Abstract: This paper presents the problem of the identifying parameters for use in mathematical models of induction motors with the use of a genetic algorithm (GA). The effect of arithmetical crossover and the generation of new populations on identification results is analysed. The identified parameters of the model were determined as a result of the minimisation of the performance index defined as the mean-square error of stator current and angular velocity. The experiments were performed for the low power induction motor. The steady-state genetic algorithm with regard to convergence and accuracy of the identification process and calculation time is analysed.
B I B L I O G R A F I A[1] Arabas J., Wykłady z algorytmów ewolucyjnych, WNT, Warszawa 2016.
[2] Bai H., Yang F., German X., Chang C., Panda S., Tan W., Stability Analysis of Adjustablespeed Induction-motor Drive using Genetic Algorithm, Proc. of 8th International Conference on Advances in Power System Control, Operation and Management 2009, 1-6.
[3] Dybkowski M., Orłowska-Kowalska T., Estymacja prędkości i wybranych parametrów schematu zastępczego silnika indukcyjnego w bezczujnikowym układzie napędowym, Przegląd Elektrotechniczny, 88, 4b/2012, 64-69.
[4] Goldberg D. E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley Publishing Company, 2002.
[5] Gorzalczany M. B., Rudzinski F., Genetic Fuzzy Rule-Based Modeling of Dynamic Systems Using Time Series, Lecture Notes in Computer Science, 7269/2012, 231-238.
[6] Gorzalczany M. B., Rudzinski F., A Modified Pittsburg Approach to Design a Genetic Fuzzy Rule-Based Classifier from Data, Lecture Notes in Computer Science, 6113/2010, 88-96.
[7] Grzyb A., Algorytmy ewolucyjne, Optymalizacja i polioptymalizacja w technice, Wyd. Politechniki Koszalińskiej, 2011, 263-281.
[8] Kisielewski P., Grzyb A., Algorytmy ewolucyjne w optymalizacji z dwuwartościowymi zmiennymi decyzyjnymi, Mat. XXVIII Konferencji Naukowej Polioptymalizacja i CAD, Wyd. Politechniki Koszalińskiej, 2009.
[9] Kisielewski P., Zmodyfikowany algorytm węgierski optymalnego pokrycia zbiorów, Mat. XXVIII Konferencji Naukowej Polioptymalizacja i CAD, Wyd. Politechniki Koszalińskiej, 2009.
[10] Lubo F. G., Lima C. F., Michalewicz Z., Parameter Setting in Evolutionary Algorithms, Springer-Verlag, 2010.
[11] Michalewicz Z., Fogel D. B., How to Solve it: Modern Heuristics, Springer, 2000.
[12] Michalewicz Z., Genetic Algorithms + Data Structures = Evolution Programs, Springer-Verlag Berlin Heidelbderg GmbH, 2010.
[13] Michalewicz Z., The Emperor is Naked: Evolutionary Algorithms for Real-World Applications, ACM Ubiquity 2012, 1-13.
[14] Orłowska-Kowalska T., Szabat K., Ritter W., Identyfikacja parametrów silnika indukcyjnego za pomocą algorytmów genetycznych, Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej Nr 54, Studia i Materiały Nr 23/2013.
[15] Pełczewski W., Krynke M., Metoda zmiennych stanu w analizie dynamiki układów napędowych, WNT, 1984.
[16] Rutczyńska-Wdowiak K., Analiza wpływu wartości współczynnika wagowego wskaźnika jakości na wyniki identyfikacji parametrycznej modelu matematycznego silnika indukcyjnego z zastosowaniem algorytmu genetycznego, Logistyka, 6/2014, 9247-9254.
[17] Rutczynska-Wdowiak K., Dobór kryterium zatrzymania algorytmu genetycznego na przykładzie identyfikacji parametrycznej modelu matematycznego silnika indukcyjnego, Przegląd Elektrotechniczny R. 92, 12/2016, 283-288.
[18] Rutczynska-Wdowiak K., Analiza wpływu wskaźnika jakości na wyniki identyfikacji parametrycznej modelu matematycznego silnika indukcyjnego z zastosowaniem algorytmu genetycznego, Przegląd Elektrotechniczny R. 92, No 4/2016, 202-204.
[19] Rutkowski L., Metody sztucznej inteligencji, PWN, 2005.
[20] Stefański T., Synteza adaptacyjnych algorytmów sterowania momentem falownikowego napędu samochodu elektrycznego z silnikiem indukcyjnym, Politechnika Świętokrzyska, seria Monografie, Studia, Rozprawy, 4/1995.
[21] Simon D., Evolutionary Optimization Algorithms, Wiley & Sons, 2013. 
DOI 
YADDA/CEON