MétaCan
Menu
Retour à la cohorte
Enregistrement W4388720807 · doi:10.1109/iecon51785.2023.10311777

Online Multiparameter Estimation of IPMSMs Considering Mutual Inductances and Rotor Position Compensation

2023· article· en· W4388720807 sur OpenAlexaff
Hongfu Cheng, Sana Etemadi, Uday Deshpande, Narayan C. Kar

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Motor Design and Analysis
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésControl theory (sociology)Decoupling (probability)StatorRotor (electric)Compensation (psychology)Position (finance)InductanceMagnetSynchronous motorCompensation methodsEstimation theoryComputer scienceEngineeringVoltageControl engineeringAlgorithmElectrical engineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Accurate comprehensive parameter estimation and analysis are essential for high performance modeling and control strategy of interior permanent magnet synchronous motors (IPMSMs). This article proposes an improved electrical machine (EM) model considering cross coupling effects and rotor position compensation to accurately estimate parameters, including stator winding resistance, inductances and permanent magnet (PM) flux linkage. In this article, the stator winding resistance is estimated separately by decoupling from other unknown parameters through removing common elements, using basic measurements including speed, voltage and current. Furthermore, dq-axis inductances and mutual inductances are investigated and constructed into mapping over various currents through decoupling coefficients in the proposed mathematical model. Meanwhile, rotor position compensation is considered to reduce the effects of rotor position error on parameter estimation. The proposed approach can improve the accuracy of estimation which is validated by the experiment on a laboratory prototype IPMSM and compared with other estimation methods ignoring either mutual inductances or rotor position compensation.

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)0,001
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
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 Opus0,022
Tête enseignante GPT0,245
Écart entre enseignants0,222 · 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
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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetElectric Motor Design and AnalysisTravaux en français237 207