Model Predictive Current Control Combined Sliding Mode Control for Flux Switch Permanent Magnet Machine Drive System
Notice bibliographique
Résumé
A flux-switching permanent-magnet synchronous machine (FSPMSM) has shown advantages, including strong mechanical robustness, high torque density, and acceptable fault redundancy potential, and started to find a market in various fields in electric vehicle, ship, airplane, and wind generation. However, a double salient structure and a high number of pole pairs cause the FSPMSM to experience great torque ripple and converter switching reduction, compromising its performance. Optimizing the machine design can significantly decrease the speed ripple and torque, often resulting in increased manufacturing costs, lower efficiency, and lower power density. Alternatively, several control-based solutions have been explored. One of the existing methods to minimize the torque control ripple is model predictive control (MPC); the most attractive method among them is model predictive current control (MPCC). In the speed outer loop design of MPC, the traditional PI control approach is often employed in FSPMSM controller design due to its ease of use and stability. However, it is hard to obtain suitable results due to its low control accuracy. In order to address this issue, this paper suggests MPCC combined sliding mode control (SMC) for three phases of flux-switching permanent magnet motor to improve the dynamic response of the MPCC. The simulated results imply that the suggested SMC combined MPCC scheme presents acceptable dynamic performances compared to the conventional MPCC strategy.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».