Детальная информация

В промышленности реализовано множество методов управления процессом различных исполнительных механизмов в полевых условиях. Среди них - двигатель постоянного тока. ДПТ широко распространен в производстве. Существуют различные виды контроллеров для данного вида двигателя, включая линейные и нелинейные контроллеры, адаптивные контроллеры и контроллеры искусственных нейронных сетей. В этой диссертации рассматривается использование алгоритма глубокого обучения, т. е. многоуровневых автоэнкодеров; а также изучение применения глубокого обучения в задачах управления. Предлагаемый контроллер глубокого обучения разработан на основе обучающегося ПИД-регулятора, который чаще всего используется в промышленности. Вход и выход ПИД-регулятора используются в качестве набора данных для обучения сети глубокого обучения. Стекированные автоэнкодеры используются для разработки контроллера глубокого обучения. Моделирование выполняется с использованием MatLab/Simulink, и для демонстрации производительности и эффективности предложенного алгоритма были проведены подробные результаты сравнительного исследования между предлагаемым контроллером глубокого обучения и ПИД-регулятором.

The industry has implemented many methods for controlling the process of various actuators in the field. Among them is a DC motor. DPT is widely used in manufacturing. There are various types of controllers for this kind of motor, including linear and non-linear controllers, adaptive controllers, and artificial neural network controllers. This dissertation discusses the use of a deep learning algorithm, i.e., multilevel autoencoders; as well as studying the application of deep learning in control tasks. The proposed deep learning controller is based on the learning PID controller, which is most commonly used in the industry. The input and output of the PID controller are used as a dataset for training a deep learning network. Stacked autoencoders are used to develop a deep learning controller. The simulation is performed using MatLab/Simulink, and in order to demonstrate the performance and efficiency of the proposed algorithm, detailed results of a comparative study between the proposed deep learning controller and the PID controller were carried out.