Filter based torque ripple minimization of an adaptive neuro-fuzzy controller for induction motor
Notice bibliographique
Résumé
A novel filter based adaptive neuro-fuzzy (NF) speed controller coupled with an adaptive flux regulation for indirect field oriented induction motor (IM) drives is presented in this paper. A first order low pass digital infinite impulse response (IIR) filter is used in the input side of the proposed NF speed controller, which significantly softens the torque command generated by the adaptive neuro-fuzzy controller (NFC). Furthermore, the low pass filter based neuro-fuzzy controller (NFC) is able to eliminate the slight stable-state error of the speed, which the non-filter NFC based motor drive suffers from. In order to minimize the stable-state torque ripple of the induction motor, a speed error based reference flux regulation is employed in the proposed control scheme for induction motor drives. When the rotor speed is following the reference speed and kept in stable-state, the reference flux is moderately decreased, so that the torque ripple is minimized, and vice versa, the reference flux is increased up to the rated value when the speed error overruns. A complete simulation model for indirect field oriented control of IM incorporating the proposed filter based NFC and reference flux regulation is developed in Matlab/Simulink. The performance of the drive has been tested at different operating conditions. It has been proved that the proposed filter based neuro-fuzzy controller coupled with the torque ripple minimization method is suitable for application in high performance motor drive system.
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 ».