MétaCan
Menu
Retour à la cohorte
Enregistrement W2422860403 · doi:10.1109/mpel.2016.2550239

A Low-Cost, High-Fidelity Processor-in-the Loop Platform: For Rapid Prototyping of Power Electronics Circuits and Motor Drives

2016· article· en· W2422860403 sur OpenAlexaff
Harsh Vardhan, Bilal Akin, Hua Jin

Notice bibliographique

RevueIEEE Power Electronics Magazine · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueReal-time simulation and control systems
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésEmbedded systemMicrocontrollerSoftwareComputer scienceFidelityElectronicsComputer hardwareField-programmable gate arrayController (irrigation)Coding (social sciences)EngineeringOperating systemElectrical engineering

Résumé

récupéré en direct d'OpenAlex

With the rising complexity in digital control algorithms for power electronics (PE) systems, prototype design and software control testing procedures have become increasingly time-consuming and costly. To minimize time to market and improve software quality assurance, this article presents a lowcost, safe, and reliable processor-in-the-loop (PIL) concept for rapid prototyping. PIL provides a framework to verify the actual control algorithm on a dedicated microcontroller that controls plant simulation in the software environment (SE). The corresponding communication approaches, constituting blocks and preliminary results, are presented in detail. The accuracy and fidelity of the PIL platform is validated through software-in-the-loop (SIL) simulations. It is shown that PIL leverages the embedded code generation features of the SE, which enables controller design and testing through minimal modifications to generated code and eliminates the need for real hardware during development, therefore removing safety concerns and any risks of damaging the expensive hardware. The presented approach also helps identify coding errors, casting errors, and platform-specific configuration errors even before the actual test setup is functional.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,230
Écart entre enseignants0,221 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations41
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Power Electronics MagazineMême sujetReal-time simulation and control systemsTravaux en français237 207