MétaCan
Menu
Retour à la cohorte
Enregistrement W3206419504 · doi:10.1155/2021/9562560

An Eco-Cruise Control for Electric Vehicles Moving on Slope Road with Constant Speed

2021· article· en· W3206419504 sur OpenAlexvenueno aff
Ying Zhang, Yingjie Zhang, Zhaohua Liu, Jinchao Chen, Tao You, Chenglie Du

Notice bibliographique

RevueJournal of Advanced Transportation · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic control and management
Établissements canadiensnon disponible
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNatural Science Foundation of Shaanxi ProvinceNational Natural Science Foundation of China
Mots-clésCruise controlCruiseControl theory (sociology)TorqueAutomotive engineeringEnergy consumptionController (irrigation)Electronic speed controlEstimatorEnergy (signal processing)EngineeringElectric vehicleComputer sciencePower (physics)Control (management)MathematicsElectrical engineering

Résumé

récupéré en direct d'OpenAlex

The unreasonable actuation of electric vehicle’s motor drive system usually results in a lot of unwanted energy consumption on a slope road. This paper proposes an eco-cruise control (ECC) scheme based on the driving condition estimation to decrease electric vehicle’s energy consumption in the constant-speed cruise control mode. The eco-cruise control scheme is realized by reducing the unreasonable actuation of the motor drive system. The vehicle’s total mass and pitch angle are estimated in real time by using an improved base-vector-based cross iteration estimator (BVCIE). Based on the estimated results, the required torque is predicted. Combining the speed deviation between the desired speed and the real speed, and the torque deviation between the required torque and the real torque, a three-power nonlinear controller of the ECC scheme is designed. The ECC scheme is validated on a slope road with different cruise speeds on a cosimulation platform, and the results indicate that the proposed strategy enjoys a better speed maintenance ability and energy efficiency compared with the benchmarked cruise control.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,778
Score d'incertitude au seuil0,398

Scores Codex et Gemma par catégorie

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

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 Opus0,005
Tête enseignante GPT0,209
Écart entre enseignants0,205 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations7
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetTraffic control and managementTravaux en français237 207