机构名称：
¥ 2.0
1986 年现代反向传播论文首次发表 [1] 后，电机控制界对机器学习 (ML) 的蓬勃发展了如指掌，三年后出现的关于离线训练神经网络以模仿三相 PWM 逆变器中磁滞电流控制器行为的研究 [2] 就证明了这一点。随后，在 20 世纪 90 年代初，人们在通用电压馈电交流电机 [3]、[4]、感应电机 [5]–[15]、直流电机 [16]、[17]、同步电机 [18] 和开关磁阻电机 [19] 上进行了一系列开创性的努力。除了对将 ML 应用于电机驱动控制的广泛兴趣外，此类技术（尤其是分类或回归技术）也已应用于各种类型电机的状态监测和故障诊断 [20]–[27]。大约在那个时候，随着神经网络等机器学习模型的出现，电力电子领域的前沿逐渐向前发展，这些模型已成为电力电子和电机驱动器中复杂系统识别、控制和估计的最重要领域 [28]。然而，也有人得出结论，“尽管技术进步，但目前神经网络在电力电子领域的工业应用似乎非常少” [29]。虽然机器学习应用始终以最快的可用硬件平台为目标，尤其是专注于（大规模）
电机驱动中的人工智能
主要关键词
相关文件推荐
