Penelitian Distribusi Torsi Kendaraan Listrik

Motor Ganda Berbasis PSO

REZA AKHMAD SEPTYANA

TEKNIK ELEKTRO S1

1921007

SEKOLAH TINGGI TEKNOLOGI MANDALA

2019
Jurnal Fisika: Seri Konferensi

KERTAS • AKSES BUKA

Penelitian Distribusi Torsi Kendaraan Listrik Motor Ganda Berbasis PSO

Untuk mengutip artikel ini: Jinfa Xie et al 2019 J. Phys .: Conf. Ser. 1303 012023
 MEIE2019IOP Conf. Series: Journal of Physics: Conf. Series 1303 IOP Publishing
(2019) 012023 doi:10.1088/1742-6596/1303/1/012023

Penelitian Distribusi Torsi Kendaraan Listrik Motor Ganda

Berbasis PSO

Jinfa Xie  , Han Liu 

1  1, 2, 4 
, Bochao Li  dan Ning Xie 
3  2

1 
Sekolah Kendaraan & Lalu Lintas, Universitas Sains dan Teknologi Henan ,
Luoyang 47100, Cina;
2 
Lembaga Penelitian Teknik Otomotif, Pusat Penelitian & Teknologi Otomotif China,
Co Ltd, Tianjin 300300, Cina
3 
Zhengzhou Nissan Auto Co, Ltd.450046, Zhengzhou, Cina
4 
E-mail: liuhan@chinaaeri.com

Abstrak . Makalah ini mengusulkan algoritma optimasi real-time untuk memecahkan masalah yang

distribusi torsi nonlinier dinamis dari kendaraan dual-hub-motor-driven
belakang. Berdasarkan pada penelitian dari roda belakang dua hub roda motor perusahaan, membangun
model kontrol oleh MATLAB, model kendaraan set up oleh CarSim, dan uji Co-simulasi
kinerja dari algoritma. Kemudian hardware-in loop tes
berbasis pada para VCU. Hasilnya menunjukkan  bahwa algoritma bisa didistribusikan torsi sesuai dengan
kondisi kerja yang sebenarnya, mengurangi rasio slip, meningkatkan kinerja mengemudi dari kendaraan.

1. Pendahuluan   
Motor hub terintegrasi bagian penggerak dan bagian rem, dihilangkan bagian tradisional yang
berbeda , poros transmisi dan komponen transmisi lainnya . Jadi , motor hub menjadi arah
panas dari kendaraan energi baru karena dari ukuran kecil dan fleksibilitas kontrol [1 ~ 2].
Dalam proses mengemudi, sistem regulasi slip akselerasi (ASR) dapat mencapai kekuatan
pendorong yang lebih besar yang meningkatkan kualitas dinamis [3 ~ 4]. Tetapi kendaraan energi baru
yang digerakkan oleh motor hub tidak memiliki diferensial mekanis, dan kendaraan energi kecil baru
tidak dapat menginstal struktur yang diperlukan untuk ASR karena kendala ruang,
jadi makalah ini menghitung output torsi dengan kanan dan kiri motor dalam rangka mewujudkan
fungsi diferensial dan ASR dalam proses mengemudi .
Banyak cendekiawan selalu mengabaikan peningkatan massa yang tidak bermunculan yang
disebabkan oleh motor hub [5 ~ 8], yang akan mengubah beban roda kemudi dalam kemudi. Roda
penggerak dengan beban lebih besar dapat menahan torsi lebih besar tanpa laju selip meningkat. Jadi,
berdasarkan analisis dinamika kendaraan, torsi setir kiri dan kanan dianalisis dan diperbaiki dalam
makalah ini.
 
2. Model dinamika kendaraan   
 
Beban roda penggerak gandar belakang
Ketika kendaraan mulai di jalan dengan sudut kemiringan tertentu, Diagram dinamika kendaraan
ditunjukkan pada Gambar 1. beban roda penggerak gandar belakang seperti yang ditunjukkan pada
Formula (1) [9]:  L1 h
FG cos  g sin  (1)
r r 
Ghgax
ZR  L gL
L
 

Content from this work may be used under the terms of the Creative Commons Attribution 3.0 licence. Any further distribution
of this work must maintain attribution to the author(s) and the title of the work, journal citation and DOI.
Published under licence by IOP Publishing Ltd 1
 Dalam rumus (1), F  — beban gandar belakang; G -sebenarnya berat dari kendaraan; L — jarak
ZR 

sumbu roda kendaraan; L  jarak dari centroid ke gandar depan; h  -height dari pusat massa; g —
1 —  g 

paket gravitasi, 9,8 m / s  ; Φ  -the sudut kemiringan memanjang dari jalan, Φ  > 0 berarti kendaraan

2 
r  r 

berjalan menanjak.
Ketika sudut kemiringan melintang jalan adalah 0 °, beban pada roda kiri dan kanan adalah sebagai
berikut rumus (2):
F F 1
(2)
F
ZL2 ZR2
ZR
2
Dalam rumus (2): F  ZL  2 — muat di roda kemudi kiri; F  ZR  2 — muat di roda kemudi kiri.

Fy
MR
FZR2
hR
Φr Φs BR
MF hg
G L
FZR1
L1 L2 FZL2
hF

BF
FZL1

Gambar 1. Diagram Dinamika Kendaraan.

Beban offset disebabkan oleh massa pegas pada kemudi
Massa bermunculan dari kendaraan didistribusikan ke pusat as roda depan dan roda belakang yang
menghubungkan M  dan M  . Ketika kendaraan dalam kemudi, offset beban pada gandar belakang
F  R 

yang disebabkan oleh massa pegas ditunjukkan pada Formula (3):

2
Fms mu Lh
 s 1 R (3)
R  L  BR

 L 2 (4)
R  2L
2

 tan  
Dalam rumus (3), m  s  —misalkan massa; h  R —  panjang centroid ke tanah; B  R  — jalur gandar
belakang; R —Men jari jari, menghitung R dengan model kemudi Ackermann, ditampilkan sebagai
rumus (4).

Beban offset disebabkan oleh torsi pemulihan kekakuan gulungan suspensi

Pada kemudi, suspensi gandar belakang menghasilkan momen pemulihan oleh massa suspensi, yang
juga memengaruhi beban vertikal roda penggerak kiri dan kanan. Momen yang ditunjukkan dalam
rumus (5):
 
FTR
T s K s  K s   s (5)

0   
BR BR BR
Dalam rumus (5): Φ  S  — sudut gulungan badan kendaraan; Φ  0 — sudut kemiringan lanskap permukaan
2
jalan; K  ΦS —  mengendalikan kekakuan as roda belakang tubuh.

Beban offset yang disebabkan oleh massa yang tidak tersangkut di kemudi
Motor hub mengubah motor penggerak tradisional sebagai massa suspensi menjadi massa
nonsuspensi. Dengan bertambahnya massa yang tidak terlepas, perlu dipertimbangkan offset beban

3
 pada roda kiri dan kanan yang disebabkan oleh gaya sentrifugal selama kemudi. Offset beban
ditunjukkan dalam rumus (6)
2
m u h
(6)
Fmus  Rus  Rus
R BR
Dalam rumus (6): m  — massa yang tidak terpasang di poros belakang; h  ketinggian gandar
Rus  Rus — 

belakang centroid massa yang tidak terangkat; Di sini, h  sama dengan jari-jari r yang berputar dari
Rus 

roda kemudi.

3. Distribusi torsi roda belakang   

 
Torsi didistribusikan oleh rasio beban vertikal dari roda penggerak
Pedal akselerasi elektronik sering digunakan pada kendaraan energi baru untuk menggantikan pedal
throttle mekanis, yang memfasilitasi distribusi torsi. Tegangan output dari pedal akselerator elektronik
adalah 0 ~ 5V [10], sudut bukaan pedal dapat dihitung dengan mengabaikan tegangan output dari
pedal elektronik melalui konverter AD. Masuk K  adalah tegangan output pedal, Kalikan torsi
T 

maksimum motor hub, disimpulkan torsi yang dibutuhkan oleh pengemudi, dan menandainya
sebagai T  . E 

Tandai C sebagai rasio roda belakang kanan ke kiri belakang saat beban vertikal dalam kemudi,
ditunjukkan dalam rumus (7). Distribusi torsi pendahuluan ditunjukkan dalam rumus (8).
 
F
C  F ZL 2 (7)
ZR 2
 C
T T 
E
 L 21 1 C (8)
 1
T  T 
E

R 21 1 C
Dalam rumus (8): T  — torsi pendahuluan roda penggerak kiri; T  — torsi pendahuluan roda
L  21  R  21 

penggerak kanan

Koreksi torsi
Menurut model dinamika kendaraan, distribusi torsi dalam rumus (8) hanya proporsional
didistribusikan sesuai dengan beban dari roda penggerak. Namun, kondisi dari permukaan jalan rumit
dan beragam. Dalam rangka untuk memanfaatkan sepenuhnya dari kekuatan jalan perekat, itu perlu
untuk mengidentifikasi jenis dari jalan.
 
                Sistem
pengamatan trotoar. Burckhardt et al. [11] mengusulkan kurva μ-S yang secara akurat
menggambarkan hubungan antara rasio selip roda S dan koefisien adhesi permukaan
jalan μ dalam kondisi jalan yang berbeda :

  S =C1 1 e  C
C2 S
3
(9)
S

1 C 
Smax
 log 1  (10)
C2
C1 C3
Rumus (9) (10) menunjukkan bahwa laju slip optimal dan koefisien perlekatan optimal yang
sesuai. Dalam rumus (10): C  、C  、C  adalah koefisien kurva pas. Sistem pengenalan permukaan jalan
1  2  3 

bukanlah konten penelitian utama, jadi dalam makalah ini, metode pemantauan on-line dari sistem
pengamatan permukaan jalan mengutip referensi [12]. Sistem pengamatan menghasilkan laju slip optimal
untuk roda kemudi kiri dan kanan, dan masing-masing ditandai sebagai S  dan S  . R  1  R  2 
 Output torsi dioptimalkan oleh PSO
Variasi kondisi berkendara sangat kompleks dan tidak linier. Ini perlu untuk menyesuaikan torsi output
secara adaptif sesuai dengan jenis jalan. Kekokohan sistem penggerak terlalu rendah ketika
menggunakan pengatur parameter tetap konvensional , seperti pengontrol PID, tidak dapat
menyesuaikan parameter model kontrol sesuai dengan kondisi penggerak pada waktunya, sehingga
makalah ini membawa algoritma pengoptimalan waktu nyata ke mengoreksi output torsi. Particle
Swarm Optimization (PSO) memiliki banyak keunggulan,
seperti implementasi yang mudah, lebih sedikit parameter dan tidak perlu decode dan kode.  Para ahli
dan cendekiawan di banyak bidang memiliki banyak penelitian [13 ~ 14], jadi PSO digunakan untuk
memperbaiki torsi on-line dalam proses yang sedang berjalan.
Objek yang perlu dioptimalkan dalam makalah ini adalah koefisien koreksi α  dan α  , yang L  2  R  2 

ditunjukkan dalam rumus (11):

L2  TL2 / TL21
(11)

R 2  TR / TR 21
2

Dalam rumus (11): T  - output torsi akhir dari roda kemudi kiri belakang; T  - output torsi
L  2  R  2 

akhir dari roda kemudi kanan belakang.

Dalam mengontrol dorongan ASR yang sebenarnya, hubungan yang dominan antara sistem ASR
dan permintaan pengemudi untuk torsi harus b e dipertimbangkan, dan sistem ASR tidak dapat
mempengaruhi dominasi pengemudi dari kendaraan mengemudi kontrol torsi
[15]. Menurut untuk pertimbangan di atas, kisaran dari PSO
pencarian diatur untuk [0 ≤ a  ≤ 0,8) ∪ [0 ≤ a  ≤ 0,8).
L  2  R  2 

Setelah secara acak mendistribusikan semua partikel di area pencarian, hitung nilai fungsi
kebugaran, dapatkan solusi optimal global dengan perbandingan, dan beri nama gbest ; dengan iterasi
yang meningkat secara bertahap, setiap partikel memiliki solusi terbaiknya, dan na med pbest ; solusi
optimal global dan solusi optimal partikel diperbarui ke iterasi berikutnya. Pada saat yang sama, arah
pencarian dan kecepatan pencarian suatu partikel diperbarui dengan rumus (12), sedangkan nilai
absolut gbest kurang dari 0,01, menghasilkan α  dan α  dioptimalkan . Itu adalah proses umum
L  2  R  2 yang 

optimasi.
vij  t 1    vij  t   c1r1  pbestij  t   xij  t    c2 r2  gbestij  t   xij  t  
 (12)
 xij  t 1  xij  t   vij
t 
Di dalam rumus ( 13 ): v  yang kecepatan dari tunggal partikel ; x  yang posisi dari satu c  、 c  -
ij  ij  1  2 

faktor pembelajaran, berdasarkan literatur [14], nilainya 2; ω - inersia berat, Untuk mengatasi cacat
yang PSO memiliki beberapa kemungkinan jatuh ke nilai optimum parsial, kurva nonlinear
digunakan untuk mengubah ω selama perhitungan, yang ditunjukkan dalam rumus (13), yang ω  = max 

0,9, ω  = 0,4, d  dan d  adalah kontrol faktor, di ini p aper, nilai-nilai yang d  = 0,2, d  = 0,7. Fungsi

min  1  2  1  2 

kebugaran adalah sebagai berikut  ( 14).

1
     d  1d2t /tmax (13)
e
max min 1
 r   
2   
2 12
1
S  4 
uL2

uR 2  

L2
r
  SR1
 r
R2
r
  SR 2   (14)

 R2   
 L2

Dalam rumus (14), ada beberapa parameter yang perlu dikonfirmasi: kecepatan putaran siklus
pesan CAN berikutnya ( ω  , ω  ) dan kecepatan mengemudi ( u  , u  ). Kemudian hitung
L  2  R  2  L  2  R  2 

kecepatan rotasi kiri ( ω  ), kecepatan mengemudi ( u  ) sebagai contoh.

L  2  L  2 

Berikut ini didasarkan pada model roda belakang kiri 1/4 kendaraan dinamika untuk
menyimpulkan kecepatan mengemudi dan kecepatan putar waktu pengambilan sampel berikutnya,
model kendaraan 1/4 ditunjukkan dalam rumus '(15):
m  u  F    S (15)

L2 L2 ZL2

  J   L2  T L2  r 
'
 Tf
FZL2

mL2 1 L1
  L1 
2L L   ms
(16)
ms 2L
1 2
 Dalam rumus (15): u  adalah akselerasi roda kemudi; ω  adalah percepatan sudut; T  adalah
' 
L  2 
' 
L  2  f 

rolling resistance torsi ban; μ ( S ) ditunjukkan dalam formula (9); J adalah momen inersia
roda; m  adalah beban model dinamika kendaraan 1/4 dan ditunjukkan dalam rumus (16).
L  2 

Melalui perhitungan di atas, waktu pengambilan sampel berikutnya dari kecepatan rotasi ( ω  ) eR  2 

dan kecepatan drive ( u  ) yang dihitung berdasarkan torsi output adalah sebagai berikut:
eL  2 


u u 2FZL2    Se  
L L1  ms
dt (17)
L 2
 eL 2 

 1

L 2  eL2  J
L2 TL2  FZL     r  Tf dt
 2

Dalam rumus (17): u  - kecepatan mengemudi dari kiri roda belakang mengemudi secara

eL  2 

real time, ω  - yang  kecepatan rotasi secara real time. jika kecepatan dari penggerak roda

eR  2 

dikumpulkan langsung dari sensor, karena dari rasio tergelincir dari penggerak roda, akan ada

penyimpangan dengan u  , Oleh karena itu, sensor hall mengatur up pada roda depan kiri, dan speed
e  R  2 

drive dari roda belakang kiri dihitung dengan kemudi Ackermann Model (Gambar 2) dari real-time

dikumpulkan kiri depan kecepatan putaran roda ω  dan hasilnya ditampilkan dalam bentuk rumus
eF  1 

(18):
u 
r 2L  BF  tan (18)


eR 2 eL1
 L 1

B   L2
2 2
2  tan     
F

 tan  2  
Kecepatan rotasi waktu nyata dapat diukur secara langsung dengan sensor kecepatan yang dipasang di
dekat cakram rem roda.
δR1
δF1 δ

RL1
L1
RR1
L
R L2
O

RL2
RR2
Gambar 2. Model kemudi Ackermann
Rotate speed signal
Drive system
Accelerator Pedal sigle Hall Sensor
Road slope Steering angle Right rear PMSM Wheel
Fixed
Distribute torque initially MCU
torque

PID MCU of left rear wheel

α L2 Controler
PSO
α R2 The torque
Hall Sensor
signal feedback PMSM Wheel
VCU

Pavement observation system

Gambar 3. Diagram skematis dari kontrol mengemudi kendaraan.

Dengan cara yang sama, kecepatan rotasi ω  dan kecepatan drive u  dapat dihitung.
R  2  R  2 
 Perhitungan kedua keluaran torsi oleh motor hub
Setelah PSO mengoptimalkan distribusi torsi sesuai dengan kondisi mengemudi real-time, torsi
output dari roda penggerak ditunjukkan dalam rumus (19):
 TL2  R1 TL21
 (19)
TR 2   R 2 TR 21
Seperti yang ditunjukkan pada Gambar 3, Torsi output dari roda kemudi kiri dan kanan dalam rumus (19)
dihitung dalam VCU dan ditransmisikan ke MCU melalui P-CAN. (MCU: unit kontrol
motor). kecepatan dari mengemudi roda dikumpulkan oleh sensor hall, dan sinyal kecepatan ditransfer ke
VCU melalui P BISA. Kontrol E- motor bukan isi penelitian utama dalam makalah ini, sehingga
pengontrol PID yang dikalibrasi digunakan untuk mengendalikan motor hub .

4. Simulasi dan analisis hasil   
 
Parameter model kendaraan
CarSim adalah alat uji mengemudi dan dinamis yang canggih. Ini bisa menguji mengemudi dan
kinerja dinamis dari kendaraan sebelum prototipe yang dikembangkan. Jadi, pilih CarSim untuk
membangun model kendaraan dalam tulisan ini . Parameter kendaraan ditunjukkan pada Tabel 1.

Tabel 1. Parameter kendaraan.

Barang Simbol Nilai Satuan
Massa kendaraan lengkap m 1330 kg
Muncul massa m  kami 1130 kg
Jarak roda L. 2610 mm
Tapak (depan) B 
F 1535 mm
Tapak (belakang) B 
R 1540 mm
Ketinggian pusat massa h 
g 515 mm
Massa as roda belakang m  Rus 110 kg
yang tidak terlepas
Kekuatan motor hub tunggal P  35 kW
h 

Analisis simulasi mengemudi virtual

Makalah ini terutama berfokus pada kondisi mengemudi selama permulaan, jadi, skenario pengujian
memilih kondisi pergeseran garis ganda yang dimodifikasi. Akselerasi dari nol pada awal jalur
perpindahan garis ganda. Kemiringan seluruh trotoar diatur ke atas bukit 5 derajat; Pedal throttle
disetel ke nilai tetap 0,6; Trotoar ditetapkan sebagai basah jalan aspal, koefisien pemanfaatan trotoar
optimal μ  adalah 0,8, dan rasio tergelincir optimal μ  adalah 0,13.
max  max 

Dan hasil tes garis ganda bergeser dengan dioptimalkan sebagai perbandingan.

Figure 4. Slip ratio optimized

by PSO.
 Figure 5. Slip ratio without
optimized PSO.

Figure 6. Torque optimized

by PSO.

Figure 7. Torque not

optimized

Gambar 4 menunjukkan kurva tingkat tergelincir dari roda mengemudi dioptimalkan oleh PSO. Gambar 5

menunjukkan kurva laju slip dari mendistribusikan torsi hanya sesuai dengan beban pada roda
penggerak; Gambar 6 dan Gambar 7 adalah torsi dari roda kemudi dalam situasi yang berbeda; Gambar 8
adalah kecepatan mengemudi dalam dua situasi di atas. Kesimpulan bisa menarik dari hasil simulasi:
rasio tergelincir dioptimalkan oleh PSO umumnya stabil pada 0,13, deviasi maksimum adalah 0,01, rasio
tergelincir tidak dioptimalkan oleh PSO memiliki lebih besar fluktuatif, yang maksimum deviasi adalah
hampir 0,1 1, yang kekokohan dari torsi system yang dioptimalkan
lebih tinggi di bawah perbandingan. Dan hasil dari mengemudi kecepatan menunjukkan bahwa kinerja
dinamis dari dioptimalkan oleh PSO adalah adonan, itu kinerja percepatan adonan di bawah pengujian
yang sama lingkungan.

Gambar 8. Perbandingan kecepatan mengemudi.

5. Uji perangkat keras dalam loop   

Setelah analisis di atas, sistem distribusi torsi memerlukan banyak data untuk dijalankan, sehingga
dalam makalah ini unit distribusi torsi terintegrasi dalam VCU (unit kontrol kendaraan). Prosesor
multi-core Infineon TC 26 5D digunakan untuk membangun VCU untuk memenuhi daya komputasi,
Arsitektur multicore yang inovatif, berdasarkan pada tiga CPU TriCore 32-bit yang
independen. Proses pengembangan perangkat keras bukan konten penelitian utama dari makalah ini,
itu tidak akan dibahas di sini, dan proses pengujian pengembangan controller ditunjukkan pada
Gambar 9 dan Gambar 10.
Perkiraan proses pembuatan perangkat lunak sebagai berikut: Unit distribusi torsi yang dibangun
oleh Simulink; algoritma yang dioptimalkan disusun oleh fungsi-S di Matlab; Akhirnya, alat Matlab
RTW digunakan untuk mengubah model kontrol menjadi kode. Pada saat yang sama, melapiskan kode
chip eksternal yang dihasilkan oleh alat Infineon DAvE 4, setelah debug oleh alat HighTEC, kode
kontrol ditulis ulang ke VCU melalui UDE.

Figure 9. The VCU in debugging. Figure 10. The VCU in HIL test.

ASM Vehicle Dynamics Model digunakan untuk membangun model kendaraan dalam uji HIL
(hardware in loop), model jalan memilih spektrum jalan yang dikumpulkan di lapangan uji Yancheng.
Hasil tes seperti yang ditunjukkan pada Gambar 11, Gambar 12, Gambar 13.
Menurut referensi (14) rasio slip optimal di jalan ini sekitar 0,17, meskipun ada spektrum dan
kebisingan dalam tes HIL, hasil tes dapat dianalisis dengan jelas bahwa: rasio slip dioptimalkan oleh
PSO berfluktuasi dalam kisaran kecil , dan mendekati nilai yang dioptimalkan. Kurva rasio
slip pada Gambar 11: ada getaran yang lebih besar di kemudi, rasio slip maksimum hampir 0,35, dan
rasio slip lebih besar dari rasio yang dioptimalkan dalam proses uji lubang .
Jadi, strategi distribusi yang dirancang dalam makalah ini secara efektif dapat mengurangi tingkat
slip dalam uji HIL, meningkatkan koefisien adhesi pemanfaatan perkerasan, meningkatkan stabilitas
mengemudi.
 Figure 11. Slip ratio
optimized by PSO.

Figure 12. Slip ratio without

optimized by PSO.

Optimized by PSO Not optimized by PSO

80
Speed(km/h)

60

40

20

0 50 100 150 200 250 Figure 13. Driving speed

Station(m) comparison in HIL test.

6. Kesimpulan   
Makalah ini mengganggu torsi tergantung pada analisis dinamika kendaraan dan dioptimalkan oleh
PSO. Frist, dihitung beban dari mengemudi roda, dan menurut yang terganggu torsi awal. Kedua,
karena untuk kompleksitas mengemudi kondisi, PSO digunakan untuk mengoptimalkan output
torsi. Dibangun model kontrol dalam Simulink, dibangun model kendaraan dari SUV kecil di
CarSim. Gabungkan CarSim dan Simulink ke dalam tes mengemudi virtual. Hasil penelitian
menunjukkan bahwa algoritma distribusi torsi yang dirancang dalam makalah ini cukup bisa
mendistribusikan output torsi dalam kemudi, hasilnya menunjukkan bahwa rasio slip dioptimalkan
oleh PSO umumnya stabil di slip dengan koefisien lampiran maksimum. Tes HIL dilakukan setelah
pengujian simulasi, VCU build dengan prosesor Infineon TC265D, kode kontrol ditulis ulang ke VCU
melalui UDE. Hasil dari uji HIL menunjukkan bahwa algoritma distribusi torsi cukup bisa
mewujudkan torsi mengoptimalkan mendistribusikan functio n pada perangkat keras, meningkatkan
kinerja mengemudi dari satu kendaraan.
References
[1] Li Yong, Xu Xing, Sun Xiaodong, et al. 2017 Overview of research and development of hub
motor drive technology Electric machines & control application 44(6) 1-7
[2] Sun Yuechao, Li Man, Liao Cong, et al. 2017 Analysis of the development of electric motor
drive Electric drive 47(10) 3-6
[3] Jiao Bin 2015 Research on Anti-skid Control Algorithm for Hybrid Electric Vehicles
Northeastern University
[4] Wang Weida, Ding Nenggen, Zou Hongming 2009 Automobile ASR System Control Algorithm
and HIL Simulation Research Automotive Engineering 31(11) 1042-1048
[5] Yu Houyu, Huang Miaohua, Zhang Zhenguo 2011 Experimental Research on Electronic
Differential Control of Electric Wheeled Vehicles Journal of Wuhan University of
Technology 5 147-151.
[6] Chen Zeyu, Jiao Bin, Zhao Guangyao, et al. 2015 Anti-skid control and simulation of dynamic
road surface driving for electric vehicles Journal of Harbin Engineering University 8 1120-
1125
[7] Sun Daxu, Lan Fengchong, Chen Jiqing 2017 Electric Vehicle Drive Anti-skid System Based
on Motor Drive Force Adjustment Modern Manufacturing Engineering 11 70-75
[8] Wang Jian, Cui Xiaolin, Zhou Jing, et al. 2009 Research on anti-skid system of two-wheel drive
electric vehicle based on sliding mode variable structure control Agricultural Equipment &
Vehicle Engineering 2009(10) 17-19
[9] Guiggiani, Massimo 2014 The Science of Vehicle Dynamics Springer Netherlands
[10] Chai Wei, Lin Min, Luo Wei, et al. 2013 Design of Electronic Throttle Pedal Comprehensive
Test System Automobile Technology 1 48-53
[11] Duan Min, Guo Wentao, Li Gang, et al. 2015 Research on Anti-skid Control Strategy of
Electric Vehicle Drive Based on Pavement Recognition Journal of Mechanical & Electrical
Engineering 32(9) 1257-1262
[12] M Burckhardt, Fahrwerktechnik. 1993 Radschlupf-Regelsysteme Wrzburg: Vogel Verlag
[13] Renê Pereira de Gusmão; Francisco de A.T. de Carvalho CD 2019 Clustering of multi-view
relational data based on particle swarm optimization Expert Systems With Applications 34-53
[14] Zhigao Zheng, Nitin Saxena C D 2018 Guided dynamic particle swarm optimization for
optimizing digital image watermarking in industry applications Future Generation
Computer Systems 92-106
[15] Ma Haojun, Zhu Shaopeng, Yu Xiaoli, et al. 2016 Electronic differential control of electric
vehicles considering roll motion Journal of Zhejiang University (Engineering Science) 50(3)
566-573