Разработка системы автоматического управления приточной вентиляцией для складских помещений

Помимо основных теплопотерь существуют также добавочные теплопотери через ограждающие конструкции, которые учитывают: ориентацию ограждения по сторонам света, высоту помещений, воздействие ветра на ограждения и охлаждение через открываемые двери.В целях упрощения расчетов будем учитывать только основные теплопотери.Тепловая энергия, подводимая в помещение Q, расходуется на нагревание самого складского помещенияQv и на покрытие расхода тепловой энергии через ограждающие конструкции Qk, то есть Q = Qv + Qk.3.3. Синтез системы автоматического управленияИз выше сказанного можно выделить основные уравнения, необходимые для построения структурной схемы разомкнутой системы регулирования температуры складского помещения: (3.8)где Q – теплопотери через ограждение в ккал/час;Kk - коэффициент теплопередачи ограждающих конструкций складского помещения;Fk – площадь поверхности ограждающих конструкций складского помещения;T – постоянная времени обогреваемого внутреннего объема складского помещения;G – масса складского помещения;с – удельная теплоемкость складского помещения.Передаточная функция обогреваемого складского помещения: (3.9)Далее необходимо рассчитать параметры элементов разомкнутой структурной схемы регулирования.Объем складского помещения составляетV = 33,52,5 = 260,25 м3.Масса перемешиваемого воздуха складского помещения:G = Vвоздуха = 260,251,29 = 330,86 кг.Площадь ограждающей конструкции:Fk= 32,5 = 7,5 м2.Величина сопротивления теплопередаче для ограждения складского помещения:R = 1,12 м2.Коэффициент теплопередачи ограждения:кДж/м2.Постоянная времени обогреваемого складского помещения в часах: (3.10)Теплоотдача нагревательного прибора: кДж.Разомкнутая структурная схема регулирования температуры во внутреннем объеме складского помещения в MATLABSimulink представлена на рис. 3.7.График моделирования для температуры воздуха tin = 18С иллюстрирован на рис. 3.8.Время переходного процесса составляет приблизительно 4,5 часа.Из рис. 3.8 видно, что установившееся значение температуры воздуха в помещении составляет 29,3 С, что значительно превышает необходимую температуру 18 С. Следовательно, необходимо синтезировать замкнутый контур регулирования температуры воздуха в складском помещении. Рисунок 3.7 – Разомкнутая схема регулирования температуры во внутреннем объеме складского помещения в MATLABSimulinkРисунок 3.8 – График моделирования для температуры воздуха внутри складского помещения tin = 18СЕсли отклонение от заданной температуры будет превышать 2С, то сигнал на выходе стабилизатора равен единице, в противном случае - равен нулю. Для реализации данного способа регулирования, необходимо сформировать обратную связь по температуре воздуха в складском помещении.Результирующая схема регулирования представлена на рис. 3.9. В данной модели реализовано управление нагревательным элементом (в роли которого выступает кровельный тепловентилятор) при помощи ПИД-контроллера, а также отработка возмущений, обусловленных сезонной или суточной изменчивостью внешней температуры в виде последовательности случайных по амплитуде и знаку ступенчатых воздействий.Рисунок 3.9 – Замкнутая схема регулирования температуры во внутреннем объеме складского помещения в MATLABSimulink3.4. Моделирование системы автоматического управленияНа рис. 3.10 представлены графики переходного процесса по управлению для температуры воздуха внутри склада tin = 18С и вариациях температуры внешней среды от 1 до 10 С.Для удержания на заданном уровне 18С при понижении температуры наружного воздуха увеличивается частота включений термостата.Особенностью модели регулирования в целом, является настройка коэффициентов ПИД-регулятора при помощи генетического алгоритма.Это обусловлено тем, что при изменении внешних температур коэффициенты регулирования перестают быть оптимальными в силу нелинейной связи теплопередачи ограждающих конструкций с температурой, обусловленной изменением физических свойств материалов.Рисунок 3.10 – Графики переходного процесса по управлению для температуры воздуха внутри складского помещения tin = 18С (уставка)Генетический алгоритм является универсальным алгоритмом, поскольку под особью понимается вариант решения некоторой задачи. Каждое возможное решение представляет собой точку в пространстве поиска.Критерием периодической перенастройки регулятора является минимум времени переходного процесса.Программно, общая модель регулирования, реализованная в MATLAB, включает три элемента:1. Модель регулирования в Simulink «storehouse_model_T.slx» (рис. 3.9), в которой заданы начальные приближения пропорционального, интегрального и дифференциального коэффициентов регулирования ПИД-контроллера kp, ki и kd.2. Функция «storehouse_f_PID_control.m», котораявызывает Simulink- модель «storehouse_model_T.slx»:function Rezult = storehouse_f_PID_control(X)global kp;global ki;global kd;kp=X(1);ki=X(2);kd=X(3);% kp=90; ki=0.1; kd=20;sim('storehouse_model_T');Param = stepinfo(T_v,t);% % Время нахождения реакции в активной области (RiseTime)% % Время переходного процесса (TransientTime)% % Нижняя граница отклика около уставки (SettlingMin)% % Верхняя граница отклика около уставки (SettlingMax)% % Перерегулирование в % (Overshoot)% % Отклонение от нижней границы уставки (Undershoot)% % Максимальная амплитуда отклика (Peak)% % Время достижения максимума отклика (PeakTime)Rezult = Param.TransientTime;disp(strcat('Время переходного процесса:',32, num2str(Param.TransientTime)));end3. Скрипт «storehouse_TestGA_f.m», реализующий поиск квазиоптимальных по критерию минимума времени переходного процесса по температуре, значений коэффициентов ПИД-регулятора:clcclear allclose all% Поиск оптимальных значений PID-контроллераglobal kp;global ki;global kd;lb = [89 0 19]; % нижняя граница диапазона поиска коэффициентов ПИД-регулятораub = [90 0.1 20]; % верхняя граница диапазона поиска коэффициентов ПИД-регулятора% Поиск оптимальных значений PID-контроллера генетическим алгоритмом[x fval reason] = ga(@Green_f_PID_control, 3, [], [], [], [], lb, ub)kp = X(1); ki = X(2); kd = X(3);sim('storehouse_model_T');Param = stepinfo(T_v,t);disp(strcat('Времяпереходногопроцесса:',32, num2str(Param.TransientTime)));plot(t,T_v),grid onНа рис. 3.11 построены графики, иллюстрирующие зависимость приведенной к уставке tin = 18С среднеквадратической погрешности регулирования по временной оси моделирования (дней) при использовании генетического алгоритма и запатентованным алгоритмом в частотной области, разработанным MathWorks, т.е. командой MATLAB “pidtune”.Графики показывают, эффективность генетического алгоритма в условиях, когда не требуется большая оперативность перенастройки коэффициентов ПИД-контроллера kp, ki и kd, что, собственно, и имеет место в условиях функционирования складов большого объема, т.к. динамика температуры внутреннего объема инерционный и малодинамичный процесс.Рисунок 3.11 – Зависимость приведенной к уставке tin = 18С среднеквадратической погрешности регулирования по временной оси моделирования (дней) при использовании генетического алгоритма и запатентованным алгоритмом в частотной области, разработанным MathWorksТаким образом, ПИД-регулятор температурного режима в системе управления приточной вентиляцией и его частные случаи являются теоретическими идеализациями реальных регуляторов, поэтому для их практического воплощения необходимо учесть ограничения, накладываемые реальными условиями применения и технической реализации. Кроме этого, наличие в ПИД-регуляторе всего лишь трёх регулируемых параметров (K,Ti, Td) в ряде случаев оказывается недостаточным для получения заданного качества регулирования, особенно для систем с большой транспортной задержкой и для систем, в которых требуются одновременно высокое качество слежения за уставкой и высокое качество ослабления внешних возмущений, что компенсируется периодической перенастройкой регулятора.3.5. ВыводыС целью определения оптимальных параметров регулирования, проектирование и создания устройств микроавтоматики и обеспечения микроклимата в настоящей главе проведено моделирование отдельных аспектов функционирования системы автоматического управления приточной вентиляцией, таких как:- автоматическая ПИД-регулировка внутренней температуры в складском помещении в зависимости от изменения наружной температуры;- релейное управление автоматом включения исполнительного элемента и исследование вопросов нормирования потребления энергии складских сооружений.Коэффициент теплопередачи в системе нормирования приближенно учитывается при определении норм потребления по ограниченным расчетно-аналитическим методикам и опытным путем, с использованием сведений, полученных по ограниченному числу испытаний зданий и сооружений. Существующие методики нормирования, при обосновании количества энергоресурсов, необходимых и достаточных для обеспечения технологических процессов склада при заданных параметрах внутренней среды для хранения товаров не учитывают взаимосвязь электропотребления с изменением теплопроводности при изменении погодных условий. Представлены разомкнутая и замкнутая схемы регулирования внутренней температуры склада на основе адаптивного ПИД-регулятора, коэффициенты которого рассчитывается генетическим алгоритмом каждый раз при значительно изменении внешней температуры воздуха.Преимущество алгоритма коррекции генетическим алгоритмом перед классическим методом параметрической настройки PID-регуляторов составило порядка 10-13 % по среднеквадратической погрешности отработки внешних температурных возмущений, заданных ступенчатой функцией на интервале нескольких минут.4. РЕШЕНИЯ ПО ТЕХНИЧЕСКОМУ ОБЕСПЕЧЕНИЮ СИСТЕМЫ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ ПРИТОЧНОЙ ВЕНТИЛЯЦИЕЙ4.1. Требования к элементам системы автоматического управленияТребования к элементам системы автоматического управления температурой при функционировании приточной вентиляции задаются номенклатурой товаров и классом склада.Для складов класса А, предназначенных для хранения точных приборов, измерительной техники, электротехнических материалов, металлопроката (цветного) и определенных марок стали, требуется обеспечить стабильный диапазон температур. Системы вентиляции для таких складов проектируются с учетом:1) обеспечения требуемого отопления, т.к. точные приборы, измерительная техника, электротехнические материалы, металлопрокат и сталь чувствительны к изменениям температуры.2) теплоизоляции, чтобы минимизировать потери тепла и обеспечить стабильность температуры. Это включает хорошую изоляцию стен, потолка и пола, обеспечение герметичности дверей, окон.3) использованием вентиляторов, способных обновлять воздушные массы с определенной периодичностью. Это помогает поддерживать качество воздуха, предотвращать скопление влаги или загрязнений.Именно разработанная система стабилизации температуры в системе приточной вентиляции складского помещения позволяет обеспечить требования склада класса А.Номенклатура датчиков температуры достаточно разнообразна и для складов нет жестких критериев по показателям «точность-стоимость», поэтому некоторые примеры подходящих датчиков приведены в табл. 4.1.Таблица 4.1 – Датчики температуры№ п/пНаиме-нованиеСтепень защитыРабочее напряжениеТокТемпе-ратурный диапазонКонструктив1ДТ/КIP6650~ /12 / 75V0,5 мА-50...+95°СЭлемент Pt1000, Схема Двухпроводная, Материал гильзы медь, Кабель 2*0,5 мм², Фланец литье полипропилен2ДТ/НIP6650~ /12 / 75V0,5 мА-50...+110°СЭлемент Pt1000, Схема Двухпроводная, Материал гильзы медь, Крепление хомут + нержавеющее основание, Кабель 2*0,5 мм²3ДТ/УIP6650~ /12 / 75V0,5 мА-50...+95°СЭлемент Pt1000, Схема Двухпроводная, Материал корпуса литье полипропилен4ANENGIP6612V0,2 мА-10...+70°СМатериал корпуса АБС, размер платы 48x40 мм/2x1,6 дюйма5DS18B20 OriginalIP655V0,2 мА-55°C… +125°Cкорпус TO-92, на основе цифрового однокристального термометра DS18B20, встроенный уникальный номер датчика.Целесообразно использовать датчик DS18B20, использующий протокол интерфейса 1-Wire для обмена данными. Датчик может измерять температуру в достаточно широком диапазоне, от -55 до +125 с погрешностью 0,5 градусов по Цельсию. Датчик обладает встроенной перепрограммируемой уставкой (тревожным сигналом), которая позволяет использовать его в схеме автоматического регулирования уровня с ПИД-контроллером.Чтобы температура измерялась более точно, необходим дополнительный резистор на 100 Ом (рис. 4.1). Рисунок 4.1 – Схема для двухпроводного «паразитного» подключения питания датчика температурыДатчик температуры DS18B20 TO-92 подключается к плате Ардуино.В сфере автоматизации лидирующие позиции занимают схемы, построенные на микроконтроллерах или логических элементах, в том числе программируемых. На них проще и быстрее заставить «железо» выполнять заданный алгоритм, а габариты устройства будут в разы меньше, чем аналогичные на электромеханических реле или дискретных электронных компонентах. Платы Arduino любой серии представляют собой не только плату с микроконтроллером и обвязкой, на них разведены контакты, на которые смонтированы выводы микроконтроллера, а к этим контактам припаяны так называемые гребёнки. К ним с помощью перемычек с разъёмами и штекерами подключаются исполнительные устройства и датчики системы автоматического управления приточной вентиляцией.Для работы с платой, датчиками и исполнительными элементами системы управления приточной вентиляции на персональный компьютер устанавливается Arduino IDE, собирается схема, пишется или скачивается готовый скетч и загружается в микроконтроллер по USB (рис. 4.2).Рисунок 4.2 – Плата Arduino R3 и упрощенная функциональная схема ее подключения при программировании и сборке системы стабилизации температуры в системе приточной вентиляцииВ качестве исполнительных органов регулирования температуры в системеавтоматического управления приточной вентиляцией в настоящей работе выбраны:1) блок реле для Arduino, который может управлять сразу 5-ю силовыми линиями. На каждую силовую линию подключен электрический обогреватель и агрегаты принудительной вентиляции вида (рис. 4.3).Рисунок 4.3 – Примеры вентиляторов принудительной вентиляции складов2) сервопривод элемента проветривания SG90 – т.е. снижения температуры (рис. 4.4).Рисунок 4.4 – Сервопривод SG90 для управления рамами остекления в системе авто-проветриванияОсновными параметрами при выборе сервопривода, в системе принудительной вентиляции, является: 1) вес передвигаемой части не больше 1кг; 2) напряжение питания от 5в то 12в; 3) скорость срабатывания и доведения до 60° примерно 0,2 секунды; 4) угол поворота около 90°.Чтобы отслеживать состояние и визуализации процессов контроля температуры, необходимо применять ЖК – дисплей, позволяющий отображать достаточное количество строк и столбцов, которое понадобится для использования в процессе, например LCD - дисплей с 16-ю контактами под названием WH-1602B3-NYG-CW (рис. 4.5).Рисунок 4.5 – Текстовый LCD-дисплей WH-1602B3-NYG-CWДисплей способен поддерживать два вида вариаций параллельного типа интерфейса – 8-ми и 4-х битный интерфейс.4.2. Функциональная схема автоматизацииВ качестве функциональной схемы разработана схема коррекции коэффициентов регулирования типа « offline» (рис. 4.6), которая подразумевает предварительное экспериментирование с реальным объектом или его моделью, в ходе которого в отложенном режиме находятся оптимальные коэффициенты регулирования, а затем имея в памяти контроллера схему соответствия «внешняя температура воздуха – оптимальные коэффициенты регулирования» для каждого значения уставки (например, с шагом 1 градус) не составляет труда применить оптимальные настройки по результатам распознавания условий в процессе продува воздуха принудительной системы вентиляции на складе.Рисунок 4.6 – Функциональная схема автоматизации регулирования параметров воздушной среды складского помещения в режиме offline – режим накопления измерительных данных и сведений об оптимальных настройках для каждого типа возмущений внешней средыНа рис. 4.6 обозначены: G(t) – уставка по внутренней температуре склада (может изменяться во времени. В зависимости от номенклатуры хранения), U – управляющее воздействие, вырабатываемое ПИД-контроллером, Y – управляющее воздействие, вырабатываемое исполнительным механизмом.Для применения оптимальных настроек, найденных с помощью генетического алгоритма уже не нужен соответствующий настроечный блок (рис. 4.7).В место него используется блок распознавания параметров условий внешней среды (температуры наружного воздуха), по которым в типовой таблице соответствия находятся оптимальные коэффициенты ПИД-регулятора.Технически, данная таблица соответствия или база данных, может быть записанной на борту в ПЗУ платы контроллера. Рисунок 4.7 – Общая схема регулирования с использованием сведений об оптимальных настройках для каждого типа возмущений внешней среды, полученных offlineВ настоящей работе исследован режим настроек ПИД-регулятора типа «offline», который обладает еще одним достоинством. В этом режиме применение ГА связано с отсутствием проблем со сходимостью и устойчивостью, и при этом генетические алгоритмы могут использоваться совместно с нейронными сетями, рассмотренными в главе 2.Собственно, процедура адаптации коэффициентов PID-регулятора для контроля параметров стабилизации температуры внутреннего воздуха на основе генетического алгоритма заключается в реализации следующей последовательности:1. Получение начальных приближенных настроек PID-регулятора одним из распространённых методов, обеспечивающих оперативность расчетов при запуске системы вентиляции.2. Измерения и регистрация внешней температуры, соотнесение ее значений с данными строк таблицы соответствия и определение оптимальных, (синтезированных генетическим алгоритмом заранее, до запуска системы вентиляции, т.е. «offline») коэффициентов регулирования PID-контроллера.3. Назначение настроек регулятору, повторение шагов 1-3 с интервалом дискретизации определяемым временем постоянной управления температурой внутреннего объема в процессе его обновления за счет внешней среды.В режиме «offline» генетическая оптимизация значений коэффициентов и их применение разделены во времени,при этом алгоритм предполагает такую организацию целенаправленного поиска, при которой с учетом получаемых в процессе поиска результатов вносятся изменения в параметры процедуры поиска.Таким образом, управление поиском осуществляется за счет изменения вероятности назначения единиц в зависимости от получаемых невязок. Естественно, можно отказаться от управления поиском, сохраняя эту вероятность неизменной на всех малых шагах. Возможно также введение других механизмов управления, эффективность этой или иной организации поиска проверяется методом статистических испытаний.Длительность рассматриваемого процесса определяется введенным машинным временем или определенным правилом остановки, связанным с оценкой степени приближения к глобальному экстремуму.4.3. Структурная схема комплекса технических средствСтруктурная схема комплекса технических средств иллюстрирована на рис. 4.8, где контур регулирования температуры выделен красным.Рисунок 4.8 – Структурная схема комплекса технических средств регулирования параметров воздушной среды складского помещенияПри этом алгоритм перехода с ручного на автоматическое ПИД-регулирование и обратно представлен на рис. 4.9. Инструментом принудительного переключения является обычная кнопка типа геркон, подключенная к контроллеру, но выведенная во вне, для удобства пользования обслуживающим персоналом.Рисунок 4.9 – Алгоритм перехода с ручного на автоматическое ПИД-регулирование и обратноАналогично контуру регулирования по температуре, может быть организована система управления влажностью и концентрацией углекислого газа, т.к. те-же органы управления влияют на данные параметры. Но с другими передаточными числами.4.4. ВыводыВ результате проведенных исследований, в рамках 4-й главы решены следующие задачи:1. Установлено, что требования к элементам системы автоматического управления параметрами микроклимата складских сооружений определяются номенклатурой товаров и классом склада. разработанная система стабилизации температуры в системе приточной вентиляции складского помещения позволяет обеспечить требования склада класса А, на котором возможна организация хранения точных приборов, измерительной техники, электротехнических материалов, металлопроката (цветного) и определенных марок стали.2. В качестве аппаратного обеспечения системы регулирования температуры в системе автоматического управления приточной вентиляцией складского помещения определён контроллер Arduino, позволяющий запрограммировать ПИД-контроллер и контроллеры средств управления параметрами жизнеобеспечения воздушной среды с помощью вентиляторов обогрева, перемешивания воздушных масс и средств механизации воздухозабора из внешней среды.3. Определена номенклатура датчико-преобразующей аппаратуры и исполнительных механизмов, разработаны структурная и функциональная схема автоматизации процесса ПИД-регулирования с подстройкой коэффициентов генетическим алгоритмом, а также алгоритм взаимодействия ручного и автоматического регулирования температуры в системе приточной вентиляцией для складских помещений.ЗАКЛЮЧЕНИЕВ результате проведенных исследований в настоящей выпускной квалификационной работе решены следующие задачи: 1. Проанализированы особенности процесса управления и основные конструктивные и технологические характеристики приточной вентиляцией складских помещений. Воздушная среда складского помещения в условиях обновления воздушных масс с внешней средой, характеризуется множеством нелинейно связанных параметров и при изменении одной переменной происходит, как правило неконтролируемое изменение другого параметра. Аналитически установить подобную связь для каждого склада не представляется возможным, поэтому в работе сделан акцент на регулировании температуры внутреннего объёма помещений склада. 2. Анализ проблематики стабилизации температуры проведен в контексте управления с применением ПИД-регуляторов в нестационарных условиях внешней температуры, при воздухозаборе из вне. Показано, что ПИД-регулятор с фиксированными настройками не способен адаптироваться под изменяющиеся условия такой нелинейной и нестационарной системы, а следовательно – гарантированно обеспечивать стабильность температуры помещений склада. Решением проблемы явилась динамическая коррекция настроек регулятора (коэффициентов ПИД-контроллера) в зависимости от изменений внешней температуры воздуха.3. Среди множества методов динамической коррекции выбран генетический алгоритм, позволяющий получать решения близкие к оптимальным в условиях функций полезности многоэкстремального типа. При этом, в силу невозможности организации оперативного функционирования генетического алгоритмав режиме воздухообмена, в настоящей работе принято использовать схему «off line».4. В системе MATLAB/Simulink разработаны схемы регулирования, а проведенные анализ и интерпретация результатов экспериментального сравнение качества регулирования генетическим алгоритмом и классическим методом параметрической настройки PID-регуляторов показал преимущество первого порядка 10-13% по среднеквадратической погрешности отработки внешних температурных возмущений, заданных ступенчатой функцией на интервале нескольких минут.5. Систематизированы требования к элементам системы автоматического управления, выбрана комплектация датчико-преобразующей аппаратуры и исполнительных устройств для контура регулирования системы приточной вентиляции по температуре. Разработаны структурная и функциональная схема автоматизации процесса, а также алгоритм взаимодействия ручного и автоматического регулирования температуры в системе приточной вентиляцией для складских помещений.СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВКраснов, Ю. С., Борисоглебская А. П., Антипов А. В. Системы вентиляции и кондиционирования. рекомендации по проектированию, испытаниям и наладке /Ю. С. Краснов, А. П. Борисоглебская, А. В. Антипов. - М.: Термокул, 2004. – 379 с.Автоматизация систем вентиляции и кондиционирования воздуха / Е.С. Бондарь, Б.К. Пажин, С.В. Троегубов и др.; под ред. Е.С. Бондаря. - К.: «Аванпост-Прим», 2005. – 816 с.Беккер, А. Системы вентиляции / А. Беккер. - М: Техносфера, Евроклимат, 2020. – 232 с.Юрлов С.П. Нестандартные подходы к реализации процессов управления вентиляционными установками: учебник для вузов / С.П. Юрлов. – СПб.: Питер, 2011. – 150 с.Веремей Е. И., Линейные системы с обратной связью: Учебное пособие. 2013. – С. 372-384.System Design, Modeling, and Simulation Using Ptolemy II / ed. by C. Ptolemaeus. Ptolemy.org, 2022. – 117p.Eshkavilov S. L. MATLAB & Simulink Essentials: MATLAB & Simulink for Engineering Problem Solving and Numerical Analysis. Lulu Publishing, 2021. – 325p.Klee H., Allen R. Simulation of Dynamic Systems with MATLAB and Simulink. CRC Press, 2023. – 231p.Бобцов А.А., Пыркин А.А. Адаптивное и робастное управление с компенсацией неопределенностей // СПб.: НИУ ИТМО, 2013. – 135 c.Shahrokhi M., Zomorrodi A. Comparison of PID controller tuning methods [Электронныйресурс]. 2012. URL: http://www.ie.itcr.ac.cr/einteriano/control/clase/Zomorrodi_Shahrokhi_PID_tunning_comparison.pdf (дата обращения: 02.05.2024).Мелков Д.А. Сравнение методов настройки ПИД-регулятора при колебаниях параметров возмущающего воздействия // Молодой ученый. – 2013. - №4. – С. 72–76.Ростовцев В. С. Искусственные нейронные сети. 4-е изд. – СПб.: Лань. 2024. – 216 с.Бишоп К. М. Распознавание образов и машинное обучение: Пер. с англ. – СПб.: ООО "Диалектика", 2020. – 960 с.Pedro Latorre Carmona, J. Salvador Sanchez Ana L.N. Fred. Mathematical Methodologies in Pattern Recognition and Machine Learning. Springer Proceedings in Mathematics & Statistics. Vol.30. 2022. – 200 p.Микелуччи У. Прикладное глубокое обучение. Подход к пониманию глубоких нейронных сетей на основе метода кейсов: Пер. с англ. – СПб.: БХВ-Петербург, 2020. – 368 с.Аггарвал Ч. Нейронные сети и глубокое обучение / Пер. с англ. – СПб.: ООО «Диалектика», 2020. – 752 с.Романов П. С. Системы искусственного интеллекта. Моделирование нейронных сетей в системе MATLAB. – СПб.: Лань, 2022. – 140 с.Яхъева Г. Э. Нечёткие множества и нейронные сети. - М.: ИНТУИТ; АйПиАр Медия. 2020. – 315 с.Лекун Я. Как учится машина. Революция в области нейронных сетей и глубокого обучения. Пер. с фр. - М.: «Альпина ПРО», 2021. – 400 с.Шай Шалев-Шварц, Шай Бен-Давид. Идеи машинного обучения от теории к алгоритмам / пер. с англ. А. А. Слинкина. – М.: ДМК Пресс, 2019. – 436 с.Данилов В.В. Нейронные сети. - Донецк: ДонНУ, 2020. 158 с.Сюй Алекс, Аминиан Али. SystemDesign. Машинное обучение. Подготовка к сложному интервью. – СПб.: Питер, 2024. – 320 с.Фостер Д. Генеративное глубокое обучение. Творческий потенциал нейронных сетей. - СПб.: Питер, 2020. – 336 с.Farabet C., Couprie C., Najman L., LeCun Y. Learning hierarchical features for scene labeling, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2023, 8 (35), p. 1915–1929.Соробин, А.Б. Сверточные нейронные сети: примеры реализаций. — М.: МИРЭА – Российский технологический университет, 2020. – 159 с.Лакшманан, В. Машинное обучение. Паттерны проектирования: Пер. с англ./ В. Лакшманан, С. Робинсон, М. Мунн. - СПб.: БХВ-Петербург, 2022. – 448 с.