MétaCan
Menu
Retour à la cohorte
Enregistrement W4403760083 · doi:10.1109/pemc61721.2024.10726356

Model-Free Predictive Control for PMSM Incorporating Flux-weakening

2024· article· en· W4403760083 sur OpenAlexaff
Masoumeh Ahrabi, Subarni Pradhan, Babak Nahid‐Mobarakeh

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Control Systems Optimization
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésModel predictive controlFlux (metallurgy)Control theory (sociology)Control (management)Computer scienceControl engineeringEngineeringMaterials scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

In recent years, permanent magnet synchronous motors (PMSMs) have gained significant attention across various industrial sectors, particularly in transportation, owing to their distinct advantages over alternative motor technologies. Notably, PMSMs exhibit higher power density and possess the potential for wide flux weakening operation, thereby extending the speed range of operation—a critical attribute in electric vehicle applications. However, the sensitivity of PMSM control approaches to variations in machine parameters presents a notable challenge, as it can lead to degradation in controller performance when discrepancies arise between modeled parameters and real-world conditions. Addressing this concern, this study introduces a model-free adaptation of finite control set (FCS) predictive control (FCS-MFPC) tailored for flux weakening (FW) operation. Through simulation analysis conducted over the US Environmental Protection Agency Urban Dynamometer Driving Schedule, the performance of this controller is examined. Additionally, the performance of the controller is compared to conventional FCS-MPC. To facilitate a comprehensive comparison, criteria such as reference tracking error and drive efficiency are considered.

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 enseignants0,011
Score d'incertitude au seuil0,021

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 Opus0,009
Tête enseignante GPT0,213
Écart entre enseignants0,205 · 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Control Systems OptimizationTravaux en français237 207