Experimental performance of a model reference adaptive flux observer based NFC for IM drive
Notice bibliographique
Résumé
This paper presents a model reference adaptive flux (MRAF) observer based neuro-fuzzy controller (NFC) for an induction motor (IM) drive. An improved observer model is developed based on a reference flux model and a closed-loop Gopinath model flux observer which combines current and voltage model flux observers. The d-axis reference flux linkage of the indirect field oriented control is provided by flux weakening method. Furthermore, a proportional-integral (PI) based flux controller is used to provide the compensation for the reference flux model by comparing the flux reference and the observed flux from Gopinath model flux observer. An improved self-tuned NFC is utilized as a speed controller for IM drive. The proposed NFC incorporates fuzzy logic laws with a five-layer artificial neural network (ANN) scheme. In the proposed NFC, parameters of the 4 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">th</sup> layer are tuning online for the purpose of minimizing the square of the error. Furthermore, the design of normalized inputs makes the proposed NFC suitable for variant size of IM with a little adjusting. A complete simulation model for indirect field oriented control of IM incorporating the proposed MRAF observer based NFC is developed in Matlab/Simulink. The performances of the proposed IM drive is investigated extensively at different dynamic operating conditions such as step change in load, step change in change in speed, parameter variations, etc. The proposed IM drive is also implemented in real-time using DSP board DS1104 for a laboratory 1 HP IM. The performance of the proposed MRAF observer based NFC controller is found robust and potential candidate for high performance industrial drive applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».