Разработка системы электронного дифференциала для электромобилей на основе нейросети глубокого обучения
- Авторы: Лисов А.А.1
-
Учреждения:
- Южно-Уральский государственный университет
- Выпуск: Том 10, № 3 (2024)
- Страницы: 351-367
- Раздел: Оригинальные статьи
- URL: https://bakhtiniada.ru/transj/article/view/265902
- DOI: https://doi.org/10.17816/transsyst634127
- ID: 265902
Цитировать
Полный текст
Аннотация
Обоснование. В состав большинства современных автомобилей входит трансмиссия, состоящая из двигателя внутреннего сгорания (ДВС), передающего усилие через коробку передач к валу дифференциала, который передает крутящий момент на колёса. В случае с электротранспортом электродвигатели могут быть прикреплены непосредственно к колесам через понижающий редуктор, и при правильной системе управления автомобиль может передавать различный крутящий момент на колеса с каждой стороны автомобиля для реализации высокой управляемости. Такая система носит название – электронный дифференциал, его реализация может быть как очень простой, основанной на модели Аккермана-Жантана, которая не способна полноценно заменить простой механический дифференциал, так и основана на механизмах робастого управления с рысканьем по моменту. Последний метод требует довольно сложную систему управления и дорогостоящие датчики. Но есть и третий подход – использование нейронных сетей для управления скоростью электротранспорта.
Цель. Предоставить материалы и программное обеспечение для реализации электронного дифференциала, основанного на искусственных нейронных сетях, для расширения спектра решений проблемы управления несколькими приводами электроавтомобилей и иного электротранспорта.
Материалы и методы. Нейронная сеть учитывает совокупность аспектов, которые влияют или не влияют на работу электронного дифференциала путем подбора специальных коэффициентов – весов для нейронов внутри сети. В качестве основы для получения данных используются специальные карты трасс на основе переходной кривой.
Результаты. Результаты теста позволили получить точность прогнозирования равную 0,7273, среднеквадратичное отклонение для тренировочной выборки равное 0,064, а для тестовой выборки равное 0,065.
Заключение. Решение использовать нейросетевое управление электроприводом имеет право быть хорошим вариантом на замену иным алгоритмам. Кроме того, поскольку нейронные сети имеют большую гибкость и обучаемость, то на базе данного дифференциала можно также реализовать дополнительные функции помощи воителю, такие как ESP, ABS, круиз-контроль и др.
Ключевые слова
Полный текст
Открыть статью на сайте журналаОб 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, ЧелябинскСписок литературы
- Khan-Ngern W, Keyoonwong W. Embedded electronic differential system on two brushless DC motor drives for electric vehicle steering control. In: 2018 International Conference on Embedded Systems and Intelligent Technology & International Conference on Information and Communication Technology for Embedded Systems (ICESIT-ICICTES). IEEE; 2018. doi: 10.1109/ICESIT-ICICTES.2018.8442060
- Meier T, Rinderknecht S, Fietzek R. Electric power train configurations with appropriate transmission systems. SAE Technical Paper. 2011. doi: https://doi.org/10.4271/2011-01-0942
- Yıldırım M, Öksüztepe E, Tanyeri B, Kürüm H. Electronic differential system for an electric vehicle with in-wheel motor. In: 9th International Conference on Electrical and Electronics Engineering (ELECO). IEEE; 2015;1048–1052. doi: 10.1109/ELECO.2015.7394567
- Chen S, Yin G, Jin X. Study on the active steering system with direct yaw-moment control for electric vehicle with electric motored wheels. In: 35th Chinese Control Conference (CCC). IEEE; 2016:8945–8950. doi: 10.1109/ChiCC.2016.7554785
- Hu J.S, Wang Y, Fujimoto H, Hori Y. Robust yaw stability control for in-wheel motor electric vehicles. ASME Transactions On Mechatronics. 2017;22(3):1360–1370. doi: 10.1109/TMECH.2017.2677998
- Nam K, Oh S, Hori Y. Robust yaw stability control for electric vehicles based on active steering control. IEEE Vehicle Power and Propulsion Conference. IEEE; 2010:1–5. doi: 10.1109/VPPC.2010.5729202
- Bose BK. Neural network applications in power electronics and motor drives – An introduction and perspective. IEEE Transactions on Industrial Electronics. 2007; 54(1):14–33. doi: 10.1109/TIE.2006.888683
- Lisov AA, Kulganatov AZ, Panishev SA. Using convolutional neural networks for acoustic based emergency vehicle detection. Modern Transportation Systems and Technologies. 2023;9(1):95–107 (in Russ.) doi: 10.17816/transsyst20239195-107
- Vozmilov A, Andreev L, Lisov A. Development of an algorithm for the program to recognize defects on the surface of hot-rolled metal. In: International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). 2022:1004–1008. doi: 10.1109/ICIEAM54945.2022.9787116
- Cirrincione M, Pucci M, Cirrincione G, Capolino GA. Sensorless control of induction machines by a new neural algorithm: The TLS EXIN neuron. IEEE Transactions on Industrial Electronics. 2007;54(1):127–49. doi: 10.1109/TIE.2006.888774
- Karandeev DJ, Engel EA. Direct torque control of induction motor using adaptive neurocontroller under conditions of uncertainty. Online journal “Science Studies”. 2015;5(30):124–131. doi: 10.15862/91TVN515
- Zhang W, Liu Z, Chen Q. Electronic differential system based on adaptive SMC combined with QP for 4WID electric vehicles. World Electric Vehicle Journal. 2021;12(3):126–132. doi: 10.3390/wevj12030126
- Haddoun A, Benbouzid ME, Diallo D, et al. Analysis, modeling and neural network traction control of an electric vehicle without differential gears. IEEE International Electric Machines & Drives Conference. IEEE; 2007:854–859. doi: 10.1109/IEMDC.2007.382780
- J Lee JS, Ryoo YJ, Lim YC, et al. A neural network model of electric differential system for electric vehicle. In: 26th Annual Conference of the IEEE Industrial Electronics Society. IECON IEEE; 2000:83–88. doi: 10.1109/IECON.2000.973130
- Rubaai A, Castro-Sitiriche MJ, Garuba M, Burge L. Implementation of artificial neural network-based tracking controller for high-performance stepper motor drives. IEEE Transactions on Industrial Electronics. 2007;54(1):218–27. doi: 10.1109/TIE.2006.888785
- Jung S, su Kim S. Hardware implementation of a real-time neural network controller with a DSP and an FPGA for nonlinear systems. IEEE Transactions on Industrial Electronics. 2007;54(1):265–71. doi: 10.1109/TIE.2006.888791
- Lin FJ, Huang PK, Chou WD. Recurrent-fuzzy-neural-network-controlled linear induction motor servo drive using genetic algorithms. IEEE Transactions on Industrial Electronics. 2007;54(3):1449–1461. doi: 10.1109/TIE.2007.892256
- Lin CM, Hsu CF. Recurrent-neural-network-based adaptive-backstepping control for induction servomotors. IEEE Transactions on industrial electronics. 2005;5;52(6):1677–1684. doi: 10.1109/TIE.2005.858704
- Wlas M, Krzeminski Z, Guzinski J, et al. Artificial-neural-network-based sensorless nonlinear control of induction motors. IEEE Transactions on Energy Conversion. 2005;20(3):520–8. doi: 10.1109/TEC.2005.847984
- Yousefzadeh M, Azadi S, Soltani A. Road profile estimation using neural network algorithm. Journal of mechanical science and technology. 2010:24:743–54. doi: 10.1007/s12206-010-0113-1
- Šabanovič E, Žuraulis V, Prentkovskis O, Skrickij V. Identification of road-surface type using deep neural networks for friction coefficient estimation. Sensors. 2020;20(3):612. doi: 10.3390/s20030612
- Yi T, Xin Z, Liang Z, Xinn Z. Intelligent energy management based on driving cycle identification using fuzzy neural network. Second International Symposium on Computational Intelligence and Design 2009:501–504. doi: 10.1109/ISCID.2009.271
Дополнительные файлы
