Нейро-нечітке адаптивне управління силовою установкою електромобіля
DOI:
https://doi.org/10.30977/AT.2219-8342.2026.58.0.03Ключові слова:
електромобіль, силова установка, нейро-мережа, стратегіяАнотація
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.
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
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Максим Соловйов, Тетяна Бажинова

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.





