Fırçasız DA motorunun hız kontrolünde PI katsayılarının Pareto tabanlı çok amaçlı optimizasyonu
Bibliographic record
Abstract
Bu makale PI kontrolör katsayılarının (Oransal kazanç Kp and Integral kazanç Ki) optimum değerlerini bulmak için Elman Yapay Sinir Ağları (EYSA) modeli kullanılan Pareto tabanlı çok amaçlı optimizasyonu ve Yanıt Yüzey Yöntemi’nin (YYY) karşılaştırılmasını sunmaktadır. Amaç fonksiyonu olarak oturma süresi (Ts) ve maksimum aşma (Mo) seçilmiştir. Çalışmanın amacı, PI kontrolör parametre katsayıları olan Kp ve Ki’nin optimum değerlerinin bulunmasıdır. İlk olarak, Minitab programı kullanılarak deney tasarımı gerçekleştirilmiştir. Daha sonra fırçasız doğru akım motoru hız kontrol sisteminin matematiksel modelinin oluşturulması için YYY ve EYSA modeli ayrı ayrı elde edilmiştir. Son olarak da, optimizasyon işlemi her iki yöntem ile ayrı ayrı gerçekleştirilmiştir. Optimizasyon işlemleri sonucunda, katsayıların optimum değerleri ve Pareto eğrisi elde edilmiştir. Elde edilen optimum değerler, sistemde kontrolör içerisine yazılarak fırçasız DA motorun gerçek zamanlı çıkışları elde edilmiştir. Sonuçlar karşılaştırıldığında, Pareto tabanlı EYSA yönteminde daha iyi performans sağlandığı görülmüştür.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".