MétaCan
Menu
Retour à la cohorte
Enregistrement W4412129337 · doi:10.1109/ias62731.2025.11061502

Challenges in the Control of Brushless Doubly Fed Reluctance Machines

2025· article· en· W4412129337 sur OpenAlexaff
Anushree Singh, Filipe Pinarello Scalcon, Andrew M. Knight

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueInduction Heating and Inverter Technology
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMagnetic reluctanceReluctance motorControl theory (sociology)Switched reluctance motorControl (management)Computer scienceAutomotive engineeringControl engineeringTorqueElectrical engineeringEngineeringPhysicsArtificial intelligenceMagnetThermodynamics

Résumé

récupéré en direct d'OpenAlex

This paper introduces some of the challenges encountered when operating Brushless Doubly Fed Reluctance Machines (BDFRM) in fully controlled systems. BDFRMs operate by modulating the magnetomotive forces (MMFs) from two stator windings with different pole numbers through a rotor which has a reluctance structure with number of poles that is again different to both stator windings. Previous work on these machines focuses on the desirable harmonics in the machine, which produce the required torque. However, the rotor structure also produces unwanted flux harmonics, which result in either unwanted torque harmonics or induced damping currents. This paper investigates these harmonics and the challenges imposed by them. The relationship between the competing needs to control currents to their desired fundamental values, and to control speed, which requires minimal torque ripple in low inertia systems is also investigated. A second order low-pass filter is implemented as a solution to attenuate the harmonics. Experimental results are provided to demonstrate the effectiveness and impact of the proposed approach.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0030,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,023
Tête enseignante GPT0,243
Écart entre enseignants0,220 · 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'étudeThéorique ou conceptuel
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

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetInduction Heating and Inverter TechnologyTravaux en français237 207