پارامتر های موتور القایی سه فاز

برآورد پارامتر
هرچه رویکردی برای تخمین پارامترها استفاده شود ، غالباً نیاز به انتخاب مناسب ترین مدل در بین تعدادی از رقبا وجود دارد. برای حل این مشکل می توان عوامل مختلفی از شایستگی را در نظر گرفت. به عنوان مثال ، توانایی مدل برای متناسب کردن داده ها معمولاً مهمترین معیار است. هنگامی که داده ها از نظر رضایتبخش مناسب باشند ، به عنوان مثال ، WRSS کوچک و باقیمانده های بی طرف ، باید معیارهای دیگری در نظر گرفته شود. برای مدلهای ساختاری ، شایستگی نسبی هر مدل در رابطه با پایبندی آن به دانش فیزیولوژیکی نیز یک ماده اصلی است. برای مدلهای ورودی-خروجی ، به عنوان مثال تعداد نمایی ، مسئله انتخاب نسبت به مدلهای ساختاری نسبتاً آسانتر است ، زیرا فقط ترتیب در بین مدلهای کاندیدای مختلف متفاوت است ، یعنی باید به سادگی ارزیابی کرد که آیا بهبود در خوبی بودن به دست آمده با افزایش سفارش مدل نتیجه نمایش دقیق تر داده ها و نه تنها تعداد فزاینده پارامترها است. در حقیقت ، مشخص شده است که با افزایش سفارش مدل ، متناسب بودن داده ها همیشه بهبود می یابد ، اما در عین حال ، دقت تخمین پارامتر بدتر می شود.

در ادبیات ، تعدادی روش برای انتخاب بهترین سفارش مدل وجود دارد. بعضي از اين روش ها به عنوان معيار اطلاعاتي شناخته مي شوند. به عنوان مثال ، هنگامی که تخمین پارامتر توسط ML انجام می شود ، یک استراتژی رایج برای انتخاب پارس ترین مدل بر اساس معیار اطلاعات Akaike (AIC) تهیه می شود ، که براساس آن مدل انتخابی یکی است که حداقل مقدار شاخص را ارائه می دهد:

جایی که M تعداد پارامترهای ناشناخته است و JML () مقدار تابع هزینه (5.19) با حداقل مقدار آن است [11]. در معادله (5.27) ، در دوره اول تعداد زیادی پارامتر جریمه می شود (به پارامتر مربوط به عدم اطمینان تخمین می زند) ، در حالی که حالت دوم وزن کمترین عملکرد JML (مربوط به خوبی بودن) را دارد. معیارهای رایج دیگر ، با استفاده از همان ایده حتی در فرمولاسیون کمی متفاوت ، حداقل طول توصیف (MDL) ، خطای پیش بینی نهایی (FPE) و معیار اطلاعات بیزی (BIC) ، همچنین با عنوان معیار شوارتز (SC) شناخته می شوند. معیار جالب دیگر ، هرچند که در ادبیات زیست پزشکی به ندرت شناخته شده است ، اندازه گیری اطلاعات پیچیدگی (ICOMP) [12] است که به طور مستقیم به دنبال بهترین سازش بین خوب بودن و تناسب برآورد هاست. به طور خاص ، ICOMP پیشنهاد می کند مدلی را انتخاب کند که به حداقل برسد

(5.28)
جایی که c (·) تابعی از ماتریس انفورماتیک فیشر Fisher است که به عنوان c = M / 2log (λa / λg) تعریف شده است ، با λa ، میانگین حسابی مقادیر ویژه (به راحتی محاسبه شده به عنوان ردیابی (F) / M) ، و λg ، میانگین هندسی مقادیر ویژه (به راحتی به عنوان det (F) 1 / M) محاسبه می شود).

مقدمه
برآورد پارامتر هنر تنظیم پارامترهای یک مدل تحلیلی از یک ساختار برای تولید مثل داده های اندازه گیری شده (استاتیک یا پویا) است. برآورد پارامتر همچنین می تواند مورد استفاده قرار گیرد برای شناسایی پارامترهای عنصر ضمنی در سختی یا ماتریس جرم که توصیف یک سیستم ساختاری در سطح جزء است و یک ابزار مفید برای به روز کردن مدل عنصر محدود است. این پارامترهای ضمنی شامل خواص عنصر مانند EA ، EI ، GJ و Kspring است.

تئوری ارزیابی تخمین پارامتر جدید نیست ، اما پیشرفت در توسعه الگوریتم به ساخت تخمین پارامتر ابزاری مفید برای ارزیابی شرایط ساختاری کمک کرده است. هنگامی که با موفقیت به یک تخمین پارامتر ساختار استفاده می شود می توان برای نظارت بر سلامت و ارزیابی آسیب استفاده می شود به عنوان تغییر در پارامترهای خاص یک مدل پایه می تواند مربوط به تغییرات فیزیکی در یک مدل ساختاری باشد. استفاده از برآورد پارامترها در یک مدل فیزیکی نیاز به آزمایش طراحی ، آزمایش کنترل شده ، پردازش داده ها برای ارزیابی کیفیت داده ها ، تخمین پارامترها و درنهایت تفسیر نتایج دارد. جمع آوری داده های بازرسی عینی به دست آمده از طریق آزمایش غیر مخرب و برآورد پارامترها می تواند نمایانگر معنی داری از عملکرد یک ساختار باشد.

استفاده از یک ساختار مقیاس کوچک با برآورد پارامتر داده شبیه سازی شده یک فرایند ساده است. تعدادی از چالش ها در استفاده از برآورد پارامترها به یک ساختار در مقیاس کامل وجود دارد. به عنوان مثال ، کیفیت روشهای آزمایش و محیط می تواند به اندازه الگوریتم و توابع خطایی مورد استفاده در تخمین پارامتر مهم باشد. سانایی و همکاران. (1998a) سه چالش اصلی را محدود می کند که کاربرد تخمین پارامترها را در ساختارهای کامل مقیاس محدود می کند.