针对长短期记忆神经网络(Long Short Term Memory Neural Network,LSTMNN)在辨识异步电机故障时,因人工选择网络超参数导致的辨识精度下降问题,提出一种改进的蜣螂优化算法寻优LSTMNN的重要参数。首先,建立具有定子匝间短路故障的异步...针对长短期记忆神经网络(Long Short Term Memory Neural Network,LSTMNN)在辨识异步电机故障时,因人工选择网络超参数导致的辨识精度下降问题,提出一种改进的蜣螂优化算法寻优LSTMNN的重要参数。首先,建立具有定子匝间短路故障的异步电机系统模型;其次,利用精英反向学习策略、分段线性混沌映射、动态混沌权重因子和动态权重系数等方法改进蜣螂优化算法;最后,使用改进蜣螂优化算法对LSTMNN的关键超参数进行寻优。仿真结果表明,相较于基于蜣螂优化算法和基于改进麻雀算法的LSTMNN,提出的优化LSTMNN对故障及其他变量的辨识均方根误差分别降低了51.93%、36.49%,平均绝对误差分别降低了56.83%、43.99%,平均绝对百分误差分别降低了29.91%、22.25%,表明采用改进的蜣螂优化算法对LSTMNN的关键超参数寻优,可显著提高LSTM网络对电机故障及其他变量的辨识能力。展开更多
逆变器中死区时间会带来电流谐波和转矩脉动,从而导致感应电机出现明显振动并增加额外损耗。为减少逆变器死区效应带来的不利影响,提出一种基于高阶扩展状态观测器(high-order extended state observer,HO-ESO)的逆变器死区效应在线补...逆变器中死区时间会带来电流谐波和转矩脉动,从而导致感应电机出现明显振动并增加额外损耗。为减少逆变器死区效应带来的不利影响,提出一种基于高阶扩展状态观测器(high-order extended state observer,HO-ESO)的逆变器死区效应在线补偿方法。首先,对逆变器死区效应进行分析,推导出因死区效应而产生的d、q轴误差电压方程。接着,对传统的基于二阶ESO的死区效应补偿方法进行介绍和分析,由分析结果可知,该方法难以准确估计误差电压,从而导致补偿效果欠佳。进一步,设计一种HO-ESO对误差电压进行估计,并将其补偿到感应电机矢量控制系统中。最后,利用仿真和实验测试对所研究的死区效应补偿方法进行验证,并与传统的基于二阶ESO的死区效应补偿法进行对比。测试结果表明,相较于传统基于二阶ESO的死区效应补偿方法,所研究方法表现出更好的死区效应补偿性能。此外,所研究方法无需检测电流极性,易于实施。展开更多
文摘针对长短期记忆神经网络(Long Short Term Memory Neural Network,LSTMNN)在辨识异步电机故障时,因人工选择网络超参数导致的辨识精度下降问题,提出一种改进的蜣螂优化算法寻优LSTMNN的重要参数。首先,建立具有定子匝间短路故障的异步电机系统模型;其次,利用精英反向学习策略、分段线性混沌映射、动态混沌权重因子和动态权重系数等方法改进蜣螂优化算法;最后,使用改进蜣螂优化算法对LSTMNN的关键超参数进行寻优。仿真结果表明,相较于基于蜣螂优化算法和基于改进麻雀算法的LSTMNN,提出的优化LSTMNN对故障及其他变量的辨识均方根误差分别降低了51.93%、36.49%,平均绝对误差分别降低了56.83%、43.99%,平均绝对百分误差分别降低了29.91%、22.25%,表明采用改进的蜣螂优化算法对LSTMNN的关键超参数寻优,可显著提高LSTM网络对电机故障及其他变量的辨识能力。
文摘逆变器中死区时间会带来电流谐波和转矩脉动,从而导致感应电机出现明显振动并增加额外损耗。为减少逆变器死区效应带来的不利影响,提出一种基于高阶扩展状态观测器(high-order extended state observer,HO-ESO)的逆变器死区效应在线补偿方法。首先,对逆变器死区效应进行分析,推导出因死区效应而产生的d、q轴误差电压方程。接着,对传统的基于二阶ESO的死区效应补偿方法进行介绍和分析,由分析结果可知,该方法难以准确估计误差电压,从而导致补偿效果欠佳。进一步,设计一种HO-ESO对误差电压进行估计,并将其补偿到感应电机矢量控制系统中。最后,利用仿真和实验测试对所研究的死区效应补偿方法进行验证,并与传统的基于二阶ESO的死区效应补偿法进行对比。测试结果表明,相较于传统基于二阶ESO的死区效应补偿方法,所研究方法表现出更好的死区效应补偿性能。此外,所研究方法无需检测电流极性,易于实施。
