Enhanced Performance of Indirect Vector Controlled Induction Motor Drive with a Modified Type 2 Neuro-Fuzzy Torque Controller in Interfacing with dSPACE DS-2812
Notice bibliographique
Résumé
Due to the nonlinearities of the PI controller, the performance of the PI controller is not satisfactory. The gains must be properly selected after changes in control parameters is one of the issues of the PI controller. The modified type 2 Neuro-Fuzzy torque controller of indirect vector control-based induction motor drive is proposed in this paper by taking single input as an error i.e. speed and torque against two inputs error and change in error of conventional T2NFC.The superiority of fuzzy and neural networks has been utilized by T2NFC as type 2 MF’s consist of fuzzy and FOU. The intersection point of the membership function is smaller so that the value of the centroid method is more precise than the T1NFC. The induction motor parameters, such as stator phase current, speed, and torque of the proposed T2NFC are simulated in MATLAB at different operating conditions and compared with PI, T1NFC controllers. The proposed T2NFC significantly minimizes the ripples in torque of the induction motor in comparison with PI and T1NF controllers. The practical implementation is also carried out with a 3.7 KW induction motor using DSP 2812 controller to analyse induction motor parameters in real-time.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 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 ».