The prediction of iron losses under PWM excitation using the classical Preisach model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The losses incurred in ferromagnetic materials under PWM excitations must be predicted accurately to optimize the design of modern electrical machines. The purpose of this paper is to employ mathematical hysteresis models (i.e. classical Preisach model) to predict iron losses in electrical steels under PWM excitation without compromising the computational complexity of the model. Design/methodology/approach In this paper, a novel approach based on the dynamic inverse Preisach model is proposed to model the iron losses. The PWM magnetic flux density waveform is decomposed into its harmonic component using Fourier series and a weighted Everett function is computed based on these harmonic components. The Preisach model is applied for the given flux waveform and results are validated against the measurements. Findings The paper predicts the total iron loss by computing a weighted Everett function based on the harmonics present in PWM waveform. Moreover, it formulates the possibility of utilizing the classical Preisach model to predict iron losses under PWM excitation. Research limitations/implications The approach is still limited in terms of its application at high frequencies. This work may eventually lead toward the accurate prediction of iron loss under PWM excitation in electromagnetic machine design. Practical implications The paper provides a simple approach applying the Preisach model for the prediction of iron losses under PWM excitation. The proposed approach does not require additional experimental data beyond B-H loops measured under sinusoidal excitation. Originality/value A novel approach is presented to incorporate the frequency dependence into a static inverse Preisach model. The approach extends the ability of the static Preisach model to compute total iron loss under PWM excitation using a weighted Everett function.
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.
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 découle