Enhanced Dynamic Regulation in Buck Converters: Integrating Input-Voltage Feedforward With Voltage-Mode Feedback
Notice bibliographique
Résumé
DC-DC buck converters in automotive and aerospace applications are often required to handle large disturbances in their input supply and abrupt variations in their loads. This paper proposes a systematic method to combine input-voltage feedforward (IVFF) and voltage-mode feedback (VFB) controllers, aiming to enhance the closed-loop performance of these DC-DC converters. This method relies on the stability boundary locus approach to help select the proper control parameters that achieve strong dynamic stability across the full operating range regardless of practical implementation challenges. Also, an optimization approach is employed to minimize the passive components’ area within the compensator, achieving a 79% reduction in integration size compared to conventional designs. The controller was fabricated in a 0.35-μm CMOS technology, occupying a core area of 0.438 mm2. The prototype chip was experimentally tested to regulate a buck converter that leverages an e-GaN half-bridge while operating at 1 MHz. Measurement results show a remarkable closed-loop performance against line and load variations, reaching up to ±80 V/ms and ±535 mA per 150 μs, respectively. The output remains stable, showcasing very small (< 100 mV) to non-existent spikes and fast recovery periods. In addition, the system shows fast startup times (< 100 μs) with small overshoots (< 1%) observed at the output. The system power efficiency, tested across various loads, peaks at 95.14% while operating at 695 mA load current. It is shown that the combined-controller approach entirely eliminates transient voltage spikes, offering up to 100% improvement in dynamic performance over a standalone VFB 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».