基于内模解耦的IPMSM矢量控制仿真研究

在永磁同步电机的研究中,针对永磁同步电机的非线性和参数的不确定性以及采用矢量控制后电压与电流之间的强耦合性,为抑制系统非线性影响,消除干扰,采用基于内模控制(IMC)的矢量控制,克服传统的PI控制不能动态解耦以及对电机参数敏感的问题.从同步速d-q坐标系下凸极式永磁同步电机(IPMSM)数学模型及其矢量控制的基本原理出发,对交叉耦合关系进行了理论分析,引入了内模控制方法,设计了转子磁链定向和内模控制的电流调节器.在MATLAB下搭建了系统的仿真模型进行仿真,结果表明,所提出的内模控制器在模型匹配和失配的情况下均能提供良好的解耦效果,为优化设计提供了有效参考依据,可在线调节.     

小电流接地系统的新判据在检测工程应用分析

针对当前在小电流接地系统中,尤其是经消弧线圈接地的系统中,所装设的接地检测(选线)装置正确动作率不高的问题,根据系统的特点,对小电流接地系统的选线设备原理、采样误差等方面问题进行剖析,提出了减小综合测量误差,提高选线准确性、可靠性的措施。     

动态小波在变压器励磁涌流识别中的应用研究

电力变压器的励磁涌流识别一直是变压器保护的一个重要问题。动态小波是小波函数和傅里叶函数的组合,固此与常规小波变换相比。检测故障突变信号的能力更强。文中将动态小波运用于励磁涌流识别中,通过仿真实验证明了该方法提高了勋磁涌流鉴别的可靠性。     

动画演示与算法教学研究

算法南来就是计算机教学中的难点,一般算法教学方法很难有效帮助学生理解算法.通过分析算法动函演示的认知作用,强调只有好的算法动画演示才能有效促进算法学习,然后从认知主体需要出发,提出设计好算法动画演示的四个原则,说明只有认真调查研究每一个算法的演示目标和重点,合理安排演示内容和形式,才能设计出一个好的算法动画演示系统.     

多类支持向量机推广性能分析

为了分析多类支持向量机(Multi-category support vector machines,M-SVMs)的推广性能,对常用的M-SVMs算法加以概述,推导、总结了理论推广误差公式.对于给定的样本集,可以设计合理的编码来提高ECOCSVMs的推广性能,通过构造合理的层次结构来提高H-SVMs推广性能,其余M-SVMs算法的推广性能均取决于样本空间.研究结果为有效使用M-SVMs提供了依据,为改进M-SVMs指明了方向.     

基于熵和蚁群聚类算法的模糊支持向量机

摘 要: 模糊支持向量机(FSVM)对传统支持向量机(SVM)在对外围点和噪声数据敏感的缺陷做了重要改进。选取合适的聚类中心计算符合数据本身特征分布的隶属度,能使分类更加准确,提高测试精度。论文基于模糊支持向量机思想,提出一种新的模糊聚类模型—基于熵和蚁群聚类算法的模糊支持向量机(EAFSVM),为聚类中心和隶属度的计算提出了新方法。实验对比传统SVM和FSVM,结果表明EAFSVM测试精度较高,尤其对多类数据、大规模数据具有较好的分类能力。     

人工智能实验教学探讨

本文一方面简单介绍人工智能的基本理论及知识体系结构,另一方面则结合笔者的理论实践与实验教学经验,总结出目前在整个教学过程所存在的一些问题,目的在于不断总结经验,力争能更好地完成人工智能的整个教学工作,从而提高人才培养的质量,同时也可以为其他高校提供参考。     

武警机关办公自动化工作流协同模型研究

根据工作流管理系统参考模型的规范和武警机关办公实际,提出基于工作流管理系统规范的武警工作流协同模型的思想,并将其应用到网上公文审批的过程,实现了网上公文审批流程的自动化执行,提高公文审批效率,解决了网上审批中无法进行业务流程之间的有效协同问题。     

考虑磁致伸缩逆效应的非晶合金开关磁阻电机减振方法

非晶合金用于电机铁心可极大地提高电机效率,然而,其较大的磁致伸缩系数和极强的应力敏感性（即磁致伸缩逆效应）在增大铁心振动噪声的同时,限制电信号对铁心磁性能的精确控制能力。该文提出采用磁致伸缩逆效应对铁心磁化状态进行调制,以抑制非晶合金开关磁阻电机电磁振动的减振思路。首先,基于宏观热力学理论,建立考虑磁致伸缩及其逆效应的非晶合金材料力-磁耦合本构关系;其次,提出非晶合金开关磁阻电机的定子齿加压结构,并考虑静态预应力、脉动电磁应力对非晶合金磁特性的影响,构建开关磁阻电机力-磁双向动态耦合模型并求解;最后,计算应力作用前后定子铁心的磁通密度分布。通过实验与仿真对比发现,定子齿加压结构的径向电磁应力可减小44.5%,因此该减振方法具有可行性。     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。