Wyniki wyszukiwania - BazTech

1

Neural learning adaptive system using simplified reactive power reference model based speed estimation in sensorless indirect vector controlled induction motor drives

Sedhuraman K., Himavathi S., Muthuramalingam A.

Archives of Electrical Engineering

|

2013

|

Vol. 62, nr 1

25-41

EN

This paper presents a novel speed estimator using Reactive Power based Model Reference Neural Learning Adaptive System (RP-MRNLAS) for sensorless indirect vector controlled induction motor drives. The Model Reference Adaptive System (MRAS) based speed estimator using simplified reactive power equations is one of the speed estimation method used for sensor-less indirect vector controlled induction motor drives. The conventional MRAS speed estimator uses PI controller for adaptation mechanism. The nonlinear mapping capability of Neural Network (NN) and the powerful learning algorithms have increased the applications of NN in power electronics and drives. This paper proposes the use of neural learning algorithm for adaptation in a reactive power technique based MRAS for speed estimation. The proposed scheme combines the advantages of simplified reactive power technique and the capability of neural learning algorithm to form a scheme named “Reactive Power based Model Reference Neural Learning Adaptive System” (RP-MRNLAS) for speed estimator in Sensorless Indirect Vector Controlled Induction Motor Drives. The proposed RP-MRNLAS is compared in terms of accuracy, integrator drift problems and stator resistance versions with the commonly used Rotor Flux based MRNLAS (RF-MRNLAS) for the same system and validated through Matlab/Simulink. The superiority of the RP-MRNLAS technique is demonstrated.

2

Prediction of Properties of Unknotted Spliced Ends of Yarns Using Multiple Regression and ArtificialNeural Networks.Part 1, Identification of Spliced Joints of Combed Wool Yarn by Artificial Neural Networks and Multiple Regression

Lewandowski S., Drobina R.

Fibres & Textiles in Eastern Europe

|

2008

|

Vol. 16, no. 5 (70)

33--39

EN

Applying the software environment Statistica for neural networks allowed the use of artificial neural networks and regression analysis to predict the physical properties of unknotted joints of yarn ends. The database entered into the network was built on the basis of determining characteristic geometric dimensions and the strength properties of joints, as well as assessing non-additive features, represented by teaseling and tangling. Networks of the multilayer perceptron type (MLP) and generalized regression neural networks (GRNN) were used. In order to compare the results, multiple regression was also applied

PL

Zastosowanie środowiska oprogramowania Statistica + Sztuczne Sieci Neuronowe pozwoliło na wykorzystanie sztucznych sieci neuronowych realizujących zadania regresyjne, do przewidywania właściwości fizycznych bezwęzłowych połączeń końców nitek. Bazę danych wprowadzonych do sieci zbudowano na podstawie wyznaczenia charakterystycznych wymiarów geometrycznych i właściwości wytrzymałościowych połączeń, oraz oszacowania cech nieaddytywnych, reprezentowanych przez splątanie i zmechacenie. Posłużono się sieciami typu perceptron wielowarstwowy MLP oraz sieciami neuronowymi realizującymi regresję uogólnioną GRNN. W celach porównawczych dokonano również predykcji właściwości omawianych połączeń przy użyciu regresji wielokrotnej.

3

Artificial neural networks for modelling the microhardness of plasma immersion ion implanted AISI 304 SS

Durmus H., Saklakoglu N.

Computer Methods in Materials Science

|

2008

|

Vol. 8, No. 2

86-92

EN

This paper reports on the effectiveness of a back-propagation artificial neural network model that predicts the micro-hardness of 304 austenitic stainless steel samples which have been implanted with nitrogen using plasma immersion ion implantation (PIH) at different temperatures between 350 and 500°C. Artificial Neural Networks (ANNs) have the capacity to eliminate the need for expensive and difficult experimental investigation in testing and manufacturing processes. This paper shows that ANNs can be employed for optimizing the process parameters of AISI 304 austenitic stainless steel. Predicted values from the model and experimental values are in close agreement and this indicates the usefulness of applying ANNs in predicting hardness results.

PL

W artykule opisano efektywność modelu opartego o sieć neuronową wstecznej propagacji, który przewiduje mikrotwardość stali nierdzewnej AISI 304 poddanej implantacji jonowej plazmowym zanurzeniem w różnych temperaturach pomiędzy 350 i 500°C. Sztuczna sieć neuronowa (SNN) stwarza możliwość ograniczenia kosztownych i trudnych badań doświadczalnych i prób w warunkach przemysłowych. W artykule pokazano, że SNN może zostać zastosowana do optymalizacji parametrów procesu dla austenitycznej stali nierdzewnej AISI 304. Zaobserwowano dobrą zgodność między przewidywaniami modelu i obserwacjami doświadczalnymi, co potwierdza przydatność SNN w modelowaniu twardości wyrobów po implantacji jonowej plazmowym zanurzeniem.

4

Wykorzystanie algorytmu wstecznej propagacji błędów oraz widma gęstości mocy sygnałów emisji akustycznej generowanej przez wyładowania niezupełne w procesie rozpoznawania podstawowych form tych wyładowań przez sztuczną sieć neuronową

Borucki S.

Zeszyty Naukowe. Elektryka / Politechnika Opolska

|

2007

|

Vol. 320, z. 58

73-81

PL

W artykule przedstawiono wyniki badań dotyczących zastosowania sztucznych sieci neuronowych (SNN) do rozpoznawania podstawowych form WNZ, które mogą wystąpić w osłabionej procesami starzeniowymi izolacji papierowo - olejowej. Na podstawie zarejestrowanych sygnałów oraz przy wykorzystaniu widma gęstości mocy (PSD) wykonano analizę skuteczności rozpoznawania poszczególnych form WNZ przez zaimplementowaną sieć neuronową.

EN

The paper presents research results referring to use of artificial neuron networks (ANN) for recognizing basic PD forms which can occur in paper-oil insulation weakened by aging processes. Based on the signals registered and using the power spectrum density (PSD), the analysis of the effectiveness of recognition of the particular PD forms by the implemented neuron network was carried out.

5

The Use of Neural Network for Active Noise Control in a Duet

Morzyński L.

Mechanika / Akademia Górniczo-Hutnicza im. St. Staszica

|

2003

|

T. 22, z. 3

361-366

EN

In this paper a neural network based system for active noise control (ANC) in duet is described. The neural network with back propagation learning algorithm is implemented in a PC-based control unit. The cancellation path transfer function in form of a delay line inthe learning algorithm is considered. Some simulations and experimental results of system performance are presented.