@masterthesis{Braun2022, type = {Bachelor Thesis}, author = {Braun, Marvin}, title = {Numerische Berechnung von Magnetverlusten mit FEMAG-AMELA an permanenterregten Synchronmaschinen zur thermischen Analyse}, year = {2022}, abstract = {In der vorliegenden Arbeit wird eine softwaregest{\"u}tzte Methode zur Bestimmung von Wirbelstromverlusten eines Permanentmagneten, innerhalb einer rotierenden elektrischen Synchronmaschine, untersucht. Die Berechnung der Magnetverluste wird mit der FEMAG Erweiterungssoftware AMELA durchgef{\"u}hrt, deren Grundlage eine quasistatische Feldberechnung bildet. Da Wirbelstr{\"o}me r{\"a}umlich verteilt sind, liefert eine reine zweidimensionale Magnetverlustberechnung mit FEMAG-DC bislang nur ungen{\"u}gend genaue Ergebnisse, zudem k{\"o}nnen keine Magnetsegmentierungen eingebracht werden. Analytische Ans{\"a}tze zur Berechnung der Verlust-anteile, die zur Erw{\"a}rmung der Maschine f{\"u}hren, werden aufgezeigt. Die Verlustleistungen der einzelnen W{\"a}rmequellen werden in ein thermisches Modell der Maschinen eingetragen, um die statische Magnettemperatur zu ermitteln. Die Ergebnisse lassen sich anhand von Messungen der Maschine, in Form einer indirekten Bestimmung der Magnettemperatur, verifizieren. Ist eine Entmagnetisierung des Magneten aufgrund von {\"u}berm{\"a}ßiger thermischer Belastung zu erwarten, werden geeignete Segmentierungsmaßnahmen vorgestellt und aus fertigungstechnischer Sicht bewertet. Die Ursache und Auspr{\"a}gung der Wirbelstr{\"o}me wird aufgezeigt, sowie Einfl{\"u}sse beschrieben, die bei der Berechnung ber{\"u}cksichtigt werden m{\"u}ssen.}, language = {de} } @misc{Wendt2022, type = {Master Thesis}, author = {Wendt, Thilo}, title = {Inference and Training of a Multilayer Perceptron in a Deep Reinforcement Learning Context on a FPGA}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:92-opus4-8521}, school = {Technische Hochschule N{\"u}rnberg Georg Simon Ohm}, pages = {38}, year = {2022}, abstract = {This thesis addresses the design and verification of a multilayer perceptron (MLP) and the corresponding optimization algorithm, the batch gradient descent (BGD), on a FPGA using high level synthesis (HLS) for Xilinx devices. The solutions developed in this project are used in a reinforcement learning environment for the control of power electronic systems. The thesis briefly presents the principle of reinforcement learning, a mathematical description of the MLP and the BGD as well as programming techniques for HLS. The structure of the solutions and performance examinations are presented in the results part of the thesis. The project delivers functionally verified solutions for the execution on a FPGA. The solutions are able to process a three layer MLP with 16 inputs and outputs and 128 neurons in the hidden layer in 2,361 clock cycles at 100 MHz clock frequency which results in a runtime of 23.6 µs. The corresponding BGD for one training example features a minimum runtime of 13,141 clock cycles or 1,314 µs. However, performance is expected to further improve after resolving several issues described in the thesis.}, subject = {Neuronales Netz}, language = {en} }