Wir freuen uns sehr über die Annahme einer Journalpublikation im IEEE Open Journal of Industrial Electronics Society, verfasst von Niklas Monzen, Florian Stroebl, Prof. Dr. Herbert Palm und Prof. Dr.-Ing. Christoph M. Hackl!
Unser Team hat die multikriterielle Hyperparameter-Optimierung (MO-HPO) erfolgreich eingesetzt, um die besten Architekturen künstlicher neuronaler Netzwerke (ANN) für die optimale Drehmomentensteuerung (OFTC) von Synchronmaschinen zu ermitteln. Die innovative Methode ermöglicht die systematische Identifizierung von Pareto-optimalen ANNs, welche einen bestmöglichen Kompromiss zwischen Genauigkeit und Berechnungsaufwand darstellen. Wir haben diese ermittelten Pareto-optimalen ANNs trainiert, in einem Echtzeitsystem implementiert und erfolgreich an einer nichtlinearen Reluktanzsynchronmaschine (RSM) in unserem Labor getestet.
Auf Basis der neuesten Erkenntnisse aus der ANN-Approximationstheorie präsentieren Niklas, Florian, Prof. Palm und Prof. Hackl wertvolle Designrichtlinien für ein Pareto-optimales, ANN-basiertes OFTC-Design, welche den Suchraum von ANN-Architekturen erheblich eingrenzen.
📄 Zum Artikel: 10.1109/OJIES.2024.3356721