MétaCan
Menu
Retour à la cohorte
Enregistrement W4388265603 · doi:10.3934/electreng.2023019

Sliding mode control rotor flux MRAS based speed sensorless induction motor traction drive control for electric vehicles

2023· article· en· W4388265603 sur OpenAlexaff
Saqib Jamshed Rind, Saba Javed, Yawar Rehman, Mohsin Jamil

Notice bibliographique

RevueAIMS Electronics and Electrical Engineering · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueSensorless Control of Electric Motors
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésMRASControl theory (sociology)EstimatorVector controlController (irrigation)Traction (geology)TorqueComputer scienceLyapunov functionElectronic speed controlEngineeringRotor (electric)Control engineeringInduction motorVoltageMathematicsControl (management)

Résumé

récupéré en direct d'OpenAlex

Climate change has highlighted a need to transition to more sustainable forms of transportation. Electric vehicles (EVs) and hybrid electric vehicles (HEVs) offer a promising alternative to conventional gasoline powered vehicles. However, advancements in power electronics and advanced control systems have made the implementation of high performance traction drives for EVs and HEVs easy. In this paper, a novel sliding mode control model reference adaptive system (SMC-MRAS) speed estimator in traction drive control application is presented. However, due to the unpredictable operational uncertainties of the machine parameters and unmodelled non-linear dynamics, the proportional-integral (PI)-MRAS may not produce a satisfactory performance. The Proposed estimator eliminates the PI controller employed in the conventional MRAS. This method utilizes two loops and generates two different error signals from the rotor flux and motor torques. The stability and dynamics of the SMC law are obtained through the Lyapunov theory. The potential of the proposed SMC-MRAS methodology is simulated and experimentally validated for an electric vehicle application. Matlab-Simulink environment is developed and proposed scheme is employed on indirect vector control method. However, for the experimental validation, the dSPACE 4011 R & D controller board was utilized. Furthermore, the SMC-MRAS performance is differentiated with PI-MRAS for speed regulation performance, tracking and estimation error, as well as the fast minimization of the error signal. The results of the proposed scheme illustrate the enhanced speed estimation, load disturbance rejection ability and fast error dynamics.

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)0,000
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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
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 ouverte0,0000,000
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 GPT0,209
Écart entre enseignants0,202 · 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
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAIMS Electronics and Electrical EngineeringMême sujetSensorless Control of Electric MotorsTravaux en français237 207