Модификация синтеза нейросетевого регулятора двигателя постоянного тока | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2026. № 74. DOI: 10.17223/19988605/74/4

Модификация синтеза нейросетевого регулятора двигателя постоянного тока

Предложен и исследован подход к синтезу нейросетевого регулятора с использованием модификации функции потерь. В качестве объекта управления рассмотрен двигатель постоянного тока, его модель дополнена зависимостью сопротивления обмотки якоря от температурного коэффициента. Предложена также модификация архитектуры путем использования слоев Batch-Normalization в скрытых слоях, метода оптимизации Nadam и пакетного градиентного спуска. Сформированы и обоснованы основные правила задания критериев в выходных нейронах искусственной нейронной сети. Предложен новый способ задания управляющего воздействия для исключения появления ложного влияния не использующихся выходов на процесс обучения искусственной нейронной сети. Моделирование на модифицированной модели двигателя постоянного тока продемонстрировало высокое качество управления: точное поддержание заданной скорости, соблюдение ограничений по току и отсутствие колебаний тока якоря при исследованных режимах. Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.

Скачать электронную версию публикации

Ключевые слова

искусственная нейронная сеть, нейрорегулятор, обучение нейронной сети, функция потерь, двигатель постоянного тока, критерий управления

Авторы

ФИО	Организация	Дополнительно	E-mail
Шмидт Игорь Альбертович	Пермский национальный исследовательский политехнический университет	кандидат технических наук, доцент кафедры микропроцессорных средств автоматизации	shmidt@pstu.ru
Попов Илья Алексеевич	Пермский национальный исследовательский политехнический университет	магистрант кафедры микропроцессорных средств автоматизации	ilya.popov2801@mail.ru
Жуков Дмитрий Романович	Пермский национальный исследовательский политехнический университет	магистрант кафедры микропроцессорных средств автоматизации	dimonzhukov1503@gmail.com

Всего: 3

Ссылки

Mohammadzaheri M., Chen L., Grainger S. A Critical Review of the Most Popular Types of Neuro Control // Asian Journal of Control. 2012. V. 14 (1). P. 1-11. doi: 10.1002/asjc.449.

Чернодуб А.Н., Дзюба Д.А. Обзор методов нейроуправления // Проблема: программирования. 2011. № 2. С. 79-94.

Bonassi F., Farina M., Xie J., Scattolini R. On Recurrent Neural Networks for learning-based control: recent results and ideas for future developments // Journal of Process Control. 2022. V. 114. P. 92-104. doi: 10.1016/j.jprocont.2022.04.01.

Chinnam R.B., Kolarik W.J. Neural network-based quality controllers for manufacturing systems // International Journal of Produc tion Research. 1997. V. 35 (9). P. 2601-2620. doi: 10.1080/002075497194688.

Nouri K., Dhaouadi R., Braiek N.B. Nonlinear speed control of a dc motor drive system with online trained recurrent neural network // 9th IEEE International Workshop on Advanced Motion Control, 2006. Istanbul, Turkey. P. 704-708. doi: 10.1109/amc.2006.1631746.

Вельченко А.А., Павлюковец С.А., Радкевич А.А., Ибрагим А.К. Энергоэффективное нейросетевое управление бесколлекторным двигателем постоянного тока // Энергетика. Известия высших учебных заведений и энергетических объединений СНГ. 2025. Т. 68, № 1. С. 45-57. doi: 10.21122/1029-7448-2025-68-1-45-57.

Nouri K., Dhaouadi R., Braiek N.B. Adaptive Control of a Nonlinear DC Motor Drive Using Recurrent Neural Networks // Applied Soft Computing. 2008. V. 8. P. 371-382.

Rubaai A., Young P. Hardware/Software Implementation of Fuzzy-Neural-Network Self-Learning Control Methods for Brushless DC Motor Drives // IEEE Transactions on Industry Applications. 2016. V. 52 (1). P. 414-424. doi: 10.1109/tia.2015.2468191.

Nouri K., Dhaouadi R., Braiek N.B. Adaptive control of a nonlinear dc motor drive using recurrent neural networks // Applied Soft Computing. 2008. V. 8, is. 1. P. 371-382. doi: 10.1016/j.asoc.2007.03.002.

Kaminski M., Tarczewski T. Neural Network Applications in Electrical Drives - Trends in Control, Estimation, Diagnostics, and Construction // Energies. 2023. V. 16 (11). Art. 4441. doi: 10.3390/en16114441.

Lee Y.-S., Jang D.-W. Optimization of Neural Network-Based Self-Tuning PID Controllers for Second Order Mechanical Systems // Applied Sciences. 2021. V. 11 (17). Art. 8002. doi: 10.3390/app11178002.

Шмидт И.А., Даденков Д.А. Использование искусственной нейронной сети в электромеханической системе регулирования скорости двигателя постоянного тока // Электротехника. 2024. № 11. С. 26-32.

Fleming P.J., Purshouse R.C. Evolutionary algorithms in control systems engineering: a survey // Control Engineering Practice. 2002. V. 10 (11). P. 1223-1241. doi: 10.1016/s0967-0661(02)00081-3.

Обходский А.В., Кульбакин Д.Е., Обходская Е.В., Попов А.С., Родионов Е.О., Сачков В.И., Чернов В.И., Чойнзонов Е.Л. Программный комплекс нейросетевой классификации данных газоаналитического обследования дыхательной системы // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2024. № 69. С. 112-123. doi: 10.17223/19988605/69/12.

Ioffe S., Szegedy C. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift // Proc. of the 32nd International Conference on Machine Learning. 2015. P. 448-456.

Santurkar S., Tsipras D., Ilyas A., Madry A. How Does Batch Normalization Help Optimization? // Advances in Neural Information Processing Systems 31 (NeurIPS 2018). Montreal, Canada, 3-8 December 2018. doi: 10.48550/arXiv.1805.11604.

Kim D., Kim W., Kim S. Tanh Works Better with Asymmetry // Advances in Neural Information Processing Systems 36 (NeurIPS 2023). Main Conference Track.

Philipp G., Song D., Carbonell J.G. The exploding gradient problem demystified - definition, prevalence, impact, origin, tradeoffs, and solutions. 2017. doi: 10.48550/arXiv:1712.05577.

Dozat T. Incorporating Nesterov Momentum into Adam // Proceedings of the 4th International Conference on Learning Representations, Workshop Track. San Juan, Puerto Rico, 2-4 May 2016. P. 1-4.

Дель И.В., Старченко А.В. Использование методов нейросетевого моделирования для прогнозирования качества атмосферного воздуха // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2023. № 65. С. 15-24. doi: 10.17223/19988605/65/2.

Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, MA: MIT Press, 2016. 800 p.