A Neural-Network-Based Electric Machine Emulator Using Neuro-Fuzzy Controller for Power-Hardware-in-the-Loop Testing
Notice bibliographique
Résumé
The emulation of permanent magnet synchronous machines (PMSMs) is critical for the advancement of power electronics and drive converter testing, particularly within power-hardware-in-the-loop (PHIL) platform. Despite significant progress, and developing accurate machine models, the amount of resources and memory used by these accurate models are not ideal for real-time applications due to added latency. Hence, a research gap exists in developing models that while accurately and efficiently replicate the dynamic behaviors of the machine model under various operating conditions, are light in resource usage. This paper addresses this gap by introducing an artificial neural network (ANN)-based machine modeling approach and combines it with a neuro-fuzzy-based control strategy to ensure robust and precise performance of the system, that is to minimize the error between the electric machine emulators (EME) and physical PMSM test results. The ANN model requires only 0.68 KB of memory compared to the 4 MB needed for traditional 1,000 × 1,000 LUT-based models, which incur greater latency due to cache limitations and interpolation demands despite lower floating-point operation (FLOP) requirements. By using this optimized ANN model with an adaptive ANFIS controller, the proposed system So, the main objective is to enhance the performance and accuracy of EMEs in PHIL testing environments. The ANN model provides a resource-efficient yet precise representation of the PMSM, while the adaptive neuro-fuzzy inference system (ANFIS)-based controller dynamically adjusts its membership functions to adapt to changing system dynamics and loading conditions and provide proper control command.
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 | 0,000 |
| 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 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 ».