Prospects for control methods in engineering systems

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

This article highlights the prerequisites and natural effects of control method development in engineering systems: (1) a simple deviation and perturbation controller, (2) a fuzzy logic controller with a fuzzifier and rule base, (3) a neural network controller for dynamically adjusting the coefficients of the corresponding links, (4) a discrete neural network controller with a neural approximator and controller. The experience gained by researchers and engineers since the initial description of regulatory principles in 1910, including the level of information technology design, particularly the neural network approach to machine learning and the enormous computing potential of computer devices, now enable the integration of a fundamentally novel method of discrete neural network regulation.

The article’s review aims to identify and demonstrate the importance of experimental and operational data, which must be organized and annotated at the time of collection and archiving. This approach will allow us to rapidly implement neural network controllers in engineering systems, as the most critical phase in their development is involves learning and optimization of neural network architecture.

The article presents the principle of operation, benefits, and drawbacks, and the optimal stages for enhancing a neural network controller based on two neural networks, which form a control strategy while considering the most probable state of the system at the next point in time.

作者简介

Vladislav Mamedov

Bauman Moscow State Technical University

编辑信件的主要联系方式.
Email: mamedov-vm@bk.ru
ORCID iD: 0009-0004-8780-7401
SPIN 代码: 4095-0195

Postgraduate Student, Assistant Lecturer

俄罗斯联邦, Moscow

Ivan Arkharov

Bauman Moscow State Technical University

Email: arkharov@bmstu.ru
ORCID iD: 0000-0002-1624-171X
SPIN 代码: 9674-4585

Dr. Sci. (Tech.), Professor

俄罗斯联邦, Moscow

参考

  1. Mamedov V, Arkharov I, Navasardyan E. Concept design of cryogenic system of the SPD-detector for NICA project in Dubna. In: IIR Conference: The 16th Cryogenics 2021, October 5–7, 2021. 2021:24–29. doi: 10.18462/iir.cryo.2021.0005
  2. Denisenko VV. PID-reguljatory: principy postroenija i modifikacii. Sovremennye tehnologii avtomatizacii. 2006. № 4. S. 66–74. (In Russ).
  3. Dormido S. Advanced PID Control, IEEE Control Systems Magazine. 2006;26(1):98–101. doi: 10.1109/MCS.2006.1580160
  4. Ang KH, Chong G, Li Y. PID control system analysis, design, and technology. IEEE Transactions on Control Systems Technology. 2005;13(4):559–576.
  5. Ziegler JG, Nichols NB. Optimum settings for automatic controllers. Trans. ASME. 1942;64:759-768.
  6. Cai J. A Fully Mechanical Realization of PID Controller. Highlights in Science, Engineering and Technology. 2022;9:319–328. doi: 10.54097/hset.v9i.1861
  7. Egupova ND. Metody robastnogo, nejro-nechjotkogo i adaptivnogo upravlenija: uchebnik. Moscow: MGTU im. Baumana; 2002. (In Russ).
  8. Uskov AA, Kuz’min AV. Intellektual’nye tehnologii upravlenija. Iskusstvennye nejronnye seti i nechetkaja logika. Moscow: Gorjachaja linija-Telekom; 2004. (In Russ).
  9. Demidova GL, Lukichev DV. Reguljatory na osnove nechetkoj logiki v sistemah upravlenija tehnicheskimi obtektami. Saint Petersburg: Universitet ITMO; 2017. (In Russ).
  10. Pérez-Gomariz M, López-Gómez A, Cerdán-Cartagena F. Artificial Neural Networks as Artificial Intelligence Technique for Energy Saving in Refrigeration Systems - A Review. Clean. Technol. 2023;5:116–136. doi: 10.3390/cleantechnol5010007
  11. Wilson CL, Wilkinson RA and Garris MD, Self-organizing neural network character recognition on a massively parallel computer. In: IJCNN International Joint Conference on Neural Networks, San Diego, CA, USA. 1990;2:325–329. doi: 10.1109/IJCNN.1990.137734
  12. Shalf J. The future of computing beyond Moore’s Law. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. 2020;378(2166). doi: 10.1098/rsta.2019.0061
  13. Zubkova VV. Analiz aktual’nosti zakona Mura. Perspektivy razvitija informacionnyh tehnologij. 2014;21:136–1140. (In Russ).
  14. Guzhva A, Dolenko S, Persiantsev I. Multifold Acceleration of Neural Network Computations Using GPU. In: Alippi C, Polycarpou M, Panayiotou C, Ellinas G. (eds) Artificial Neural Networks – ICANN 2009. ICANN 2009. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer; 2009;5768. doi: 10.1007/978-3-642-04274-4_39
  15. Benderskaja EN, Tolstov AA. Tendencii razvitija sredstv apparatnoj podderzhki nejrovychislenij. Nauchno-tehnicheskie vedomosti SPbGPU. Informatika. Telekommunikacii. Upravlenie. 2013;3(174):9–18. (In Russ).
  16. Kyoung-Su Oh KS, Jung K. GPU implementation of neural networks. Pattern Recognition. 2004;37:1311–1314.
  17. Bouzar-Benlabiod L, Rubin SH and Benaida A. Optimizing Deep Neural Network Architectures: an overview. In: IEEE 22nd International Conference on Information Reuse and Integration for Data Science (IRI), Las Vegas, NV, USA. 2021:25–32. doi: 10.1109/IRI51335.2021.00010
  18. Ünal HT, Başçiftçi F. Evolutionary design of neural network architectures: a review of three decades of research. Artif. Intell. Rev. 2022;55:1723–1802. doi: 10.1007/s10462-021-10049-5
  19. Dzhulli A, Pal S. Biblioteka Keras – instrument glubokogo obuchenija. Realizacija nejronnyh setej s pomoshh’ju bibliotek Theano i TensorFlow. Moscow: DMK Press; 2018. (In Russ).
  20. Golovko VA. Nejrosetevye tehnologii obrabotki dannyh: ucheb. Posobie. Minsk: BGU; 2017. (In Russ).

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Structural diagrams of regulators based on the principles of deviation (а) and perturbation (b). Designations: R – controller, OR – control object, D – sensor, Xs – target parameter setting, XOR – control target parameter, XD – sensor readings, ex – control error, F – external influence, and G – control action.

下载 (85KB)
索引源数据
3. Fig. 2. Structural diagram of a controller with fuzzy logic. Designations on the diagram: OR – object of regulation, D – sensor, BP – rule base, >Ф – fuzzifier, Ф> – defuzzifier, L – logical conclusion, Xs – target parameter setting, XOR – target control parameter, XD – sensor readings, ex – regulation error, Ф – regulation phase, F – external action, G – control action.

下载 (53KB)
索引源数据
4. Fig. 3. Structural diagram of a PID controller with a neural network for adjusting the coefficients. Designations in the diagram: R – controller, OR – control object, D – sensor, NW – neural network, Xs – target parameter setting, XOR – target control parameter, XD – sensor readings, ex – control error, F – external influence, G – control action, K, Ti, Td – the corresponding coefficients of the PID controller.

下载 (49KB)
索引源数据
5. Fig. 4. Block diagram of a discrete neural network controller. Designations: OR – control object, D – sensor, NWA – neural network approximator, NWC – neural network controller, Xs – target parameter setting, XOR – control target parameter, ex – control error, S – control strategy by control action, С – executive device, F – external action, G – control action.

下载 (126KB)
索引源数据

版权所有 © Mamedov V.M., Arkharov I.A., 2023

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».