Identification of Dynamic Hysteresis Model

• Autorzy: Kuczmann M.

Warianty tytułu

PL

(Identyfikacja dynamicznego modelu pętli histerezy

• Języki publikacji: EN

Abstrakty

EN

The paper presents a measurement system which can be used to prepare measured data to identify the Preisach hysteresis model. The identification is based on the Everett function. A fast and memory efficient realization of the model will be shown which is very useful in numerical field analysis techniques. The dynamic extension of the static model is based on the loss separation formula, and the measured excess magnetic field has been approximated by a feed-forward type neural network. The developed model has been inserted into a finite element procedure.

PL

W artykule zaprezentowano system pomiarowy do przygotowania danych, do identyfikacjj modelu Preisacha pętli histerezy. Identyfikacja oparta jest na funkcji Everetta. Pokazana jest szybka i pamięciowo efektywna metoda identyfikacji, znajdująca zastosowanie w numerycznej analizie pole elektromagnetycznego. Do realizacji modelu dynamicznego używany jest wzór na rozdzielenie strat mocy oraz metoda sieci neuronowych. Opracowany model został implementowany do procedury elementów skończonych.

Słowa kluczowe

EN

finite element method; magnetic hysteresis; neural networks

PL

metoda elementów skończonych; histereza magnetyczna; sieć neuronowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2009
• Tom: R. 85, nr 12
• Strony: 88--91
• Opis fizyczny: Bibliogr. 11 poz., rys., wykr.

Twórcy

autor

Kuczmann M.

• Széchenyi István University,

Bibliografia

• [1] M. Kuczmann, A. Iványi, The Finite Element Method in Magnetics, Academic Press, 2008, Budapest.
• [2] E. D. Torre, Magnetic hystereis, IEEE Press, New York, 1999.
• [3] E. Dlala, Magnetodynamic vector hysteresis models for steel laminations of rotating electrical machines, Ph.D. dissertation, Helsinki University of Technology, 2008.
• [4] J. Füzi, Computationally efficient rate dependent hysteresis model, COMPEL, vol. 18, 1999, pp. 44-54.
• [5] D. Makaveev, L. Dupré, M. De Wulf, J. Melkebeek, Dynamic hysteresis modeling using feed-forward neural networks, J. Magn. Magn. Mater., vol. 254-255, pp. 256-258, 2003.
• [6] G. Bertotti, General properties of power losses in soft ferromagnetic materials, IEEE Trans. Magn., vol. 24, pp. 621-630, 1988.
• [7] E. Dlala, Comparison of Models for Estimating Magnetic Core Losses in Electrical Machines Using the Finite-Element Method, IEEE Trans. Magn., vol. 45, pp. 716-725, 2009.
• [8] S. E. Zirka, Y. I. Moroz, P. Marketos, A. J. Moses, D. C. Jiles, T. Matsuo, Generalization of the classical method for calculating dynamic hysteresis loops in grain oriented electrical steels, IEEE Trans. Magn., vol. 44, pp. 2113–2126, 2008.
• [9] M. Kuczmann, A. Iványi, A new neural-network-based scalar hysteresis model, IEEE Trans. Magn., vol. 38, pp. 857-860, 2002.
• [10] E. Dlala, J. Saitz, A. Arkkio, Inverted and forward Preisach models for numerical analysis of electromagnetic field problems, IEEE Trans. Magn., vol. 42, pp. 1963-1973, 2006.
• [11] Fritsch, F. N. and R. E. Carlson, Monotone Piecewise Cubic Interpolation, SIAM J. Numerical Analysis, vol. 17, pp.238-246, 1980.