Wpływ konfiguracji sieci neuronowej na estymację prędkości kątowej silnika PMSM

• Autorzy: Nowak Marcjan , Popenda Andrzej

Identyfikatory

DOI

10.15199/48.2023.02.47

Warianty tytułu

EN

Influence of neural network configuration on PMSM motor angular velocity estimation

• Języki publikacji: PL

Abstrakty

PL

W artykule rozważono wpływ konfiguracji sztucznej sieci neuronowej na estymację prędkości silnika PMSM. Przedstawiono wyniki symulacji komputerowych układu elektromechanicznego zawierającego przekształtnik napięcia, silnik PMSM oraz blok sieci neuronowej. Model symulacyjny został zaprojektowany w programie MATLAB Simulink. W badaniach symulacyjnych uwzględniono trzy różne konfiguracje sztucznej sieci neuronowej.

EN

The article considers the influence of the artificial neural network configuration on the PMSM motor speed estimation. The paper presents the results of computer simulations of the electromechanical system including a voltage converter, PMSM motor and a neural network block. The simulation model was designed in MATLAB Simulink. In the simulation studies, three different configurations of the artificial neural network were taken into account.

Słowa kluczowe

PL

sztuczne sieci neuronowe; silnik PMSM; sterowanie polowo zorientowane; estymacja prędkości

EN

artificial neural networks; ANN; PMSM motor; field oriented control; velocity estimation

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 2
• Strony: 238--241
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Nowak Marcjan

• Politechnika Częstochowska, Wydział Elektryczny, Instytut Elektroenergetyki, Al. Armii Krajowej 17, 42-200 Częstochowa

• https://orcid.org/0000-0002-3067-5872

autor

Popenda Andrzej

• Politechnika Częstochowska, Wydział Elektryczny, Instytut Elektroenergetyki, Al. Armii Krajowej 17, 42-200 Częstochowa

• https://orcid.org/0000-0001-7303-2685

Bibliografia

• [1] Bose Bimal K. Modern Power Electronics and AC Drives, 2002.
• [2] Dubey, S.R.; Chakraborty, S.; Roy, S.K.; Mukherjee, S.; Singh, S.K.; Chaudhuri, B.B. DiffGrad: An Optimization Method for Convolutional Neural Networks. IEEE Trans. Neural Netw. Learn. Syst. 2020, 31, 4500–4511
• [3] Glinka T.: Maszyny elektryczne wzbudzane magnesami trwałymi, Gliwice 2002.
• [4] Glinka T., Jakubiec M., Silniki elektryczne z magnesami trwałymi umieszczonymi na wirniku, Zeszyty Problemowe – Maszyny Elektryczne, Nr 71/2005, Komel, Katowice 2005.
• [5] Haddoun A., Benbouzid M., Diallo D., Abdessemed R., GhouiliJ., Modeling, Analysis, and Neural Network Control of an EV Electrical Differential. IEEE Transactions on Industrial Electronics, Institute of Electrical and Electronics Engineers, 2008, 55 (6), p.2286 - 2294.
• [6] Hagan M. T., Demuth H. B., Beale M. H., De Jesús O., Neural Network Design, 2nd Edition, 2014.
• [7] Nowak M.: Analiza drgań giętnych wału w układzie napędowym z silnikiem PMSM, Przegląd elektrotechniczny, 12/2014.
• [8] Orłowska - Kowalska T.: Bezczujnikowe układy napędowe z silnikami indukcyjnymi, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 2003.
• [9] Osowski S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, 2006.
• [10] Popenda A.: A Concept of Control of PMSM Angular Velocity, Przegląd elektrotechniczny, 12/2013.
• [11] Popenda A., Lis M., Nowak M., Blecharz Krzysztof, Mathematical Modelling of Drive System with an Elastic Coupling Based on Formal Analogy between the Transmission Shaft and the Electric Transmission Line, Energies, 2020.
• [12] Rusek A., Shchur I., Mandzyuk M: Power Effective Work of PMSM in Electric Vehicles at the Account of Magnetic Saturation and Iron Losses, Przegląd elektrotechniczny, 2015.
• [13] Rusek A., Chaban A., Lis M., A Mathematical Model of a Synchronous Drive with Protrude Poles, an Analysis Using Variational Methods, Przegląd Elektrotechniczny, 89 (2013), nr 4, 106-108
• [14] Shao, S.; McAleer, S.; Yan, R.; Baldi, P. Highly Accurate Machine Fault Diagnosis Using Deep Transfer Learning. IEEE Trans. Ind. Inform. 2019, 15, 2446–2455
• [15] Shao, S.; Yan, R.; Lu, Y.; Wang, P.; Gao, R. DCNN-based Multi-signal Induction Motor Fault Diagnosis. IEEE Trans. Instrum. Meas. 2019, 69, 2658–2669
• [16] Sitao W., Chow T.W.S., Intelligent machine fault detection using SOM based RBF neural networks, IEEE International Joint Conference on Neural Networks, 2004, Vol. 3, 2077–2082.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).