Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: model przybliżony

Sortuj według:

Ogranicz wyniki do:

Sterowanie adaptacyjne silnikiem PMSM z dowolnym rozkładem strumienia

Mosiołek P.

Przegląd Elektrotechniczny

2014

R. 90, nr 6

103--108

W artykule przedstawiono algorytm sterowania adaptacyjnego silnikiem z magnesami trwałymi z dowolnym rozkładem strumienia. Do syntezy algorytmu zastosowano zmodyfikowaną metodę adaptacyjnego wstecznego całkowania. Zadane wartości prądów w osiach d i q wyznaczane są zgodnie z zasadą maksymalnej wartości momentu na amper - MTPA. Poprawność algorytmu ilustrują wyniki uzyskane na drodze symulacji komputerowej.

This paper presents an algorithm for adaptive control of PMSM motor with any distribution of the flux. The modified adaptive backstepping method was used for synthesis of control algorithm. The dq reference currents are determined by the principle of maximum torque per ampere – MTPA. Simulation results were demonstrated for the drive system under chosen operation conditions.

Wybrane zastosowania sztucznej inteligencji w diagnostyce technicznej

Moczulski W.

Problemy Eksploatacji

2005

nr 3

93--105

Przedmiotem referatu są zastosowania sztucznej inteligencji w określonej dziedzinie, jaką jest diagnostyka techniczna. W praktycznych zadaniach diagnostyki technicznej celowe jest wyodrębnienie podmiotu, przez który rozumiany będzie bądź człowiek-diagnosta, bądź sztuczny układ diagnozujący. Głównym celem postępowania ("diagnostycznego") jest ocena stanu (technicznego) obiektu diagnozowania. Działanie to wymaga zgromadzenia odpowiedniej wiedzy i/lub doświadczenia. Może ono być bądź to wspomagane, bądź wręcz realizowane, przez odpowiedni system bazujący na wiedzy (ang. Knowledge-based system). Budowa takich systemów, a zwłaszcza budowa ich baz wiedzy, jest ważną gałęzią sztucznej inteligencji.

The paper deals with several issues concerning applications of Artificial Intelligence (AI) in technical diagnostics. The applications were selected with respect to research work carried out in the Department of Fundamentals of Machinery Design, Silesian University of Technology at Gliwice, Poland. Main tasks of technical diagnostics of objects (machinery and equipment) and processes are briefly discussed. Further on, some arbitrary selected applications are described. Apart from the first application that focuses on acquisition of procedural and declarative knowledge from domain experts, all remaining ones are connected with knowledge acquisition from databases containing either examples obtained during simulations, or collected from real machinery and processes. Diagnostic inverse models are means of diagnostic concluding. The models are usually trained on simulation data. Belief network is other means of efficient modeling diagnostic relations that allows representing and dealing with uncertainty. An important contribution to classification yield diagnostic multimodels and multilevel models, both of them making possible application of local models, and then combining responses of component models. Recently, approximate models of processes become important, with special attention paid to different soft modeling methods. It is shown that classical machine learning methods may be efficiently employed for knowledge acquisition from examples. However, since many databases accessible from monitoring systems contain unclassified though quite valuable data, applications of new methodology of knowledge discovery in databases are very promising. Finally, a comprehensive application - a diagnostic expert system - is discussed. The paper concludes with short discussion about the role that AI should play in technical diagnostics in the future, and some issues that become potential subjects of prospective research.