Optimized design study of permanent magnet switch using deep learning fused with finite element analysis
Notice bibliographique
Résumé
Aiming at the problems of unfixed switching frequency and complicated calculation in the control of permanent magnet synchronous motor, a permanent magnet switch FNN-PID control strategy based on deep learning technology is proposed.Based on the vector control of permanent magnet synchronous motor, the resonant pole inverter is combined with permanent magnet switch control, and then the fuzzy neural network and incremental PID algorithm are used to construct the optimization strategy of permanent magnet synchronous motor switching frequency FNN-PID control.And combined with the finite element simulation software, the permanent magnet switch finite element model is constructed, and the effectiveness of the FNN-PID control strategy is illustrated by verifying the permanent magnet switch control strategy and the temperature rise curve change.When using the FNN-PID control strategy, the electromagnetic torque quickly reaches stabilization near the given torque of 9 N-m after 0.03 s of startup, and the permanent magnet switch frequency of the FNN-PID control strategy is reduced by 24.04%.The difference between the measured maximum winding temperature and the calculated maximum temperature under rated operating conditions is less than 9°C, and the permanent magnet switching loss is reduced by about 35% with the FNN-PID control strategy compared with the traditional MTPA control strategy.Therefore, the combination of deep learning technology and finite element analysis can explore the optimization effect of PM switches from the strategy and application dimensions and provide research ideas for the stable operation of PM switches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».