A spin tracing algorithm applied to mini-type magnetic bearing meter and its SoC implementation
Notice bibliographique
Résumé
Due to its large mechanical structure, the standard magnetic-flux-gate bearing-based meter cannot be housed in the very small space available on some small mobile machines. Although the semiconductor magnetic-effect-based bearing meter has miniaturizing potential, its longterm temperature stability and its azimuth measurement accuracy are not as good as those of the magnetic-flux-gate bearing meter. To solve the problem of miniaturizing the dimension of the magnetic-flux-gate-based bearing meter, this paper presents a spin-tracing algorithm (STA) developed to study a mini-type magnetic bearing meter. First, an orthogonal projection vector is structured by analyzing the magnetic bearing sensor's working principle. A theoretic expression is derived which can be used to control the tracing computation process of getting azimuth data by exploiting the triangle transform. The structure and the stability of the STA algorithm are also discussed in the paper. Furthermore, a relation between the tracing step length /spl Delta//spl beta/ and the maximum computation step number N/sub max/ at any sample is set up. The STA algorithm has been implemented as a system-on-chip based on an FPGA. Finally, the experimental data from the mini-type magnetic bearing meter based on the STA algorithm as well as its specifications are given. The experimental results show that the STA algorithm is not only efficient in miniaturizing the size of the meter, but also is excellent in improving upon the system accuracy which is two times higher than that of the old meter.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».