Equations (6) and (7) show that T1

Equations (6) and (7) show that T1 and T2 are calculated using complex trigonometric functions; which can not be evaluated precisely with micro-controllers. These equations were implemented using neural networks. Architecture of neuron used in hidden layer is shown in Figure 4. First these equations were implemented in Matlab Simulink. Input output samples were derived through simulations as explained in [11]–[12] and then used for training of ANN. The designed neural network consists of three layers. First layer is the input layer which takes angle B and sector number Formula as the inputs which is provided to second layer consisting of ten neurons with tan-sigmoidal activation function. Structure of second layer with five neurons is shown in Figure 5. Third layer consists of two neurons, as there are two outputs T 1 and T 2, with linear activation functions. Tan-sigmoidal activation function was used in hidden layer being the best activation function for modeling any mathematical expression [2]. Learning rate was selected to be 0.05 and the momentum factor was kept at 0.5. Number of epochs given for training was 15000 but network trained with only 5781 epochs as shown by performance cure of the ANN training in Figure 6. Each training session took a long time of about 30 minutes over P-IV 1.7 GHz computer as the allowable error was set to 1x10. Number of training sessions was carried out to adjust the weights and biases to minimize the error in T1, T2 and to reduce the resulting harmonic losses. The network was trained for different conditions i.e. for each sector data. Levenberg-Marquardt training algorithm was used as it provides the fast training response with respect to gradient method of training. Parameters of ANN model are given in Table 1. The weights and biases of trained network were taken for implementation with micro-controller.or different voltage requirements T_1 and T_2 are changed while Ts remains the same. To change the frequency rate of change of angle β is controlled. Time in which reference vector completes one revolution over the circle decides the output frequency of the inverter. Thus both voltage and frequency control are achieved by controlling T_1 , T_2 and rate of change of angle β .

ผลลัพธ์ (ไทย) 1:

สมการ (6) และ (7) แสดงว่า T1 และ T2 จะคำนวณโดยใช้ฟังก์ชันตรีโกณมิติซับซ้อน ซึ่งสามารถไม่ได้ถูกประเมินอย่างแม่นยำ ด้วยไมโครคอนโทรลเลอร์ สมการเหล่านี้ได้ดำเนินการโดยใช้เครือข่ายประสาท สถาปัตยกรรมของเซลล์ประสาทที่ใช้ในเลเยอร์ที่ถูกซ่อนจะแสดงในรูปที่ 4 แรก สมการเหล่านี้ถูกนำมาใช้ใน Matlab Simulink ป้อนข้อมูลตัวอย่างผลผลิตขึ้นมา โดยจำลองตามที่อธิบายไว้ใน [11] – [12] และจากนั้น ใช้สำหรับการฝึกอบรมของแอน ออกแบบเครือข่ายประสาทประกอบด้วยสามชั้น ชั้นแรกเป็นชั้นอินพุตที่มุม B และภาคเลขสูตรเป็นอินพุตที่ให้บริการชั้นสองประกอบด้วยสิบ neurons ด้วยฟังก์ชัน tan sigmoidal เปิดใช้งาน โครงสร้างของชั้นสองกับ neurons ห้าจะแสดงในรูปที่ 5 ชั้นที่สามประกอบด้วยของ neurons ที่สอง มีสองเอาท์พุต T 1 และ T 2 ด้วยฟังก์ชั่นการเปิดใช้งานแบบเส้นตรง ตาล sigmoidal เปิดใช้งานฟังก์ชันที่ใช้ในชั้นซ่อนถูกเปิดใช้งานฟังก์ชันสุดสำหรับสร้างแบบจำลองคณิตศาสตร์ใด ๆ [2] อัตราการเรียนรู้เลือกเป็น 0.05 และตัวโมเมนตัมถูกเก็บไว้ที่ 0.5 จำนวน epochs ให้ฝึกได้ 15000 แต่เครือข่ายการฝึกอบรมกับ epochs 5781 เท่านั้นแสดง โดยรักษาประสิทธิภาพการทำงานของแอนที่ในรูปที่ 6 การฝึกอบรม อบรมแต่ละใช้เวลานานประมาณ 30 นาทีผ่านคอมพิวเตอร์ P-IV 1.7 GHz เป็นข้อผิดพลาดได้ถูกตั้งค่ากับ 1 x 10 จำนวนฝึกอบรมได้ดำเนินการปรับน้ำหนักการยอม เพื่อลดข้อผิดพลาดใน T1, T2 และ เพื่อลดการสูญเสียของมีค่าเป็นผลลัพธ์ เครือข่ายได้รับการฝึกอบรมสำหรับเงื่อนไขที่แตกต่างกันเช่นสำหรับข้อมูลแต่ละภาค ใช้ขั้นตอนวิธีการฝึกอบรมของ Levenberg Marquardt จะให้การตอบสนองรวดเร็วฝึกอบรมเกี่ยวกับวิธีไล่ระดับการฝึกอบรม พารามิเตอร์ของแบบจำลอง ANN แสดงไว้ในตารางที่ 1 น้ำหนักและยอมฝึกอบรมเครือข่ายที่ถ่ายสำหรับนำไปใช้งานแรงดันค่าต่าง ๆ ไมโคร controller.or T_1 และ T_2 มีการเปลี่ยนแปลงในขณะที่ Ts ยังคงเหมือนเดิม การเปลี่ยนแปลงอัตราความถี่ของการเปลี่ยนแปลงของมุมβจะควบคุม เวลาในการอ้างอิงที่เวกเตอร์เสร็จหนึ่งปฏิวัติผ่านวงตัดสินใจที่ความถี่ของเครื่องแปลงกระแสไฟฟ้า จึง ควบคุมแรงดันไฟฟ้าและความถี่จะทำได้ โดยการควบคุม T_1, T_2 และอัตราการเปลี่ยนแปลงของมุมβ

ผลลัพธ์ (ไทย) 2:

สมการ (6) และ (7) แสดงให้เห็นว่า T1 และ T2 จะคำนวณโดยใช้ฟังก์ชั่นตรีโกณมิติซับซ้อน ซึ่งไม่สามารถประเมินได้อย่างแม่นยำด้วยไมโครคอนโทรลเลอร์ สมการเหล่านี้ถูกนำมาใช้โดยใช้โครงข่ายประสาทเทียม สถาปัตยกรรมของเซลล์ประสาทที่ใช้ในชั้นที่ซ่อนอยู่จะแสดงในรูปที่ 4 เป็นครั้งแรกสมการเหล่านี้ถูกนำมาใช้ใน Matlab Simulink ตัวอย่างการส่งออกการป้อนข้อมูลที่ได้รับผ่านการจำลองตามที่อธิบายใน [11] - [12] และนำไปใช้ในการฝึกอบรมของ ANN ออกแบบเครือข่ายประสาทประกอบด้วยสามชั้น ชั้นแรกเป็นชั้นการป้อนข้อมูลซึ่งจะนำ B มุมและสูตรตัวเลขภาคเป็นปัจจัยการผลิตที่มีให้กับชั้นที่สองประกอบด้วยสิบเซลล์ประสาทที่มีฟังก์ชั่นการเปิดใช้ Tan-sigmoidal โครงสร้างของชั้นที่สองกับห้าเซลล์ประสาทจะถูกแสดงในรูปที่ 5 ชั้นที่สามประกอบด้วยสองเซลล์ประสาทที่มีเอาท์พุทที่ 1 และ 2 ที่มีฟังก์ชั่นการเปิดใช้งานเชิงเส้น ฟังก์ชั่นการเปิดใช้ Tan-sigmoidal ถูกนำมาใช้ในชั้นที่ซ่อนอยู่เป็นฟังก์ชั่นการเปิดใช้งานที่ดีที่สุดสำหรับการสร้างแบบจำลองทางคณิตศาสตร์การแสดงออกใด ๆ [2] อัตราการเรียนรู้ที่ได้รับเลือกให้เป็น 0.05 และปัจจัยโมเมนตัมถูกเก็บไว้ที่ 0.5 จำนวน epochs ได้รับการฝึกอบรมเป็น 15,000 แต่เครือข่ายการฝึกอบรมที่มีเพียง 5781 epochs ที่แสดงโดยการรักษาผลการดำเนินงานของการฝึกอบรม ANN ในรูปที่ 6 การฝึกอบรมแต่ละคนใช้เวลานานประมาณ 30 นาทีกว่าคอมพิวเตอร์ P-IV 1.7 GHz เป็นข้อผิดพลาดที่อนุญาต ถูกกำหนดให้ 1x10 จำนวนการฝึกอบรมได้รับการดำเนินการเพื่อปรับน้ำหนักและอคติเพื่อลดความผิดพลาดในการ T1 T2, และเพื่อลดการสูญเสียที่เกิดฮาร์มอนิ เครือข่ายได้รับการฝึกฝนสำหรับเงื่อนไขที่แตกต่างกันเช่นข้อมูลแต่ละภาค ขั้นตอนวิธีการฝึกอบรม Levenberg-Marquardt ถูกนำมาใช้เพื่อที่จะให้การตอบสนองอย่างรวดเร็วการฝึกอบรมเกี่ยวกับการใช้วิธีการไล่ระดับของการฝึกอบรม พารามิเตอร์ของแบบจำลอง ANN จะได้รับในตารางที่ 1 น้ำหนักและอคติของเครือข่ายได้รับการฝึกฝนที่ถูกนำสำหรับการดำเนินงานที่มีความต้องการแรงดันที่แตกต่างกันไมโคร controller.or T_1 และ T_2 มีการเปลี่ยนแปลงในขณะที่ Ts ยังคงเหมือนเดิม ในการเปลี่ยนอัตราความถี่ของการเปลี่ยนแปลงของβมุมมีการควบคุม เวลาที่อ้างอิงเวกเตอร์หนึ่งเสร็จสิ้นการปฏิวัติมากกว่าวงกลมตัดสินใจความถี่ของอินเวอร์เตอร์ ดังนั้นทั้งแรงดันและการควบคุมความถี่จะประสบความสำเร็จโดยการควบคุม T_1, T_2 และอัตราการเปลี่ยนแปลงของมุมβ

ผลลัพธ์ (ไทย) 3:

สมการที่ ( 6 ) และ ( 7 ) แสดงให้เห็นว่า T1 และ T2 คำนวณโดยใช้ฟังก์ชันตรีโกณมิติที่ซับซ้อน ซึ่งไม่สามารถประเมินค่าได้แม่นยำกับควบคุมไมโคร สมการเหล่านี้ถูกดำเนินการโดยใช้โครงข่ายประสาทเทียม สถาปัตยกรรมของเซลล์ประสาทที่ใช้ในชั้นซ่อน แสดงในรูปที่ 4 ก่อนใช้โปรแกรม MATLAB Simulink สมการพวกนี้ .ตัวอย่างปัจจัยการผลิตและผลผลิตได้มาผ่านการจำลองตามที่อธิบายไว้ใน [ 11 ] และ [ 12 ] จากนั้นใช้สำหรับการฝึกอบรมของแอน การออกแบบโครงข่ายประสาทเทียมประกอบด้วยสามชั้น ชั้นแรกคือชั้นอินพุตซึ่งใช้เวลามุม B และภาคเลขสูตรเป็นข้อมูลที่ให้ไป 2 ชั้นประกอบด้วยเซลล์ประสาทสิบกับตาล sigmoidal เปิดใช้งานฟังก์ชันโครงสร้างของเลเยอร์ที่สองกับห้าเซลล์ประสาทจะแสดงในรูปที่ 5 ชั้นสามประกอบด้วยสองกลุ่ม มี 2 ผล T T 1 และ 2 มีฟังก์ชั่นเปิดใช้งานเชิงเส้น แทนการ sigmoidal ฟังก์ชันใช้ในชั้นซ่อนถูกกระตุ้นการทำงานที่ดีที่สุดสำหรับการสร้างแบบจำลองทางคณิตศาสตร์ใด ๆ [ 2 ] อัตราการเรียนรู้ ได้รับเลือกเป็น 0.05 และปัจจัยโมเมนตัมที่ถูกเก็บไว้ที่ 0.5จำนวนของยุคสมัยที่ได้รับการฝึกอบรม 15 , 000 แต่เครือข่ายการฝึกอบรมมีเพียง 5781 ยุคสมัยที่แสดงโดย รักษาประสิทธิภาพของแอน การฝึกอบรมในรูปที่ 6 แต่ละเซสชันการฝึกอบรมใช้เวลานานประมาณ 30 นาที กว่า p-iv 1.7 GHz คอมพิวเตอร์เป็นข้อผิดพลาดที่ถูกตั้งค่าเป็น 1x10 . หมายเลขของเซสชันการฝึกอบรมมีวัตถุประสงค์เพื่อปรับน้ำหนักและอคติในการลดข้อผิดพลาดใน T1 ,T2 และลดฮาร์มอนิกส่งผลให้ขาดทุน เครือข่ายได้รับการฝึกอบรมสำหรับเงื่อนไขที่แตกต่างกันเช่นสำหรับแต่ละภาคข้อมูล ขั้นตอนวิธีการ levenberg มาร์ควถูกใช้ในขณะที่มีการตอบสนองอย่างรวดเร็วด้วยความเคารพวิธีการไล่ระดับของการฝึกอบรม พารามิเตอร์ของแบบจำลอง ANN จะได้รับในตารางที่ 1การมีน้ำหนักและอคติของการอบรมเครือข่ายถูกใช้กับ micro-controller.or แรงดันที่แตกต่างกันและความต้องการ t_1 t_2 เปลี่ยนในขณะที่ TS ยังคงเหมือนเดิม เพื่อเปลี่ยนความถี่อัตราการเปลี่ยนมุมของบีตาที่ควบคุมอยู่ ในเวลาที่การปฏิวัติหนึ่งเหนือเวกเตอร์อ้างอิงสมบูรณ์วงตัดสินใจออกความถี่ของอินเวอร์เตอร์ดังนั้น ทั้งแรงดันและความถี่ควบคุมทำได้โดยการควบคุม t_1 t_2 , และอัตราการเปลี่ยนมุมของบีตา .