Induction motor is the most popular machine in the industry. It is used extensively in mechanical plants, and it is un- avoidable to have the motor¡¦s electrical and mechanical faults due to continuously operating throughout the year. Faults of motors do not only cause the production line to shut down but also imperil the personnel security. A suitable motor maintenance schedule will be a needed to decrease the machine down time. However, major investment might take up to 90% for equipment, and it would be helpful to have a practicable low-cost supervisory scheme on maintenance. If the faults of machine can be detected correctly and effectively, the maintenance efficiency and dependability could be increased greatly. In the past, researches on fault recognition for Induction motors only concentrated on Spectrum analysis with amplitudes based on a constant load. However, the frequency and amplitude of the spectrum analyzed under different fault conditions are also affected significantly by load variations. Using spectrum amplitudes to recognize motor faults is not sufficient in a practical system. Various types of faults and load conditions will influence the spectrum structure. In order to recognize faults under various load conditions, we must consider band shift and amplitude variation as two major factors. In this paper, we use the methods of frequency axis adjustment, load interval and feature exaction to solve the band shift and amplitude variation problems respectively. After the above-mentioned procedures, efficient features are obtained. We use the Back Propagation Neural Network (BPNN) and General Regression Neural Network (GRNN) to train and recognize fault conditions.

Tato disertační práce se zabývá metodami modelování elektronického zařízení letadel. První část je stručným přehledem klasických metod modelování systémů a adaptivních, fuzzy a hybridních metod používaných převážně k black-box modelování. Cílem práce je vytvořit algoritmus pro identifikaci a modelování obecného systému, který může být nelineární, dynamický a velmi složitý, například co do množství rozměrů. Předpokládá se, že model má několik vstupů a výstupů. V hlavní části práce je rozebrána metoda, která patří mezi hybridní systémy, protože kombinuje fuzzy systém s parametricky definovanými pravidly a regresní neuronovou síť. Nejprve je zmíněn základní princip regresní sítě a způsob určení jejího parametru strmosti, dále se kapitola zabývá zavedením fuzzy pravidel do této sítě. Třetí část se zabývá jedním z hlavních bodů práce, paralelními výpočty. Výsledný algoritmus je navržen pro paralelní zpracování, protože výpočetní čas může být v případě složitějších modelů příliš vysoký, případně nelze výsledky získané ze sítě vyhodnotit pomocí výpočtu v jednom vlákně. V závěru práce je metoda ověřena na datech získaných z měření zmenšeného modelu letadla. Ověření je provedeno pomocí střední kvadratické odchylky a srovnáním s odpovídajícím modelem vytvořeným pomocí vícevrstvé neuronové sítě trénované zpětným šířením chyby s algoritmem Levenberg-Marquardt.

No / This paper presents an investigation into the challenges in implementing a hard real-time optimal non-stationary system using general regression neural network (GRNN). This includes investigation into the dynamics of the problem domain, discretisation of the problem domain to reduce the computational complexity, parameters selection of the optimization algorithm, convergence guarantee for real-time solution and off-line optimization for real-time solution. In order to demonstrate these challenges, this investigation considers a real-time optimal missile guidance algorithm using GRNN to achieve an accurate interception of the maneuvering targets in three-dimension. Evolutionary Genetic Algorithms (GAs) are used to generate optimal guidance training data set for a large missile defense space to train the GRNN. The Navigation, Constant of the Proportional Navigation Guidance and the target position at launching are considered for optimization using GAs. This is achieved by minimizing the. miss distance and missile flight time. Finally, the merits of the proposed schemes for real-time accurate interception are presented and discussed through a set of experiments. (C) 2012 Elsevier Ltd. All rights reserved.

This thesis discusses the modeling of a micro-grid with photovoltaic (PV)-wind-fuel cell (FC) hybrid energy system and its operations. The system consists of the PV power, wind power, FC power, static var compensator (SVC) and an intelligent power controller. Wind and PV are primary power sources of the system, and an FC-electrolyzer combination is used as a backup and a long-term storage system. A simulation model for the micro-grid control of hybrid energy system has been developed using MATLAB/Simulink. A SVC was used to supply reactive power and regulate the voltage of the hybrid system. To achieve a fast and stable response for the real power control, the intelligent controller consists of a Radial Basis Function Network-Sliding Mode Control (RBFNSM) and a General Regression Neural Network (GRNN) for maximum power point tracking (MPPT). The pitch angle of wind turbine is controlled by RBFNSM, and the PV system uses GRNN, where the output signal is used to control the DC/DC boost converters to achieve the MPPT.

Tato práce pojednává o technikách behaviorálního modelování pro speciální úlohy v elektromagnetismu, které je možno formulovat jako problém aproximace, klasifikace, odhadu hustoty pravděpodobnosti nebo kombinatorické optimalizace. Zkoumané methody se dotýkají dvou základních problémů ze strojového učení a combinatorické optimalizace: ”bias vs. variance dilema” a NP výpočetní komplexity. Boltzmanův stroj je v práci navržen ke zjednodušování komplexních impedančních sítí. Bayesovský přístup ke strojovému učení je upraven pro regularizaci Parzenova okna se snahou o vytvoření obecného kritéria pro regularizaci pravděpodobnostní a regresní neuronové sítě.