MétaCan
Menu
Retour à la cohorte
Enregistrement W4310970676 · doi:10.1109/iecon49645.2022.9968728

Enhanced Adaptive Higher Order Sliding Mode Observer based Sensorless Control

2022· article· en· W4310970676 sur OpenAlexaff
Ying Zuo, Chunyan Lai, K. Lakshmi Varaha Iyer

Notice bibliographique

RevueIECON 2022 – 48th Annual Conference of the IEEE Industrial Electronics Society · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueSensorless Control of Electric Motors
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésControl theory (sociology)Observer (physics)Fuzzy logicSliding mode controlComputer scienceState observerVariable (mathematics)Adaptive controlMode (computer interface)Fuzzy control systemControl engineeringControl (management)MathematicsEngineeringNonlinear systemArtificial intelligencePhysics

Résumé

récupéré en direct d'OpenAlex

The traditional higher order sliding mode observer (HSMO) based sensorless control strategy uses a constant gain. However, very large gain value can decrease the output accuracy, while very small gain value will degrade the sliding mode observer’s stability. Therefore, under uncertain disturbances, an adaptive gain should be set for the higher order sliding mode observer. This paper proposes a variable universe fuzzy adaptive high order sliding mode observer based sensorless control (VUF-HSMO) strategy for permanent magnet synchronous machines (PMSMs) to achieve high precision sensorless control. Firstly, fuzzy logic control technique is used to get an adaptive gain in the HSMO. Then, variable universe theory is employed to self-tune the universe of discourse according to the change of inputs, and this results in the improvement in position estimation accuracy. Experiment results under different conditions demonstrate the effectiveness and the superiority of the proposed VUF-HSMO based sensorless control compared with the traditional HSMO and fuzzy logic based HSMO.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,032
Tête enseignante GPT0,223
Écart entre enseignants0,191 · 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 tête enseignante, pas un consensus.

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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIECON 2022 – 48th Annual Conference of the IEEE Industrial Electronics SocietyMême sujetSensorless Control of Electric MotorsTravaux en français237 207