Real-Time Estimation of Backlash Size in Automotive Drivetrains
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The presence of backlash in automotive drivetrains causes the so-called clunk (a.k.a. shunt) phenomenon during reversals in the sign of the actuator torque. This clunk manifests as an audible noise when the gears make contact at the end of the lash traversal, and thus, affects the drive comfort of the vehicle. To mitigate the clunk, automotive OEMs employ a variety of actuator torque shaping strategies, which require knowledge of the size of the backlash in order to be effective. Furthermore, since the size of the drivetrain backlash is expected to vary significantly over the lifetime of the vehicle and/or from vehicle-to-vehicle (due to manufacturing variations), there is a requirement to estimate the backlash size in real-time so as to maintain the effectiveness of these strategies. To this end, the current work develops an innovative Kalman filter-based lash size estimator that uses readily available speed and torque signals from the vehicle CAN bus. As part of the development, we evaluate the efficacy of the proposed estimator using both simulations and test vehicle data. The evaluation also includes a study of the robustness of the estimator to variations in the actuator torque trajectory and the calculated road load torque, presence of CAN jitter in the measured speed signals, and variations in backlash size, driveshaft compliance, and tire-road interaction. Furthermore, we analyze the computational feasibility of the estimator using processor-in-loop simulations in a dSPACE prototype controller. Both the performance and robustness studies prove the effectiveness of the proposed backlash size estimation system.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle