Нейро-нечітке адаптивне управління силовою установкою електромобіля

Автор(и)

  • Тетяна Бажинова АВЛ Ліст ООО, Шонауер штрасе 5, 4400, Штайр, Австрія, Австрія https://orcid.org/0000-0003-3003-4028
  • Максим Соловйов Харківський національний автомобільно-дорожній університет, вул. Ярослава Мудрого, 25, м. Харків, 61002, Україна https://orcid.org/0009-0005-7461-2661

DOI:

https://doi.org/10.30977/AT.2219-8342.2026.58.0.03

Ключові слова:

електромобіль, силова установка, нейро-мережа, стратегія

Анотація

Проблема. На сьогоднішній день низка особливостей Інтегрованої системи керування двигуном (ІСУД) для силових установок електричних та гібридних транспортних засобів залишається недостатньо вивченою. Застосовані методи аналізу та синтезу ІСУД не приділяють достатньої уваги багатокритеріальній природі нових задач оптимізації. Методи адаптації керування до змінних зовнішніх умов експлуатації є недостатньо ефективними. Ці обставини не дозволяють повною мірою реалізувати потенціал ІСУД для силових установок електричних та гібридних транспортних засобів. Мета. Обґрунтування та впровадження комплексної методології для побудови високоефективної системи контролю над технологічними операціями та виміром інформації у різних типах силових агрегатів сучасних електромобілів. Розроблена система дозволяє здійснювати оперативний синтез оптимального ефекту керування та формування керуючих впливів у режимі реального часу відповідно до визначених енергетичних та якісних критеріїв ефективності, з обов'язковим урахуванням динамічної зміни зовнішніх умов експлуатації та параметрів навколишнього середовища. Методологія. Методологічною основою даної наукової роботи є раціональне та збалансоване поєднання фундаментальних теоретичних положень і прикладних експериментальних досліджень. У роботі застосовано комплексний системний підхід до проектування інформаційно-вимірювальної системи керування, яка є інваріантною до специфіки конструктивного виконання різних силових установок електромобілів. Такий підхід забезпечує можливість оперативно й гнучко вирішувати складні завдання координації та керування робочими режимами за сукупністю якісних, енергетичних та інших експлуатаційних критеріїв. Результати. У ході дослідження отримано математично обґрунтоване оптимальне керування, яке може бути безпосередньо використане при розробці чітких логічних правил для вибору стратегії адаптивного керування транспортним засобом. Крім того, результати забезпечують надійне наукове обґрунтування ключових параметрів, робочих характеристик і функціональних зв'язків сучасних систем та окремих агрегатів електромобіля. Наукова новизна. Сформульовано та запропоновано інноваційну концепцію математичного моделювання та багатокритеріальної оптимізації аналітичних моделей складних фізичних процесів у силових установках, які критично складно формалізуються класичними методами, шляхом їх представлення та апроксимації у вигляді штучних нейронних мереж. Практична значимість. Подальший розвиток і практичне впровадження результатів цього дослідження має широкий потенціал для суттєвого вдосконалення систем адаптивного управління пасажирських та вантажних електропоїздів. Практичне використання методів нейромережевої адаптивної критики дає змогу ефективно подолати хронічну нестачу апріорної інформації про ключові параметри реального їздового циклу та мінливі зовнішні умови експлуатації, а також компенсувати низьку точність традиційних детермінованих математичних моделей.

Біографії авторів

Тетяна Бажинова, АВЛ Ліст ООО, Шонауер штрасе 5, 4400, Штайр, Австрія

к.т.н., доцент, інженер-програміст з програмного забезпечення та функцій, комерційне програмне забезпечення та системи керування транспортними засобами та технології систем силового агрегату

Максим Соловйов, Харківський національний автомобільно-дорожній університет, вул. Ярослава Мудрого, 25, м. Харків, 61002

аспірант каф. інжинірингу систем автомобільного транспорту ім. Говорущенка М. Я.

Посилання

Paul Arévalo, Danny Ochoa-Correa, Edisson Villa-Ávila. (2024). A Systematic Review on the Integration of Artificial Intelligence into Energy Management Systems for Electric Vehicles: Recent Advances and Future Perspectives. World Electric Vehicle Journal, 15(8), 364. https://doi.org/10.3390/wevj15080364

Chen Ouyang, Zhenfei Zhan, Fengyao Lv. (2024). A Comparative Study of Traffic Signal Control Based on Reinforcement Learning Algorithms. World Electric Vehicle Journal, 15(6), 246. https://doi.org/10.3390/wevj15060246

Yuekun Zhao, Suyun Luo, Xiaoci Huang, Dan Wei. (2024). A Multi-Sensor 3D Detection Method for Small Objects. World Electric Vehicle Journal, 15(5), 210. https://doi.org/10.3390/wevj15050210

Simegnew Yihunie Alaba, Ali C. Gurbuz, John E. Ball. (2024). Emerging Trends in Autonomous Vehicle Perception: Multimodal Fusion for 3D Object Detection. World Electric Vehicle Journal, 15(1), 20. https://doi.org/10.3390/wevj15010020

Yunfan Chen, Jinxing Ye, Xiangkui Wan. (2023). TF-YOLO: A Transformer–Fusion-Based YOLO Detector for Multimodal Pedestrian Detection in Autonomous Driving Scenes. World Electric Vehicle Journal, 14(12), 352. https://doi.org/10.3390/wevj14120352

Feng Zhao, Jiexin An, Qiang Chen, Yong Li. (2024). Integrated Path Following and Lateral Stability Control of Distributed Drive Autonomous Unmanned Vehicle. World Electric Vehicle Journal, 15(3), 122. https://doi.org/10.3390/wevj15030122

Zengrong Wang, Xujin Liu, Zhifei Wu. (2023). Design of Unsignalized Roundabouts Driving Policy of Autonomous Vehicles Using Deep Reinforcement Learning. World Electric Vehicle Journal, 14(2), 52. https://doi.org/10.3390/wevj14020052

Vikram Mittal, Rajesh Shah. (2024). Energy Management Strategies for Hybrid Electric Vehicles: A Technology Roadmap. World Electric Vehicle Journal, 15(9), 424. https://doi.org/10.3390/wevj15090424

Ramavhale Murendeni, Alfred Mwanza, Ibidun Christiana Obagbuwa. (2025). Using a YOLO Deep Learning Algorithm to Improve the Accuracy of 3D Object Detection by Autonomous Vehicles. World Electric Vehicle Journal, 16(1), 9. https://doi.org/10.3390/wevj16010009

Venkata Satya Rahul Kosuru, Ashwin Kavasseri Venkitaraman. (2023). A Smart Battery Management System for Electric Vehicles Using Deep Learning-Based Sensor Fault Detection. World Electric Vehicle Journal, 14(4), 101. https://doi.org/10.3390/wevj14040101

Ahmed Gomaa, Ahmad Abdalrazik. (2024). Novel Deep Learning Domain Adaptation Approach for Object Detection Using Semi-Self Building Dataset and Modified YOLOv4. World Electric Vehicle Journal, 15(6), 255. https://doi.org/10.3390/wevj15060255

Feng Zhao, Yun Guo, Baoming Chen. (2024). A Review of Lithium-Ion Battery State of Charge Estimation Methods Based on Machine Learning. World Electric Vehicle Journal, 15(4), 131. https://doi.org/10.3390/wevj15040131

Yutao Jiang, Baojian Ji, Jin Zhang, Jianhu Yan, Wenlong Li (2024). An Overview of Diagnosis Methods of Stator Winding Inter-Turn Short Faults in Permanent-Magnet Synchronous Motors for Electric Vehicles. World Electric Vehicle Journal, 15(4), 165. https://doi.org/10.3390/wevj15040165

Kaiyun Yang, Yunqi Cheng, Zonghai Chen, Jikai Wang (2024). SLAM Meets NeRF: A Survey of Implicit SLAM Methods. World Electric Vehicle Journal, 15(3), 85. https://doi.org/10.3390/wevj15030085

##submission.downloads##

Опубліковано

2026-05-29

Як цитувати

Бажинова, Т., & Соловйов, М. (2026). Нейро-нечітке адаптивне управління силовою установкою електромобіля. Автомобільний транспорт, (58), 23–29. https://doi.org/10.30977/AT.2219-8342.2026.58.0.03

Номер

Розділ

АВТОТРАНСПОРТНІ ЗАСОБИ