MétaCan
Menu
← Retour à la cohorte
Enregistrement W7030296825

Modèle temps réel d'un estimateur de vitesse à base de réseaux de neurones pour une machine asynchrome

2005· other· fr· W7030296825 sur OpenAlexvenueno aff

Notice bibliographique

RevueLibrary and Archives Canada (Government of Canada) · 2005
Typeother
Languefr
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMachine designLimitingElectrodiagnosis
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

La commande vectorielle, connue aussi sous le nom de commande par orientation de flux, permet de contrôler indépendamment le flux et le couple d'une machine asynchrone. Avec ce découplage, la machine asynchrone se comporte alors comme une machine à courant continu qui nous permet d'obtenir de hautes performances. \n \nLa commande vectorielle présente l'inconvénient de nécessiter l'emploi d'un capteur de vitesse ou de position. Ce qui impose un surcoût et augmente la complexité des montages. Le fonctionnement sans capteur est l'un des centres d'intérêt des chercheurs à l'heure actuelle. La vitesse est estimée à partir des grandeurs statoriques mesurables, à savoir les courants et les tensions et en utilisant un modèle de la machine. Ce modèle dépend des paramètres structurels de la machine et il est donc clair que les performances du pilotage sans capteur dépendent de la robustesse de la procédure d'estimation choisie. \n \nDans ce travail, les avantages et les inconvénients des différents schémas de contrôle vectoriel sans capteurs d'une machine asynchrone sont étudiés. Notre choix s'est fixé sur la technique de Modèle de Référence (MRAS) basée sur la force contre électromotrice. Et l'utilisation de réseaux de neurones comme estimateur de vitesse. C'est ce qui constitue la contribution scientifique de notre travail. Les réseaux de neurones sont des systèmes qui analytiques qui peuvent résoudre un problème où la solution ne peut pas être formulée explicitement. Ce sont des systèmes non algorithmiques, non numériques et parallèles de traitement d'informations. Le système neuronal est entraîné en ligne pour réaliser une application en temps réel. Ce genre d'entraînement ne nécessite pas un calcul préalable et rend le système flexible et robuste dans une large gamme d'opération. Finalement, nous croyons que ce travail est une contribution importante dans ce domaine de recherche. \n

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)0,001
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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,002

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 Opus0,004
Tête enseignante GPT0,164
Écart entre enseignants0,160 · 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'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
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLibrary and Archives Canada (Government of Canada)→Travaux en français237 207→