STČ 2016

Studentská tvůrčí činnost 2016

Naši doktoradni se umístili velice dobře! Všem blahopřejeme.

2. Místo v sekci D3
Novák Zdeněk
Vysokorychlostní synchronní motor s permanentním magnetem a senzorem polohy
High Speed Permanent Magnet Synchronous Motor with a Shaft Sensor

Vedoucí práce: Chyský Jan, doc. Ing. CSc. (12110); Novák Martin, doc. Ing. Ph.D. (12110)

Pro vektorové řízení synchronního motoru s permanentními magnety (PMSM) je zapotřebí znát informaci o aktuální poloze rotoru, jeho rychlost a proud ve dvou fázích. Tato práce se zabývá vývojem vysokorychlostního PMSM se senzorem polohy. Je představeno konstrukční řešení motoru a princip senzoru. Reálný motor je otestován s použitím vektorového řízení implementovaného na programovatelném logickém poli (FPGA) a je ověřena funkčnost senzoru. Na závěr je prototyp PMSM vyhodnocen z hlediska funkčnosti a na základě dosažených výsledků jsou navrhnuta konstrukční vylepšení.

4. Místo v sekci D3
Daneček Milan
Měření dynamiky elektrického výkonu u generátorů pracujících v ekeltrorozvodné síti
Measurement of electric power dynamic of the generators working in the distribution grid

Vedoucí práce: Uhlíř Ivan, prof. Ing. DrSc. (12110)

Článek se zabývá zabývá aplikací rychlého analagového wattmetru. Tento wattmetr byl navržen pro aplikace v kogeneračních soustrojích pracujících s pístovými spalovacími motory. Přesné a rychlé měření elektrického výkonu je nezbytné pro efektivní a přesný chod regulace. Navržený analogový wattmetr eliminuje standardní nedostatky digitálního měření, které je založeno na vzorkování okamžitých hodnot elektrických napětí a proudů.

5. Místo v sekci D3
Cejnek Matouš
Centrování vstupního vektoru pro adaptivní filtr s NLMS adaptaci pro užití v real-time aplikacích
Online Data Centering Modification for Adaptive Filtering with NLMS Algorithm

Vedoucí práce: Bukovský Ivo, doc. Ing. Ph.D. (12110)

Tento článek představuje metodu jak transformovat data v reálném čase pro lepší funkci algoritmu NLMS (Normalized least mean squares). Představená metoda centruje vstupní vektor adaptivního filtru na základě dočasných statistických vlastností vstupních dat. Tato metoda je odvozená pro adaptivní filtr s implementací LNU (Linear neural unit). Článek obsahuje také podmínky stability této metody. K otestování metody bylo použito simulovaných dat s bílým šumem a také skutečných naměřených dat. Konvergence představeného algoritmu je v této práci zkoumána a jeho časová komplexita je zhodnocena v závěru.

Galerie: