Harmonic Current Optimization for Torque Ripple Reduction in Permanent Magnet Synchronous Machine Drives Based on Torque Ripple Surrogate Model
Notice bibliographique
Résumé
Torque ripple reduction based on harmonic current injection has been developed for PMSM drives. In such methods, torque ripple model (TRM) or speed harmonics are used for harmonic current optimization, which have several limitations. The performance of TRM based methods is limited due to the accuracy of the model itself and machine parameters, which leads to the remaining torque ripples. The speed harmonic-based methods have speed limitations, since the speed harmonics generated by the torque ripples cannot be detected at high-speed operations. In this article, the torque ripples of PMSM drives are first described based on the surrogate model, which does not require machine parameters. Based on that, the numerical solution of optimal harmonic currents is obtained offline using particle swarm optimization, considering both torque ripple reduction and loss minimization. Since the torque ripples are predicted with the machine-parameter-independent model instead of the speed harmonic measurements, the impact of the inaccuracy in machine parameters and the analytical torque ripple model are removed, and the proposed method may be effective over a broader range of speeds. The proposed method is evaluated experimentally and demonstrated to have several advantages over existing alternative methods in reducing torque ripples.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».