Кафедра "Електричні апарати"

Постійне посилання колекціїhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/43

Офіційний сайт кафедри http://web.kpi.kharkov.ua/ea

Кафедра "Електричні апарати" була створена в 1931 році при Харківському електротехнічному інституті. Засновником, організатором і першим завідувачем кафедри був видатний фахівець в галузі електротехніки професор Вашура Борис Федорович.

Кафедра входить до складу Навчально-наукового інституту енергетики, електроніки та електромеханіки Національного технічного університету "Харківський політехнічний інститут", веде підготовку фахівців що мають глибокі знання з електромеханіки та різнобічні знання в області комп’ютерної техніки й інформаційних технологій.

У складі науково-педагогічного колективу кафедри працюють: 2 доктора технічних наук, 6 кандидатів технічних наук, 1 кандидат фізико-математичних наук; 5 співробітників мають звання доцента, 1 – старшого наукового співробітника.

Переглянути

Фільтри

2017 - 20192

Налаштування

Автор: search.filters.author.Petrenko, O.Ключові слова: search.filters.subject.оптимизация

Результати пошуку

Зараз показуємо 1 - 2 з 2
  • Ескіз
    Документ
    Implementing of Microsoft Azure machine learning technology for electric machines optimization
    (Національний технічний університет "Харківський політехнічний інститут", 2019) Pliuhin, V.; Sukhonos, M.; Pan, M.; Petrenko, O.; Petrenko, M.
    Purpose. To consider problems of electric machines optimizationwithin a wide range of many variables variation as well as the presence of many calculation constraints in a single-criteria optimization search tasks. Results. A structural model for optimizing electric machines of arbitrary type using Microsoft Azure machine learning technology has been developed. The obtained results, using several optimization methods from the Microsoft Azure database are demonstrated. The advantages of cloud computing and optimization based on remote servers are shown. The results of statistical analysis of the results are given. Originality. Microsoft Azure machine learning technology was used for electrical machines optimization for the first time. Recommendations for modifying standard algorithms, offered by Microsoft Azure are given. Practical value. Significant time reduction and resources spent on the optimization of electrical machines in a wide range of variable variables. Reducing the time to develop optimization algorithms. The possibility of automatic statistical analysis ofthe results after performing optimization calculations.
  • Ескіз
    Документ
    Determination of railway rolling stock optimal movement modes
    (NTU "KhPI", 2017) Petrenko, O.; Liubarskiy, B.; Pliugin, V.
    Purpose. To develop a methodology for simulating of an electromotive railway rolling stock in terms of power-optimal modes on a track with a given profile and a set motion graph. Methodology. We have used combined genetic algorithm to determine optimum modes of an electromotive railway rolling stock motion: a global search is performed by a genetic algorithm with a one-point crossover and roulette selection. At the final stage of the optimization procedure we have used Nelder-Mead method for the refinement of the optimum. Results. We have obtained that traction motor on a tramcar, while driving on a fixed site, has an excessive power of the cooling system. Its using only in the considered area allows to modernize the cooling system in the way of its power reducing, which in turn provides an opportunity to increase the overall efficiency of the electromotive railway rolling stock. Originality. For the first time, we have obtained the train motion equation in the program oriented form. This allows to use it for determination of electromotive railway rolling stock optimal control laws according to the Hamilton-Jacobi-Bellman method. Practical value. We have made the computer program to determine optimum modes of an electromotive railway rolling stock motion. The experimental studies of program results for the track section have confirmed the adequacy of the model, which allows to solve the traffic modes optimization problem for the tram track sections and increase the overall efficiency of the electromotive railway rolling stock.