Nonlinear modellering og identifikasjon av protonutveksling membran brenselcelle PEMFC. Shan-Jen Cheng a. Jui-Jung Liu ba Avdeling for luftfartsteknologi, Army Academy ROC, Taoyuan, Taiwan, ROC. b Institutt for multimedia Mobile Commerce, Kainan University, Taoyuan, Taiwan, ROC. Mottatt 10. desember 2014 Revidert 14. april 2015 Godkalt 15. mai 2015 Tilgjengelig på nettet 18. juni 2015.Tidfrekvensdomene NARAMX-tilnærming er ansatt i PEMFC. Time-domene-modellen gir langsiktig forutsigbarhet og god representasjon av dynamikken. Frequency - domain-tilnærmingen viser den indre krysskoblede, ikke-lineære oppførselen. Tilnærmingen kan effektivt og ikke-destruktiv til modell og identifisere PEMFC. Den ikke-lineære autoregressive glidende gjennomsnittsmodellen med eksogene innganger NARMAX-tilnærming er ansatt for å analysere tidsfrekvensdomener for protonutvekslingsmembranstoffet celle PEMFC-system Tid-domene ikke-lineær NARMAX-modell av PEMFC-systemet er modellert fra målte eksperimentelle inngangs - og utgangsdata. Utgangene oppnådd ved bruk av tidsdomenet NARMAX-modellen, ble bekreftet ved modellvalideringstester som sammenligner modellens prediktive utganger med faktiske systemutganger i et interaktivt miljø. Dette gir et potensielt ikke-destruktivt verktøy for modellering av et ikke-lineært PEMFC-system. Da blir generalisert frekvens responsfunksjon GFRF er ansatt i frekvensdomenet, som beregnes direkte fra tidsdomenet NARMAX-modellen, for å gi informasjon om hvilke typer ikke-lineariteter i en PEMFC Analysen viste at tidsdomenemodellen gir bedre parameterestimering og en god prognostiseringsevne Frekvensdomæne-responsfunksjonen er i overensstemmelse med faktiske reaksjonsmekanismer. Resultatene illustrerer at tidsfrekvensdomenet NARMAX-tilnærming kan anvendes effektivt ved modellering og identifisering av PEMFC-systemet. Ikke-lineær modellering. Frekvensrespons. Fig. 1 Fig. 2 Fig. 3. Tabell 1 Fig 4 Fig 5 Fig 6 Fig 7 Fig 8.Tabel 2 Fig 9 Fig 10 Fig 11.Korresponderende forfatter Tel 886 3 4371874.Krown copyright 2015 Utgitt av Elsevier Ltd Alle rettigheter reservert. En hybrid av ikke-lineær autoregressiv modell med eksogen innspill og autoregressiv glidende gjennomsnittlig modell for langsiktig maskinstatistikkprognose. Hong Thom Pham. Van Tung Tran. School of Mechanical Engineering, Pukyong National University, San 100, Yongdang-dong, Nam-gu, Busan 608-739, Sør-Korea. Tilgjengelig på nettet 15. oktober 2009.Denne rapporten presenterer en forbedring av hybrid av ikke-lineær autoregressiv med eksogen inngang NARX-modell og autoregressiv bevegelig gjennomsnittlig ARMA-modell for Langsiktig maskinstatistikkprognose basert på vibrasjonsdata I denne studien anses vibrasjonsdata som en kombinasjon av to komponenter som er deterministiske data og feil. Den deterministiske komponenten kan beskrive maskinens nedbrytingsindeks, mens feilkomponenten kan skildre utseendet på usikre deler En forbedret hybridprognosemodell, nemlig NARX ARMA-modellen, utføres for å oppnå prognoseresultater i w Den NARX-nettverksmodellen som er egnet for ikke-lineært problem, brukes til å prognose den deterministiske komponenten, og ARMA-modellen brukes til å forutsi feilkomponenten på grunn av egnet evne i lineær forutsigelse. De endelige prognoseresultatene er summen av resultatene hentet fra disse enkeltmodellene. ytelsen til NARX ARMA-modellen blir deretter evaluert ved å benytte dataene fra lavmetankompressor oppnådd fra tilstandsovervåkingsrutinen. For å bekrefte fremskrittene i den foreslåtte metoden, er en sammenlignende studie av prognoseresultatene oppnådd fra NARX ARMA-modellen og tradisjonelle modeller også utført De komparative resultatene viser at NARX ARMA-modellen er enestående, og kan brukes som et potensielt verktøy for maskinstatistikkprognoser. Utviklingsregistrerende gjennomsnittlig ARMA. Nonlinear autoregressiv med eksogen inngang NARX. Langsiktig prediksjon. Maskinens prognoser. Fig 1 Fig 2 Fig 3 Fig 4. Tabel 1 Fig 5 Fig 6 Fig 7 Fig 8 Fig 9 Fig 10.Table 2 Fig 11 Fig 12.Table 3 Fig 13 Fig 14.Korresponderende forfatter Tlf 82 51 629 6152 faks 82 51 629 6150.Binary partikkel swarm optimalisering struktur utvalg av ikke-lineært autoregressivt glidende gjennomsnitt med eksogene innganger NARMAX modell av en fleksibel robotarm. T1 - Binær partikkel svarm optimalisering struktur utvalg av ikke-lineære autoregressive glidende gjennomsnitt med eksogene innganger NARMAX-modell av en fleksibel robotarm. AU - Yassin, Ihsan Mohd. AU - Ali, Megat Syahirul Amin Megat. AU - Tahir, Nooritawati Md. AU - Abidin, Husna Zainol. AU - Rizman, Zairi Ismael. N2 - Den ikke-lineære automatisk-regressive bevegelige gjennomsnittet med eksogene innganger NARMAX-modellen er en kraftig, effektiv og enhetlig representasjon av en rekke ikke-lineære modeller. Modellens konstruksjon omfatter strukturvalg og parameterestimering, som samtidig kan utføres ved hjelp av de etablerte Orthogonal Least Squares OLS-algoritmen Imidlertid har flere kritikker blitt rettet mot OLS for sin tendens til å velge overdrevne eller suboptimale vilkår som fører til n onparsimonious modeller Dette papiret foreslår anvendelsen av Binary algoritmen for optimal optimalisering av Binary Particle Swarm for strukturvalg av NARMAX-modeller. Utvelgelsesprosessen søker etter den optimale strukturen ved hjelp av binære biter for å godta eller avvise betingelsene for å danne den reduserte regressormatrisen. Byggingen av modellen er ferdig ved først å estimere NARX-modellen, fortsetter man med estimeringen av MA-modellen basert på residualene produsert av NARX One Step Ahead OSA-prediksjon, Mean Squared Error MSE og gjenværende histogramanalyse ble utført for å validere modellen. Den foreslåtte optimaliseringsalgoritmen ble testet på De fleksible robotarmene FRA datasettresultater viser suksessen til BPSO-strukturvalg for NARMAX når de brukes på FRA-datasettet. Den endelige NARMAX-modellen kombinerer NARX - og MA-modellene for å produsere en modell med forbedret prediktiv evne sammenlignet med NARX-modellen. AB - Den ikke-lineære Auto-Regressive Moving Gjennomsnitt med Exogene Inputs NARMAX-modellen er en kraftig, eff ekologisk og enhetlig representasjon av en rekke ikke-lineære modeller Modellens konstruksjon innebærer strukturvalg og parameterestimering, som samtidig kan utføres ved hjelp av den etablerte Orthogonal Least Squares OLS-algoritmen. Imidlertid har flere kritikker blitt rettet mot OLS for sin tendens til å velge overdreven eller suboptimale vilkår som fører til ikke-forbigående modeller Dette papiret foreslår anvendelsen av Binary algoritmen for Binary Particle Swarm Optimization for strukturvalg av NARMAX-modeller. Valgprosessen søker etter den optimale strukturen ved hjelp av binære biter for å akseptere eller avvise betingelsene for å danne den reduserte regressormatrisen Byggingen av modellen er utført ved først å estimere NARX-modellen, og fortsetter med estimeringen av MA-modellen basert på residualene produsert av NARX One Step Ahead OSA-prediksjon, Mean Squared Error MSE og gjenværende histogramanalyse ble utført for å validere modellen The foreslåtte optimaliseringsalgoritme var tes ted på den fleksible roboten arm FRA datasettresultater viser suksessen til BPSO strukturvalg for NARMAX når den brukes på FRA datasettet Den endelige NARMAX-modellen kombinerer NARX - og MA-modellene for å produsere en modell med forbedret prediktiv evne sammenlignet med NARX-modellen. JO - International Journal on Advanced Science, Engineering og Information Technology. T2 - International Journal on Advanced Science, Engineering og Information Technology. JF - International Journal on Advanced Science, Engineering and Information Technology.
Comments
Post a Comment