Torque Distribution Optimization for a Dual-Motor Electric Vehicle Using Adaptive Network-Based Fuzzy Inference System
Notice bibliographique
Résumé
The development of electric vehicles (EVs) has been considered one of the most efficient ways to reduce the carbon footprint of the transportation system. Among battery EV designs, a dual-motor configuration is introduced as a promising solution to improve dynamic performance and energy efficiency. In this study, a novel energy management strategy framework based on an Adaptive Network-based Fuzzy Inference System (ANFIS) is proposed for torque distribution optimization between two different motors. At first, Dynamic Programming (DP) is employed to find global optimization of the torque distribution. After training with the DP-obtained data set, the ANFIS model can execute a torque distribution online. By minimizing the battery energy consumption, the motor torque-speed solution pair is found under representative driving cycles (only three cycles). In addition, the best ANFIS model has been selected using a clustering technique, goodness-of-fit metrics, and sensitivity analysis. This distinguishes the optimization problem in this study from previously published literatures. The simulation results show that over an unknown Urban Dynamometer Driving Schedule (UDDS) cycle, the torque prediction using this ANFIS model achieves 98.3% of the benchmark DP result. As a result, the overall efficiency of the proposed strategy is increased to 73.3%, which is 3.4% higher than that of the rule-based method. Furthermore, the signal hardware-in-the-loop (S-HIL) experiments validate the real-time prediction of the ANFIS-based approach.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 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 ».