MétaCan
Menu
Retour à la cohorte
Enregistrement W4310971538 · doi:10.1109/iecon49645.2022.9968860

A PWM Fixed-Gain Super-Twisting Sliding Mode Current Controller for Switched Reluctance Motors

2022· article· en· W4310971538 sur OpenAlexafffund
Filipe Pinarello Scalcon, Gaoliang Fang, César José Volpato Filho, H.A. Gründling, Rodrigo Padilha Vieira, Babak Nahid‐Mobarakeh

Notice bibliographique

RevueIECON 2022 – 48th Annual Conference of the IEEE Industrial Electronics Society · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Motor Design and Analysis
Établissements canadiensMcMaster University
Organismes subventionnairesMitacs
Mots-clésSwitched reluctance motorControl theory (sociology)Reluctance motorPulse-width modulationController (irrigation)Current (fluid)Mode (computer interface)Computer scienceTorqueEngineeringPhysicsControl (management)VoltageElectrical engineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Proper current control is essential in SRM drives in order to ensure adequate reference tracking and torque ripple reduction when using current profiling techniques. In this context, this paper proposes a PWM super-twisting sliding mode current controller for switched reluctance motors with a fixed-gain structure. The approach presents a model-free structure, not requiring model information on implementation. The PWM implementation ensures a fixed switching frequency and the fixed-gain approach leads to a simple control structure, not demanding any sort of gain lookup tables. The complex task of gain design for super-twisting controllers is solved in this paper by means of an optimization-based design methodology, using the sum of the squared error as a cost function. The proposed technique is compared to a higher sampling hysteresis controller in terms of current and torque root-mean-square error. Simulation results are presented, showing that the proposal achieves a performance comparable to a higher sampling hysteresis controller.

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)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,693
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,035
Tête enseignante GPT0,248
Écart entre enseignants0,213 · 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'admission2
Résumé présentoui

Explorer davantage

Même revueIECON 2022 – 48th Annual Conference of the IEEE Industrial Electronics SocietyMême sujetElectric Motor Design and AnalysisTravaux en français237 207