Powertrain Modeling and Model Predictive Longitudinal Dynamics Control for Hybrid Electric Vehicles
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">This paper discusses modeling of a power-split hybrid electric vehicle and the design of a longitudinal dynamics controller for the University of Waterloo’s self-driving vehicle project. The powertrain of Waterloo’s vehicle platform, a Lincoln MKZ Hybrid, is controlled only by accelerator pedal actuation. The vehicle’s power management strategy cannot be altered, so a novel approach to grey-box modeling of the OEM powertrain control architecture and dynamics was developed. The model uses a system of multiple neural networks to mimic the response of the vehicle’s torque control module and estimate the distribution of torque between the powertrain’s internal combustion engine and electric motors. The vehicle’s power-split drivetrain and longitudinal dynamics were modeled in MapleSim, a modeling and simulation software, using a physics-based analytical approach. All model parameters were identified using Controller Area Network (CAN) data and measurements of wheel torque data that were gathered during vehicle road testing. Using the grey-box powertrain model as a framework, a look-ahead linear time-varying (LTV) model predictive controller (MPC) for reference velocity tracking is proposed. Using some simplifying assumptions about the powertrain dynamics, a control-oriented model was formulated. The performance of the MPC was tested using multiple model in the loop (MIL) reference velocity tracking scenarios, and benchmarked against a tuned proportional-integral (PI) controller. Using the novel control-oriented model of the OEM powertrain, the MPC was found to track the desired velocity trajectory and reject measurable disturbance inputs, such as road slope, better than the PI controller.</div></div>
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».