Sliding mode control rotor flux MRAS based speed sensorless induction motor traction drive control for electric vehicles
Notice bibliographique
Résumé
Climate change has highlighted a need to transition to more sustainable forms of transportation. Electric vehicles (EVs) and hybrid electric vehicles (HEVs) offer a promising alternative to conventional gasoline powered vehicles. However, advancements in power electronics and advanced control systems have made the implementation of high performance traction drives for EVs and HEVs easy. In this paper, a novel sliding mode control model reference adaptive system (SMC-MRAS) speed estimator in traction drive control application is presented. However, due to the unpredictable operational uncertainties of the machine parameters and unmodelled non-linear dynamics, the proportional-integral (PI)-MRAS may not produce a satisfactory performance. The Proposed estimator eliminates the PI controller employed in the conventional MRAS. This method utilizes two loops and generates two different error signals from the rotor flux and motor torques. The stability and dynamics of the SMC law are obtained through the Lyapunov theory. The potential of the proposed SMC-MRAS methodology is simulated and experimentally validated for an electric vehicle application. Matlab-Simulink environment is developed and proposed scheme is employed on indirect vector control method. However, for the experimental validation, the dSPACE 4011 R & D controller board was utilized. Furthermore, the SMC-MRAS performance is differentiated with PI-MRAS for speed regulation performance, tracking and estimation error, as well as the fast minimization of the error signal. The results of the proposed scheme illustrate the enhanced speed estimation, load disturbance rejection ability and fast error dynamics.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».