MétaCan
Menu
Retour à la cohorte
Enregistrement W4407948830 · doi:10.1109/cdc56724.2024.10886391

Development of a Current-Position Control Strategy for Motion Systems Utilizing Nonlinear Reluctance Actuators

2024· article· en· W4407948830 sur OpenAlexaff
Mohammad Al Saaideh, Yazan M. Al-Rawashdeh, Natheer Alatawneh, Khaled F. Aljanaideh, Almuatazbellah Boker, Mohammad Al Janaideh

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueMagnetic Bearings and Levitation Dynamics
Établissements canadiensUniversity of GuelphMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésControl theory (sociology)ActuatorMagnetic reluctancePosition (finance)Nonlinear systemCurrent (fluid)Motion controlComputer scienceReluctance motorMotion (physics)Control (management)Control engineeringSwitched reluctance motorEngineeringPhysicsRotor (electric)Artificial intelligenceElectrical engineeringRobot

Résumé

récupéré en direct d'OpenAlex

Reluctance actuators (RA) can replace the current Lorentz actuators in the next generation of positioning and scanning motion systems, such as the wafer stage in lithography machines. However, the nonlinear output force characteristic and the gap dependency of the RA are the main challenges in using the RA to drive motion systems. In this paper, we design a two-loop control approach for a reluctance actuator motion system (RAMS) to achieve tracking performance for a desired motion profile. First, the current control loop linearizes the RA under different conditions. Next, the position control loop is designed using a PID control based on an extended-high gain observer to achieve a desired motion profile considering unknown dynamics in the system. The simulation results show the efficiency of the proposed current control in linearizing the dynamic behavior under different desired forces and nominal air gaps and achieving a frequency response similar to the spring-mass-damper system. Moreover, the position control can achieve different long-stroke and short-stroke motion profiles with different amplitudes and ranges of motion.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,925
Score d'incertitude au seuil0,310

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,026
Tête enseignante GPT0,265
Écart entre enseignants0,239 · 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 tête enseignante, 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 sujetMagnetic Bearings and Levitation DynamicsTravaux en français237 207