Hauptinhalt überspringenNavigation überspringenFooter überspringen
Logo der Fachhochschule Nordwestschweiz
Studium
Weiterbildung
Forschung und Dienstleistungen
Internationales
Die FHNW
DeEn
Standorte und KontaktBibliothek FHNWKarriere an der FHNWMedien

      Logo der Fachhochschule Nordwestschweiz
      • Studium
      • Weiterbildung
      • Forschung und Dienstleistungen
      • Internationales
      • Die FHNW
      DeEn
      Standorte und KontaktBibliothek FHNWKarriere an der FHNWMedien

      Nächste Infotage
      Jetzt anmelden:
      →

      Hochsch...
      Hochschule für Technik und Umwelt...
      Insti...
      Forschungsprojekte realisi...
      Parameteridentifikation von Asynchronmaschinen

      Parameteridentifikation von Asynchronmaschinen

      Hier wurde eine neuartige Methode entwickelt, die durch den Einsatz von maschinellem Lernen die verlässliche Bestimmung der elektrischen Motorparameter ermöglicht.

      Ausgangslage

      Die elektrische Simulation von Asynchronmotoren (wie zum Beispiel im Typhoon HIL Control Center) erfordert die Kenntnis der elektrischen Parameter im Ersatzschaltbild. Da die Motor-Datenblätter diese Angaben nicht direkt enthalten, gibt es verschiedene Berechnungsmethoden, um die Parameter aus den verfügbaren Katalogdaten zu berechnen. Dieser Ansatz kann jedoch nicht verwendet werden, falls nur die Angaben auf dem Typenschild bekannt sind. Genau für diesen Fall wurde hier eine neuartige Methode entwickelt, die durch den Einsatz von maschinellem Lernen die verlässliche Bestimmung der elektrischen Motorparameter ermöglicht

      Ziele

      • Entwicklung eines Verfahrens zur Parameterschätzung von Asynchronmotoren aus Typenschilddaten
      • Einsatz von maschinellem Lernen mit Trainingsdaten aus Katalogen mehrerer Motorhersteller
      • Bestimmung des am besten geeigneten Schätzalgorithmus auf der Grundlage einer Kreuzkorrelations-Analyse von Trainings- und Testdaten

      Ergebnisse

      Es wurden mehrere auf maschinellem Lernen basierende Regressionsmethoden für die Parameterschätzung von Asynchronmaschinen untersucht und in Python implementiert. Algorithmen des maschinellen Lernens bieten einen klaren Vorteil für das Problem der Parameteridentifikation: Es ist möglich, die Anzahl der bekannten Eingabeparameter frei zu wählen, um die elektrischen Parameter zu berechnen. Dieser Ansatz erlaubt es, aus einer sehr begrenzten Anzahl von bekannten Parametern, wie z.B. die auf dem Typenschild vorhandenen Angaben, die elektrischen Parameter der Asynchronmaschine verlässlich zu bestimmen.

      Abbildung 1: Violin-Diagramm der relativen Differenz von vorhergesagten und tatsächlichen Werten in Prozent, für die elektrischen Parameter Rs, Rr, Xs(=Xr) und Xm. Die orange Linie markiert den Median der getesteten Werte, die schwarzen Linien markieren die grössten Differenzen. Zur Berechnung wurde eine nichtlineare Regression mit Laplace Kernelfunktion verwendet. Dies ergab die beste Übereinstimmung von Trainings- und Testdaten.

      Abbildung 2: Schematischer Ablauf des auf maschinellem Lernen basierenden Algorithmus zur Parameteridentifikation.

      Abbildung 3: Typenschild einer Asynchronmaschine

      Projekt-Information

      table_scrollable_animation_gif

      Auftraggeber

      Typhoon HIL

      Ausführung

      Institut für Elektrische Energietechnik FHNW

      Dauer

      6 Monate, von März bis August 2022

      Förderung

      Hightech Zentrum Aargau AG, Peter Morf and Beat Dobmann

      Projektteam

      Christian Stamm, Georg Traxler-Samek (FHNW)
      Petar Gartner, Christoph Schaub, Jelena Trickovic (Typhoon HIL)

      Die FHNW

      Hochschule für Technik und Umwelt FHNW
      Institut für Elektrische Energietechnik
      ht_ins_iee_projekt_teaser

      Angebot

      • Studium
      • Weiterbildung
      • Forschung & Dienstleistungen

      Über die FHNW

      • Hochschulen
      • Organisation
      • Leitung
      • Facts and Figures

      Hinweise

      • Datenschutz
      • Accessibility
      • Impressum

      Support & Intranet

      • IT Support
      • Login Inside-FHNW

      Member of: