基于ELM–Takagi Sugeno的车载锂电池优化充电策略的研究

针对目前车载锂电池充电慢、充电效率低以及对电池损害大等问题,提出一种基于ELM–Takagi Sugeno(T–S)模型的锂电池梯级式优化充电策略.首先通过极限学习机(ELM)获得锂电池的最佳充电电流与温度、内阻、极化电压等特征参数之间的数学模型,将离线训练好的参数存储在STM32处理器中,系统每采集1次数据,处理器即调用ELM程序计算当前时刻的最佳充电电流.其次利用T–S模糊模型将恒压、恒流、脉冲3种不同充电方式优化处理实现动态最优充电.仿真结果表明锂电池实际充电电流能够实时跟踪最优充电电流,其充电时间比三阶段充电模式缩短20%,充电效率比CC–CV充电模式提高约25%.     

人工智能在复合材料研究中的应用

复合材料以其轻质高强高模、可设计性强等优点成为结构轻量化的重要用材. 然而, 随着复合材料组分、结构以及性能需求的日益复杂化, 以实验观测、理论建模和数值模拟为主体的传统研究范式, 在复合材料力学性能分析、设计和制造等方面遇到了新的科学问题与技术瓶颈. 其中, 实验观测不足、理论模型缺乏、数值分析受限、结果验证困难等问题在一定程度上制约了先进复合材料在面向未来工程领域中应用的发展. 人工智能方法以数据驱动的模型替代传统研究中的数学力学模型, 直接由高维高通量数据建立变量间的复杂关系, 捕捉传统力学研究方法难以发现的规律, 在复杂系统的分析、预测、优化方面拥有与生俱来的优势. 而通过人工智能赋能来寻求复合材料中传统研究方法所面临难题的新的解决方案, 目前已成为复合材料研究领域的发展趋势. 本文综述并评价了人工智能方法在复合材料性能预测、优化设计、制造检测及健康监测等方面的研究进展, 并对未来发展方向进行了探讨和展望.      

扇区集中式改进型不等齿多相永磁同步电机分析

为了降低电动汽车用表贴式永磁同步电机(surface mounted permanent magnet synchronous motor,SPMSM)的相间互感,提高其容错性能,提出一种可模块化设计的采用改进不等齿宽定子的扇区集中式分数槽集中绕组(fractional slot concentrated winding,FSCW)定子拓扑结构。在此基础上,推导了这种新拓扑结构仅由定子绕组产生的气隙磁密频谱的可行极槽组合,并对其可选的极槽组合方案进行分析。有限元分析(FEA)证明了这种新型拓扑结构可以有效地减小相间互感,提高输出转矩。通过建立采用这种新型拓扑结构的每相2线圈、每相3线圈、每相4线圈的六相SPMSM模型,比较反电动势(electromotive force,EMF)、转矩脉动、损耗和隔磁性能,得出了每相2、3、4组线圈的扇区集中式改进型不等齿FSCW电机的特性。结果表明,每相偶数组线圈和极数较少的极槽配合方案的转矩波动更低,隔磁性能更好,另外,每相线圈数越多电机的永磁体涡流损耗越低,但定子铁芯损耗越高。