The objective of the thesis is to implement a neural network capable of estimating, in a sufficiently accurate way, the magnetic model of a synchronous electric motor through the use of an industrial system, a microcontroller board, characterized by a cost of some orders of magnitude smaller than a professional computer. The first part of the paper will describe the main types of neural networks and training algorithms, to better understand the nature of the choices made in the various stages of the research. In the second part, the theoretical notions will then be applied to the case in question, reporting the structure of the tests performed and the data obtained, as well as the main problems encountered. Finally, we will proceed with a post-processing of the results in order to refine what has been obtained for a more precise motor control.

L’obiettivo della tesi è quello di implementare una rete neurale in grado di stimare, in modo sufficientemente accurato, il modello magnetico di un motore sincrono mediante l’utilizzo di un sistema di tipo industriale, una scheda a microcontrollore, caratterizzato da un costo di alcuni ordini di grandezza inferiore rispetto ad un elaboratore professionale. Nella prima parte dell’elaborato si andranno a descrivere le principali tipologie di reti neurali e di algoritmi di addestramento, per meglio comprendere la natura delle scelte effettuate nelle varie fasi della ricerca. Nella seconda parte si andranno poi ad applicare le nozioni teoriche al caso in esame, riportando la struttura dei test eseguiti e i dati ottenuti, oltre alle principali criticità riscontrate. Infine, si procederà con una post-elaborazione dei risultati al fine di affinare quanto ottenuto per un controllo del motore più accurato.

Implementazione di una Rete Neurale su un Microcontrollore Industriale per la Stima del Modello Magnetico di Motori Sincroni

PARISE, LORENZO ALESSANDRO
2021/2022

Abstract

The objective of the thesis is to implement a neural network capable of estimating, in a sufficiently accurate way, the magnetic model of a synchronous electric motor through the use of an industrial system, a microcontroller board, characterized by a cost of some orders of magnitude smaller than a professional computer. The first part of the paper will describe the main types of neural networks and training algorithms, to better understand the nature of the choices made in the various stages of the research. In the second part, the theoretical notions will then be applied to the case in question, reporting the structure of the tests performed and the data obtained, as well as the main problems encountered. Finally, we will proceed with a post-processing of the results in order to refine what has been obtained for a more precise motor control.
2021
Neural Network Implementation on Industrial Microcontroller for the Magnetic Modeling of Synchronous Motors
L’obiettivo della tesi è quello di implementare una rete neurale in grado di stimare, in modo sufficientemente accurato, il modello magnetico di un motore sincrono mediante l’utilizzo di un sistema di tipo industriale, una scheda a microcontrollore, caratterizzato da un costo di alcuni ordini di grandezza inferiore rispetto ad un elaboratore professionale. Nella prima parte dell’elaborato si andranno a descrivere le principali tipologie di reti neurali e di algoritmi di addestramento, per meglio comprendere la natura delle scelte effettuate nelle varie fasi della ricerca. Nella seconda parte si andranno poi ad applicare le nozioni teoriche al caso in esame, riportando la struttura dei test eseguiti e i dati ottenuti, oltre alle principali criticità riscontrate. Infine, si procederà con una post-elaborazione dei risultati al fine di affinare quanto ottenuto per un controllo del motore più accurato.
Motore Elettrico
Rete Neurale
Modello Magnetico
Microcontrollore
Magneti Permanenti
File in questo prodotto:
File Dimensione Formato  
Parise_LorenzoAlessandro.pdf

accesso aperto

Dimensione 23.8 MB
Formato Adobe PDF
23.8 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/10203