Advertisement

Sensorless High-Bandwidth Algorithm for AC Machines Using Square...

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：PDF

简介：
本文提出了一种无需传感器的高带宽算法，专门用于交流电机，采用方波电流信号技术以提升系统性能和效率。 本段落介绍了一种新的控制算法，可以增强无传感器控制系统中的动态性能，并提供精确的无传感器控制效果。不同于传统的正弦电压注入方法，本段落提出了一种基于方波型电压注入的方法，并结合相应的信号处理技术。因此，在不使用低通滤波器和时间延迟的情况下，可以计算出误差信号并提高位置估计性能。采用该方法后，无传感器控制的性能得以提升：电流控制器带宽可达到250 Hz，速度控制器带宽可达50 Hz。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Sensorless High-Bandwidth Algorithm for AC Machines Using Square...
    优质
    本文提出了一种无需传感器的高带宽算法，专门用于交流电机，采用方波电流信号技术以提升系统性能和效率。 本段落介绍了一种新的控制算法，可以增强无传感器控制系统中的动态性能，并提供精确的无传感器控制效果。不同于传统的正弦电压注入方法，本段落提出了一种基于方波型电压注入的方法，并结合相应的信号处理技术。因此，在不使用低通滤波器和时间延迟的情况下，可以计算出误差信号并提高位置估计性能。采用该方法后，无传感器控制的性能得以提升：电流控制器带宽可达到250 Hz，速度控制器带宽可达50 Hz。
     
  • JEDEC JESD238A HBM3 DRAM HIGH BANDWIDTH MEMORY.pdf
    优质
    本PDF文档是JEDEC标准JESD238A，详细描述了HBM3（High Bandwidth Memory）DRAM的技术规格和性能参数。 JEDEC JESD238A HIGH BANDWIDTH MEMORY (HBM3) DRAM 是一份详细规范文档，描述了高性能内存技术 HBM3 的具体参数和技术细节。该标准为设计人员提供了关于如何实现高效能、低功耗的高带宽内存解决方案的重要指导。
     
  • MPPT Algorithm Using Neural Networks for Solar PV Systems
    优质
    本文提出了一种基于神经网络的MPPT算法，旨在优化太阳能光伏系统的能量采集效率。通过智能学习和适应不同环境条件，该方法能够有效追踪最大功率点，提高系统性能。 神经网络可以用来实现MPPT控制。
     
  • High Bandwidth Memory DRAM (HBM3) per JESD238 2022.pdf
    优质
    本资料深入探讨了JESD238标准下的高带宽内存第三代动态随机存取存储器（HBM3），详细介绍了其技术规格与性能特点。 JESD238 2022 High Bandwidth Memory DRAM (HBM3) 是一份关于高带宽内存DRAM的最新标准文档，该标准定义了高性能计算系统中使用的下一代内存技术规范。HBM3 提供了显著的数据传输速率和容量提升，适用于需要高效数据处理能力的应用场景。
     
  • High-bandwidth Digital Content Protection (HDCP 1.3协议)
    优质
    HDCP 1.3是一种数字内容保护技术，用于在高带宽下安全传输视频和音频数据，确保媒体内容版权不受侵犯。 High-bandwidth Digital Content Protection (HDCP) 是由英特尔公司开发的一种数字内容保护形式，旨在防止在 DisplayPort、Digital Visual Interface (DVI)、High-Definition Multimedia Interface (HDMI)、Gigabit Video Interface (GVIF) 或 Unified Display Interface (UDI) 等连接中传输的数字音频和视频内容被复制。
     
  • Fire Detection Algorithm Using OpenCV
    优质
    本研究提出了一种基于OpenCV库的火灾检测算法，通过视频流分析实时识别火焰特征，以实现高效、准确的火灾预警系统。 在实际应用中，该系统需要解决火灾图像探测软件与实际监控摄像平台的有机结合问题，并且特别要对多路视频进行实时监控。影响图像火灾探测系统使用效果的主要因素有以下三个：
     
  • Deep Reinforcement Learning for Atari Pong using DQN Algorithm in PyTorch on OpenAI...
    优质
    本研究运用PyTorch实现基于深度Q网络(DQN)算法的深度强化学习模型，成功应用于OpenAI环境下的Atari乒乓球游戏中，展示了在复杂游戏环境中自主学习的能力。 在Atari Pong游戏中应用深度强化学习算法的目的是评估深度Q网络（DQN）在OpenAI环境中对Pong游戏的效果与准确性，并测试该算法的各种改进版本，包括多步DQN、Double DQN 和 Dueling DQN。 从实验结果可以看出，在基本DQN的情况下，仅需大约110次游戏就能达到接近人类的准确度；而经过300场左右的游戏后，其表现则能达到非常高的水平。此项目中考虑的不同版本的改进型DQN显示出在效率和准确性方面的一些提升效果。 Atari 1600仿真器由OpenAI开发，可以用于59种不同的游戏来测试强化学习算法的效果。由于输入数据是当前帧（210x160x3）的RGB图像，并且处理这些图片所需计算量过大，因此将它们转化为灰度图进行简化。接下来的操作包括对图像进行下采样并裁剪至可播放区域大小为84x84x1。
     
  • modeling-software-using-finite-state-machines-a-practical-approach...
    优质
    本书介绍了一种实用的方法，利用有限状态机进行建模软件系统。通过这种方法，读者可以更好地理解和设计复杂的软件应用。 《用有限状态机建模软件：实用方法》一书解释了如何将有限状态机应用于软件开发过程中。书中提供了对使用有限状态机作为可执行规范基础的批判性分析，以减少软件开发工作量并提高质量。此外，该书籍还详细讨论了单个状态机的设计以及多个状态机系统的构建设计，并通过实际案例和设计规则深入探讨与行为建模相关的开发问题。 本书展示了如何运用StateWORKS软件实现这些概念，并介绍了此软件的基本组件。
     
  • Neural Networks for Learning Machines
    优质
    《Neural Networks for Learning Machines》一书深入探讨了神经网络的基本原理及其在机器学习领域的应用，为读者提供了理论与实践相结合的学习资源。 针对计算机工程、电气工程及计算机科学系开设的研究生级神经网络课程而设计的一本教材，因其全面性和易读性备受推崇，并且这本书条理清晰、内容最新，是目前从工程技术角度对神经网络最详尽的论述之一。 该版经过重新聚焦和修订并更名为《神经网络与学习机器》，旨在体现将神经网络和学习机视为一体研究的重要性。新版强调了当这两个主题结合时会带来更丰富的研究成果，并且通过融合两者的思想来完成超出单一技术能力的学习任务，从而推动改进型学习任务的实现。
     
  • High-Speed Corner Detection Using Machine Learning.pdf
    优质
    本文探讨了一种基于机器学习技术实现高速角点检测的方法，旨在提高计算机视觉领域中图像处理的速度和准确性。 Edward Rosten 和 Tom Drummond 在2006年提出了FAST角点检测算法。我的博客里有对该算法的详细介绍，欢迎交流。