Oleksiy Varfolomiyev
Oleksiy Varfolomiyev has a total of 12 co-authors. Here are the top co-authors by number of shared publications:
Т.ю. Василець
4 shared publications- Gennadii Kanjuk
V.N. Karazin Kharkiv National University, Kharkiv, Ukraine
3 shared publications - Andrey Mezerya
V.N. Karazin Kharkiv National University, Kharkiv, Ukraine
2 shared publications - Tetiana Vasylets
Education and Research Institute “Ukrainian Engineering and Pedagogical Academy” of V.N. Karazin Kharkiv National University
2 shared publications - В.с. Іщенко2 shared publications
- О.м. Близниченко2 shared publications
Latest Publications
- Open Access
- 29 October 2026
- Published by Private Company Technology Center in Eastern-European Journal of Enterprise Technologies
- Vol. 5 (2 (143)) , 129-147
Design of neural network predictive speed control for a two-mass electromechanical system
Transient processes have been investigated in this study in a two-mass electromechanical system with an elastic kinematic connection, operating under conditions of variable load and significant inertial-elastic interactions between the drive elements. The task addressed relates to significant deterioration in the quality of transient processes when using classical PI controllers, manifested in large overshoots, oscillations, and increased dynamic loads on the mechanical elements of the system. This work proposes NN Predictive Controller – a neural network predictive controller, built on the basis of a neural network model of the object and the principles of predictive control. The model and control system are implemented in the MATLAB/Simulink environment. The simulation results showed that in the classical system, there is an overshoot of the actuator speed of about 98% while the control time exceeds 10 s. In the system with a neural network controller, there is no overshoot, and the control time is reduced to 3 s. The improved dynamics are explained by the ability of the neural network to take into account the prediction of the object's behavior and form a control signal taking into account future changes in the system state. This allows for effective suppression of oscillatory processes characteristic of two-mass mechanical structures. A distinctive feature of the approach is the combination of neural network identification and predictive control without the need for a complex analytical model of the object, which increases the adaptability of the system under variable operating conditions. Practical significance relates to the possibility of applying the proposed approach in control systems for electric drives whose mechanical part contains elastic kinematic linkages, where the requirements for the quality of transient processes, speed of operation, and reduction of dynamic loads are critical
- 29 October 2026
- Published by Private Company Technology Center in Eastern-European Journal of Enterprise Technologies
- Vol. 5 (2 (143)) , 129-147
Open AccessDesign of neural network predictive speed control for a two-mass electromechanical system
Transient processes have been investigated in this study in a two-mass electromechanical system with an elastic kinematic connection, operating under conditions of variable load and significant inertial-elastic interactions between the drive elements. The task addressed relates to significant deterioration in the quality of transient processes when using classical PI controllers, manifested in large overshoots, oscillations, and increased dynamic loads on the mechanical elements of the system. This work proposes NN Predictive Controller – a neural network predictive controller, built on the basis of a neural network model of the object and the principles of predictive control. The model and control system are implemented in the MATLAB/Simulink environment. The simulation results showed that in the classical system, there is an overshoot of the actuator speed of about 98% while the control time exceeds 10 s. In the system with a neural network controller, there is no overshoot, and the control time is reduced to 3 s. The improved dynamics are explained by the ability of the neural network to take into account the prediction of the object's behavior and form a control signal taking into account future changes in the system state. This allows for effective suppression of oscillatory processes characteristic of two-mass mechanical structures. A distinctive feature of the approach is the combination of neural network identification and predictive control without the need for a complex analytical model of the object, which increases the adaptability of the system under variable operating conditions. Practical significance relates to the possibility of applying the proposed approach in control systems for electric drives whose mechanical part contains elastic kinematic linkages, where the requirements for the quality of transient processes, speed of operation, and reduction of dynamic loads are critical
- 19 September 2019
- Published by Ivan Kozhedub Kharkiv National Air Force University KNAFU in Системи озброєння і військова техніка
- No. 3(59),p. 55-63
Розробка fuzzy регулятора для трьохмасової електромеханічної системи з застосуванням Matlab
- 19 September 2019
- Published by Ivan Kozhedub Kharkiv National Air Force University KNAFU in Системи озброєння і військова техніка
- No. 3(59),p. 55-63
Розробка fuzzy регулятора для трьохмасової електромеханічної системи з застосуванням Matlab
- 27 June 2019
- Published by Ivan Kozhedub Kharkiv National Air Force University KNAFU in Системи озброєння і військова техніка
- No. 2(58),p. 102-110
Нечітке управління трьохмасовою електромеханічною системою
- 27 June 2019
- Published by Ivan Kozhedub Kharkiv National Air Force University KNAFU in Системи озброєння і військова техніка
- No. 2(58),p. 102-110
Нечітке управління трьохмасовою електромеханічною системою
- Open Access
- 29 May 2019
- Published by Private Company Technology Center in Eastern-European Journal of Enterprise Technologies
- Vol. 3 (2 (99)) , 51-63
Development of neuralnetwork and fuzzy models of multimass electromechanical systems
Development of neuralnetwork and fuzzy models of multimass electromechanical systems
- 29 May 2019
- Published by Private Company Technology Center in Eastern-European Journal of Enterprise Technologies
- Vol. 3 (2 (99)) , 51-63
Open AccessDevelopment of neuralnetwork and fuzzy models of multimass electromechanical systems
Development of neuralnetwork and fuzzy models of multimass electromechanical systems
- 26 June 2018
- Published by Ivan Kozhedub Kharkiv National Air Force University KNAFU in Системи обробки інформації
- No. 2(153),p. 7-17
Синтез нейромережевого регулятора для електромеханічної системи з пружними зв’язками в кінематичних передачах
Виконано синтез нейрорегулятора з передбаченням NN Predictive Controller для рішення задачі управління електромеханічною системою з урахуванням пружності механічних зв ’язків. Наведено порядок синтезу’ нейрорегулятора для заданого об 'єкту управління з використанням пакету прикладних програм Neural Network Toolbox системи hdATLAB. Встановлено, які параметри нейрорегулятора суттєво впливають на якість регулювання і визначені оптимальні значення параметрів. Виконано моделювання нейромережевої системи. Показано, що синтезований нейрорегулятор забезпечує високі динамічні характеристики системи з пружними зв ’язками в кінематичних передачах.
- 26 June 2018
- Published by Ivan Kozhedub Kharkiv National Air Force University KNAFU in Системи обробки інформації
- No. 2(153),p. 7-17
Синтез нейромережевого регулятора для електромеханічної системи з пружними зв’язками в кінематичних передачах
Виконано синтез нейрорегулятора з передбаченням NN Predictive Controller для рішення задачі управління електромеханічною системою з урахуванням пружності механічних зв ’язків. Наведено порядок синтезу’ нейрорегулятора для заданого об 'єкту управління з використанням пакету прикладних програм Neural Network Toolbox системи hdATLAB. Встановлено, які параметри нейрорегулятора суттєво впливають на якість регулювання і визначені оптимальні значення параметрів. Виконано моделювання нейромережевої системи. Показано, що синтезований нейрорегулятор забезпечує високі динамічні характеристики системи з пружними зв ’язками в кінематичних передачах.
- 27 March 2018
- Published by Ivan Kozhedub Kharkiv National Air Force University KNAFU in Системи обробки інформації
- No. 1(152),p. 7-15
Нейромережеве управління електромеханічною системою з пружними зв’язками в кінематичних передачах
Розроблена математична модель двомасової системи управління електроприводом генератор-двигун, яка має структуру з підсумовуючим підсилювачем. Шляхом моделювання системи встановлено, що в перехідних режимах мають місце значні коливання основних координат системи. Для забезпечення бажаних динамічних характеристик двомасової системи обгрунтовано застосування нейромережевих технологій управління. Розроблена структурна схема нейромережевої системи. В якості нейрорегулятора вибрано регулятор з передбаченням NN Predictive Controller, що міститься в пакеті прикладних програм Neural Network Toolbox системи MA TLAB. Проведено моделювання нейромережевої системи. В результаті аналізу результатів моделювання встановлено, що нейромережева система забезпечує високу якість регулювання.
- 27 March 2018
- Published by Ivan Kozhedub Kharkiv National Air Force University KNAFU in Системи обробки інформації
- No. 1(152),p. 7-15
Нейромережеве управління електромеханічною системою з пружними зв’язками в кінематичних передачах
Розроблена математична модель двомасової системи управління електроприводом генератор-двигун, яка має структуру з підсумовуючим підсилювачем. Шляхом моделювання системи встановлено, що в перехідних режимах мають місце значні коливання основних координат системи. Для забезпечення бажаних динамічних характеристик двомасової системи обгрунтовано застосування нейромережевих технологій управління. Розроблена структурна схема нейромережевої системи. В якості нейрорегулятора вибрано регулятор з передбаченням NN Predictive Controller, що міститься в пакеті прикладних програм Neural Network Toolbox системи MA TLAB. Проведено моделювання нейромережевої системи. В результаті аналізу результатів моделювання встановлено, що нейромережева система забезпечує високу якість регулювання.