he speed control of three-phase ind

he speed control of three-phase induction motor (IM) is quite complex due to its nonlinear characteristics. Therefore, controlling the flux and torque parameters with proper decoupling is derived from speed reference feedback. Classical speed control (indirect/direct vector control) of IM drives uses proportional-integral (P-I) and/or proportional-integral-derivative (P-I-D) controllers that have constant gain values at all operating conditions. In addition, the slip calculation relies on rotor time constant, but it varies with operating conditions. These controllers are not adaptive in nature with respect to the operating condition. Neural network and fuzzy logic are said to be intelligent, used to overcome the above drawbacks [1], [2], [3] and [4]. But neural network controllers (NNC) do not involve analytical model of the complete system under test and do not have the ability to adapt it to change in control environment. Still, it is a tedious process to select appropriate neural controller architecture and its training neuron process. Moreover, FL is the simplest of intelligent controller versions and uses expert knowledge to drive the system even if the system is undefined and also with parameter variation issues [5] and [6].

ผลลัพธ์ (ไทย) 1:

เขาควบคุมความเร็วของมอเตอร์เหนี่ยวนำสามเฟส (IM) จะค่อนข้างซับซ้อนเนื่องจากลักษณะของเชิงเส้น ดังนั้น ควบคุมพารามิเตอร์การไหลและแรงบิดกับ decoupling เหมาะสมจะได้รับมาจากความเร็วอ้างอิงความคิดเห็น (การควบคุมเวกเตอร์ทางอ้อมโดยตรง) การควบคุมความเร็วแบบคลาสสิกของไดรฟ์ IM ใช้ตั้งเป็นสัดส่วน (P-ฉัน) หรือตัวควบคุมสัดส่วนตั้งอนุพันธ์ (P i D) ที่มีค่าคงกำไรค่าเงื่อนไขการปฏิบัติงานทั้งหมด การคำนวณส่งอาศัยใบพัดค่าเวลาคง แต่มันขึ้นอยู่กับเงื่อนไขการใช้งาน ตัวควบคุมเหล่านี้จะไม่ปรับในธรรมชาติตามเงื่อนไขปฏิบัติ โครงข่ายประสาทและตรรกศาสตร์จะกล่าวว่า เป็นอัจฉริยะ ใช้ในการเอาชนะข้อข้างต้น [1], [2], [3] และ [4] แต่ตัวควบคุมเครือข่ายประสาท (NNC) เกี่ยวข้องกับการวิเคราะห์แบบจำลองระบบสมบูรณ์ภายใต้การทดสอบ และไม่มีความสามารถในการปรับตัวในสภาพแวดล้อมการควบคุม ยังคง มันเป็นการเบื่อการเลือกสถาปัตยกรรมควบคุมระบบประสาทที่เหมาะสมและกระบวนการของเซลล์ประสาทการฝึกอบรม นอกจากนี้ FL คือ ง่ายที่สุดของรุ่นควบคุมอัจฉริยะ และใช้ความเชี่ยวชาญขับระบบถ้าระบบไม่ได้กำหนดไว้ และยัง มีปัญหาการเปลี่ยนแปลงพารามิเตอร์ [5] และ [6]

ผลลัพธ์ (ไทย) 2:

เขาควบคุมความเร็วของสามเฟสมอเตอร์เหนี่ยวนำ (IM) ที่ค่อนข้างซับซ้อนเนื่องจากลักษณะของมันไม่เชิงเส้น ดังนั้นการควบคุมการไหลและแรงบิดพารามิเตอร์ที่เหมาะสมกับ decoupling มาจากข้อเสนอแนะการอ้างอิงความเร็ว การควบคุมความเร็วคลาสสิก (อ้อม / ควบคุมเวกเตอร์โดยตรง) ของไดรฟ์ IM ใช้สัดส่วน-หนึ่ง (PI) และ / หรือสัดส่วน-หนึ่งตราสารอนุพันธ์ (PID) ตัวควบคุมที่มีค่าคงที่กำไรในสภาพการใช้งาน นอกจากนี้ในการคำนวณลื่นอาศัยเวลาใบพัดคงที่ แต่มันก็ขึ้นอยู่กับสภาพการใช้งาน ตัวควบคุมเหล่านี้จะไม่ปรับตัวในลักษณะที่มีความเคารพต่อสภาพการดำเนินงาน เครือข่ายประสาทและตรรกศาสตร์จะกล่าวว่าเป็นอัจฉริยะที่ใช้ในการเอาชนะข้อบกพร่องดังกล่าวข้างต้น [1], [2], [3] [4] แต่ควบคุมเครือข่ายประสาท (NNC) ไม่เกี่ยวข้องกับรูปแบบการวิเคราะห์ของระบบที่สมบูรณ์ภายใต้การทดสอบและไม่ได้มีความสามารถในการปรับให้มีการเปลี่ยนแปลงในสภาพแวดล้อมการควบคุม แต่ถึงกระนั้นก็เป็นกระบวนการที่น่าเบื่อที่จะเลือกสถาปัตยกรรมควบคุมที่เหมาะสมของระบบประสาทและกระบวนการฝึกอบรมของเซลล์ประสาท นอกจากนี้ฟลอริด้าเป็นที่ง่ายที่สุดของรุ่นควบคุมอัจฉริยะและใช้ความรู้จากผู้เชี่ยวชาญในการผลักดันระบบแม้ว่าระบบจะไม่ได้กำหนดและยังมีปัญหาการเปลี่ยนแปลงพารามิเตอร์ [5] และ [6]

ผลลัพธ์ (ไทย) 3:

เขาควบคุมความเร็วของมอเตอร์ ( IM ) คือค่อนข้างซับซ้อน เนื่องจากความไม่เชิงเส้นของ ดังนั้น การควบคุมการไหลและค่าพารามิเตอร์ที่เหมาะสมกับแรงบิดความเร็ว decoupling ได้มาจากข้อมูลอ้างอิง การควบคุมความเร็วแบบคลาสสิก ( ทางอ้อมโดยตรงควบคุมเวกเตอร์ของอิมไดรฟ์ใช้สัดส่วนอินทิกรัล ( p-i ) และ / หรือสัดส่วนอินทิกรัลอนุพันธ์ ( p-i-d ) ตัวควบคุมที่ได้รับค่าคงที่ที่ทุกสภาพการใช้งาน นอกจากนี้ ลื่นการคำนวณอาศัยใบพัดเวลาคงที่ แต่มันขึ้นอยู่กับสภาพการใช้งาน ตัวควบคุมเหล่านี้ไม่ได้มีการปรับตัวในธรรมชาติด้วยความเคารพเงื่อนไขปฏิบัติการ เครือข่ายนิวรอนและตรรกศาสตร์เป็นฉลาด เคยเอาชนะเหนือประการ [ 1 ] , [ 2 ] , [ 3 ] และ [ 4 ] แต่ตัวควบคุมโครงข่ายประสาท ( nnc ) ไม่เกี่ยวข้องกับการวิเคราะห์แบบจำลองของระบบภายใต้การทดสอบ และไม่ได้มีความสามารถในการปรับเปลี่ยนในสภาพแวดล้อมการควบคุม มันคือกระบวนการที่น่าเบื่อที่จะเลือกสถาปัตยกรรมควบคุมประสาทและเซลล์ประสาทที่เหมาะสมของการฝึกกระบวนการ นอกจากนี้ , ฟลอริด้าเป็นที่ง่ายที่สุดของรุ่นควบคุมอัจฉริยะและใช้ความรู้ความเชี่ยวชาญ เพื่อขับเคลื่อนระบบ ถ้าระบบเป็นภาษาอังกฤษและพารามิเตอร์การเปลี่ยนแปลงปัญหา [ 5 ] และ [ 6 ]