Los datos de entrenamiento para un controlador de red neuronal (NN) de aprendizaje profundo (DL) se obtienen de las señales de entrada y salida de un controlador digital convencional diseñado para proporcionar la señal de control adecuada a una planta específica dentro de un sistema de control digital de retroalimentación. Se descubre que si el controlador DL es suficientemente profundo (cuatro capas ocultas), puede superar al controlador convencional en términos de tiempo de establecimiento de la respuesta transitoria de salida del sistema a una señal de referencia de paso unitario. Es decir, el controlador DL introduce un efecto de amortiguamiento. Además, no necesita ser reentrenado para operar con una señal de referencia de diferente magnitud o bajo cambio de parámetros del sistema. Estas propiedades hacen que el control DL sea más atractivo para aplicaciones que pueden experimentar variaciones de parámetros, como las redes de sensores. Los resultados prometedores de la robustez contra cambios de parámetros están llamando a futuras investigaciones en la dirección del control DL robusto.