MétaCan
Menu
Retour à la cohorte
Enregistrement W2800692878 · doi:10.1139/tcsme-2005-0019

DIGITAL REDESIGN OF A STEPPING-MOTOR DRIVER IN THE PRESENCE OF COMPUTATIONAL DELAYS AND DISTURBANCES

2005· article· en· W2800692878 sur OpenAlexvenueno aff
Hideaki Shimamura, Noriyuki Hori

Notice bibliographique

RevueTransactions of the Canadian Society for Mechanical Engineering · 2005
Typearticle
Langueen
DomaineEngineering
ThématiqueIterative Learning Control Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceControl theory (sociology)Sampling (signal processing)Stability (learning theory)Controller (irrigation)Control engineeringSampling timeDisturbance (geology)Interval (graph theory)EngineeringMathematicsArtificial intelligenceControl (management)Telecommunications

Résumé

récupéré en direct d'OpenAlex

A method of digital redesign that can take computational delays and disturbances into account is presented and applied to an industrial analog driver for stepping motors. The method is based on the so-called Plant-Input-Mapping (PIM) method, which guarantees the stability for any non-pathological sampling interval and is extended to the case where computational delays are present. The delay, which does not have to be integral multiple of the sampling period, is considered to be a part of the plant so that adverse effects of the delay on the digital controller performance can be taken into account. Since the effects of disturbances in the motor should also be dealt with in the driver, modifications to the PIM are incorporated such that the characteristics from the disturbance to the plant-input can be adjusted without affecting those from the reference input. The performance of the resulting PIM method is investigated experimentally and found to be very close to that of the analog original, which cannot be recreated using the commonly used Tustin’s method at a sampling rate suitable for commercial production.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,187
Écart entre enseignants0,180 · 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'étudeSimulation ou modélisation
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

Citations2
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransactions of the Canadian Society for Mechanical EngineeringMême sujetIterative Learning Control SystemsTravaux en français237 207