Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "neural controller" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-10 z 10
    Tytuł:
    Neurocontrolled car speed system
    Autorzy:
    Nakonechnyi, Markiyan
    Ivakhiv, Orest
    Świsulski, Dariusz
    Powiązania:
    https://bibliotekanauki.pl/articles/27314203.pdf
    Data publikacji:
    2022
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
    Tematy:
    neural controller
    PID-algorithm of control
    dynamic object
    neural networks
    electric car
    speed control
    Opis:
    The features of the synthesis of neural controllers for the car speed control system are considered in this article. The task of synthesis is to determine the weight coefficients of neural networks that provide the implementation of proportional and proportional-integralderivative control laws. The synthesis of controllers is based on an approach that uses a reversed model of the standard. A model of the car speed control system with the use of permitting subsystems has been developed, with the help of the synthesized controller that is connected under certain specified conditions. With the iterative programming and mathematical modeling environment in MATLAB, and using the Simulink package, a structural scheme for controlling the speed of the car was constructed and simulated using synthesized neural controllers.
    Źródło:
    Journal of Automation Mobile Robotics and Intelligent Systems; 2022, 16, 3; 13--21
    1897-8649
    2080-2145
    Pojawia się w:
    Journal of Automation Mobile Robotics and Intelligent Systems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neuronowy regulator prędkości obrotowej odporny na zmiany bezwładności
    A neural speed controller robust to inertia changes
    Autorzy:
    Jakubowski, M.
    Nowakowski, K.
    Zawirski, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/157600.pdf
    Data publikacji:
    2014
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    regulator neuronowy
    sterowanie neuronowe
    sztuczna inteligencja
    uczenie maszynowe
    PID
    neural controller
    neural controlling
    artificial intelligence
    machine learning
    Opis:
    W ramach niniejszej pracy zaprezentowany został neuronowy regulator prędkości obrotowej odporny na zmiany bezwładności. Celem pracy było opracowanie struktury regulatora oraz dobór optymalnego algorytmu uczenia. Stworzony regulator sterował pracą silnika prądu stałego. Metodologia prowadzonych badań zakładała zbadanie działania układu w szerokim zakresie zmian momentu obciążenia oraz bezwładności. Projektowanie przeprowadzono w taki sposób, aby badany układ napędowy wykazywały dobre właściwości regulacyjne w szerokim zakresie zmiany bezwładności obciążenia. Proces syntezy regulatora został szczegółowo opisany w ramach niniejszej pracy. Analizie poddano szereg badań symulacyjnych, w ramach których rozpatrywano wybrane wskaźniki jakości dla różnych wartości bezwładności oraz momentu obciążenia. Dokonano także analizy porównawczej badanego regulatora neuronowego z optymalnie nastrojonym klasycznym regulatorem PID. Uzyskane wyniki symulacyjne zostały przeniesione na grunt implementacji fizycznego obiektu sterowania.
    This paper presents a neural network speed controller that is robust to inertia changes. The main object of this study was to establish the structure of the controller and to create an optimal learning algorithm. Within the project, the created controller steered the operation of a DC motor. The methodology of the research involved studying the effects of the system over a wide range of load torque and inertia changes. The project was carried out in a such way that good regulatory properties over a wide range of inertia changes were performed for the drive systems. The synthesis of the controller is described in details in this paper. The analysis of series simulation studies including selected quality indicators for different values of inertia and different load torque is conducted. Moreover, the comparative analysis of the neural control and the optimally tuned classical PID controller is performed. The obtained simulation results were used for implementation of a physical control object.
    Źródło:
    Pomiary Automatyka Kontrola; 2014, R. 60, nr 10, 10; 840-844
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neuro-fuzzy control design of processes in chemical technologies
    Autorzy:
    Blahová, L.
    Dvoran, J.
    Kmeťová, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/229832.pdf
    Data publikacji:
    2012
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    neuro-fuzzy control
    chemical reactor
    neural predictive controller
    ANFIS
    laboratory process
    Opis:
    The paper presents design of neuro-fuzzy control and its application in chemical technologies. Our approach to neuro-fuzzy control is a combination of the neural predictive controller and the neuro-fuzzy controller (Adaptive Network-based Fuzzy Inference System - ANFIS). These controllers work in parallel. The output of ANFIS adjusts the output of the neural predictive controller to enhance the control performance. Such design of an intelligent control system is applied to control of the continuous stirred tank reactor and laboratory mixing process.
    Źródło:
    Archives of Control Sciences; 2012, 22, 2; 233-250
    1230-2384
    Pojawia się w:
    Archives of Control Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Adptive heading control of underactuated unmanned surface vehicle based on improved backpropagation neural network
    Autorzy:
    Dong, Zaopeng
    Li, Jiakang
    Liu, Wei
    Zhang, Haisheng
    Qi, Shijie
    Zhang, Zhengqi
    Powiązania:
    https://bibliotekanauki.pl/articles/32917278.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Gdańska. Wydział Inżynierii Mechanicznej i Okrętownictwa
    Tematy:
    underactuated unmanned surface vehicle
    backpropagation neural network controller
    heading control
    hyperbolic tangent function
    Opis:
    Aiming at the challenges to the accurate and stable heading control of underactuated unmanned surface vehicles arising from the nonlinear interference caused by the overlay and the interaction of multi interference, and also the uncertainties of model parameters, a heading control algorithm for an underactuated unmanned surface vehicle based on an improved backpropagation neural network is proposed. Based on applying optimization theory to realize that the underactuated unmanned surface vehicle tracks the desired yaw angle and maintains it, the improved momentum of weight is combined with an improved tracking differentiator to improve the robustness of the system and the dynamic property of the control. A hyperbolic tangent function is used to establish the nonlinear mappings an approximate method is adopted to summarize the general mathematical expressions, and the gradient descent method is applied to ensure the convergence. The simulation results show that the proposed algorithm has the advantages of strong robustness, strong anti-interference and high control accuracy. Compared with two commonly used heading control algorithms, the accuracy of the heading control in the complex environment of the proposed algorithm is improved by more than 50%.
    Źródło:
    Polish Maritime Research; 2023, 1; 54-64
    1233-2585
    Pojawia się w:
    Polish Maritime Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparative study of learning methods for artificial neural network
    Badania porównawcze metod uczenia sieci neuronowej
    Autorzy:
    Tiliouine, H.
    Powiązania:
    https://bibliotekanauki.pl/articles/153863.pdf
    Data publikacji:
    2007
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    metody uczenia
    sieć neuronowa
    neuronowy regulator napięcia
    learning methods
    artificial neural network (ANN)
    neural voltage controller
    Opis:
    The paper presents a comparative study of various learning methods for artificial neural network. The methods are: the backpropagation BP, the recursive least squares RLS, the Zangwill's method ZGW and the method based on evolutionary algorithm EA. The study consists of evaluating the learning effectiveness of these methods and selecting the most efficient one to be used in the designing of an adaptive neural voltage controller for a synchronous generator.
    W artykule przedstawiono wyniki badań porównawczych metod uczenia sieci neuronowych takich jak: metoda propagacji wstecznej błędów, rekurencyjna metoda najmniejszych kwadratów, metoda Zangwill'a, metoda algorytmów ewolucyjnych. Celem tych badań jest dobieranie najefektywniejszej metody uczenia do projektowania adaptacyjnego neuronowego regulatora napięcia generatora synchronicznego.
    Źródło:
    Pomiary Automatyka Kontrola; 2007, R. 53, nr 4, 4; 117-121
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Adaptive neural voltage controller with tunable activation gain
    Adaptacyjny neuronowy regulator napięcia z nastrojonym współczynnikiem wzmocnienia funkcji przynależności
    Autorzy:
    Tiliouine, H.
    Powiązania:
    https://bibliotekanauki.pl/articles/153867.pdf
    Data publikacji:
    2007
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    turbogenerator
    adaptacyjny neuronowy regulator napięcia
    współczynnik wzmocnienia aktywacji
    adaptive neural voltage controller (ANVC)
    activation gain
    Opis:
    In this paper an adaptive neural voltage controller (ANVC) for turbogenerator, with tunable activation function gain is developed. It combines both traditional neural model and neural model with activation gain depending on the operating conditions of the plant. Simulation results evaluating the performance of the ANVC under different operating conditions and disturbances are presented. These results are compared to that obtained with a fixed activation gain neural controller (the traditional one) and to that obtained with conventional (analog) controller.
    W artykule przedstawiono model adaptacyjnego neuronowego regulatora napięcia dla turbogeneratora z nastrojonym współczynnikiem wzmocnienia funkcji przynależności. Ten model jest kombinacją klasycznego neurono-wego modelu i neuronowego modelu z współczynnikiem wzmocnienia funkcji przynależności zależnym od warunków pracy obiektu. Przedsta-wiono, także wyniki symulacji mające na celu badania efektywności proponowanego regulatora dla różnych zakłóceń i różnych warunków pracy turbogeneratora. Te wyniki porównano z wynikami uzyskanymi z regula-torem o stałym współczynnikiem wzmocnienia funkcji przynależności oraz z wynikami uzyskanymi z regulatorem analogowym.
    Źródło:
    Pomiary Automatyka Kontrola; 2007, R. 53, nr 4, 4; 114-116
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neural network based adaptive state feedback controller for inverter with voltage matching circuit
    Autorzy:
    Niewiara, Ł.
    Tarczewski, T.
    Grzesiak, L. M.
    Powiązania:
    https://bibliotekanauki.pl/articles/376361.pdf
    Data publikacji:
    2014
    Wydawca:
    Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
    Tematy:
    adaptive linear-quadratic controller
    voltage matching circuit
    artificial neural network
    current ripple
    Opis:
    This paper describes a discrete adaptive state feedback controller used to load current control in terms of variable DC voltage of inverter. Controller was designed by using linear quadratic optimization method. Adaptive LQR was used because of non-stationarity of the control system caused by Voltage Matching Circuit - VMC. Gain values of the adaptive controller were approximated by using an artificial neural network. The VMC was realized as an additional buck converter integrated with the main inverter. As the load of the 2-level inverter a 3-phase symmetric RL circuit was used. Simulation tests show the behavior of the load current regulation during DC bus voltage level step changes. The dependence between current RMS value and inverter DC bus voltage level was also shown. Simulation test was made by using Matlab Simulink and PLECS software.
    Źródło:
    Poznan University of Technology Academic Journals. Electrical Engineering; 2014, 80; 231-238
    1897-0737
    Pojawia się w:
    Poznan University of Technology Academic Journals. Electrical Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Artificial Neural Network-Based Gain-Scheduled State Feedback Speed Controller for Synchronous Reluctance Motor
    Autorzy:
    Tarczewski, Tomasz
    Niewiara, Łukasz J.
    Grzesiak, Lech M.
    Powiązania:
    https://bibliotekanauki.pl/articles/1956002.pdf
    Data publikacji:
    2021
    Wydawca:
    Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
    Tematy:
    synchronous reluctance motor
    state feedback controller
    gain scheduling
    artificial neural network
    robustness analysis
    Opis:
    This paper focuses on designing a gain-scheduled (G-S) state feedback controller (SFC) for synchronous reluctance motor (SynRM) speed control with non-linear inductance characteristics. The augmented model of the drive with additional state variables is introduced to assure precise control of selected state variables (i.e. angular speed and d-axis current). Optimal, non-constant coefficients of the controller are calculated using a linear-quadratic optimisation method. Non-constant coefficients are approximated using an artificial neural network (ANN) to assure superior accuracy and relatively low usage of resources during implementation. To the best of our knowledge, this is the first time when ANN-based gain-scheduled state feedback controller (G-S SFC) is applied for speed control of SynRM. Based on numerous simulation tests, including a comparison with a signum-based SFC, it is shown that the proposed solution assures good dynamical behaviour of SynRM drive and robustness against q-axis inductance, the moment of inertia and viscous friction fluctuations.
    Źródło:
    Power Electronics and Drives; 2021, 6, 41; 276-288
    2451-0262
    2543-4292
    Pojawia się w:
    Power Electronics and Drives
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Optimization of Proportional-Integral Controllers of Grid-Connected Wind Energy Conversion System Using Grey Wolf Optimizer Based on Artificial Neural Network for Power Quality Improvement
    Autorzy:
    Alremali, Fathi Abdulmajeed M.
    Yaylacı, Ersagun Kürşat
    Uluer, İhsan
    Powiązania:
    https://bibliotekanauki.pl/articles/2201727.pdf
    Data publikacji:
    2022
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    artificial neural network
    grey wolf optimizer
    PI controller
    grid connection
    power quality
    wind energy
    Opis:
    This research presents a combination of artificial neural network (ANN) with the grey wolf optimizer (GWO) to improve the power quality of a grid-connected distributed power generation system (DPGS). To assess the effectiveness of the proposed algorithm, a grid-tied of small-scale wind energy conversion system (WECS) is chosen. The term power quality refers to voltage and frequency regulation, and limited harmonics. Power quality improvement is achieved through the cascaded control system's optimal tuning of three proportional-integral (PI) controllers of the grid-side inverter (GSI). However, because the DPGS model is computationally costly, the Artificial Neural Network (ANN) model is utilized as an alternative model for DPGS. Furthermore, the ANN model is employed in conjunction with the GWO to boost the optimization precision and minimize the execution time of GWO. The considered power system was repetitively simulated to obtain the input-output datasets, which validate and train the ANN model. According to the ANN model's performance evaluation, the correlation coefficient (R) is close to one, while the mean squared error (MSE) is near zero. These findings demonstrate the ANN model's great accuracy in approximating the DPGS model. Using MATLAB/Simulink, the system's performance is evaluated using the optimum values obtained using GWO-ANN for various wind speed profiles. It showed the suggested power quality method’s improved stability, convergence behavior, the effectiveness of the control mechanism, and the robustness of the proposed topology.
    Źródło:
    Advances in Science and Technology. Research Journal; 2022, 16, 3; 295--305
    2299-8624
    Pojawia się w:
    Advances in Science and Technology. Research Journal
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Intelligent Turbogenerator Controller Based On Artificial Neural Network
    Inteligentny regulator turbogeneratora oparty na sieci neuronowej
    Autorzy:
    Tiliouine, H.
    Powiązania:
    https://bibliotekanauki.pl/articles/157331.pdf
    Data publikacji:
    2011
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    regulator napięcia
    stabilizator systemowy
    turbogenerator
    sieci neuronowe
    neural network
    voltage controller
    power system stabilizer
    Opis:
    The paper presents a design of an intelligent controller based on neural network (ICNN). The ICNN ensures at the same time two fundamental functions: the maintaining of generator voltage at the desired value and the damping of the electromechanical oscillations. Its performance is evaluated on a single machine infinite bus power system through computer simulations. The dynamic and transient operation of the proposed controller is compared with the operation of the conventional excitation control system composed of a conventional automatic voltage regulator (CAVR) and a conventional power system stabilizer (CPSS) as recommended in the IEEE standard. The proposed ICNN exhibits better performance.
    W artykule przedstawiono projekt inteligentnego regulatora opartego na sieci neuronowej, przeznaczonego do sterowania generatorem synchronicznym pracującym w systemie elektroenergetycznym. Proponowany regulator realizuje jednocześnie dwie podstawowe funkcje: utrzymanie napięcia generatora na zadanej wartości oraz tłumienie kołysań elektromechanicznych. Regulator zbudowany jest w oparciu dwie sieci neuronowe: Emulator (lub Identyfikator) i właściwy regulator. Emulator wykorzystywany jest do predykcji parametrów wyjściowych generatora (napięcie, moc), a regulator minimalizuje zadaną funkcję celu. Efektywność regulatora została oceniona na podstawie badań symulacyjnych w układzie jednomaszynowym pracującym w systemie elektroenergetycznym. Dynamiczne działanie proponowanego regulatora porównano z dynamicznym działaniem klasycznego układu regulacji, składającego się z konwencjonalnego regulatora napięcia i konwencjonalnego stabilizatora systemowego - zgodnie z zaleceniami standardu IEEE. Na podstawie tego porównania stwierdzono, że proponowany regulator jest bardziej efektywny. Zapewnia duże tłumienie kołysań elektromechanicznych jednocześnie przy zapewnieniu szybkiej regulacji napięcia generatora. Dodatkowo ten regulator charakteryzuje się prostą strukturą.
    Źródło:
    Pomiary Automatyka Kontrola; 2011, R. 57, nr 3, 3; 244-248
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-10 z 10

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies