Dynamical modeling and optimal state estimation using Kalman-Bucy filter for a seamless two-speed transmission for electric vehicles
Notice bibliographique
Résumé
A seamless two-speed transmission that incorporates a two-stage planetary gear set with common sun and common ring gears and two braking mechanisms to control the flow of power is introduced. For an electric vehicle equipped with such a transmission, a detailed dynamical model of the driveline including the half shaft stiffness and longitudinal vehicle dynamics is derived by exploiting the torque balance and virtual work principle. A deterministic Luenberger observer and a stochastic Kalman-Bucy filter are designed to estimate the unmeasured states. These observers estimate the speed of the sun and ring gears and the input and output torques of the transmission based on the measured speeds of the electric motor and the vehicle. Due to nonlinearities in the system such as the longitudinal vehicle dynamics, nonlinear observer methods generally apply for the observer design. However, the nonlinearities are only function of measurable states. Hence, using linear output injection to design an observer results in linear error dynamics. Therefore, the nonlinear observer design problem is transformed into the design of an observer for a linear system. The simulation and experimental results are presented to verify and compare the performance of the deterministic Luenberger estimator with stochastic Kalman-Bucy filter when the system encounters noise.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».