电励磁同步电机的数据驱动热建模——一种有监督机器学习方法
系统与控制
2024-06-14 v1 系统与控制
摘要
本文提出了一种用于电励磁同步电机(EESM)在线热建模的数据驱动有监督机器学习(ML)方法。EESM因其高性能、高效率、耐用性且成本相对较低而成为电动汽车的理想选择。因此，获得精确的EESM温度估计非常重要，因为在线精确的温度估计可以提高EESM性能并保证其安全性和可靠性。在本研究中，除了默认的输入数据外，还利用了EESM损耗数据来提升所提出的ML方法在热建模中的性能。输入数据的指数加权移动平均值和标准差也被纳入学习过程，以考虑建模动态热模型时的记忆效应。利用EESM样机的实验数据，通过完整的训练、测试和交叉验证过程，评估了普通最小二乘法(OLS)的性能。最后，仿真结果将提供OLS用于EESM热建模的关键性能指标。
引用
@article{arxiv.2406.08708,
title = {Data-driven Thermal Modeling for Electrically Excited Synchronous Motors -- A Supervised Machine Learning Approach},
author = {Farzaneh Tatari and Davis Trapp and Jason Schneider and Mohsen Mirza Aligoudarzi},
journal= {arXiv preprint arXiv:2406.08708},
year = {2024}
}