Музокара – коммуникациянинг энг муҳим шаклларидан бири, баҳсли масалаларни ечишнинг самарали методи ва шу билан бирга билишнинг ўзига хос усулидир. Музокара қандайдир масалани ёки ўзаро боғланган масалалар гуруҳини компетентли одамлар томонидан ўзаро қабул қилиниши мумкин бўлган ечимга эришиш мақсадида муҳокама қилишни назарда тутади [1].

Музокара – коммуникациянинг энг муҳим шаклларидан бири, баҳсли масалаларни ечишнинг самарали методи ва шу билан бирга билишнинг ўзига хос усулидир. Музокара қандайдир масалани ёки ўзаро боғланган масалалар гуруҳини компетентли одамлар томонидан ўзаро қабул қилиниши мумкин бўлган ечимга эришиш мақсадида муҳокама қилишни назарда тутади [1].

По уровню автоматизации теплоэнергетика занимает одно из ведущих мест среди других отраслей промышленности, так как имеющиеся здесь установки характеризуется сложностью и непрерывностью протекающих в них процессов. Здесь отсутствует возможность складирования готовой продукции, а выработка тепловой и электрической энергии в любой момент должна соответствовать потреблению. Технологические процессы отличаются высокими параметрами рабочей среды, требованиями к точности их регулирования, а также наличием собственного источника энергии и является той областью науки и техники, где постоянно находят применение новые методы теории и технические средства автоматического управления [1].

По уровню автоматизации теплоэнергетика занимает одно из ведущих мест среди других отраслей промышленности, так как имеющиеся здесь установки характеризуется сложностью и непрерывностью протекающих в них процессов. Здесь отсутствует возможность складирования готовой продукции, а выработка тепловой и электрической энергии в любой момент должна соответствовать потреблению. Технологические процессы отличаются высокими параметрами рабочей среды, требованиями к точности их регулирования, а также наличием собственного источника энергии и является той областью науки и техники, где постоянно находят применение новые методы теории и технические средства автоматического управления [1].

По уровню автоматизации теплоэнергетика занимает одно из ведущих мест среди других отраслей промышленности, так как имеющиеся здесь установки характеризуется сложностью и непрерывностью протекающих в них процессов. Здесь отсутствует возможность складирования готовой продукции, а выработка тепловой и электрической энергии в любой момент должна соответствовать потреблению. Технологические процессы отличаются высокими параметрами рабочей среды, требованиями к точности их регулирования, а также наличием собственного источника энергии и является той областью науки и техники, где постоянно находят применение новые методы теории и технические средства автоматического управления [1].

Алюминий (лат. Aluminium, от alumen – квасцы) – химический элемент III гр. периодической системы, атомный номер 13, атомная масса 26,98154. Серебристо-белый металл, легкий, пластичный, с высокой электропроводностью, tпл = 660С. Химически активен (на воздухе покрывается защитной оксидной пленкой).

Алюминий (лат. Aluminium, от alumen – квасцы) – химический элемент III гр. периодической системы, атомный номер 13, атомная масса 26,98154. Серебристо-белый металл, легкий, пластичный, с высокой электропроводностью, tпл = 660С. Химически активен (на воздухе покрывается защитной оксидной пленкой).

Алюминий (лат. Aluminium, от alumen – квасцы) – химический элемент III гр. периодической системы, атомный номер 13, атомная масса 26,98154. Серебристо-белый металл, легкий, пластичный, с высокой электропроводностью, tпл = 660С. Химически активен (на воздухе покрывается защитной оксидной пленкой).

В последнее время при создании систем автоматического управления сложными динамическими объектами нейросетевые технологии начинают играть заметную роль. Для сложных объектов, как известно, характерны отсутствие точных математических моделей, высокая размерность пространства состояний, многообразие критериев качества, высокий уровень шумов и внешних возмущений. То обстоятельство, что параметры нейросетевых систем могут подстраиваться в реальном времени с учетом входных и выходных данных, указывает на то, что они могут использоваться с составе интеллектуальных систем управления, обеспечивая высокое качество функционирования этих систем в условиях существенной неопределенности информации об объекте управления и внешней среде [1,2]. Основной этап проектирования связан с выбором структуры системы и типа нейросетевой системы, обеспечивающих достижение поставленных перед системой автоматического управления целей. В качестве критерия синтеза структуры системы автоматического управления выбран принцип минимальной сложности: среди всех возможных алгоритмов управления, обеспечивающих выполнение заданных требований, выбрать наиболее простые. Следует подчеркнуть, что использование нейронных сетей в системах автоматического управления оказывается оправданным лишь в тех случаях, когда применение традиционных алгоритмов не дает желаемого результата, то есть спроектированная система оказывается неработоспособной в силу значительной сложности (нелинейность, неопределенность, разброс параметров) систем управления.

В последнее время при создании систем автоматического управления сложными динамическими объектами нейросетевые технологии начинают играть заметную роль. Для сложных объектов, как известно, характерны отсутствие точных математических моделей, высокая размерность пространства состояний, многообразие критериев качества, высокий уровень шумов и внешних возмущений. То обстоятельство, что параметры нейросетевых систем могут подстраиваться в реальном времени с учетом входных и выходных данных, указывает на то, что они могут использоваться с составе интеллектуальных систем управления, обеспечивая высокое качество функционирования этих систем в условиях существенной неопределенности информации об объекте управления и внешней среде [1,2]. Основной этап проектирования связан с выбором структуры системы и типа нейросетевой системы, обеспечивающих достижение поставленных перед системой автоматического управления целей. В качестве критерия синтеза структуры системы автоматического управления выбран принцип минимальной сложности: среди всех возможных алгоритмов управления, обеспечивающих выполнение заданных требований, выбрать наиболее простые. Следует подчеркнуть, что использование нейронных сетей в системах автоматического управления оказывается оправданным лишь в тех случаях, когда применение традиционных алгоритмов не дает желаемого результата, то есть спроектированная система оказывается неработоспособной в силу значительной сложности (нелинейность, неопределенность, разброс параметров) систем управления.

В последнее время при создании систем автоматического управления сложными динамическими объектами нейросетевые технологии начинают играть заметную роль. Для сложных объектов, как известно, характерны отсутствие точных математических моделей, высокая размерность пространства состояний, многообразие критериев качества, высокий уровень шумов и внешних возмущений. То обстоятельство, что параметры нейросетевых систем могут подстраиваться в реальном времени с учетом входных и выходных данных, указывает на то, что они могут использоваться с составе интеллектуальных систем управления, обеспечивая высокое качество функционирования этих систем в условиях существенной неопределенности информации об объекте управления и внешней среде [1,2]. Основной этап проектирования связан с выбором структуры системы и типа нейросетевой системы, обеспечивающих достижение поставленных перед системой автоматического управления целей. В качестве критерия синтеза структуры системы автоматического управления выбран принцип минимальной сложности: среди всех возможных алгоритмов управления, обеспечивающих выполнение заданных требований, выбрать наиболее простые. Следует подчеркнуть, что использование нейронных сетей в системах автоматического управления оказывается оправданным лишь в тех случаях, когда применение традиционных алгоритмов не дает желаемого результата, то есть спроектированная система оказывается неработоспособной в силу значительной сложности (нелинейность, неопределенность, разброс параметров) систем управления.

В последнее время при создании систем автоматического управления сложными динамическими объектами нейросетевые технологии начинают играть заметную роль. Для сложных объектов, как известно, характерны отсутствие точных математических моделей, высокая размерность пространства состояний, многообразие критериев качества, высокий уровень шумов и внешних возмущений. То обстоятельство, что параметры нейросетевых систем могут подстраиваться в реальном времени с учетом входных и выходных данных, указывает на то, что они могут использоваться с составе интеллектуальных систем управления, обеспечивая высокое качество функционирования этих систем в условиях существенной неопределенности информации об объекте управления и внешней среде [1,2]. Основной этап проектирования связан с выбором структуры системы и типа нейросетевой системы, обеспечивающих достижение поставленных перед системой автоматического управления целей. В качестве критерия синтеза структуры системы автоматического управления выбран принцип минимальной сложности: среди всех возможных алгоритмов управления, обеспечивающих выполнение заданных требований, выбрать наиболее простые. Следует подчеркнуть, что использование нейронных сетей в системах автоматического управления оказывается оправданным лишь в тех случаях, когда применение традиционных алгоритмов не дает желаемого результата, то есть спроектированная система оказывается неработоспособной в силу значительной сложности (нелинейность, неопределенность, разброс параметров) систем управления.

В последнее время при создании систем автоматического управления сложными динамическими объектами нейросетевые технологии начинают играть заметную роль. Для сложных объектов, как известно, характерны отсутствие точных математических моделей, высокая размерность пространства состояний, многообразие критериев качества, высокий уровень шумов и внешних возмущений. То обстоятельство, что параметры нейросетевых систем могут подстраиваться в реальном времени с учетом входных и выходных данных, указывает на то, что они могут использоваться с составе интеллектуальных систем управления, обеспечивая высокое качество функционирования этих систем в условиях существенной неопределенности информации об объекте управления и внешней среде [1,2]. Основной этап проектирования связан с выбором структуры системы и типа нейросетевой системы, обеспечивающих достижение поставленных перед системой автоматического управления целей. В качестве критерия синтеза структуры системы автоматического управления выбран принцип минимальной сложности: среди всех возможных алгоритмов управления, обеспечивающих выполнение заданных требований, выбрать наиболее простые. Следует подчеркнуть, что использование нейронных сетей в системах автоматического управления оказывается оправданным лишь в тех случаях, когда применение традиционных алгоритмов не дает желаемого результата, то есть спроектированная система оказывается неработоспособной в силу значительной сложности (нелинейность, неопределенность, разброс параметров) систем управления.

В последнее время при создании систем автоматического управления сложными динамическими объектами нейросетевые технологии начинают играть заметную роль. Для сложных объектов, как известно, характерны отсутствие точных математических моделей, высокая размерность пространства состояний, многообразие критериев качества, высокий уровень шумов и внешних возмущений. То обстоятельство, что параметры нейросетевых систем могут подстраиваться в реальном времени с учетом входных и выходных данных, указывает на то, что они могут использоваться с составе интеллектуальных систем управления, обеспечивая высокое качество функционирования этих систем в условиях существенной неопределенности информации об объекте управления и внешней среде [1,2]. Основной этап проектирования связан с выбором структуры системы и типа нейросетевой системы, обеспечивающих достижение поставленных перед системой автоматического управления целей. В качестве критерия синтеза структуры системы автоматического управления выбран принцип минимальной сложности: среди всех возможных алгоритмов управления, обеспечивающих выполнение заданных требований, выбрать наиболее простые. Следует подчеркнуть, что использование нейронных сетей в системах автоматического управления оказывается оправданным лишь в тех случаях, когда применение традиционных алгоритмов не дает желаемого результата, то есть спроектированная система оказывается неработоспособной в силу значительной сложности (нелинейность, неопределенность, разброс параметров) систем управления.

В последнее время при создании систем автоматического управления сложными динамическими объектами нейросетевые технологии начинают играть заметную роль. Для сложных объектов, как известно, характерны отсутствие точных математических моделей, высокая размерность пространства состояний, многообразие критериев качества, высокий уровень шумов и внешних возмущений. То обстоятельство, что параметры нейросетевых систем могут подстраиваться в реальном времени с учетом входных и выходных данных, указывает на то, что они могут использоваться с составе интеллектуальных систем управления, обеспечивая высокое качество функционирования этих систем в условиях существенной неопределенности информации об объекте управления и внешней среде [1,2]. Основной этап проектирования связан с выбором структуры системы и типа нейросетевой системы, обеспечивающих достижение поставленных перед системой автоматического управления целей. В качестве критерия синтеза структуры системы автоматического управления выбран принцип минимальной сложности: среди всех возможных алгоритмов управления, обеспечивающих выполнение заданных требований, выбрать наиболее простые. Следует подчеркнуть, что использование нейронных сетей в системах автоматического управления оказывается оправданным лишь в тех случаях, когда применение традиционных алгоритмов не дает желаемого результата, то есть спроектированная система оказывается неработоспособной в силу значительной сложности (нелинейность, неопределенность, разброс параметров) систем управления.

В последнее время при создании систем автоматического управления сложными динамическими объектами нейросетевые технологии начинают играть заметную роль. Для сложных объектов, как известно, характерны отсутствие точных математических моделей, высокая размерность пространства состояний, многообразие критериев качества, высокий уровень шумов и внешних возмущений. То обстоятельство, что параметры нейросетевых систем могут подстраиваться в реальном времени с учетом входных и выходных данных, указывает на то, что они могут использоваться с составе интеллектуальных систем управления, обеспечивая высокое качество функционирования этих систем в условиях существенной неопределенности информации об объекте управления и внешней среде [1,2]. Основной этап проектирования связан с выбором структуры системы и типа нейросетевой системы, обеспечивающих достижение поставленных перед системой автоматического управления целей. В качестве критерия синтеза структуры системы автоматического управления выбран принцип минимальной сложности: среди всех возможных алгоритмов управления, обеспечивающих выполнение заданных требований, выбрать наиболее простые. Следует подчеркнуть, что использование нейронных сетей в системах автоматического управления оказывается оправданным лишь в тех случаях, когда применение традиционных алгоритмов не дает желаемого результата, то есть спроектированная система оказывается неработоспособной в силу значительной сложности (нелинейность, неопределенность, разброс параметров) систем управления.

В последнее время при создании систем автоматического управления сложными динамическими объектами нейросетевые технологии начинают играть заметную роль. Для сложных объектов, как известно, характерны отсутствие точных математических моделей, высокая размерность пространства состояний, многообразие критериев качества, высокий уровень шумов и внешних возмущений. То обстоятельство, что параметры нейросетевых систем могут подстраиваться в реальном времени с учетом входных и выходных данных, указывает на то, что они могут использоваться с составе интеллектуальных систем управления, обеспечивая высокое качество функционирования этих систем в условиях существенной неопределенности информации об объекте управления и внешней среде [1,2]. Основной этап проектирования связан с выбором структуры системы и типа нейросетевой системы, обеспечивающих достижение поставленных перед системой автоматического управления целей. В качестве критерия синтеза структуры системы автоматического управления выбран принцип минимальной сложности: среди всех возможных алгоритмов управления, обеспечивающих выполнение заданных требований, выбрать наиболее простые. Следует подчеркнуть, что использование нейронных сетей в системах автоматического управления оказывается оправданным лишь в тех случаях, когда применение традиционных алгоритмов не дает желаемого результата, то есть спроектированная система оказывается неработоспособной в силу значительной сложности (нелинейность, неопределенность, разброс параметров) систем управления.

В последнее время при создании систем автоматического управления сложными динамическими объектами нейросетевые технологии начинают играть заметную роль. Для сложных объектов, как известно, характерны отсутствие точных математических моделей, высокая размерность пространства состояний, многообразие критериев качества, высокий уровень шумов и внешних возмущений. То обстоятельство, что параметры нейросетевых систем могут подстраиваться в реальном времени с учетом входных и выходных данных, указывает на то, что они могут использоваться с составе интеллектуальных систем управления, обеспечивая высокое качество функционирования этих систем в условиях существенной неопределенности информации об объекте управления и внешней среде [1,2]. Основной этап проектирования связан с выбором структуры системы и типа нейросетевой системы, обеспечивающих достижение поставленных перед системой автоматического управления целей. В качестве критерия синтеза структуры системы автоматического управления выбран принцип минимальной сложности: среди всех возможных алгоритмов управления, обеспечивающих выполнение заданных требований, выбрать наиболее простые. Следует подчеркнуть, что использование нейронных сетей в системах автоматического управления оказывается оправданным лишь в тех случаях, когда применение традиционных алгоритмов не дает желаемого результата, то есть спроектированная система оказывается неработоспособной в силу значительной сложности (нелинейность, неопределенность, разброс параметров) систем управления.

В последнее время при создании систем автоматического управления сложными динамическими объектами нейросетевые технологии начинают играть заметную роль. Для сложных объектов, как известно, характерны отсутствие точных математических моделей, высокая размерность пространства состояний, многообразие критериев качества, высокий уровень шумов и внешних возмущений. То обстоятельство, что параметры нейросетевых систем могут подстраиваться в реальном времени с учетом входных и выходных данных, указывает на то, что они могут использоваться с составе интеллектуальных систем управления, обеспечивая высокое качество функционирования этих систем в условиях существенной неопределенности информации об объекте управления и внешней среде [1,2]. Основной этап проектирования связан с выбором структуры системы и типа нейросетевой системы, обеспечивающих достижение поставленных перед системой автоматического управления целей. В качестве критерия синтеза структуры системы автоматического управления выбран принцип минимальной сложности: среди всех возможных алгоритмов управления, обеспечивающих выполнение заданных требований, выбрать наиболее простые. Следует подчеркнуть, что использование нейронных сетей в системах автоматического управления оказывается оправданным лишь в тех случаях, когда применение традиционных алгоритмов не дает желаемого результата, то есть спроектированная система оказывается неработоспособной в силу значительной сложности (нелинейность, неопределенность, разброс параметров) систем управления.

Исследование влияния профиля кулачка в механизме газораспределения (МГР) двигателя внутреннего сгорания при одинаковых подъеме клапана и угле действия на время-сечение клапанной щели, максимальную нагрузку на элементы привода клапана, на характеристику пружинного узла, а также на уровень искажения закона движения за счет резонансных колебаний упругомассовой системы механизма газораспределения одинаковой компоновки.