A novel hybrid approach towards drive-cycle based design and optimization of a fractional slot concentrated winding SPMSM for BEVs
Notice bibliographique
Résumé
Research conducted previously has shown that a battery electric vehicle (BEV) motor design incorporating drive-cycle optimization can lead to achievement of a higher torque density motor that consumes less energy over the drive-cycle in comparison to a conventionally designed motor. Such a motor indirectly extends the driving range of the BEV. Firstly, in this paper, a baseline fractional slot concentrated winding (FSCW) surface permanent magnet synchronous machine (SPMSM) designed for a direct-drive BEV utilizing the conventional machine design approach has been developed. A vehicle dynamics model for the baseline machine and its associated vehicle parameters are used against an urban dynamometer driving schedule (UDDS) to derive loading data in terms of torque, speed, and energy. Energy Center of Gravity (ECG) and K-means clustering are two existing methods for reducing the number of machine operating points of the drive-cycle while preserving the characteristics of the entire cycle are implemented, which offer high computational efficiency and low computational time cost while optimizing an electric machine. Understanding the merits and demerits of the two existing methods, a novel hybrid approach of drive-cycle data representation is proposed. The drive-cycle data elicited from all of the approaches are thereafter used towards optimization of FSCW SPMSMs. Finally, a comparative performance analysis of optimally designed SPMSMs using the two existing approaches and the proposed approach is conducted.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».