A Multi-objective Optimization Framework for the Design of a High Power-Density Switched Reluctance Motor
Notice bibliographique
Résumé
Switched Reluctance Motors (SRMs) are reliable, robust, and magnet-free, but they have relatively lower power density, higher torque ripple and vibration. With the design and control optimization, the drawbacks of an SRM can be addressed. However, the relationship between geometry parameters and optimum control parameters can make the design of an SRM challenging. This paper proposes a multi-objective optimization framework for the design of a high-power density SRM. The proposed framework overcomes the challenges due to the motor geometry and current control interdependencies. It has two main stages. The first stage is the static optimization to find the geometries with high static average torque. The static optimization utilizes diverse non-linear surrogate models and global optimization algorithms to find a comprehensive set of geometries with high average static torque. In the second stage, for each of those geometries, the dynamic optimization loop is employed to improve the average torque, torque ripple, and radial forces. Dynamic optimization is a loop involving gradient-based deterministic optimization and stochastic controls optimization. The variations of geometry parameters in each iteration of the dynamic optimization is constrained to ensure the same control parameters can be maintained. The framework has been employed in the design of a high-power density SRM for an aerospace application. The same framework can be adapted for different SRM applications by modifying the constraints and objectives.
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) | 0,000 | 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 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 ».