Real-Time Validation of Enhanced Permanent Magnet Synchronous Motor Drive Using Dense-Neural-Network-Based Control
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High-performance current and speed control are required to obtain smooth output torque, current tracking, and speed tracking in permanent-magnet synchronous motor (PMSM) drives. The motor speed and stator current control rely on multiple nonlinear motor parameters, which play a crucial role in shaping the performance of PMSM. Moreover, tuning the speed and current controller parameters using the conventional control technique depends on these PMSM parameters, also variation of these parameters will have a decisive influence on the dynamic performance of PMSM. To enhance the robustness of vector control and tracking methodology against PMSM parameter uncertainties and load disturbances, a novel artificial intelligence (AI)-based advanced speed and current control technique for PMSM is proposed in this article. Subsequently, the methodology for designing and training the suggested Dense Neural Network (DNN) controllers are elicited. The proposed controllers can handle the inevitable fluctuation and non-linearity in motor parameters at different load points and drive conditions. The proposed DNN scheme is validated in terms of settling time, dynamic responsiveness, tolerance to parameter fluctuations, and overall robustness. A comparative analysis is conducted against adaptive proportional-integral (API) control applied to the same PMSM within the OPAL-RT real-time simulator (RTS). The viability of the proposed control scheme is substantiated through simulation, Software-In-the-Loop (SIL) and Hardware-In-the-Loop (HIL) testing with an RTS and an automotive-grade controller board across diverse conditions.
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.
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 | 0,000 |
| 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 | 0,000 |
| 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 découle