Д. Ю. Шарейко, І. С. Білюк, А. М. Фоменко, О. В. Савченко, О. В. Майборода. Інтелектуальна система керування електропривода камери телевізійного спостереження

УДК 681.5

DOI: 10.31521/2313-092X/2018-4(100)-20

Д. Ю. Шарейко, кандидат технічних наук, доцент
І. С. Білюк, кандидат технічних наук, доцент
ORCID ID: 0000-0003-1654-7468
Миколаївський національний аграрний університет
А. М. Фоменко, доцент
О. В. Савченко, аспірант
О. В. Майборода, кандидат економічних наук, доцент
Національний університет кораблебудування ім. адмірала Макарова

Розглянуто тиристорний електропривод постійного струму, система керування в якому побудована на основі самонавчальної нейронної сітки. Використовуючи властивості нелінійності здійснено налаштування з покращенням швидкодійності та зменшенням помилки керування. Проведено дослідження та порівняльний аналіз інтелектуальної системи керування та лінійної системи керування електропривода постійного струму. Доведено перевагу інтелектуальної системи керування в електроприводі камери спостереження.

Ключові слова: штучні нейронні мережи, система керування, навчальний нейроконтролер, інверсна нейронна модель, статична помилка за швидкістю, середньоквадратична помилка, перехідні процеси.

Інтелектуальна система керування електропривода камери телевізійного спостереження
The intelligent control system of the television camera’s electric drive (анотація)

Список використаних джерел:

  1. Дубровін В.І., Субботін С.О. Методи оптимізації та їх застосування в задачах навчання нейронних мереж: навчальний посібник. Запоріжжя: ЗНТУ, 2003. 136 с.
  2. The loss surfaces of multilayer networks / Choromanska, M. Henaff, M. Mathieu et al. In Artificial Intelligence and Statistics. 2015.  P. 192–204.
  3. Медведев В.С., Потемкин В.Г.  Нейронные сети. MatLab 6 . М.: ДИАЛОГ-МИФИ, 2002. 496 с.
  4. Новотарський М.А., Нестеренко Б.Б. Штучні нейронні мережі: обчислення. Праці Інституту математики НАН України.  Т50.  Київ: Ін-т математики НАН України, 2004.  408 с.
  5. Лавренюк М.С., Новіков О.М.   Огляд методів машинного навчання для класифікації великих обсягів супутникових даних. System Research & Information Technologies, 2018, № 1. С. 52-71
  6. Кононюк А.Ю. Нейроні мережі і генетичні алгоритми. К.: Корнійчук,   446 с.
  7. Land cover changes analysis based on deep machine learning technique / N.N. Kussul, N.S. Lavreniuk, A.Y. Shelestov et al. // Journal of Automation and Information Sciences. 48, N 5.  2016.  P. 42–54.
  8. Zhang F., Du , Zhang L. Scene classification via a gradient boosting random convolutional network framework. IEEE Transactions on Geoscience and Remote Sensing. Vol. 54, N 3.  2016.  P. 1793–1802.
  9. Liang H., Li. Hyperspectral imagery classification using sparse representations of convolutional neural network features. Remote Sensing. Vol. 8, N 2.  2016.  P. 1–16.
  10. Längkvist M., Kiselev , Alirezaie M., Loutfi A. Classification and segmentation of satellite orthoimagery using convolutional neural networks. Remote Sensing.  Vol. 8, N 4.  2016. P. 1–21.

 

Д. Ю. Шарейко, И. С. Билюк, А. Н. Фоменко, О. В. Савченко, О. В. Майборода. Интеллектуальная система управления електропривода камеры телевизионного наблюдения

Рассмотрен тиристорный электропривод постоянного тока, система управления в котором построена на основе самообучающейся нейронной сети. Осуществлена настройка с использованием свойств нелинейности улучшением быстродействия и уменьшением ошибки управления. Проведено исследование и сравнительный анализ интеллектуальной системы управления и линейной системы управления электропривода постоянного тока. Доказано преимущество интеллектуальной системы управления в электроприводе камеры наблюдения.

Ключевые слова: искусственные нейронные сети, система управления, обучаемый нейроконтроллер, инверсная нейронная модель, статическая ошибка по скорости, средне-квадратичная ошибка, переходные процессы.

 

D. Shareiko, I. Bilyuk, A. Fomenko, O. Savchenko, O. Mayboroda. The intelligent control system of the television camera’s electric drive

The thyristor electric drive of a direct current, the control system in which is built on the basis of a self-learning neural network, is considered. Using the properties of nonlinearity, tuning is performed with improved performance and reduced control error. A study and comparative analysis of the intelligent control system and the linear control system of the electric drive of the direct current was carried out. The advantage of the intelligent control system in the electric drive of the surveillance camera has been proved.

Key words: artificial neural networks, control system, trained neurocontroller, inverse neural model, static error in speed, root-mean square error, transient processes.

Повернутися до змісту

shareiko.pdf
Size: 0.33