Modèle temps réel d'un estimateur de vitesse à base de réseaux de neurones pour une machine asynchrome
Bibliographic record
Abstract
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
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".