چکیده
بسیاری از مسائل علمی، مهندسی و اقتصادی شامل بهینه سازی مجموعه ای از پارامترها می باشد. این مسائل شامل نمونه هایی همچون به حداقل رسانی اتلاف در شبکه برق با یافتن تنظیمات بهینه بخش ها، یا تقویت شبکه عصبی برای تشخیص تصویر چهره افراد می باشد. الگوهای بهینه سازی بیشماری مطرح شده اند تا به حل این مشکلات، با درجلت مختلفی از موفقیت بپردازند. بهینه سازی ازدحام ذرات (PSO) تکنیک نسبتا جدیدی می باشد که به صورت تجربی نشان داده شده است که دارای عملکرد خوبی بر روی بسیاری از این مسائل بهینه سازی می باشد. این مقاله مدل نظری را ارائه می دهد که می تواند برای شرح رفتار بلندمدت الگوریتم مورد استفاده قرار گیرد. نسخه پیشرفته بهینه کننده ازدحام ذرات ایجاد شده و نشان داده شده که دارای همگرایی تضمین شده ای بر روی سطح محلی می باشد.این الگوریتم رو به توسعه بوده، که منجر به الگوریتم هایی با همگرایی تضمین شده در سطح جهانی شده است. مدلی برای ایجاد الگوریتم های PSO مشترک ایجاد شده است، که منتهی به معرفی دو الگوریتم مبتنی بر PSO جدید شده است. شواهد تجربی نیز ارائه شده تا به پشتیبانی از خصوصیات نظری پیش بینی شده توسط مدل های مختلف، با استفاده از فعالیت های مبنا ترکیبی برای بررسی مشخصه های ویژه بپردازد. سپس الگوریتم های مختلف مبتنی بر PSO، در مورد فعالیت تقویت شبکه های عصبی اعمال می گردد که به ادغام نتایج حاصل شده بر روی فعالیت های مبنا ترکیبی بپردازد.
مقدمه
شما با صدای ساعتتان بیدار می شوید. ساعتی که توسط شرکتی ساخته می شود تا سود خود را با مد نظر قرار دادن تخصیص بهینه منابع تحت کنترلش به حداکثربرساند. شما کتری را روشن می کنید تا قهوه ای درست کنید، بدون اینکه در مورد مدت زمان طولانی که شرکت برق برای بهینه سازی ارائه برق وسایل تان صرف می کند، فکر کنید. هزاران متغیر در شبکه برق تلاشی را به منظور به حداقل رسانی اتلاف در شبکه به منظور به حداکثر رساندن بازدهی تجهیزات برقی تان انجام می دهد. شما وارد اتومبیلتان شده وموتور را بدون درک پیچیدگی های این معجزه کوچک مهندسی شده، روشن می کنید. هزاران پارامتر توسط سازندگان مد نظر قرار داده می شود تا وسیله نقلیه ای را تحویل دهند که متناسب با انتظارتان بوده، که شامل زیبایی بدنه تا شکل آینه بغل اتومبیل می باشد تا از تصادف جلوگیری شود.
خلاصه
به منظور جلوگیری از اثر تشخیص سرعت بر پایین آمدن پایداری و دقت سیستم موتور القایی بدون یاتاقان، این مقاله تکنیکی تازه برای مشاهده سرعت با استفاده از روش معکوس شبکه عصبی مصنوعی (ANN) ، ارایه می دهد. زیرسیستم درونی تشکیل شده از جریان های سیم پیچی سرعت و گشتاور، مدل شده اند و سپس معکوس سازی آن با استفاده از ANN صورت گرفته است. سرعت موتور، بطور موفقیت بخشی با سری کردن زیرسیستم اصلی با معکوسش، مشاهده شده است. سرعت مشاهده شده به حلقه کنترل سرعت پیشخور (فیربک) شده، و ازینرو درایو برداری بدون سنسور سرعت محقق می شود. سودمندی این روش، با استفاده از نتایج آزمایشی نشان داده شده است.
کلمات کلیدی: معکوس شبکه عصبی مصنوعی (ANN) ، موتور القایی بدون یاتاقان (BIM) ، بدون سنسور سرعت، کنترل برداری.
مقدمه
در سال های اخیر، علایق زیدی بر موتورهای بدون یاتاقان جلب شده است. به سبب همانندی (شباهت) ساختارهای موتورهای الکتریکی و یاتاقان های مغناطیسی، یک موتور بدون یاتاقان، آمیزه ای از عملکرد یک موتور و یک یاتاقان با همان قاب استاتور می باشد. این موتورها می توانند بطور همزمان نیروی تعلیق شعاعی و گشتاور را طوری تولید کنند که هیچ اتصال مکانیکی بین روتور و استاتور وجود داشته باشد. از سویی دیگر، تعلیق مغناطیسی دارای این برتری های نشکستن، ساییده نشدن، نیاز نداشتن به روغن کاری، سرعت چرخشی بالا، و دقت بالا در مقایسه با اتصال مکانیکی می باشد. از دیگر سو، یک موتور بدون یاتاقان دارای فواید بی همتایی در کوچکی اندازه، وزن سبک، و هزینۀ کم در مقایسه با ساختارهای جفت تشکیل شده از یاتاقان های مغناطیسی و یک موتور می باشند. ازنرو، موتورهای بدون یاتاقان در حال محبوب تر شدن برای کاربردهای گسترده ای همچون ماشین آلات توربوی پرسرعت، ماشین ابزار دوک، پمپ های خلا، پمپ های خون، هراد کامپیوتر، چرخ طیار ذخیره ساز انرژی، و غیره می باشند.