Model matematyczny układu napędowego z silnikiem synchronicznym jako nauczyciel sztucznej sieci neuronowej

• Autorzy: Chaban A , Lis M.

Warianty tytułu

EN

Mathematical model of synchronous motor-based drive system being a supervisor for an artificial neural network

• Języki publikacji: PL

Abstrakty

PL

W pracy wykorzystując model matematyczny elektrycznego układu napędowego z silnikiem synchronicznym o biegunach jawnych, zaproponowano sztuczną siec neuronową do wyznaczenia momentu obciążenia. Model matematyczny układu zastosowano jako nauczyciela sieci neuronowej. Dla formułowania różniczkowych równań stanu wykorzystano metody wariacyjne. Wyniki symulacji komputerowych przedstawiono w postaci graficznej.

EN

In the paper the application of an artificial natural network is proposed in order to determine the load torque of electric motor. The mathematical model of electric drive system, based on a synchronous motor with salient poles, was used as a supervisor for the artificial neural network. The variational methods were used in order to formulate the differential state equations. Results of computer simulations are presented as graphs.

Słowa kluczowe

PL

zasada Hamiltona-Ostrogradskiego; metoda Lagrange'a-Hamiltona; nieliniowe równanie różniczkowe; napęd synchroniczny; sztuczna sieć neuronowa

EN

Hamilton-Ostrogradsky rule; Euler-Lagrange’s system; nonlinear differential equation; synchronous drive; artificial neural network

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2013
• Tom: R. 89, nr 12
• Strony: 320--323
• Opis fizyczny: Bibliogr. 11 poz., rys., tab., wykr.

Twórcy

autor

Chaban A

• Politechnika Częstochowska, Wydział Elektryczny, al. Armii Krajowej 17

autor

Lis M.

• Politechnika Częstochowska, Wydział Elektryczny, al. Armii Krajowej 17

Bibliografia

• [1] Czaban A. Modelowanie matematyczne procesów oscylacyjnych w systemach elektromechanicznych. – Lwów: W-wo T. Soroki 2008. – 328 s.
• [2] Rusek A., Czaban A., Lis M.: Model matematyczny napędu synchronicznego z biegunami jawnymi, analiza z zastosowaniem metod wariacyjnych. Przegląd Elektrotechniczny R.89 nr 4, 2013, s.106-108
• [3] Kharchenko E. Procesy dynamiczne w maszynach górniczych. – Lwów: Sweet, 1991. – 176 s.
• [4] Kopylow I. Modelowanie matematyczne maszyn elektrycznych – M.: Wyższa Szkoła, 2001. – 327 s.
• [5] Lis M.: Modelowanie matematyczne procesów nieustalonych w elektrycznych układach napedowych o złożonej transmisji ruchu, Wydawnictwo Politechniki Czestochowskiej, Częstochowa 2013.
• [6] Ortega R., Loria A., Nicklasson P.J., Sira-Ramirez H. Passivity-Beast Control of Euler-Lagrange Systems: Mechanical, Electrical and Electromechanical Applications. London: Springer Verlag, 1998, 543 s
• [7] Ossowski S. Sieci neuronowe do przetwarzania. – Wyd. Politechniki Warszawskiej, 2000. – 312 s.
• [8] Rumelhart D., Histon G., Williams R. Learning internal reprentations by error propagation // In parallel distributed processing // 1986, vol. 1. – Cambridge, MA: MIT Press. – P. 318 – 362.
• [9] Tchaban W. Metody analizy układów elektromechanicznych. – Lwow, “Wyzsza szkola”, 1985, 192 s.
• [10] Borowik L., Włodarz R.: Wykorzystanie energii strat transformatora na cele grzewcze. Przegląd Elektrotechniczny nr 7a, 2012, s.242-244
• [11] Popenda A.: Koncepcja modelowania strat w rdzeniu maszyny indukcyjnej, Przegląd Elektrotechniczny (Electrical Review), R. 86 NR 12/2010 s.120-123