MétaCan
Menu
Retour à la cohorte
Enregistrement W2894982489 · doi:10.1504/ijpt.2018.10016584

Investigation of challenges in interior and surface permanent magnet synchronous machines during integrated charging operation in electric vehicles

2018· article· en· W2894982489 sur OpenAlexaff
Narayan C. Kar, Kaushik Mukherjee, Himavarsha Dhulipati, Shruthi Mukundan, Chunyan Lai, K. Lakshmi Varaha Iyer

Notice bibliographique

RevueInternational Journal of Powertrains · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Motor Design and Analysis
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésMagnetAutomotive engineeringPermanent magnet synchronous motorPermanent magnet synchronous generatorSynchronous motorEngineeringElectrical engineering

Résumé

récupéré en direct d'OpenAlex

The beneficial nature of employing power electronics and drive components in conventional electric vehicle (EV) towards level 3 charging capability has propelled research activities towards integrated charging (IC) technology. However, alternating magnetic fields produced in the air-gap by AC charging currents and the stationary nature of the rotor leads to unusual loss and magnet operating characteristics. Since the same permanent magnet synchronous motor (PMSM) will be used for both traction and IC, it is important to understand the machine's behaviour during IC to optimally design the machine for both applications. Hence, this paper exclusively investigates: 1) permanent magnet operation; 2) electrical and magnet losses; 3) temperature rise; and 4) effect of winding inductances on voltages and currents, in both surface and interior traction PMSMs employed for IC in EVs. Results obtained from investigations conducted on laboratory interior and surface PMSMs using finite element analysis and experimentation are analysed and discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,230
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of PowertrainsMême sujetElectric Motor Design and AnalysisTravaux en français237 207