Národní úložiště šedé literatury Nalezeno 3 záznamů.  Hledání trvalo 0.01 vteřin. 
Derivace a integrace frakčního řádu v PID regulátorech pohonů s PMSM
Hromek, Vít ; Veselý, Libor (oponent) ; Zezula, Lukáš (vedoucí práce)
Tato bakalářská práce se zaměřuje na řízení synchronního motoru s permanentním magnetem (PMSM) frakčním řádem PI regulátoru (FOPI). Za pomocí vektorového řízení jsou proudové složky odvazbeny ("decoupling") a řízeny individuálně. Na tyto proudové složky jsou pak navrhnuty PI regulátory, které jsou v pozdější části práce nahrazeny FOPI regulátory a je vyhodnocena kvalita regulace za pomocí kvadratického integrálního kritéria a ITAE kritéria. Obdobně je navžen regulátor frakčního řádu i pro regulaci otáček. Poslední část práce je zaměřená na vykreslení výsledků pro různé parametry. Ke zlepšení kvality regulace proudů a otáček za pomocí frakčního řádu oproti klasickému regulátoru nedošlo.
Diagnostika mezi-závitového zkratu vektorově řízeného PMS motoru pomocí UI
Zezula, Lukáš ; Kozovský, Matúš (oponent) ; Blaha, Petr (vedoucí práce)
Tato práce se zabývá diagnostikou mezizávitových zkratů na vektorově řízeném synchronním motoru s permanentními magnety. Mezizávitové zkraty jsou detekovány pomocí předučené konvoluční neuronové sítě GoogLeNet na základě obrazů vzniklých předzpracováním signálů fázových proudů, výstupních napětí střídače a elektrické úhlové rychlosti. Předzpracování signálů mimo jiné zahrnuje digitální filtraci, převzorkování a Vlnkovou transformaci. Pro účely učení sítě je vytvořen model pohonu schopný simulovat mezizávitové zkraty. Síť je poté učena na datech ze simulace a validována na datech měřených na skutečném pohonu, který je schopný emulovat poruchy. Výsledky diagnostiky jsou poté společně s hlavními problémy prezentovány v závěru práce.
Diagnostika mezi-závitového zkratu vektorově řízeného PMS motoru pomocí UI
Zezula, Lukáš ; Kozovský, Matúš (oponent) ; Blaha, Petr (vedoucí práce)
Tato práce se zabývá diagnostikou mezizávitových zkratů na vektorově řízeném synchronním motoru s permanentními magnety. Mezizávitové zkraty jsou detekovány pomocí předučené konvoluční neuronové sítě GoogLeNet na základě obrazů vzniklých předzpracováním signálů fázových proudů, výstupních napětí střídače a elektrické úhlové rychlosti. Předzpracování signálů mimo jiné zahrnuje digitální filtraci, převzorkování a Vlnkovou transformaci. Pro účely učení sítě je vytvořen model pohonu schopný simulovat mezizávitové zkraty. Síť je poté učena na datech ze simulace a validována na datech měřených na skutečném pohonu, který je schopný emulovat poruchy. Výsledky diagnostiky jsou poté společně s hlavními problémy prezentovány v závěru práce.

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.