задач автоматизации управления сложными 
объектами.
Искусственная нейронная сеть (ИНС) – это программная 

или аппаратно-программная среда с сетевой архитектурой, 
включающая конечное число слоев, состоящих из элементарных 
вычислителей – нейронов и различных типов связей 
между нейронами внутри слоев и между слоями. Нейроны 
осуществляют обработку и передачу сигналов и являются 
упрощенным аналогом клеток головного мозга. В связи с этим 
одной из базовых задач разработчика нейронных сетей является 
определение ее архитектуры. При использовании классических 
ИНС в большинстве случаев эта задача сводится 
к определению оптимального количества слоев и количества 
искусственных нейронов в каждом слое. В случае применения 
так называемых глубоких нейронных сетей выбор архитектуры 
предполагает определение количества и порядка следования 
различных слоев с различными способами обработки информации 
в них. Сложность функционирования нейросетей 
определяется связями между нейронами, то есть структурой 
и типами связей.
Нейронные сети хорошо приспособлены для параллельных 
вычислений. Они сохраняют работоспособность даже 
при разрушении некоторых связей в сети, реализуют функциональное 
преобразование входного пространства состояний 
в выходное.
Это преобразование имеет аналитическое описание, что 

позволяет разработать эффективные алгоритмы обучения 
(настройки) сети.

Искусственные нейронные сети в АСУ ТП

Обучение искусственных нейронных сетей во многом отличается 
от соответствующих процессов в реальных биологических 
сетях нашего мозга и осуществляется при помощи 
различных формализованных алгоритмов, упрощенно моделирующих 
физиологические процессы работы мозга.
Существует несколько основных принципов (парадигм) 

обучения нейронных сетей.
Обучение с учителем, один из способов машинного обучения, 
предполагает наличие полного набора входных и выходных 
данных для настройки сети на всех этапах ее построения. 
Этот подход предполагает наличие примеров «стимул – реакция», 
то есть библиотеки прецедентов.
Обучение без учителя предполагает наличие только входных 
неразмеченных (unlabeled) данных, в результате анализа 
которых сеть должна самостоятельно обнаружить внутренние 
зависимости (взаимосвязи) межу ними. То есть нейронная 
сеть пытается найти корреляции во входных данных, выявляя 
информативные признаки и анализируя их. Подобные 
сети еще называются самоорганизующимися.
Обучение с частичным привлечением учителя –полуав-
томатическое обучение – это разновидность обучения с учителем, 
которое использует как размеченные, так и неразмеченные 
данные. Этот метод особенно полезен, когда трудно 
извлечь из данных важные признаки или разметить все объекты.

Обучение с подкреплением является частным случаем 

обучения с учителем, но учителем является среда или ее модель (
настоящая или виртуальная среда), которая формирует 
отклик (сигнал) на принятые решения. То есть формируется 
система назначения штрафов и поощрений от среды.
Выделение информативных признаков объекта (явления, 

процесса) из первичного набора данных для снижения размерности 
используется в машинном обучении, распознавании 
образов и при обработке изображений.
Эти признаки должны точно описывать исходный набор 

данных.

Введение

Если задача предварительного отбора и оценивания (выделения) 
признаков является очень сложной (требует значительного 
количества инженерных навыков и знаний в 
предметной области), то часто используют глубокое обучение 
нейронной сети, содержащей несколько скрытых слоев 
(обычно более пяти) с большим количеством нейронов. Для 
глубокого обучения необходимы большие объемы данных 
и высокопроизводительные компьютеры. Глубокое обучение 
может осуществляться с учителем, с частичным привлечением 
учителя, без учителя, с подкреплением, требует гораздо 
большего времени для обучения. Одна из проблем обучения 
нейронных сетей, присущая также и сетям с глубоким обучением, – 
это возникновение эффекта переобучения сети, то 
есть возникновения ситуации, когда сеть хорошо распознает 
только образы из обучающей выборки.
Решение задачи на основе искусственных нейронных сетей 
обычно состоит из следующих этапов:
1) сбор, проверка на достоверность и обработка (фильтрация) 
первичных натурных данных для обучения;
2) выбор типа сети и стратегии обучения;
3) формирование структуры сети, выбор функции активации 
нейронов;
4) задание скорости обучения, максимального количества 
эпох и времени обучения, выбор критерия эффективности 
обучения;
5) обучение или настройка параметров сети, при этом 

«просмотр» входных и заданных выходных данных может 
осуществляться как последовательно, так и в случайном порядке;

6) проверка сети на адекватность;
7) внедрение сети в автоматизированную систему.
Если все связи направлены строго от входных нейронов к 

выходным, то такие сети называют сетями прямого распространения. 
Если сигнал с выходных нейронов (или скрытого 
слоя) частично передается обратно на вход, то такие сети называют 
рекуррентными.

Искусственные нейронные сети в АСУ ТП

В учебнике рассмотрены важные для данной научно-технической 
области теоретические вопросы, основной интерес 
для обучающихся представляют конкретные примеры решения 
задач, связанных с управлением технологическими процессами 
на основе нейронных сетей.

ГЛАВА 1.  
Основы искусственных нейронных сетей

1.1. Основные понятия искусственных 

нейронных сетей

Искусственная нейронная сеть (ИНС) – объединенные 

между собой нейроны, образующие систему [1]; класс аналитических 
методов, построенных на принципах обучения 
мыслящих существ и функционирования мозга и позволяющих 
прогнозировать значения некоторых переменных в новых 
наблюдениях по данным других наблюдений (для этих 
же или других переменных) после прохождения обучения на 
имеющихся данных [2]; система искусственного интеллекта, 
созданная как подобие нервной системы живых организмов, 
состоящая из так называемых нейронных ячеек и предназначенная 
для моделирования процессов познания, обработки 
и запоминания информации [3]; сеть с конечным числом 
слоев из однотипных элементов – аналогов нейронов с различными 
типами связей между слоями [4].
Обучение – процедура, используемая для того, чтобы сеть 

смогла научиться выполнять поставленную перед ней задачу 
по предъявленным ей данным [5].
Обучение нейронной сети – процесс поиска оптимальных 

значений всех переменных весовых коэффициентов и порогов 
[2]. Если корректировка (актуализация) весовых коэффициентов 
производится после предъявления каждого обучающего 
наблюдения, то такой режим обучения называется «онлайн», 
а если после предъявления всех наблюдений, то «офлайн» [1].
Обобщение – способность сети распознавать данные, которые 
не использовались для обучения [1].
Эпоха (в итерационном обучении нейронной сети) – один 

проход по всему обучающему множеству. То есть на каждой 
итерации они называются эпохами, все наблюдения из обучающего 
множества по очереди подаются на вход сети, сеть обрабатывает 
их и выдает выходное значение [2].

Искусственные нейронные сети в АСУ ТП

Градиентом функции называется вектор, величину которого 
определяет скорость изменения функции, а направление 
совпадает с направлением наибольшего возрастания этой 
функции. Вектор, указывающий направление наибольшего 
убывания функции, называется антиградиентом функции [6].
Функция ошибок (целевая функция) – функция, предназначенная 
для определения качества работы нейронной сети 
во время итерационного обучения и последующих рабочих 
запусков [2].
Глобальный минимум – состояние, при котором параметры 
сети являются такими, что среднеквадратическая ошибка 
оказывается минимальной. Глобальный минимум представляет 
оптимальное решение. Локальные минимумы соответствуют 
минимальной ошибке в ограниченной области параметров, 
но не представляют оптимальное решение [5].
Локальные минимумы – минимумы функции ошибок, 

приводящие к неправдоподобно большим или малым значениям 
параметров сети [2].
Рассмотрим базовые модели нейронов.
1. Модель нейрона Мак-Каллока – Питтса [1, 2, 4, 5, 7–38] 
считается бинарным элементом (рис. 1). Входные сигналы хj 
(j = 1, 2, …, N) суммируются с учетом соответствующих весов 
wij (веса синаптических связей), после чего результат сравнивается 
с пороговым значением wi0.

x0
wi0

wi1

wiN

x1

xN

.
.
.

.
.
.

f(vi)

vi
yi
Σ

Рис. 1. Структура i-го нейрона

Глава 1. Основы искусственных нейронных сетей 

Выходной сигнал нейрона уi определяется по формуле

 
0
0
1
0
,

N
N

i
i
ij
j
ij
j
j
j
y
f w x
w x
f
w x

=
=





=
+
=












∑
∑
 
(1)

где f(vi) – функция активации;

 

0

N

i
ij
j
j
v
w x

=
=∑
 – постсинаптический потенциал нейрона;

 
x0 – единичный сигнал поляризации (x0 = 1).

В данной модели нейрона функция активации представлена 
только функцией ступенчатого типа:

 
(
)
1, 
 
0;

0, 
 
0.

для

для

i
i
i

v
f v
v

>

= 
≤


 
(2)

2. Сигмоидальный нейрон отличается тем, что у него 

функция активации является непрерывной и выражается 
униполярной или биполярной функцией.
Униполярная (логистическая) функция, область значений 
которой от 0 до 1, имеет вид

 
(
)
(
)

1
.
1
exp
i
i
f v
v
=
+
−b
 
(3)

Биполярная функция (гиперболический тангенс), область 
значений которой от –1 до 1, описывается формулой

 
(
)
(
)
(
)
(
)
(
)

exp
exp
,
exp
exp

i
i
i
i
i

v
v
f v
v
v

b
−
−b
=
b
+
−b
 
(4)

где b – параметр, характеризующий пологость и крутизну 

нейрона.

Искусственные нейронные сети в АСУ ТП

При малых значениях b график функции (4) достаточно 
пологий, но по мере роста b его крутизна увеличивается. 
При b→∞ сигмоидальная функция превращается ступенчатую 
функцию. На практике с целью упрощения вычислений 
рекомендуется использовать значение b = 1.
Производная от униполярной функции (3) определяется 

следующим образом:

 
(
)
(
)

(
)
(
)
2
d
exp
,
d
1
exp

i
i

i
i

f v
v

v
v

b
−b
=
+
−b

 
(5)

а от биполярной функции (4):

 
(
)

(
)
(
)
(
)
2
d
4
.
d
exp
exp

i

i
i
i

f v

v
v
v

b
=
b
+
−b

 
(6)

Нейрон сигмоидального типа обучается с учителем путем 

минимизации целевой функции, которая для единичного обучающего 
наблюдения определяется в виде

 
(
)
(
)
2
1
min;
2
i
i
Q
y
d
=
−
→
w
 
(7)

 
(
)

0
,

N

i
i
ij
j
j
y
f v
f
w x

=



=
= 





∑
 
(8)

где xj – входные значения i-го нейрона, при наличии поляризации 
x0 = 1, а при отсутствии x0 = 0;
 
(yi – di) – ошибка обучения.

Обучение данного нейрона возможно по алгоритму наискорейшего 
спуска, в соответствии с которым коррекция 
вектора весов w осуществляется в направлении антигради-
ента целевой функции. Для целевой функции (7) j-я состав-