Программные продукты и системы

Введение. Внимание исследователей привлекают фундаментальные проблемы строения материи, связанные с возникновением Вселенной, и особенно физические процессы, происходившие после так называемого большого взрыва. С целью их изучения в Объединенном институте ядерных исследований (г. Дубна) создается ионный коллайдер (Nuclotron-Based Ion Collider Facility, NICA) на энергию 4÷11 ГэВ  на нуклон. Этот мегапроект ставит перед его участниками беспрецедентные задачи квантовой релятивистской физики, связанные с исследованием кварк-глюонной плазмы вблизи точки фазового перехода ядерной материи. Математическая и физическая модели объекта управления (ОУ) относятся к так называемым слабо формализованным, а корректное определение динамики объекта и управления им требует привлечения новых информационных технологий и методов интеллектуального управления [1, 2], позволяющих компенсировать неполное знание свойств объекта соответствующей спроектированной базой знаний (БЗ) в системе управления [3].

Некоторые обстоятельства мешают достижению устойчивого управления сложных экспериментальных установок: 1) эффект несохранения постоянства физических свойств ряда систем в течение сеанса работы ускорительного комплекса, особенно от сеанса к сеансу, что требует затрат ресурсов на исследование причин и настройку режимов функционирования; 2) изменение компоновки установки (замена элементов, реконфигурация и реинжиниринг структуры); 3) работа в различных существенно отличающихся режимах, что требует исследования и учета индивидуальных характеристик каждого режима. Перечисленные факторы и их особенности предопределяют скрытность (ненаблюдаемость) и недоопределенность параметров физических и математических моделей. Отсутствие информации о приведенных обстоятельствах должно учитываться в БЗ интеллектуальных регуляторов системы управления. Сквозные информационные технологии позволяют спроектировать иерархические интеллектуальные системы управления (ИСУ), позволяющие перераспределить степень ответственности принятия решения в зависимости от динамически изменяющейся ситуации.

Необходимо разработать и внедрить в эксплуатацию ИСУ с соответствующей БЗ, позволяющей компенсировать отсутствие информации о математической модели ОУ. Формиро- вание БЗ осуществляется на основе извлечения знаний из обучающего сигнала. Он получен путем измерения реального сигнала с физического ОУ и содержит необходимую информацию о важных качественных особенностях требуемого физического поведения ОУ. Получить сигнал обучения без использования математической модели ОУ позволяет применение генетического алгоритма (ГА). Система предназначена для интерактивного моделирования, обучения и анализа систем управления с использованием технологии интеллектуальных мягких вычислений (ГА и нечетких нейронных сетей) в виде оптимизатора БЗ на мягких вычислениях SCOptKBTM [4, 5].

Данный подход основан на решении следующих задач: извлечение объективных знаний из обучающего сигнала, построение оптимальной структуры нечетких нейронных сетей для формирования оптимальных видов и параметров функций принадлежностей лингвистических переменных в узлах этих сетей и оптимального количества их внутренних слоев для реализации глубокого машинного обучения, построение БЗ для нечеткого регулятора на  основе извлеченных знаний, решение задачи  о глобальной робастности интеллектуальной системы на основе квантовых вычислений. Инструментарий оптимизатора БЗ SCOptKBTM позволяет реализовать теорему об универсальном аппроксиматоре, согласно которой БЗ нечеткого регулятора содержит конечное число продукционных правил и учитывает все качественные свойства недоопределенной моде- ли ОУ и компенсацию неизвестных (скрытых) свойств за счет конечного числа продукционных правил БЗ. Оптимизатор SCOptKBTM, по- строенный на трех ГА, позволяет получить  оптимальную структуру нечетких нейронных сетей. Оптимизатор БЗ на квантовых вычислениях дает возможность построить в реальном времени робастную БЗ квантового регулятора на основе реакции БЗ нечеткого регулятора без их изменения.

Структура ИСУ ускорительного комплекса ионного коллайдера

Основой для реализации программной части системы управления ускорительного комплекса ионного коллайдера является TANGO Controls [6, 7]. Это современная АСУ, основанная на CORBA, которая активно развивается в европейских ускорительных организациях в течение последних десяти лет. Ее основная концепция – предоставить единообразие в управлении всеми приборами и подсистемами (в том числе классическими ПИД-регуляторами). Системы управления на основе TANGO Controls позво- ляют создавать распределенные системы уп- равления любой иерархической сложности. На структуре такой системы управления (http:// www.swsys.ru/uploaded/image/2025-4/14.jpg) показаны потоки данных для адаптации и обучения ИСУ, встраиваемые программные контроллеры и интерфейсы программного инструментария.

Вычислительная система ускорительного комплекса, построенная на базе технологий TANGO Controls, реализует простую и быструю разработку интерфейсов, сторонних приложений и их развертывание. Однако базовые решения TANGO Controls не поддерживают технологии интеллектуального робастного уп- равления на основе квантовых и мягких вычислений. Вследствие этого операторы экспе- риментального оборудования не обеспечены  соответствующим инструментарием, позволяющим вводить дополнительные качества управ- ления: адаптацию, обучение, самоорганизацию в систему управления элементами ускорительного комплекса.

Представленная разработка зарубежных  и отечественных аналогов не имеет.

Система азотного охлаждения  экспериментального стенда

В качестве примера внедрения встраиваемых ИСУ на основе интеллектуальных регуляторов рассмотрим задачу поддержания постоянного уровня и давления в сборнике жидкого азота на экспериментальной установке, предназначенной для контроля изготавливаемых сверхпроводящих магнитов комплекса. С помощью управления вентилем подачи азота необходимо регулировать давление и расход азота в сборнике, ориентируясь на соответствующие датчики [8]. При этом состояние сверхпроводимости обмотки магнита следует поддерживать в точке равновесия допустимого диапазона изменения тока, температуры и магнитного поля. На рисунке 1 представлена упрощенная структурная схема контура азотного охлаждения испытательного стенда.

Целью управления является проверка поддержания устойчивого состояния уровня давления в азотном сборнике, действующего на температуру обмотки магнита в состоянии сверхпроводимости, которое необходимо удерживать в точке равновесия допустимого диапазона изменения тока, температуры и магнитного поля.

Эффективность прокачки, охлаждения магнитного элемента и поддержания режима сверх- проводимости зависит также от давления в системе охлаждения и от уровня азота в сборнике. При этом необходимо учитывать увеличение  и уменьшение расхода азота в процессе нагревания и охлаждения магнитного элемента  с учетом заложенной неточности исполнительного элемента (вентиля).

На рисунке 2 представлен контур управления нижнего уровня, реализованный в виде ПИД-регулятора с настраиваемыми параметрами регулирования. Выбор оптимальных параметров управления имеет множество недоопределенных факторов и зависит от перечисленных особенностей в реализации отдельного магнитного элемента. Он необходим при уп- равлении группой магнитных элементов.

Интеллектуальные регуляторы, принципы работы которых основаны на новых сквозных квантовых информационных технологиях, внед- рены в действующий комплекс с использованием классических технологий управления технологическими системами на основе фрейм- ворка TANGO Controls [4] (http://www.swsys.ru/ uploaded/image/2025-4/11.jpg). При этом реализованы программные средства дистанционного управления со встроенными самоорганизующимися квантовыми регуляторами, позволяющие гарантированно достигать цели управления.

Процесс охлаждения жидким азотом состоит из двух этапов: 1) азотный режим, в котором охлаждение экрана и выходных элементов токовводов выполняется азотом, 2) гелиевый  режим, в котором азот применяется в том числе и для охлаждения гелия, охлаждает ярмо и вход- ные токовводы магнита. При этом оба этапа сопровождаются периодической заправкой азота каждые 1–2 часа. Температурный режим магнита должен пройти несколько стадий для достижения режима сверхпроводимости и его  последующей поддержки.

Структура и основные функции  ОБЗ SCOptKBTM

Технология проектирования ИСУ использует платформу нечетких систем на основе мягких вычислений. Существенным недостатком таких систем является отсутствие стан- дартной методики конструирования БЗ нечетких систем управления.

В разработанной технологии одним из основных преимуществ стало решение следующих задач:

-   объективное определение вида функции принадлежности и ее параметров в продукционных правилах в БЗ;

-   определение оптимальной структуры нечетких нейронных сетей в задачах обучения (аппроксимация обучающего сигнала с требуемой (заданной) ошибкой и с минимальным количеством продукционных правил в БЗ – определение универсального аппроксиматора);

-   применение ГА в задачах многокритериального управления при наличии дискретных ограничений на параметры ОУ с целью согласования причинно-следственных связей в продукционных правилах.

Проблемы были устранены и апробированы на основе оптимизатора БЗ с применением технологии мягких вычислений. Разработанный интеллектуальный инструментарий позволил проектировать робастные БЗ на основе решения одной из алгоритмически трудно решаемых задач теории ИИ – извлечения, обработки и формирования объективных знаний без использования экспертных оценок. В данном опти- мизаторе используются три ГА, которые позволяют спроектировать оптимальную структуру нечеткого регулятора (вид и число функций принадлежности, их параметры, число самих правил нечеткого вывода), аппроксимирующего обучающий сигнал с требуемой ошибкой.

При этом автоматически проектируется оптимальная структура нечеткой нейронной сети и формируется модель универсального аппроксиматора в виде нечеткого регулятора с конечным числом продукционных правил в БЗ [5].

Применительно к проектированию ИСУ, мяг- кие вычисления представляют собой комбинацию из следующих подходов: теория нечетких систем, ГА и нечеткие нейронные сети [3–5].

Нечеткий регулятор является центральным элементом ИСУ и вырабатывает управляющие сигналы изменения во времени (законы уп- равления) коэффициентами усиления kp, kd, ki ПИД-регулятора. Ядро нечеткого регулятора основано на процессе проектирования БЗ, которая интегрирована в интеллектуальный контроллер. Структурно БЗ состоит из продукционных логических правил, которые включают нечеткие входные и выходные значения функции принадлежности лингвистических переменных.

Функциональная структура ИСУ с блоками нечеткого регулятора и оптимизатора БЗ на мягких вычислениях представлена на рисунке 3.

Входом оптимизатора БЗ является обучающий сигнал, который может быть получен либо на этапе стохастического моделирования поведения ОУ (с использованием его математиче- ской модели), либо экспериментально, то есть непосредственно из результатов измерений динамических параметров физической модели ОУ. Обучающий сигнал содержит недоопределенные параметры индивидуального (исследуемого) ОУ, является источником знаний и представляет собой массив данных, разделенный на входные и выходные составляющие, каждая  из которых, в свою очередь, состоит из одного и более сигналов.

Входными данными для нечеткого регулятора является вектор ошибки, который состоит из ошибки управления e(t), ее интеграла ie =òedt и скорости ее изменения . Выходными данными нечеткого регулятора является вектор, состоящий из значений коэффициентов усиления kp, kd, ki ПИД-регулятора, величины которых применяются в формировании управляющего воздействия в виде

Структурно оптимизатор БЗ состоит из ГА1, ГА2, ГА3 (http://www.swsys.ru/uploaded/ image/2025-4/12.jpg), оптимизирующих отдель- ные компоненты БЗ [4]. Рассмотрим шаги алгоритма оптимизации [3, 5].

Шаг 1. Выбор модели нечеткого вывода. Пользователь определяет тип нечеткой модели вывода (Сугено, Мамдани и т.д.) и число вход- ных и выходных переменных.

Шаг 2. Создание лингвистических переменных. С помощью ГА1 определяется опти- мальное число функций принадлежности для каждой входной лингвистической переменной, а также выбирается оптимальная форма представления ее функций принадлежности (треугольная, гауссовская и др.).

Шаг 3. Создание базы правил. На данном этапе используется специальный алгоритм отбора наиболее робастных правил в соответствии с определенными критериями.

– Суммарный критерий: выбрать только те правила, которые удовлетворяют следующему условию:

где TL (threshold level) – заданный (вручную или выбранный автоматически) уровень активации правила, и

 и

где tk – моменты времени, k = 1, …, N, здесь N – равно числу точек в управляющем сигнале;  k = 1, …, N – функции принадлежно- сти входных переменных; l – индекс правила  в БЗ; P – операция нечеткой конъюнкции  (в частности, может интерпретироваться как произведение).

– Максимальный критерий: выбрать только те правила, которые удовлетворяют условию

Шаг 4. Оптимизация базы правил. С помощью ГА2 оптимизируются правые части правил БЗ. На данном этапе находится решение, близкое к глобальному оптимуму (минимум ошибки аппроксимации обучающего сигнала). С помощью шага 5 это решение может быть локально улучшено. В данной работе рассматривается возможность подключения реального удаленного ОУ для оптимизации БЗ в режиме реального времени.

Шаг 5. Настройка базы правил. С помощью ГА3 оптимизируются левые и правые части правил БЗ, то есть подбираются оптимальные параметры функций принадлежности входных/выходных переменных (с точки зрения заданной функции пригодности ГА). В данном процессе оптимизации используются различные функции пригодности, выбранные пользователем. Имеется возможность настройки БЗ  с помощью традиционного метода обратного распространения ошибки.

Таким образом, результатом проектирования является требуемый тип универсального аппроксиматора в виде нечеткого регулятора  с оптимальной структурой БЗ.

Извлечение обучающего сигнала  при помощи ГА

В контексте представленной задачи весь процесс стабилизации давления выглядит в виде интервала времени, необходимого для стабилизации давления из условно начального состоя- ния в требуемое, рабочее. Интервал времени разбивается на некоторое число малых временных отрезков, где каждому присваиваются определенные значения коэффициентов ПИД-регулятора. Таким образом, набор коэффициентов для каждого отрезка времени и их последовательность представляют собой траекторию изменения коэффициентов усиления и отдельное проверяемое решение (индивид ГА). Записываемые данные изменения ошибок управления  и соответствующих интервальных коэффициентов ПИД-регулятора во время работы криогенной установки в режиме стабилизации давления будет составлять обучающий сигнал [9]. Пример изменения давления и коэффициентов представлен на рисунке 4. В качестве обучающего сигнала рассматривается структура данных в виде входных сигналов (ошибок управления) ep, ei, ed и соответствующих им выходных – оптимальных коэффициентов усиления kp, ki, kd ПИД-регулятора.

Задача формирования обучающего сигнала сводится к поиску оптимальной траектории изменения коэффициентов усиления ПИД-регу- лятора. Для этого был выбран ГА, чье приме- нение получило широкое распространение в решениях конкретных инженерных задач из-за его проблемной независимости, отсутствия необхо- димости подсчета градиента целевой функции для каждого решения и возможности применения без использования сложных аналитических расчетов.

За основу был взят ГА из исследований [3, 10]. В алгоритме применено двухточечное скрещивание с вероятностью 0.3. Вероятность мутации была установлена равной 0.1. Также был применен элитный отбор: 10 % лучших траекторий изменения коэффициентов переходили  в следующее поколение без изменений. Было проверено 10 поколений по 50 решений (особей) в каждом. Для каждого коэффициента определены интервалы допустимых значений, при выборе которых использованы значения эмпи- рически подобранных коэффициентов ПИД-ргулятора. На испытательном стенде фабрики магнитов лаборатории физики высоких энергий ГА функционирует в режиме реального времени, обеспечение одинаковых начальных условий обучения для каждой проверяемой траектории реализуется за счет сброса давления до одной и той же заранее заданной величины. Каждая траектория состояла из пяти времен- ных интервалов со своими коэффициентами ПИД-регулятора. Для каждого проверяемого решения процесс стабилизации длился 10 мин. Оценка качества проверяемой траектории рассчитывалось как интеграл модуля ошибки отклонения от целевого значения давления. Схо- димость результатов работы ГА определена по нисходящей линии тренда на графике значений функции пригодности с каждой новой проверяемой траекторией (рис. 5).

В результате были выбраны лучшие наборы коэффициентов ПИД-регулятора для каждого временного интервала и составлена таблица обучающего сигнала, состоящая из значений ошибок отклонения давления от целевого значения и соответствующих им коэффициентов ПИД-регулятора.

Рассмотрим результаты экспериментов при управлении различными типами регуляторов.

Эксперимент

На рисунке 6 представлена временная зависимость для уровня давления (в барах) при азотном охлаждении за период около 40 мин.

Видно, что в целом все регуляторы справляются за отведенное время с задачей стабилизации давления в сборнике. Однако анализ результатов показывает, что классический ПИД-регулятор обладает низким быстродействием и высоким уровнем перерегулирования (1.29 бар), что является критическим и может рассмат- риваться как близкое к аварийной ситуации (1.30 бар).

При этом нечеткий регулятор демонстрирует высокое быстродействие (время релаксации 210 сек.) при низком уровне перерегулирования (1.24 бар). Оператор достаточно хорошо справился с задачей установки требуемого давления (перерегулирование 1.21 бар и быстродействие 280 сек.), однако не смог установить требуемое значение давления (установившийся режим 1.18 бар), что показано в таблице.

Одним из основных критериев качества системы управления является сложность управления. Так, незначительная сложность повышает срок службы исполнительных механизмов системы за счет более мягкого и простого управления.

Рисунок 7 иллюстрирует управляющее воздействие на ОУ. На рисунке 7а представлено изменение выходных значений пропорциональ- ного коэффициента усиления нечеткого регулятора.

На рисунке 7б изображены траектории уп- равляющих команд в процентах от уровня  закрытия вентиля регулировки давления при различных режимах управления. Они демонстрируют существенное снижение сложности физической реализуемости сил управления нечеткого регулятора.

В качестве оценки качества системы управления рассмотрим сумму абсолютного значе- ния отклонения давления от целевого сигнала. Выяснилось, что применение нечеткого ПИД-регулятора с интегрированными БЗ, позволяет улучшить достижение заданного уровня дав- ления в накопительной емкости, уменьшить  отклонение от требуемой величины (http:// www.swsys.ru/uploaded/image/2025-4/13.jpg).

Проведенные исследования показывают, что применение мягких вычислений в задаче управления давлением, повышают надежность функционирования системы, уменьшая коли- чество расхода азота. Они эффективно реализованы в разработанной интеллектуальной системе дистанционного управления охлаждением сверхпроводящего магнита.

На рисунке 8 представлены фазовые портреты изменения ошибки и скорости ошибки управления для различных видов регуляторов  с выделенными зонами притяжения (аттракторы) устойчивости процесса управления.

Очевидно, что площадь зоны аттрактора (аналог экспоненты Ляпунова) меньше соответствующих величин, полученных от управления оператора и ПИД-регулятора. Этот факт объясняется тем, что БЗ нечеткого регулятора формировалась на основе физического (информационно-термодинамического) закона об оптимальном распределении устойчивости, управляемости и робастности, а также минимума производства и скорости производства энтропии в ОУ и регуляторе [5].

Скорость производства энтропии регулятором определяется квадратом скорости ошибки управления, умноженным на дифференциальный коэффициент усиления. При этом появляется возможность использовать экспериментальную ошибку и скорость ошибки управ- ления. На рисунке 8 видно, что нечеткий  контроллер имеет меньшую скорость изме- нения ошибки управления и, следовательно, меньшую скорость производства энтропии (потери полезного ресурса). Разработанная БЗ нечеткого регулятора позволяет компенсировать неполноту информации о модели ОУ и сформировать оптимальное управление с минималь- ными потерями полезного ресурса.

Реализация представленных механизмов позволила получить высокий уровень качества управления, в том числе за счет использования мягких вычислений и разработанных техноло- гий проектирования ИСУ. Такой подход позволяет сократить влияние экспертных оценок  в процессе обучения и настройки, снижает информационный риск влияния человеческого фактора на принятие решения, в том числе  в условиях возникновения нештатных ситуаций или непредвиденных ситуаций управления.

В рамках представленных результатов поставленной задачи предложена информационная технология для создания распределенной ИСУ на основе встраиваемых в контур управления интеллектуальных нечетких регуляторов. С ее помощью можно эффективно встраиваться в уже работающую систему управления без изменения ее исходной структуры. Разработанный инструментарий позволяет:

-   включаться в системы, работающие на базе фреймворка TANGO Controls или на базе спецификации OPC Unified Architecture [5];

-   использовать для построения набора про- дукционных правил БЗ внешние вычислительные ресурсы;

-   дистанционно настраивать различные ОУ, используя при этом реальные данные, полученные непосредственно с датчиков системы;

-   встраивать ИСУ в действующую систему управления нижнего уровня на базе стандартных протоколов обмена данными [9], повышая тем самым эффективность работы.

Применяемый метод для решения поставленной задачи позволил повысить качество управления в автоматическом режиме, существенно уменьшить расход азота. С его помощью давление в контуре поддерживается на требуемом уровне.

Выводы

На комплексе NICA развивается широкая программа прикладных исследований, в том числе предложено эффективное решение задачи создания ИСУ с применением современных интеллектуальных вычислений и робастных информационных технологий, представляющих собой совокупность методов теории интеллектуального управления, которые обеспечивают хорошее качество управления, даже если объект отличается от расчетного или его математическая модель неизвестна.

Целесообразность применения интеллектуальных информационных технологий обусловлена необходимостью повышения эффективности решения задач автоматического управления комплексом NICA, а именно добавлением свойств адаптации, обучения и самоорганизации. Основная цель –  обеспечение устойчивости, повторяемости и надежности требуемых режимов работы – ускорения ионов, их накопления в кольцах коллайдера, поддержание заданных параметров режима столкновений пучков в физическом эксперименте.

Результаты исследований и проведенных экспериментов подтверждают работоспособность разработанных программных инструментов, основанных на мягких вычислениях.

Список литературы

1. Бровко О.И., Елисеев А.В., Кекелидзе В.Д. и др. Необходимость применения интеллектуальных систем управления в экспериментальных ядерно-физических комплексах (типа NICA). Ч. I: Проблема нештатных ситуаций // Системный анализ в науке и образовании. 2019. № 4. C. 32–57. doi: 10.37005/2071-9612-2019-4-32-57.

2. Кореньков В.В., Решетников А.Г., Решетников Г.П. и др. Возможности применения сквозных квантовых информационных технологий в интеллектуальных системах управления слабо формализованными физическими объектами (типа комплекса NICA) // Системный анализ в науке и образовании. 2018. № 4. С. 10–53.

3. Ulyanov S.V., Litvintseva L.V., Ulyanov S.S. Design of robust knowledge bases of fuzzy controllers for intelligent control of substantially nonlinear dynamic systems: II. a soft computing optimizer and robustness of intelligent control systems. J. of Computer and Sys. Sci. Int., 2006, vol. 45, no. 5, pp. 744–771. doi: 10.1134/S106423070605008X.

4. Ulyanov S.V., et al. Soft computing optimizer of intelligent control system structures. US Patent No US 7,219,087 B2. Date of Patent: May 15, 2007.

5. Ulyanov S.V. System for soft computing simulation. US Patent No US 2006/0218108. Filed: Oct. 4, 2005. Date of Patent: Sep. 28, 2006.

6. TANGO REST API. URL: https://tango-controls.readthedocs.io/en/latest/tools/rest-api.html (дата обращения: 13.06.2025).

7. Sedykh G.S., Gorbache E.V., Kirichenko A.E. et al. Сontrol system of the superconducting magnet test bench for the NICA accelerator complex. Proc. XXVI Int. Symposium NEC, 2017, pp. 271–275.

8. Бутенко А.В., Зрелов П.В., Кореньков В.В. и др. Интеллектуальная система дистанционного управления давлением и расходом жидкого азота в криогенной системе сверхпроводящих магнитов: программно-аппаратная платформа // Письма в ЭЧАЯ. 2023. Т. 20. № 2. С. 183–199.

9. Bespalov Yu.G., Zrelov P.V., Katulin M.S. et al. Formation of knowledge bases of fuzzy regulators based on the physical training signal of a nitrogen cryogenic plant using a genetic algorithm. Physics of Particles and Nuclei, 2024,  vol. 55, no. 3, pp. 566–568. doi: 10.1134/s1063779624030171.

10. Беспалов Ю.Г., Неополитанский Д.А., Никифоров Д.Н., Решетников А.Г. и др. Интеллектуальная система управления расходом жидкого азота в сборнике криогенной установки контроля СП магнитов: мягкие вычисления // Системный анализ в науке и образовании. 2022. № 3. С.138–160.

References

1. Brovko, O.I., Eliseev, A.V., Kekelidze, V.D. (2019) ‘Necessity of intelligent control systems application in experimental nuclear physics complexes (NICA type). Pt I: Problems of unforeseen situations’, Sys. Analysis in Sci. and Education, (4), pp. 32–57 (in Russ.). doi: 10.37005/2071-9612-2019-4-32-57.

2. Korenkov, V.V., Reshetnikov, A.G., Reshetnikov, G.P. et al. (2018) ‘Application possibilities of end-to-end quantum information technologies in intelligent control systems of ill-defined physical model objects (as complex megaproject NICA)’, Sys. Analysis in Sci. and Education, (4), pp. 10–53 (in Russ.).

3. Ulyanov, S.V., Litvintseva, L.V., Ulyanov, S.S. (2006) ‘Design of robust knowledge bases of fuzzy controllers for intelligent control of substantially nonlinear dynamic systems: II. a soft computing optimizer and robustness of intelligent control systems’, J. of Computer and Sys. Sci. Int., 45(5), pp. 744–771. doi: 10.1134/S106423070605008X.

4. Ulyanov, S.V. et al. Soft computing optimizer of intelligent control system structures. US Patent No US 7,219,087 B2. Date of Patent: May 15, 2007.

5. Ulyanov, S.V. System for soft computing simulation. US Patent No US 2006/0218108. Filed: Oct. 4, 2005. Date of Patent: Sep. 28, 2006.

6. TANGO REST API, available at: https://tango-controls.readthedocs.io/en/latest/tools/rest-api.html (accessed June 13, 2025).

7. Sedykh, G.S., Gorbache, E.V., Kirichenko, A.E. et al. (2017) ‘Сontrol system of the superconducting magnet test bench for the NICA accelerator complex’, Proc. XXVI Int. Symposium NEC, pp. 271–275.

8. Butenko, A.V., Zrelov, P.V., Korenkov, V.V. et al. (2023) ‘Intelligent system for remote control of liquid nitrogen pressure and flow in the cryogenic system of superconducting magnets: Hardware and software platform’, PEPAN Letters, 20(2), pp. 183–199 (in Russ.).

9. Bespalov, Yu.G., Zrelov, P.V., Katulin, M.S. et al. (2024) ‘Formation of knowledge bases of fuzzy regulators based on the physical training signal of a nitrogen cryogenic plant using a genetic algorithm’, Physics of Particles and Nuclei, 55(3), pp. 566–568. doi: 10.1134/s1063779624030171.

10. Bespalov, Yu.G., Neapolitansky, D.A., Nikiforov, D.N., Reshetnikov, A.G. (2022) ‘Intelligent system for control of liquid nitrogen flow in the collection of a cryogenic installation for control of SP magnets: Soft computing’, Sys. Analysis in Sci. and Education, (3), pp. 138–160 (in Russ.).