فایل ورد کامل کاربرد هوش مصنوعی به منظور کشف خطای بی درنگ در ماشین های سنکرون مغناطیس ثابت

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل کاربرد هوش مصنوعی به منظور کشف خطای بی درنگ در ماشین های سنکرون مغناطیس ثابت،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۰ صفحه

چکیده

این مقاله در مورد خطاهای موجود در ماشین های الکتریکی چرخشی بحث می کند و روش تشخیص خطا را با استفاده از شبکه عصبی مصنوعی (ANN) توصیف می کند، که سیستمی خبره برای تشخیص جریانات خطای مدار اتصال کوتاه در سیم پیچ های استاتور ماشین سنکرون مغناطیس دائم (PMSM) است. این محیط آزمایشی شامل PMSM می شود که به صورت مکانیکی به موتور dc متصل شده تا در حالت گشتاور راه اندازی شود. از بهینه سازی ازدحام ذرات برای تنظیم وزن های ANN استفاده می شود. هم شبیه سازی ها در محیط متلب/سیمولینک انجام می شود. این روش کارآمد است و می تواند برای تشخیص خطای بلادرنگ به کار برده شود.

۷- نتیجه گیری

نتایج نشان داده شده در این مقاله یک روش کاربردی نویدبخش را برای FDD بلادرنگ نشان می دهد. فرکانس کاربرد این درایو می تواند بر سایر فرکانس ها به جز ۱۰ Hz تنظیم شود که فرکانس کاربرد درایو در این مقاله است. در مورد کاربرد رد ۱۰ Hz، با بحث در مورد دست‌کاری داده ها، ANN برای تصمیم گیری به حدود ۰۰۵ s نیاز دارد. این وقفه های زمانی کوتاه از خسارت بیشتر به سیم پیچ ماشین جلوگیری می کند. این شبیه سازی ها برای مقادیر خروجی ANN در آستان ۳ انحراف معیار در میانگین نمونه انجام می شود. این آستانه می تواند برای جلوگیری از هشدارهای کاذب افزایش یابد. این روش به صورتی صحیح خطاهای مدار اتصال کوتاه را از ناپایداری-های بارگذاری متمایز می کند.

عنوان انگلیسی:Application of Artificial Intelligence to Real-Time Fault Detection in Permanent-Magnet Synchronous Machinesش~~en~~

Abstract

This paper discusses faults in rotating electrical machines in general and describes a fault detection technique using artificial neural network (ANN) which is an expert system to detect short-circuit fault currents in the stator windings of a permanent-magnet synchronous machine (PMSM). The experimental setup consists of PMSM coupled mechanically to a dc motor configured to run in torque mode. Particle swarm optimization is used to adjust the weights of the ANN. All simulations are carried out in MATLAB/SIMULINK environment. The technique is shown to be effective and can be applied to real-time fault detection.

VII- CONCLUSION

The results shown in this paper show a promising technique applicable to real-time FDD. The frequency of operation of the drive can be adjusted to other frequencies other than 10 Hz which was the frequency of operation of the drive in this paper. By the data manipulations discussed, the ANN requires about 0.05 s, in the case of operation at 10 Hz, to make a decision. If the frequency is increased to 60 Hz, the ANN requires 0.00833 s to make decisions. These short time intervals would prevent further damage to the winding of the machine. The simulations have been carried out for values of the ANN output within a threshold range of 3 standard deviations about the sample mean. The threshold can be increased to prevent false alarms. The technique also accurately distinguishes short-circuit faults from loading transients.

$$en!!