❖ 第一作者: Ryan Hughes, University of Bath, UK
❖ 通讯作者: Ryan Hughes, University of Bath, UK
❖ 作者邮箱: riph20@bath.ac.uk
摘要
电机内部温度的准确估计对于提高其功率密度和可靠性至关重要,因为关键温度(如磁体温度)通常难以测量。本文提出了一种新的基于机器学习的建模方法,该方法结合了创新的物理信息特征工程,实现了在同类中最佳的准确性并缩短了训练时间。所引入的不同特征与电机损耗的来源成比例,且不需任何电机先验知识,因此模型完全是由数据驱动。利用标准实验数据集进行评估的结果表明,建模误差可降低高达82.5%,实现在文献中记录的最低均方误差为2.40 K²。此外,模型可以用较少的训练数据进行训练,且对数据质量的敏感度较低。具体而言,可以使用90小时的训练数据,可以将损耗增强的多层感知器模型训练至其均方误差小于5 K²;而增强的普通最小二乘模型只需60小时即可达到相同的标准。该模型的推理时间可以比竞争模型快1-2个数量级,并且不需时间来优化超参数,而其他最先进的预测方法则需要数周或数月。而其他最先进的预测方法则需要数周或数月。
详情可点击下方“阅读原文”