Представлены результаты разработки средств интеллектуального робастного управления параметрами триботронной роторно-опорной системы с коническим подшипником со смещаемой втулкой. Предложенный контроллер реализован на основе глубокого нейросетевого Q-обучения с подкреплением (DQN), синтезированного на основе верифицированной численной модели роторно-опорной системы. Стратегия управления включала в себя одновременное управление положением вала и трением в смазочном слое. Помимо синтеза управления для детерминированной системы также представлен новый метод синтеза робастного DQN-контроллера для системы со стохастичностью параметров. Метод позволяет учитывать неопределённости в системе на этапе обучения посредством случайного варьирования параметров её численной модели. Численное тестирование полученных контроллеров показывает лучшую способность контроллера, обученного с учётом неопределенностей, справляться с переменными нагрузками, а также прогнозировать возможные изменения в системе и превентивно переводить систему в более выгодные состояния.