• 한국구조물진단유지관리공학회 논문집
• /
• 제10권2호
• /
• pp.133-144
• /
• 2006

FRP 판은 외부 부착된 보강 판의 효과적인 부착강도의 증진으로 실질적으로 부착강도에 대한 많은 연구가 수행되어왔다. 선행연구자들은 이러한 부착강도를 알아보기 위하여 다양한 변수를 설정하여 실험을 통하여 FRP 판의 부착강도를 규명하였다. 그러나, 이러한 부착강도를 알아보기 위한 실험은 장비구축의 비용과 시간 소비가 많이 되고 수행하기 어렵기 때문에 국한적으로 수행되고 있다. 본 연구는 선행연구자들의 부착실험 데이터를 다양한 신경망 모형과 알고리즘을 적용하여 최적의 인공신경망 모형을 개발하는데 그 목적이 있다. 인공신경망 모형의 출력층은 부착강도, 입력층은 FRP 판의 두께, 폭, 부착 길이, 탄성계수, 인장강도와 콘크리트의 압축강도, 인장강도, 폭을 변수로 선정하여 학습을 수행하였다. 개발된 인공신경망 모형은 역전파 학습 알고리즘을 적용하였으며, 오차는 0.001범위에 수렴되도록 학습을 하였다. 또한, 일반화 과정은 Bayesian 기법을 도입함으로써 보다 일반화된 방법으로 과대적합의 문제를 해소하였다. 개발된 모형의 검증은 학습에 이용되지 않은 다른 선행연구자들의 부착강도 결과 값과 비교함으로서 실시하였다.

• 한국조명전기설비학회:학술대회논문집
• /
• 한국조명전기설비학회 2007년도 추계학술대회 논문집
• /
• pp.307-312
• /
• 2007

The paper is proposed artificial neural network(ANN) sensorless control of induction motor drive with fuzzy learning control-fuzzy neural network(FLC-FNN) controller. The hybrid combination of neural network and fuzzy control will produce a powerful representation flexibility and numerical processing capability. Also, this paper is proposed speed control of induction motor using FLC-FNN and estimation of speed using ANN controller The back propagation neural network technique is used to provide a real time adaptive estimation of the motor speed. The error between the desired state variable and the actual one is back-propagated to adjust the rotor speed, so that the actual state variable will coincide with the desired one. The proposed control algorithm is applied to induction motor drive system controlled FLC-FNN and ANN controller, Also, this paper is proposed the analysis results to verify the effectiveness of the FLC-FNN and ANN controller.

• 전력전자학회논문지
• /
• 제11권3호
• /
• pp.224-232
• /
• 2006

본 논문은 적응 퍼지 제어기에 의한 유도전동기의 ANN 센서리스 제어를 제시한다. 또한 AFC를 사용하여 속도를 제어하고 ANN 제어기를 이용하여 속도를 추정한다. 신경회로망의 역전파 알고리즘은 전동기 속도의 실시간 추정에 사용된다. 요구상태 변수와 실제 상태는 실제 상태 변수는 요구값에 일치하기 위해서 역전파 알고리즘에 의해 회전자 속도를 조절한다. 제시된 제어 알고리즘 AFLC와 ANN 제어기는 유도전동기 드라이브 시스템 제어에 적용된다. 그리고 본 논문은 AFLC와 ANN 제어기의 우수한 결과를 나타낸다.

• 전자공학회논문지T
• /
• 제35T권2호
• /
• pp.56-65
• /
• 1998

본 연구는 부하변동이 잦은 유도 전동기 속도제어 시스템에 적합한 신경망 알고리즘을 제안하고 구현을 위한 실제적인 파라미터 추정방법을 제안한다. 전동기 파라미터의 적응추정을 위하여 역전파 신경망 알고리즘을 도입한다. 기준 상태변수와 실제 상태변수와의 오차가 역전파되어 전동기 파라미터를 추정한다. 이의 구현을 위해 고속 연산 신호처리용 프로세서인 TMS320C25를 이용한 제어 시스템을 구성한다. 제어시스템은 알고리즘의 적용이 용이하도록 PC에 기초한 DSP제어 시스템으로 설계 제작한다. 시뮬레이션과 실험을 통하여, 본 연구의 신경망 제어 시스템이 부하변동에 강인한 구조를 갖고 있으며 유도전동기 제어에 실제적 구현이 가능함을 입증한다.

• 조명전기설비학회논문지
• /
• 제25권4호
• /
• pp.45-56
• /
• 2011

This paper is proposed artificial neural network(ANN) rotor resistance estimation of induction motor drive controlled by multi-adaptive fuzzy learning controller(AFLC). A simple double layer feedforward ANN trained by the back-propagation technique is employed in the rotor resistance identification. In this estimator, double models of the state variable estimations are used; one provides the actual induction motor output states and the other gives the ANN model output states. The total error between the desired and actual state variables is then back propagated to adjust the weights of the ANN model, so that the output of this model tracks the actual output. When the training is completed, the weights of the ANN correspond to the parameters in the actual motor. The estimation and control performance of ANN and multi-AFLC is evaluated by analysis for various operating conditions. Also, this paper is proposed the analysis results to verify the effectiveness of this controller.

• 조명전기설비학회논문지
• /
• 제20권10호
• /
• pp.27-34
• /
• 2006

본 논문은 드라이브의 간적벡터제어에서 ANN을 이용하여 유도전동기의 회전자 저항을 온라인 추정하기 위한 새로운 기법을 제시한다. 약전파 알고리즘은 신경회로망의 학습을 위해 사용된다. 신경회로망의 실제 상태값과 유도전동기의 요구값 사이의 오차는 신경회로망 모델의 하중값 조절을 위하여 역전파 하여 실제값이 요구값을 추정하도록 한다. 드라이브의 회전자 저항, 토크, 자속응답 성능등 이러한 추정기의 성능은 고유값으로부터 회전자 저항을 연구하게 된다. 회전자 저항은 유도전동기 드라이브의 벡터제어에서 제시된 ANN을 사용하여 추정한다.

• Journal of Electrical Engineering and Technology
• /
• 제9권2호
• /
• pp.550-558
• /
• 2014

Direct Torque controlled induction motor (DTC-IM) drives use stator resistance of the motor for stator flux estimation. So, stator resistance estimation properly is very important for a stable and effective operation of the induction motor. Stator resistance variations because of changing in temperature make DTC operation difficult mainly at low speed. A method based on artificial neural network (ANN) to estimate the stator resistance online of IM for DTC drive is modeled and verified in this paper. To train the neural network a back propagation algorithm is used. Weight adjustment of neural network is done by back propagating the error signal between measured and estimated stator current. An extensive simulation has been carried out in MATLAB/SIMULINK to prove the efficacy of the proposed stator resistance estimator. The simulation & experimental result reveals that proposed method is able to obtain precise torque and flux control at low speed.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2005년도 추계학술대회 논문집 전기기기 및 에너지변환시스템부문
• /
• pp.195-197
• /
• 2005

This paper is proposed adaptive fuzzy neural network(AFNN) and artificial neural network(ANN) based on the vector controlled induction motor drive system. The hybrid combination of fuzzy control and neural network will produce a powerful representation flexibility and numerical processing capability. Also, this paper is proposed control and estimation of speed of induction motor using fuzzy and neural network. The back propagation neural network technique is used to provide a real time adaptive estimation of the motor speed. The error between the desired state variable and the actual one is back-propagated to adjust the rotor speed. so that the actual state variable will coincide with the desired one. This paper is proposed the experimental results to verify the effectiveness of the new method.

• 한국통신학회논문지
• /
• 제18권7호
• /
• pp.907-912
• /
• 1993

본 논문에서는 신경회로망을 이용하여 함수 내삽을 위한 방법을 제안한다. 사용한 신경회로망의 구조는 3-layer포셉트론이고 학습 알고리듬은 은닉층 가변 오차역전파알고리듬이다. 내삽하는 함수는 sin(7 X),3rd order polynomial 및 사각파이다. 내삽된 함수들의 근평균제곱오차(root mean squared errors)는 각각 0.00258, 0.00164 및 0.0011s이다.

• 전자공학회논문지B
• /
• 제30B권1호
• /
• pp.79-89
• /
• 1993

This paper deals with a computer aided control of an adjustment process for the complete electronic devices by means of an application of artificial neural network and an implementation of neuro-controller for intelligent control. Multi-layer neural network model is employed as artificial neural network with the learning method of the error back propagation. Information initially available from real plant under control are the initial values of plant output, and the augmented plant input and its corresponding plant output at that time. For the intelligent control of adjustment process utilizing artificial neural network, the neural network emulator (NNE) and the neural network controller(NNC) are developed. The initial weights of each neural network are determined through off line learning for the given product and it is also employed to cope with environments of the another product by on line learning. Computer simulation, as well as the application to the real situation of proposed intelligent control system is investigated.