مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 11 1 2013 6 21 Design Improvement of Synchronous Reluctance Motor Geometry, Using Neural-Network, Genetic Algorithm and Finite Element Method بهبود ساختار هندسی رتور ماشین سنکرون رلوکتانسی با استفاده ترکیبی از شبکه عصبی، الگوریتم ژنتیک و روش اجزای محدود 28 34 fa مرتضی حق‌پرست صمد تقی‌پور بروجنی عباس کارگر 2015 11 29 appropriate approach to reach high efficiency in Synchronous Reluctance (SynRel) machines is to enhance these machines’ magnetic saliency. This is usually done by changing the geometry of machine and especially by changing the number and shape of rotor flux barriers. In this paper an intelligent- method have been used to optimizing the design of SynRel motors based on magnetic saliency ratio. To achieve this aim, all of the motor parameters including stator geometry, axial length of machine, winding type, and number of flux barriers in rotor are assumed constant and just position of the rotor flux barriers are optimized. These positions have been defined by six parameters. Changing these parameters, the magnetic saliency of machine is calculated by finite element analysis (FEA). Using these values to train a neural network (NN), a modeling function is obtained for magnetic saliency of SynRel machine. Considering this NN as the target function in genetic algorithm (GA), the parameters of SynRel machine have been optimized and the best rotor structure with highest magnetic saliency has been obtained. Finally the abilities of NN in correct estimation of magnetic saliency and motor synchronization were approved by FEA and dynamic simulation. یک روش مناسب برای رسیدن به بازده و ضریب توان بالا در ماشین‌های سنکرون رلوکتانسی، افزایش برجستگی مغناطیسی (Ld/Lq) در این ماشین‌ها است. این کار معمولاً از طریق تغییر ساختار هندسی ماشین و به ویژه با تغییر تعداد و شکل سدهای شار رتور انجام می‌شود. در این مقاله از یک روش هوشمند برای بهینه‌سازی موتور سنکرون رلوکتانسی بر مبنای برجستگی مغناطیسی استفاده شده است. به این منظور مشخصات موتور از جمله هندسه ورق‌های استاتور، طول محوری ماشین، نوع سیم‌بندی و تعداد سدکننده‌های شار رتور ثابت فرض شده و شش پارامتر برای تعیین مکان سدهای شار رتور تعريف شده است. سپس به ازاي تغييرات پله‌ای اين پارامترها، برجستگی مغناطیسی رتور با استفاده از روش اجزای محدود (FEM) محاسبه شده و با به کارگیری این مقادیر برای آموزش يك شبكه عصبي (NN)، تابعی برای مدل‌کردن برجستگی مغناطیسی در موتور فراهم شده است. با در نظر گرفتن این مدل عصبی به عنوان تابع هدف درون الگوريتم ژنتيك (GA)، پارامترهای ماشین سنکرون رلوکتانسی بهينه‌سازي شده و بهترين ساختار موتور با بیشترین برجستگی مغناطیسی به دست آمده است. در پایان توانایی تخمین درست شبکه عصبی توسط شبیه‌سازی FEA، و قابلیت سنکرون ماندن موتور در بار نامی توسط شبیه‌سازی دینامیکی تأیید شده است. http://ijece.org/en/Article/Download/28050