Flux-Weakening Control Methods for Permanent Magnet Synchronous Machines in Electric Vehicles at High Speed
Notice bibliographique
Résumé
Permanent magnet synchronous motors (PMSMs) are widely favored by manufacturers for use in electric vehicles (EVs) because of their many benefits, which include high power density at high speeds, ruggedness, potential for high efficiency, and reduced control complexity. However, since the Back Electromotive Force (EMF) increases proportionally with the motor’s rotational speed, it must be carefully controlled at high speeds. Flux-weakening (FW) control is required to avoid excessive electromagnetic flux beyond the power source and inverter’s voltage restrictions. This paper aims to compare various FW control strategies and analyze their effectiveness in maximizing the speed of PMSMs in EV applications while ensuring stable and reliable performance. Various FW approaches, such as voltage-based control, current-based control, and advanced predictive control methods, are examined to determine how each method balances speed enhancement with torque output and efficiency. In addition, other control strategies are crucial for optimizing the performance of PMSMs in electric vehicles. Among the most popular methods for controlling torque and speed in PMSMs are Field-Oriented Control (FOC), Direct Torque Control (DTC), and Vector Current Control (VCC). Each control technique has advantages and is frequently cited in the literature as a crucial instrument for improving EV motor control. This article provides a comprehensive evaluation of FW methods, highlighting their respective advantages and disadvantages by synthesizing the findings of numerous studies. In addition to outlining future research directions in FW control for EV applications, this study provides essential insights and valuable suggestions to help select FW control techniques for various PMSM types and operating conditions.
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 | 0,001 | 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 | 0,000 | 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 ».