An Intelligent Hybrid Control System using ANFIS-Optimization for Scalar Control of an Induction Motor
Notice bibliographique
Résumé
Recently, the three-phase induction motor (IM) has been widely used in AC motor drives and in industrial applications.The IM suffers from the accuracy of controlling the speed when it operates at different loads; this problem attracts the attention of many researchers in this field.This paper presents an Intelligent Hybrid Control System using ANFIS (Adaptive Neuro-Fuzzy Inference System)-Optimization for Scalar Control (SC) of an Induction Motor.In order to obtain optimum performance of the motor and to decrease the Total Harmonics Distortion (THD) of the motor current a Voltage Source Inverter (VSI) based on the Pulse Width Modulation technique (PWM) is used to drive the motor.To improve the speed response, accuracy and the motor's performance, an improved hybrid control system involves an optimization control method in addition to an Adaptive Neuro-Fuzzy Inference System used to adjust the amplitude and the Modulation Index (MI) of the reference signal.The proposed hybrid system improves the transient stability of motor speed and reaches a steady state much faster than the traditional controller.The Matlab-Simulink results proved the remarkable effectiveness of the proposed controller when comparing the results with two other controllers, the usual PI controller and the optimization 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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,002 |
| Science ouverte | 0,001 | 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 ».