基于弹性反向传播级联前向神经网络的有刷直流电机参数与状态空间同时估计
信号处理
2021-04-12 v1 机器学习
系统与控制
系统与控制
摘要
本文提出一种基于神经网络（NN）的有刷直流电机无传感器转速、平均温度与电阻估计技术。关于有刷直流电机参数与状态空间估计的文献显示了多种方法。然而，这些观测器对噪声敏感，依赖于模型精度，且难以稳定与收敛。此外，多数早期工作仅估计转速、温度或绕组电阻之一。据文献，弹性反向传播（RBP）作为已知更快的 BP 算法，级联前向神经网络（CFNN）作为加速学习反向传播算法之一，近年来见于若干研究及应用。本文主要目标是引入一种基于弹性 BP 的智能传感器，仅由测得电流与电压同时估计有刷直流电机的转速、电枢温度与电阻。将所得结果与传统估计器结果比较，以证明所提方法的能力。该方法可嵌入热监控系统与高性能电机驱动中。
引用
@article{arxiv.2104.04348,
title = {Cascade-Forward Neural Network Based on Resilient Backpropagation for Simultaneous Parameters and State Space Estimations of Brushed DC Machines},
author = {Hacene Mellah and Kamel Eddine Hemsas and Rachid Taleb},
journal= {arXiv preprint arXiv:2104.04348},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:1902.03171