Real-time CAN Data Acquisition and Visualization: Synerging Physical-to-Virtual (P2V) Twinning of Automotive Battery Management Systems
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
Controller area network (CAN) is widely used in automotive applications and has become the standard communication protocol to enable efficient communication primarily between electronic control units (ECUs) to reduce the complexity and cost of electrical wiring in automobiles through multiplexing. Towards developing the cloud-based electric vehicle battery data monitoring and digital-twinning of a battery management system (BMS), this paper introduced an online CAN data acquisition and visualization technique from an automotive grade BMS of NXP®<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">®</sup>. Python-based CAN data processing tool is developed to process the raw data from the NXP® BMS and an open-source platform Grafana<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">®</sup> is utilized together with the InfluxDB for visualization of the time-series data in real-time from a battery module containing 14 SAMSUNG 21700 lithium-ion battery cells. Each of those elements is implemented through the Docker container platform to become a standardized unit called a container. Besides presenting the detailed architecture of the data acquisition and visualization platform and the python-based data processing tool, this paper demonstrated the capability of the proposed architecture through examples of visualizing individual cell voltage, current, and temperature in real-time and their applications and utility in implementing cloud-based BMS.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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