Modelowanie trybów dynamicznych w silniku prądu stałego do pojazdów elektrycznych
##plugins.themes.bootstrap3.article.sidebar##
Numer Tom 16 Nr 1 (2026)
-
Wydajna klasyfikacja białych krwinek w oparciu o CNN: badanie porównawcze wydajności modeli
Achraf Benba, Sara Sandabad5-9
-
Zautomatyzowana diagnostyka raka skóry z wykorzystaniem głębokiego uczenia: systematyczny przegląd najnowocześniejszych architektur, technik i oceny wydajności
Subaidabeevi Shafeena, Ramayyan Sumathy Vinod Kumar, Sikamony Sumathi Kumar, David Shahi10-20
-
Zwiększanie bezpieczeństwa kierowców dzięki rozpoznawaniu emocji na podstawie sygnałów EKG z wykorzystaniem sieci BiLSTM
Raga Madhuri Chandra, Satya Sumanth Vanapalli, Giri Venkata Sai Tej Neelaiahgari21-28
-
Automatyczny system do obliczania tabeli kalibracyjnej cylindrycznych zbiorników poziomych
Denis Proskurenko, Mykhailo Bezuglyi29-34
-
Kontrola stabilności emulsji woda-diesel za pomocą pomiarów zmętnienia
Oleksandr Zabolotnyi, Andrii Khodieiev, Nicolay Koshevoy, Roman Trishch35-41
-
Poprawa trybu rozruchu silnika indukcyjnego w warunkach spadku napięcia
Oleksandr Vovk, Serhii Halko, Andrii Sabo, Oleksandr Miroshnyk, Taras Shchur42-47
-
Modelowanie trybów dynamicznych w silniku prądu stałego do pojazdów elektrycznych
Viktor Lyshuk, Anatolii Tkachuk, Sergiy Moroz, Mykola Yevsiuk, Mykola Khvyshchun, Stanislav Prystupa, Valentyn Zablotskyi48-55
-
Budowa i analiza scenariuszy awarii w sieciach elektroenergetycznych z wykorzystaniem ontologii, modelu przepływu mocy oraz grafu wiedzy
Oleksandr Khomenko, Vyacheslav Senchenko, Oleksandr Koval, Iryna Husyeva56-61
-
Kinetyka suszenia materiałów ziarnistych w instalacjach z przerywanym zasilaniem elektrycznym wykorzystujących promieniowanie mikrofalowe i podczerwone
Roman Kalinichenko, Valentyna Bandura, Borys Kotov, Yurii Pantsyr, Ihor Garasymchuk, Serhii Stepanenko62-66
-
Metoda automatycznego dostrajania regulatora temperatury obudowy smartfonu
Danylo Zinchenko, Yurii Mariiash67-71
-
Wykorzystanie FPGA do modelowania i generowania procesów chaotycznych
Oleksandr Osadchuk, Iaroslav Osadchuk, Valentyn Skoshchuk72-77
-
ymulacja i projektowanie elektroniczne pięciowymiarowej chaotycznej sztucznej sieci neuronowej
Michael Kopp, Inna Samuilik78-83
-
Inteligentny łańcuch przetwarzania DL-SCH/PDSCH w sieci 5G z adaptacyjnym mechanizmem HARQ
Juliy Boiko, Ilya Pyatin84-93
-
Analiza modeli generatywnych w teledetekcji: przegląd kompleksowy
Gottapu Santosh Kumar, Gurugubelli Jagadeesh, Swarajya Madhuri Rayavarapu94-98
-
Dekodowanie z wykorzystaniem szumu zbiorowego z metodą inwersji bitów w kodach z niską gęstością i kontrolą parzystości
Mykola Shtompel, Oleksandr Shefer99-103
-
Wymiana wiedzy w niezależnych głębokich sieciach Q
Viacheslav Bochok, Nataliia Fedorova104-108
-
Wykrywanie ludzi na obrazach z dronów z wykorzystaniem technik głębokiego uczenia
Sobhana Mummaneni, Naga Deepika Ginjupalli, Pragathi Dodda, Novaline Jacob, Sanjay Raj Emmanuel Katari109-115
-
Analiza porównawcza algorytmów DeepSORT, ByteTrack i StrongSORT w zakresie śledzenia wielu obiektów w systemach monitoringu wizyjnego opartych na bezzałogowych statkach powietrznych
Andrii Safonyk, Viktor Podvyshennyi, Oleksandr Naumchuk116-120
-
Wysoce wydajne metody przetwarzania złożonych danych wizualnych w systemach wsparcia decyzyjnego
Oleksandr Poplavskyi, Sergii Pavlov, Oksana Bezsmernta, Iryna Gerasymova, Bakhyt Yeraliyeva121-125
-
Metoda antyaliasingu dla krzywych rzędu drugiego na rastrach heksagonalnych
Oleksandr Melnyk, Tetiana Prysiazhniuk126-129
-
Metoda oceny ryzyka naruszenia bezpieczeństwa użytkownika na podstawie indywidualnego profilu bezpieczeństwa
Svitlana Lehominova, Mykhailo Zaporozhchenko, Tetiana Kapeliushna, Yuriy Shchavinsky, Tetiana Muzhanova130-137
-
Metoda kodowania pozycyjnego w diferencyjnej przestrzeni falowej
Volodymyr Barannik, Anatolii Berchanov, Valeriy Barannik, Dmytro Uzlov, Mykola Dihtiar, Mykhailo Osovytskyi, Andrii Sushko, Yurii Babenko138-146
-
Platforma internetowa z usługą Checkbox: aspekty rachunkowości podatkowej, sprawozdawczości i współpracy z organami podatkowymi
Yuliia Povstiana, Lyudmila Samchuk, Ivan Kachula147-154
-
Analiza porównawcza webowych szkieletów programistycznych języka PHP: Codeigniter, Cakephp oraz Yii
Karol Rak, Mariusz Dzieńkowski155-161
-
Prognozowanie cen plonów z wykorzystaniem Temporal Fusion Transformer dla okręgu Krishna w stanie Andhra Pradesh
Dedeepya Manikonda, Ashutosh Satapathy, Keerthi Padamata, Jaswanthi Machcha, J. Chandrakanta Badajena162-170
-
Model transmisji pakietowej danych tekstowych z wykorzystaniem SDR w środowisku GNU Radio Companion
Nurbol Kaliaskarov, Kyrmyzy Taissariyeva, Nurlykhan Raulyev, Akezhan Sabibolda171-176
-
Modelowanie systemu produkcyjnego typu pull-flow z dynamicznym sterowaniem zapasami buforowymi
Saad Elbaraka, Salah-eddine Mokhlis, Adil Barra, Hicham Fouraiji, Mohamed Rhouzali, Najat Messaoudi177-182
Archiwum
-
Tom 16 Nr 2
2026-06-30 27
-
Tom 16 Nr 1
2026-03-30 27
-
Tom 15 Nr 4
2025-12-20 27
-
Tom 15 Nr 3
2025-09-30 24
-
Tom 15 Nr 2
2025-06-27 24
-
Tom 15 Nr 1
2025-03-31 26
-
Tom 14 Nr 4
2024-12-21 25
-
Tom 14 Nr 3
2024-09-30 24
-
Tom 14 Nr 2
2024-06-30 24
-
Tom 14 Nr 1
2024-03-31 23
-
Tom 13 Nr 4
2023-12-20 24
-
Tom 13 Nr 3
2023-09-30 25
-
Tom 13 Nr 2
2023-06-30 14
-
Tom 13 Nr 1
2023-03-31 12
-
Tom 12 Nr 4
2022-12-30 16
-
Tom 12 Nr 3
2022-09-30 15
-
Tom 12 Nr 2
2022-06-30 16
-
Tom 12 Nr 1
2022-03-31 9
##plugins.themes.bootstrap3.article.main##
Authors
Abstrakt
W artykule zbadano modele matematyczne silnika elektrycznego prądu stałego z niezależnym wzbudzeniem dla pojazdów elektrycznych oraz PWM jako metodę regulacji prędkości. Równania różniczkowe stanu elektromechanicznego zapisano w postaci normalnej Cauchy'ego. Takie przedstawienie upraszcza proces obliczeniowy, ponieważ całkowanie przeprowadza się za pomocą jawnej metody numerycznej Runge-Kutta czwartego rzędu, która jest prostsza od metod niejawnych i dokładniejsza od metod jawnych jednoetapowych. Do modelowania wykorzystano symboliczny język programowania Force 2.0, który jest odmianą języka Fortran. W porównaniu z pakietami matematycznymi do modelowania symulacyjnego jest on wygodny pod względem niskich kosztów czasowych kompilacji samego programu, ponieważ program zawiera równania modelu wraz z warunkami początkowymi, metodą numeryczną i procedurą integracji. Opracowane modele uwzględniają sprzężenia elektromagnetyczne obwodów elektrycznych silnika i umożliwiają symulację dynamicznych trybów pracy. Modele takie mogą być wykorzystywane do analizy pracy silników zarówno autonomicznie, jak i jako element układu elektromechanicznego, w tym przetworników zaworowych. Symulowano pracę i tryby przejściowe silnika prądu stałego, podano wyniki symulacji i przedstawiono ich analizę. Wyniki potwierdziły poprawność wybranego podejścia do modelowania i metod numerycznych, a także zgodność z klasyczną teorią maszyn elektrycznych.
Słowa kluczowe:
Bibliografia
[1] Abouseda, A. I., Doruk, R., Emin, A., & Akdeniz, O. (2025). Modeling, dynamic characterization, and performance analysis of a 2.2 kW BLDC motor under fixed load torque levels and variable speed inputs: An experimental study. Actuators, 14(8), 400. https://doi.org/10.3390/act14080400
[2] Arévalo, E., Herrera Hernández, R., Katselis, D., Reusser, C., & Carvajal, R. (2025). On modelling and state estimation of DC motors. Actuators, 14(4), 160. https://doi.org/10.3390/act14040160
[3] Basu, P. K., & Dhasmana, H. (2023). Electromagnetic theory fundamentals. In: P. K. Basu, H. Dhasmana (red), Electromagnetic theory XII, 224. Springer. https://doi.org/10.1007/978-3-031-12318-4
[4] Chamraz, S., & Balogh, R. (2025). Addressing practical limitations in DC motor speed control. In: Proceedings of Cybernetics & Informatics (K&I 2025), 1–7. IEEE. https://doi.org/10.1109/KI64036.2025.10916441
[5] Chen, Z., & Liu, J. (2024). Exploring the drive motor of electric vehicles: Structure, temperature rises, and operational control of permanent magnet motors. World Electric Vehicle Journal, 15(11), 483. https://doi.org/10.3390/wevj15110483
[6] Dembitskyi, V., & Grabovets, V. (2023). Modeling of a power consumption by bus in the real operating conditions. Transportation Engineering, 14, 100216. https://doi.org/10.1016/j.treng.2023.100216
[7] Elp, H. E., Altug, H., & İnan, R. (2024). Designing a brushed DC motor driver with a novel adaptive learning algorithm for the automotive industry. Electronics, 13(22), 4344. https://doi.org/10.3390/electronics13224344
[8] Fazdi, M. F., & Hsueh, P.-W. (2023). Parameters identification of a permanent magnet DC motor: A review. Electronics, 12(12), 2559. https://doi.org/10.3390/electronics12122559
[9] Gmyrek, Z. (2024). Optimal electric motor designs of light electric vehicles: A review. Energies, 17(14), 3462. https://doi.org/10.3390/en17143462
[10] Hu, Z., Shen, S., Su, Y., & Li, Z. (2024). DC motor control: A global prescribed performance control strategy based on extended state observer. In: Proceedings of the 36th Chinese Control and Decision Conference (CCDC 2024), 3490–3495. IEEE. https://doi.org/10.1109/CCDC62350.2024.10587568
[11] Hua, L., Tang, J., & Zhu, G. (2025). A survey of vehicle system and energy models. Actuators, 14(1), 10. https://doi.org/10.3390/act14010010
[12] Jinwen, Z., & Yumei, Q. (2023). Research on motor control of new energy electric vehicle. In: Proceedings of the IEEE 3rd International Conference on Electronic Technology, Communication and Information (ICETCI 2023), 637–640. IEEE. https://doi.org/10.1109/ICETCI57876.2023.10176454
[13] Karahan, M. (2024). Modeling of a DC motor and position angle control using optimized PID controller. In: Proceedings of the 11th International Conference on Electrical and Electronics Engineering (ICEEE 2024), 107–110. IEEE. https://doi.org/10.1109/ICEEE62185.2024.10779219
[14] Kinoti, E., Mosetlhe, T. C., & Yusuff, A. A. (2024). Multi-criteria analysis of electric vehicle motor technologies: A review. World Electric Vehicle Journal, 15(12), 541. https://doi.org/10.3390/wevj15120541
[15] Kostiuchko, S., Polishchuk, M., Zabolotnyi, O., Tkachuk, A., & Twarog, B. (2021). The auxiliary parametric sensitivity method as a means of improving project management analysis and synthesis of executive elements. In: Emerging Technologies in Computing (iCETiC 2021) Vol. 395, 174–184. Springer. https://doi.org/10.1007/978-3-030-90016-8_12
[16] Kuczmann, M. (2024). Review of DC motor modeling and linear control: Theory with laboratory tests. Electronics, 13(11), 2225. https://doi.org/10.3390/electronics13112225
[17] Malyar, V., & Havd’yo, I. (2024). Mathematical model of transient processes of a DC motor with permanent magnet excitation. Journal of Computational and Electrical Engineering, 14(1), 12–18. https://doi.org/10.23939/jcpee2024.01.012
[18] Mohanty, A., Manitha, P. V., & Lekshmi, S. (2022). Simulation of electric vehicles using permanent magnet DC motor. In: Proceedings of the 4th International Conference on Smart Systems and Inventive Technology (ICSSIT 2022), 1020–1025. IEEE. https://doi.org/10.1109/ICSSIT53264.2022.9716549
[19] Molina-Santana, E., Iturralde Carrera, L. A., Álvarez-Alvarado, J. M., Aviles, M., & Rodríguez-Resendiz, J. (2025). Modeling and control of a permanent magnet DC motor: A case study for a bidirectional conveyor belt’s application. Eng, 6(3), 42. https://doi.org/10.3390/eng6030042
[20] Pinto, V. H., Gonçalves, J., & Costa, P. (2020). Modeling and control of a DC motor coupled to a non-rigid joint. Applied System Innovation, 3(2), 24. https://doi.org/10.3390/asi3020024
[21] Škopek, K., Úradníček, J., Musil, M., Gašparovič, Ľ., & Havelka, F. (2025). Diagnosing and reducing noise and vibration in automotive DC motors with time synchronous averaging. Applied Sciences, 15(16), 8904. https://doi.org/10.3390/app15168904
[22] Taleb, M. A., & Husi, G. (2025). Dynamic modeling of a three-phase BLDC motor using bond graph methodology. Actuators, 14(11), 523. https://doi.org/10.3390/act14110523
[23] Wang, Z., Wang, W., Chen, W., Li, C., & Lin, Z. (2025). A high-precision torque control method for new energy vehicle motors based on virtual signal injection. Electronics, 14(7), 1443. https://doi.org/10.3390/electronics14071443
[24] Wu, C.-H., Tsai, C.-L., & Yang, J.-M. (2025). Energy management design of dual-motor system for electric vehicles using whale optimization algorithm. Sensors, 25(14), 4317. https://doi.org/10.3390/s25144317
[25] Zikri, A., Abdul Ghani, N. M., & Ahmad, S. (2025). Modeling, estimation and control of DC motors: An optimization approach using hardware-in-the-loop (HIL). In: Proceedings of the IEEE 8th International Conference on Electrical, Control and Computer Engineering (InECCE 2025), 239–244. IEEE. https://doi.org/10.1109/InECCE64959.2025.11150958
##plugins.themes.bootstrap3.article.details##
Abstract views: 237
Downloads: 267

