Optimization-Based Position Sensorless Finite Control Set Model Predictive Control for IPMSMs
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
This paper presents nonlinear optimization-based position and speed estimation scheme for IPMSM drives with arbitrary signal injection generated by inherent switching ripples associated with finite control set model predictive control (FCSMPC). The existing standard sensorless techniques are not suitable for FCSMPC which applies voltage vectors directly to an electrical machine without a modulator. The proposed method optimizes the nonlinear cost function derived from the standard IPMSM model with respect to position and speed at every sampling interval. This method can be applied to any type of signal injection and, hence, an ideal candidate for sensorless FCSMPC. In this method, the signal injection is needed only to generate persistent excitation to maintain the observability at low speeds. A strong persistent excitation is always present with FCSMPC except at standstill where the control applies null vector when the reference currents are zero. This situation is overcome in this paper by introducing a small negative $d$-axis current at standstill. Thus, the proposed method can estimate the position and speed over a wide speed range starting from standstill to the rated speed without a changeover or additional signal injection. This paper also presents detailed convergence analysis and proposes a compensator for standstill operation that prevents converging to saddle and symmetrical solutions, and therefore, also eliminates the well-known ambiguity of $\pi$ rad in position estimation. The performance of the proposed sensorless scheme is experimentally verified for a wide range of operating conditions.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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