Система электронного дифференциала на основе нейронных сетей для электромобилей: развитие, адаптация и перспективы применения

Обложка

Цитировать

Полный текст

Аннотация

Цель. Анализ возможностей и перспектив развития системы электронного дифференциала (СЭД) для электромобилей, основанной на использовании искусственных нейронных сетей (ИНС).

Материалы и методы. Обсуждаются ключевые преимущества предложенной системы, такие как ее адаптивность к различным конструктивным конфигурациям автомобиля, интеграция дополнительных датчиков, поддержка беспилотного режима и возможность взаимодействия с системой ABS.

Результаты. Рассмотрены пути совершенствования модели, включая внедрение самообучающихся алгоритмов, оптимизацию инверторных схем для управления несколькими двигателями и реализацию полноприводных конфигураций. Также обсуждается адаптация СЭД для работы на маломощных устройствах с использованием методов квантизации, прореживания (pruning) и упрощения архитектуры.

Заключение. Предложенные подходы и алгоритмы имеют потенциал для широкого внедрения в индустрии электромобилей, открывая новые возможности для развития интеллектуальных систем управления транспортными средствами.

Об авторах

Андрей Анатольевич Лисов

Южно-Уральский государственный университет

Автор, ответственный за переписку.
Email: lisov.andrey2013@yandex.ru
ORCID iD: 0000-0001-7282-8470
SPIN-код: 1956-3662

аспирант

Россия, Челябинск

Александр Григорьевич Возмилов

Южно-Уральский государственный университет

Email: vozmiag@rambler.ru
ORCID iD: 0000-0002-1292-3975
SPIN-код: 2893-8730

профессор, д.т.н

Россия, Челябинск

Список литературы

  1. Lisov AA. Development of an electronic differential system for electric vehicles based on deep neural network. Modern Transportation Systems and Technologies. 2024;10(3):351–367. (in Russ.) doi: 10.17816/transsyst634127
  2. Lisov AA, Panishev SA, Gundarev KA. Development of an Electronic Differential System Based on Artificial Neural Networks for Electric Transport. In: 2024 International Ural Conference on Electrical Power Engineering (UralCon). 2024;192–196. doi: 10.1109/UralCon62137.2024.10718938
  3. Yildirim M, Kurum H. Electronic differential system for an electric vehicle with four in-wheel PMSM. In: Proceedings of the 2020 IEEE 91st Vehicular Technology Conference (VTC2020-Spring). 2020;1–5. doi: 10.1109/VTC2020-Spring48590.2020.9129139
  4. Vozmilov AG, Urmanov VG, Lisov AA, Ilimbetov RYu. Development and simulation of the proportional and integral regulator for the electronic differential of an electric farm tractor. Bulletin of the Bashkir State Agrarian University. 2022;2(62):119–124 (In Russ.). doi: 10.31563/1684-7628-2022-62-2-119-124
  5. Rigas ES, Ramchurn SD, Bassiliades N. Managing electric vehicles in the smart grid using artificial intelligence: A survey. IEEE Transactions on Intelligent Transportation Systems. 2014;16(4):1619–1635. doi: 10.1109/TITS.2014.2376873
  6. Nguyen DH, Widrow B. Neural networks for self-learning control systems. IEEE Control Systems Magazine. 2002;10(3):18–23. doi: 10.1109/37.55119
  7. Li SE. Deep reinforcement learning. In: Reinforcement Learning for Sequential Decision and Optimal Control. Singapore: Springer Nature Singapore. 2023:365–402. doi: 10.1007/978-981-19-7784-8_10
  8. Hizume M. Independent vector control of parallel-connected two induction motors by a five-leg inverter. In: Proceedings of the 10th European Conference on Power Electronics and Applications. 2003;778.
  9. Nozawa Y. Independent position control of two permanent magnet synchronous motors with five-leg inverter by the expanded two arm modulation method. JIASC. 2005;79.
  10. Oka K. Improved method of voltage transfer ratio for five-leg inverter. JIASC2005. 2005;75.
  11. Gulbudak O, Gokdag M. Dual-hysteresis band control of nine-switch inverter to control two induction motors. IEEE Transactions on Energy Conversion. 2021;37(2):788–99. doi: 10.1109/TEC.2021.3131385
  12. Krishnakumar V, Kamaraj V, Perianayagam CA. An integrated drive for two PMSMs involved automotive applications and development of current reference expanded two arm modulation technique. Circuits and Systems. 2016;7(08):1794–1799. doi: 10.4236/cs.2016.78155
  13. Pao YH, Phillips SM. The functional link net and learning optimal control. Neurocomputing. 1995;9:149–164. doi: 10.1016/0925-2312(95)00066-F
  14. Radunovic B, Le Boudec JY. A unified framework for max-min and min-max fairness with applications. IEEE/ACM Transactions on networking. 2007;15(5):1073–1083. doi: 10.1109/TNET.2007.896231
  15. Razaviyayn M, Huang T, Lu S, Nouiehed M, Sanjabi M, Hong M. Nonconvex min-max optimization: Applications, challenges, and recent theoretical advances. IEEE Signal Processing Magazine. 2020;37(5):55–66. doi: 10.1109/MSP.2020.3003851
  16. Kim N, Bae J, Kim C, et al. Object distance estimation using a single image taken from a moving rolling shutter camera. Sensors. 2020;20(14):3860–3870. doi: 10.3390/s20143860
  17. Zhu W, Anderson B, Zhu S, Wang YA. computer vision-based system for stride length estimation using a mobile phone camera. In: 18th International ACM SIGACCESS Conference on Computers and Accessibility. 2016:121–130. doi: 10.1145/2982142.298215
  18. Gholami A, Kim S, Dong Z, et al. A survey of quantization methods for efficient neural network inference. Low-Power Computer Vision. 2022:291–326.
  19. Guo Y. A survey on methods and theories of quantized neural networks. arXiv preprint arXiv:1808.04752. 2018. doi: 10.48550/arXiv.1808.04752
  20. Blalock D, Gonzalez Ortiz JJ, Frankle J, Guttag J. What is the state of neural network pruning? Proceedings of machine learning and systems. 2020;2:129–146.
  21. Cheng H, Zhang M, Shi JQ. A survey on deep neural network pruning: Taxonomy, comparison, analysis, and recommendations. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2024. doi: 10.1109/TPAMI.2024.3447085
  22. Cheng Y, Wang D, Zhou P, Zhang T. Model compression and acceleration for deep neural networks: The principles, progress, and challenges. IEEE Signal Processing Magazine. 2018;35(1):126–36. doi: 10.1109/MSP.2017.2765695
  23. Deng L, Li G, Han S, et al. Model compression and hardware acceleration for neural networks: A comprehensive survey. Proceedings of the IEEE. 2020;108(4):485–532. doi: 10.1109/JPROC.2020.2976475
  24. Burgueno L, Cabot J, Li S, Gérard S. A generic LSTM neural network architecture to infer heterogeneous model transformations. Software and Systems Modeling. 2022;21(1):139–156. doi: 10.1007/s10270-021-00893-y
  25. Burgueno L, Cabot J, Li S, Gérard S. An LSTM-based neural network architecture for model transformations. ACM/IEEE 22nd International Conference on Model Driven Engineering Languages and Systems (MODELS). 2019:294–299. doi: 10.1016/j.cola.2022.101174
  26. Bulat A, Kossaifi J, Tzimiropoulos G, Pantic M. Matrix and tensor decompositions for training binary neural networks. arXiv preprint arXiv:1904.07852. 2019. doi: 10.48550/arXiv.1904.07852
  27. Chen S, Zhou J, Sun W, Huang L. Joint matrix decomposition for deep convolutional neural networks compression. Neurocomputing. 2023;516:11–26. doi: 10.1016/j.neucom.2022.10.021
  28. Capra M, Bussolino B, Marchisio A, et al. Hardware and software optimizations for accelerating deep neural networks: Survey of current trends, challenges, and the road ahead. IEEE Access. 2020;8:225134–225180. doi: 10.1109/ACCESS.2020.3039858

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Функциональная схема СЭД, основанной на НС (составлено авторами)

Скачать (75KB)
3. Рис. 2. Улучшенная реализация силовой части тягового электропривода электромобиля с приводом на задние колеса (составлено авторами)

Скачать (117KB)
4. Рис. 3. Конфигурация схемы инвертора с девятью силовыми ключами (составлено авторами)

Скачать (120KB)
5. Рис. 4. Функциональная схема электронного дифференциала для четырех двигательной модели электромобиля (составлено авторами)

Скачать (281KB)
6. Рис. 5. Расположение камеры для съемки траектории движения автомобиля (составлено авторами)

Скачать (69KB)
7. Рис. 6. Иллюстрация отклонения от идеальной траектории для его автоматического вычисления (составлено авторами)

Скачать (115KB)
8. Рис. 7. Функциональная схема дополнения ABS системой электронного дифференциала (составлено авторами)

Скачать (280KB)

© Лисов А.А., Возмилов А.Г., 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».