XiaoMi-AI文件搜索系统
World File Search System电机扭矩
带能量回收功能的 Cordline 多电机电力驱动装置
- 在稳定模式下保持稳定的速度（静态扭矩在额定电机扭矩的 0.25 到 1.00 之间变化时，精度为 ±5 ％）； - 静态和动态力矩的补偿； - 在轧制和轧制设备的电力驱动装置中更换轧辊时，保持补偿器的填充度和工艺过程的连续性。 - 反转并限制轧辊紧急制动的时间（不超过轧辊周长的 ¼）。 电力驱动装置的设定参数的保持精度应确保在静态运行时，生产线最大运行速度的稳态偏差 – 在三相交流电源静态电压 +10%、-15%、频率 ±1%、环境温度 ±10 摄氏度 [1] 下，不超过标称运行速度的 ±1 ％。
HTS激发中速风发生器的数值建模，带有二极管原子定子馈送
涡轮额定功率的增加超过≥14MW，需要替代稀土永久磁铁（PM）发电机是风能领域的当前趋势。1个高温超导（HTS）在电兴奋的同步发电机中是一种有前途的替代方案，在过去十年中，它一直是几个研究项目的主题。2对于多种优势，HTS激发大多是在无齿轮，直驱动（DD）同步发电机（额定速度NN≈10RPM）的背景下进行讨论的，例如减少的发电机质量M Gen和增加机械电源转换的发电机效率η。在EcoSwing项目3中已证明了无齿轮3.6 MW发电机的技术可行性。避免使用齿轮以更高的可靠性和较低的维护工作能力产生非常大的DD发电机，以实现大发电机扭矩。较大的发电机尺寸随迄今为止昂贵的HTS材料带来了大量。
爬墙机器人：优化吸附和新型抽吸技术
摘要。本文回顾了爬壁机器人的进展，重点介绍了吸附优化和新型吸力技术。爬壁机器人因其在危险作业中的潜力以及在不影响机动性的情况下在各种墙面上导航的能力而引起了广泛关注。其中一项创新包括专为光滑墙面设计的机器人，集成了真空吸附系统和粘合带。这种设计增强了机器人的灵活性和可操纵性，并深入分析了其用于攀爬任务的附着机制。已经推导出稳定攀爬所需的吸附力和电机扭矩等关键参数，机器人的原型展示了在不同墙面上的高稳定性和适应性。另一项关键研究深入研究了吸入室中吸入压力的建模和实验分析，强调了不同室轮廓的作用。在腔室底部引入了一种底部限制器的新添加，并使用 3D 建模和计算流体动力学分析了其设计和性能。限制器对机器人粘附效率的影响已通过实验评估，在非抹灰砖墙上显示出良好的效果。通过这些研究，本文强调了爬墙机器人在不同应用中的不断发展和潜力。
eVTOL 的剩余使用寿命数字阴影......
数字阴影能够成功模拟电机的速度和 q 轴电流调节。这种精确的响应确保了数字阴影为 RUL 模型提供的输入与真实组件所经历的输入相当。瞬态模型和硬件响应之间的一致性如图 2 所示。仅从负载和速度设定点，瞬态模型就能够准确预测电机的速度、扭矩和功率响应。然后使用这些计算出的量作为输入来确定关键系统组件的 RUL。数字阴影能够根据操作条件动态更新 RUL 估计，如图 3 所示。这种一致性凸显了数字阴影在镜像实时操作和估计不同操作条件下的组件寿命方面的有效性。这种数字阴影的一个重要方面是它对电机的 RUL 估计的动态适应，这显示出对操作变化的高度响应。当电机在 100 秒内改变速度时，这种反馈尤为明显。图 3 中 RUL 图的斜率降低捕捉到了这一事件，速度降低后，图的后半部分电机扭矩也相应下降。这种响应能力对于维护和运营策略的实时监控和决策至关重要，将数字阴影定位为 eVTOL 动力系统管理的宝贵预测工具
![利用人工智能（AI）技术和电磁学的优化设计[II/完整]](/simg/g:\will\search\icon\source\9\9387ec6c0b051bb435b36d1f49766d3c18604346.png)
利用人工智能（AI）技术和电磁学的优化设计[II/完整]
(1) R. Gómez-Bombarelli, J.N.魏，D. Duvenaud，J.M.Hernandez-Lobato、B. Sanchez-Lengeling、D. Sheberla、J. Aguilera-Iparraguirre、T.D.希泽尔 R.P.亚当斯和 A.Aspuru-Guzik.，“使用数据驱动的分子连续表示进行自动化学设计”，ACS Central Science，卷。4，没有。2，第268-276，2018 年 2 月。(2) T.Guo, D.J.Lohan 和 J.T.Allisony，“使用变分自动编码器和风格迁移进行拓扑优化的间接设计表示”，AIAA 2018-0804。https://doi.org/10.2514 / 6.2018-0804，2018年。(3) S. Oh、Y. Jung、S. Kim、I. Lee 和 N. Kang，“深度生成设计：拓扑优化与生成模型的集成，”J.机械设计，卷。141，号。11, 111405, 2019.(4) 五十岚一，伊藤桂一，《人工知能(AI)技术と电磁気学を用いた最适设计［I］──トポロジー最适化──，》信学志，卷．105，没有。1. 页2022 年 33-38 日。(5) H. Sasaki 和 H. Igarashi，“深度学习加速拓扑优化”，IEEE Trans。Magn.，卷。55，没有。6，7401305，2019。(6) J. Asanuma、S. Doi 和 H. Igarashi，“通过深度学习进行迁移学习：应用于电动机拓扑优化, ” IEEE Trans.Magn., 卷。56, no.3, 7512404, 2020.(7 ) T. Aoyagi、Y. Otomo、H. Igarashi1、H. Sasaki、Y. Hidaka 和 H. Arita，“使用深度学习进行拓扑优化预测电流相关电机扭矩特性”，将在 COMPUMAG2021 上发表。(8) R.R.Selvaraju、M. Cogswell、A. Das、R. Vedantam、D. Parikh 和 D. Batra，“Grad-CAM：来自深层的视觉解释网络通过基于梯度的定位，” Proc.IEEE Int.Conf.计算机视觉 ( ICCV )，第< div> 618-626，2017 年。(9) H. Sasaki、Y. Hidaka 和 H. Igarashi，“用于电动机设计的可解释深度神经网络”，IEEE Trans。Magn.，卷57，号6，8203504，2021。(10) X.Y.Kou，G.T.Parks，和 S.T.< div> Tana，“功能优化设计