MétaCan
Menu
Retour à la cohorte
Enregistrement W4392429512 · doi:10.18280/jesa.570112

Active Disturbance Rejection Control Based Sensorless Model Predictive Control for PMSM

2024· article· en· W4392429512 sur OpenAlexvenueno aff
Ilyes Dahnoun, Amor Bourek, Abdelkarim Ammar, Oussama Belaroussi

Notice bibliographique

RevueJournal Européen des Systèmes Automatisés · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueIndustrial Technology and Control Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésControl theory (sociology)Disturbance (geology)Model predictive controlControl (management)Active disturbance rejection controlComputer scienceControl engineeringEngineeringBiologyPhysicsArtificial intelligenceNonlinear system

Résumé

récupéré en direct d'OpenAlex

Improving tracking performance in speed controllers for permanent-magnet synchronous motor (PMSM) drive systems is critical due to internal challenges such as parameter variations, model uncertainty, and external disturbances like load changes.This paper proposes a new method that combines sensorless model predictive control (MPC) with active disturbance rejection control (ADRC), employing an extended state observer (ESO) as a key component of the ADRC.Notably, the proposed ADRC-MPC control integrates the advantages of MPC, such as good time response, high robustness against load variation, and a low effect of parameter variation in comparison to conventional control methods like field-oriented control (FOC).The ADRC-MPC reduces torque and flux ripples and also reduces torque and flux irregularities as well as current harmonics, which presents a major drawback in direct torque control (DTC).The proposed control with finite set model predictive control (FS-MPC) eliminates the PWM modulation and the complexity of continuous control set model predictive control (CCS-MPC).In the outer loop, the ADRC-MPC and the ESO present a very good solution.It presents a lower processing requirement than other controllers, especially the fuzzy logic controller (FLC), and also presents a consistent dynamic behavior across the entire operating range, contrary to the PID.The ADRC with ESO presents a promising solution to these challenges.The effectiveness of the proposed method is demonstrated through numerical simulations using MATLAB/Simulink software and experiments on a 3-kW surface-mounted PMSM drive system.both simulation and experimental results under different conditions show the effectiveness of the proposed approach.

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 enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,014
Tête enseignante GPT0,231
Écart entre enseignants0,217 · 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

Citations4
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal Européen des Systèmes AutomatisésMême sujetIndustrial Technology and Control SystemsTravaux en français237 207