An Integrated Modeling Framework for Motion Control and Energy Management in Multi-Motor Electric Vehicles
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
Multi-motor electric vehicles (MMEVs) present complex challenges for control and optimization due to the distribution of control actions and state variables across multiple subsystems and hierarchical levels. Although electric vehicle (EV) modeling has been widely studied, accurately capturing and optimizing the longitudinal energy efficiency and dynamic performance of MMEVs remains a significant challenge. This complexity is further increased by the presence of different motor types, such as induction motors (IMs) and permanent magnet synchronous motors (PMSMs), and various mechanical configurations in all-wheel drive systems. To address these issues, this paper proposes a global-local modeling framework that extends the Energetic Macroscopic Representation (EMR) methodology. The framework integrates detailed models of the electrical drive system with comprehensive mechanical subsystem modeling, including gearbox, differential, half-shafts, wheels, and tires. A global input power model links local control actions and state variables to overall energy flow, supporting a unified approach to longitudinal motion control and energy optimization. In contrast to conventional EMR-based models, the proposed framework explicitly incorporates driveline and tire dynamics, which significantly affect energy consumption due to drivetrain losses and tire slip. The model is evaluated through two scenarios that assess the effects of drivetrain modeling and force distribution strategies. The results show improved control system performance and enhanced energy efficiency, supporting future advancements in longitudinal dynamics modeling for MMEV.
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 | 0,001 | 0,001 |
| 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 découle