Application of BPNN optimized by chaotic adaptive gravity search and particle swarm optimization algorithms for fault diagnosis of electrical machine drive system

Der Artikel stellt ein neuartiges Fehlerdiagnoseverfahren für elektrische Maschinenantriebssysteme vor, das mithilfe von Backpropagation Neural Networks (BPNN) optimiert wurde, die durch chaotische adaptive Gravitationssuchalgorithmen (GSA) und Particle Swarm Optimization (PSO) optimiert wurden. Traditionelle BPNNs stehen vor Herausforderungen wie langsamem Lernen und lokalen Extremproblemen. Die vorgeschlagene Methode geht auf diese Probleme ein, indem adaptive Gravitationskonstanten und chaotische Kartierungstypen eingeführt werden, um globale Such- und lokale Entwicklungsfähigkeiten ins Gleichgewicht zu bringen. Die Kombination von GSA und PSO verbessert die Fehlerdiagnose von BPNN weiter. Die Methode wird durch eine Open-Circuit-Fehlerfallstudie in einem Permanent Magnet Synchronous Machine (PMSM) -Antriebssystem validiert, die verbesserte Klassifizierungsgenauigkeit und reduzierte Konvergenzzeit zeigt. Die Integration des chaotischen adaptiven GSA-PSO mit BPNN bietet eine vielversprechende Lösung zur Verbesserung der Fehlerdiagnose in komplexen Systemen.