A Novel Hybrid Technique for Thermal Analysis of Permanent Magnet Synchronous Motor Used in Electric Vehicle Application
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Due to high torque and power density, permanent magnet synchronous motor (PMSM) has become the most viable candidate for electric vehicle (EV) traction application. However, to obtain such high torque and power density within a compact motor structure can cause a significant temperature rise within the motor while operating. As a result of high temperature rise, permanent magnet demagnetization may even occur within the motor. Thus, PMSM is susceptible to thermal instability. Therefore, to ensure thermal stability during varying operating conditions, thermal analysis is a mandatory procedure in addition to electromagnetic analysis during the design phase of the motor. In this paper, a computationally efficient numerical finite element analysis (FEA) process has been proposed for thermal analysis of PMSM. The proposed method is a hybrid technique in which analytical lumped parameter thermal network (LPTN) strategies are utilized to a certain extent to characterize the unaddressed heat flow from shaft to housing through bearing and endcap in 2D FEA. Further, a unique air gap creation strategy has been implemented to address the air gap convection heat transfer more accurately in FEA. The main goal of the proposed method is to make the thermal analysis process computationally more efficient for motor temperature prediction by keeping the proper balance between simplification and accuracy of the process. Later, the proposed method has been used to analyze the thermal performance of a newly designed interior PMSM prototype for EV application. Finally, the temperature results from the proposed method have been compared with conventional FEA, LPTN and CFD to demonstrate the improvements.</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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 ».