基于全局注意力的编解码 LSTM 模型用于永磁同步电机温度预测
机器学习
2022-08-02 v1 人工智能
摘要
温度监测对电机至关重要，用以判断是否需要执行设备保护措施。然而，永磁同步电机（PMSM）内部结构的复杂性使得内部部件的直接温度测量十分困难。本工作务实开发了三种深度学习模型，基于易于测量的外部量来估计 PMSM 的内部温度。所提监督学习模型利用长短期记忆（LSTM）模块、双向 LSTM 和注意力机制形成编解码结构，以同时预测定子绕组、齿、轭和永磁体的温度。在一个基准数据集上以详尽方式开展实验以验证所提模型的性能。对比分析表明，所提的基于全局注意力的编解码（EnDec）模型提供了具竞争力的整体性能，均方误差（MSE）为 1.72，平均绝对误差（MAE）为 5.34。
引用
@article{arxiv.2208.00293,
title = {Global Attention-based Encoder-Decoder LSTM Model for Temperature Prediction of Permanent Magnet Synchronous Motors},
author = {Jun Li and Thangarajah Akilan},
journal= {arXiv preprint arXiv:2208.00293},
year = {2022}
}
备注
10 pages, 12 figures