論文の概要: Data Set Description: Identifying the Physics Behind an Electric Motor
-- Data-Driven Learning of the Electrical Behavior (Part II)
- arxiv url: http://arxiv.org/abs/2003.06268v3
- Date: Wed, 25 Mar 2020 20:06:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 02:24:13.077079
- Title: Data Set Description: Identifying the Physics Behind an Electric Motor
-- Data-Driven Learning of the Electrical Behavior (Part II)
- Title（参考訳）: データセット記述:電動機の背後にある物理を同定する -- 電気的挙動のデータ駆動学習(その2)
- Authors: S\"oren Hanke, Oliver Wallscheid and Joachim B\"ocker
- Abstract要約: この文書は、公開データセット citeDataset の使用方法と、導入例を使ってモデルを抽出する方法を説明している。
抽出したモデルは、ドライブのモデル予測制御環境におけるシステム状態の予測に使用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A data set was recorded to evaluate different methods for extracting
mathematical models for a three-phase permanent magnet synchronous motor (PMSM)
and a two-level IGBT inverter from measurement data. It consists of
approximately 40 million multidimensional samples from a defined operating
range of the drive. This document describes how to use the published data set
\cite{Dataset} and how to extract models using introductory examples. The
examples are based on known ordinary differential equations, the least squares
method or on (deep) machine learning methods. The extracted models are used for
the prediction of system states in a model predictive control (MPC) environment
of the drive. In case of model deviations, the performance utilizing MPC
remains below its potential. This is the case for state-of-the-art white-box
models that are based only on nominal drive parameters and are valid in only
limited operation regions. Moreover, many parasitic effects (e.g. from the
feeding inverter) are normally not covered in white-box models. In order to
achieve a high control performance, it is necessary to use models that cover
the motor behavior in all operating points sufficiently well.
- Abstract（参考訳）: 測定データから3相永久磁石同期モータ(PMSM)と2レベルIGBTインバータの数学モデル抽出のための異なる手法を評価するためにデータセットを記録した。
ドライブの動作範囲は、およそ4000万の多次元サンプルで構成されている。
この文書は、公開データセット \cite{Dataset} の使用方法と、導入例を使ってモデルを抽出する方法を説明している。
これらの例は既知の常微分方程式、最小二乗法、あるいは(深い)機械学習法に基づいている。
抽出したモデルは、ドライブのモデル予測制御(MPC)環境におけるシステム状態の予測に使用される。
モデル偏差の場合、MPCを用いた性能はその潜在能力より劣る。
これは、名目駆動パラメータのみに基づいており、限られた操作領域でのみ有効である最先端のホワイトボックスモデルの場合である。
さらに、多くの寄生効果(例えば摂食インバータから)は、通常ホワイトボックスモデルではカバーされない。
高い制御性能を達成するためには、全ての動作点における運動挙動を十分にカバーするモデルを用いる必要がある。
関連論文リスト
- LeTFuser: Light-weight End-to-end Transformer-Based Sensor Fusion for
Autonomous Driving with Multi-Task Learning [16.241116794114525]
本稿では,複数のRGB-Dカメラ表現を融合させるアルゴリズムであるLeTFuserを紹介する。
認識と制御を同時に行うためには,マルチタスク学習を利用する。
論文 参考訳（メタデータ） (2023-10-19T20:09:08Z) - Predictive Maintenance Model Based on Anomaly Detection in Induction
Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。
我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
論文 参考訳（メタデータ） (2023-10-15T18:43:45Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳（メタデータ） (2022-12-14T01:21:05Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳（メタデータ） (2021-10-05T02:14:38Z) - Design of Dynamic Experiments for Black-Box Model Discrimination [72.2414939419588]
選択したいような動的モデル判別の設定を考えてみましょう。 (i) 最高のメカニスティックな時間変化モデルと (ii) 最高のモデルパラメータ推定値です。
勾配情報にアクセス可能な競合する力学モデルに対しては、既存の手法を拡張し、より広い範囲の問題の不確実性を組み込む。
これらのブラックボックスモデルをガウス過程サロゲートモデルに置き換えることで、モデル識別設定を拡張して、競合するブラックボックスモデルをさらに取り入れる。
論文 参考訳（メタデータ） (2021-02-07T11:34:39Z) - Space-Filling Subset Selection for an Electric Battery Model [0.0]
バッテリーの動作に関する実際の運転データは、システムの強く非均一な励起を表します。
アルゴリズムは、非線形モデルの入力空間をより均質に満たす動的データポイントを選択する。
このトレーニングデータの削減は、ランダムなサブセットと比較してモデル品質の向上と、すべてのデータポイントを用いたモデリングよりも高速なトレーニングにつながることが示されている。
論文 参考訳（メタデータ） (2020-12-07T09:12:56Z) - Experiment data-driven modeling of tokamak discharge in EAST [3.7332349900024013]
超伝導長パルストカマク(EAST)におけるトカマク放電モデルの検討
本研究では,大規模なEAST放電に対する制御信号の時間的シーケンスを利用して,放電診断信号のモデル化のための深層学習モデルを開発する。
最初の試みは、データ駆動手法を用いてトカマク放電をモデル化するための有望な結果を示した。
論文 参考訳（メタデータ） (2020-07-21T01:39:27Z) - A Compact Gated-Synapse Model for Neuromorphic Circuits [77.50840163374757]
このモデルは、ニューロモルフィック回路のコンピュータ支援設計への統合を容易にするためにVerilog-Aで開発された。
モデルの振る舞い理論は、デフォルトパラメータ設定の完全なリストとともに詳細に記述されている。
論文 参考訳（メタデータ） (2020-06-29T18:22:11Z) - Data-Driven Permanent Magnet Temperature Estimation in Synchronous
Motors with Supervised Machine Learning [0.0]
自動車用永久磁石同期モータ(PMSM)における磁石温度のモニタリングは難しい課題である。
過熱によりモータの劣化が激しくなり、機械の制御戦略とその設計に高い懸念が生じる。
いくつかの機械学習(ML)モデルは、潜時高ダイナミックな磁力温度分布を予測するタスクにおいて、その推定精度を実証的に評価する。
論文 参考訳（メタデータ） (2020-01-17T11:41:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。