Simulation of speed neural control for irrigation machines
DOI:
https://doi.org/10.28983/asj.y2020i7pp78-84Keywords:
neural control, speed, irrigation, modelAbstract
The results of the simulation of speed control of an irrigation machine on neural network basis are presented. Traditional approaches based only on physical modeling of technical processes and relationships often make it difficult to find effective solutions. The proposed approach is based on the model of data mining, namely, on the model of speed neural control. Neural control, leads to the implementation of better and more effective management of irrigation equipment.
Downloads
Download data is not yet available.
References
1. Белов М.П., Носиров И.С., Фыонг Ч.Х. Исследование системы управления электроприводом подачи токарного станка с применением метода обобщенного нейроуправления с прогнозированием // СПБГЭТУ ”ЛЭТИ”. – 2017. – № 4. – С. 45–53.
2. Дьяконов В.П. MATLAB. Полный самоучитель. – М.: ДМК Пресс, 2012. – 768 с.
3. Затинацкий С.В., Колганов Д.А., Загоруйко М.Г. Гидравлическая модель работы модифицированной дождевальной машины «Фрегат» с возможностью движения без полива // Аграрный научный журнал. – 2017. – № 7. – C. 69–72.
4. Кошкин Н.М., Соловьев Д.А., Затинацкий С.В. Результаты создания и исследования работы модифицированной дождевальной машины «Фрегат» // Мелиорация и водное хозяйство. – 2015. – № 4. – С. 23–26.
5. Мещеряков В.Н., Сараев П.В., Мещерякова О.В. Математическое моделирование и управление процессами в системах автоматизации промышленных установок с помощью многозначных нейронных сетей // Проблемы управления. – 2013. – №6. – С.71–73.
6. Соловьев Д.А., Колганов Д.А., Загоруйко М.Г., Елисеев М.С. Результаты создания и исследования работы модифицированной дождевальной машины «Фрегат», работающей в режимах при низких напорах // Аграрный научный журнал. – 2017. – № 2. – C.67–69.
7. Соловьев Д.А., Журавлева Л.А. Влияние режима движения дождевальных машин на норму полива // Вестник АПК Верхневолжья. – 2018. – №1 (41). – C.38–43.
8. Технический уровень отечественного и зарубежного оборудования, применяемого в мелиорации: Информационный сборник / ФГНУ ЦНТИ «Мелиоводинформ». – М.: ФГНУ ЦНТИ «Мелиоводинформ», 2011. – 215 с.
9. Фокин Б.П., Носов А.К. Современные проблемы применения многоопорных дождевальных машин. – Ставрополь, 2011. – 80 с.
10. Чернодуб А., Дзюба Д. Обзор методов нейроуправления // Проблемы программирования. – 2011. – № 2. – С. 79–94.
11. Cheon K., J. Kim, M. Hamadache, D. Lee, J. On Replacing PID Controller with Deep Learning Controller for DC Motor System // J. Autom. Control Eng. 2015. Vol. 3. No. 6. Р. 452–456.
12. Giusti E., Marsili – Libelli S. Fuzzy decision support system for irrigation and water conservation in agriculture // Environ. Model. Softw. 2015. Vol. 63. P. 73–86.
13. Schmidhuber J. Deep Learning in neural networks: An overview” // Neural Networks. 2015. Vol. 61. Р. 85–117.
14. Soloviev D., Zhuravleva L., Bakirov S. Robotic Irrigative Complex with Intellectual Control System "CASCADE" // XVIII International Scientific and Practical Conference "Modern Trends in Agricultural Production in the World Economy". 2019. P. 145–156.
2. Дьяконов В.П. MATLAB. Полный самоучитель. – М.: ДМК Пресс, 2012. – 768 с.
3. Затинацкий С.В., Колганов Д.А., Загоруйко М.Г. Гидравлическая модель работы модифицированной дождевальной машины «Фрегат» с возможностью движения без полива // Аграрный научный журнал. – 2017. – № 7. – C. 69–72.
4. Кошкин Н.М., Соловьев Д.А., Затинацкий С.В. Результаты создания и исследования работы модифицированной дождевальной машины «Фрегат» // Мелиорация и водное хозяйство. – 2015. – № 4. – С. 23–26.
5. Мещеряков В.Н., Сараев П.В., Мещерякова О.В. Математическое моделирование и управление процессами в системах автоматизации промышленных установок с помощью многозначных нейронных сетей // Проблемы управления. – 2013. – №6. – С.71–73.
6. Соловьев Д.А., Колганов Д.А., Загоруйко М.Г., Елисеев М.С. Результаты создания и исследования работы модифицированной дождевальной машины «Фрегат», работающей в режимах при низких напорах // Аграрный научный журнал. – 2017. – № 2. – C.67–69.
7. Соловьев Д.А., Журавлева Л.А. Влияние режима движения дождевальных машин на норму полива // Вестник АПК Верхневолжья. – 2018. – №1 (41). – C.38–43.
8. Технический уровень отечественного и зарубежного оборудования, применяемого в мелиорации: Информационный сборник / ФГНУ ЦНТИ «Мелиоводинформ». – М.: ФГНУ ЦНТИ «Мелиоводинформ», 2011. – 215 с.
9. Фокин Б.П., Носов А.К. Современные проблемы применения многоопорных дождевальных машин. – Ставрополь, 2011. – 80 с.
10. Чернодуб А., Дзюба Д. Обзор методов нейроуправления // Проблемы программирования. – 2011. – № 2. – С. 79–94.
11. Cheon K., J. Kim, M. Hamadache, D. Lee, J. On Replacing PID Controller with Deep Learning Controller for DC Motor System // J. Autom. Control Eng. 2015. Vol. 3. No. 6. Р. 452–456.
12. Giusti E., Marsili – Libelli S. Fuzzy decision support system for irrigation and water conservation in agriculture // Environ. Model. Softw. 2015. Vol. 63. P. 73–86.
13. Schmidhuber J. Deep Learning in neural networks: An overview” // Neural Networks. 2015. Vol. 61. Р. 85–117.
14. Soloviev D., Zhuravleva L., Bakirov S. Robotic Irrigative Complex with Intellectual Control System "CASCADE" // XVIII International Scientific and Practical Conference "Modern Trends in Agricultural Production in the World Economy". 2019. P. 145–156.
