Lumped Parameter Thermal Network Modeling for Online Temperature Prediction of Permanent Magnet Synchronous Motor for Different Drive Cycles in Electric Vehicle Applications
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Electric vehicle is increasingly becoming popular and an alternative choice for the consumers because of its environment-friendly operation. Permanent magnet synchronous machines are widely and commonly used as traction motors since they provide higher torque and power density. High torque and power density mean higher current which eventually causes higher temperature rise in the motor. Higher temperature rise directly affects the motor output. Standard tests for UDDS (Urban Dynamometer Driving Schedule) and HWFET (Highway Fuel Economy Driving Schedule) drive cycles are used to determine performance of traction motors in terms of torque, power, efficiency and thermal health. Traction motors require high torque at low speed for starting and climbing; high power at high speed for cruising; wide speed range; a fast torque response; high efficiency over wide torque and speed ranges and high reliability. For both UDDS and HWFET driving conditions, it is essential to monitor the performance of the motor and predict the temperature of stator winding and magnet in order to maintain required torque and power generation. This paper proposes a simplified Lumped Parameter Thermal Network (LPTN) model which is an efficient, fast and reliable tool to determine thermal characterization of the motor. The integrated model takes input of motor operating parameters dynamically and regulate the required cooling to keep the operating temperature within the safe limit. An interior permanent magnet synchronous motor prototype has been used for the experimental validation of the proposed thermal model.</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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 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 ».