← 返回
利用深度残差机器学习估计电机温度
Estimating Electric Motor Temperatures With Deep Residual Machine Learning
| 作者 | Wilhelm Kirchgassner · Oliver Wallscheid · Joachim Bocker |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2021年7月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 机器学习 深度学习 热仿真 故障诊断 |
| 相关度评分 | ★★★ 3.0 / 5.0 |
| 关键词 | 电机 温度估计 深度残差学习 机器学习 热建模 牵引驱动 数据驱动方法 |
语言:
中文摘要
针对牵引驱动应用中电机温度监测不足的问题，本文提出一种基于深度残差学习的温度估计方法。传统热模型依赖复杂的参数选择且受几何结构和冷却动力学影响，而该数据驱动方法通过深度学习模型，在无需精确物理建模的情况下，实现了对电机内部温度的精准预测，有效提升了系统的运行安全性与设计优化能力。
English Abstract
Most traction drive applications lack accurate temperature monitoring capabilities, ensuring safe operation through expensive oversized motor designs. Classic thermal modeling requires expertise in model parameter choice, which is affected by motor geometry, cooling dynamics, and hot spot definition. Moreover, their major advantage over data-driven approaches, which is physical interpretability, t...
S
SunView 深度解读
该技术在电机热管理方面的应用对阳光电源的电动汽车充电桩及风电变流器业务具有参考价值。通过深度学习替代传统的复杂热网络模型，可以更精准地预测功率模块或电机在极端工况下的温度，从而优化散热设计，提升产品功率密度。建议研发团队关注该方法在iSolarCloud平台中的应用，通过挖掘设备运行数据，实现对逆变器及储能系统关键功率器件（如IGBT/SiC模块）的实时温度监测与寿命预测，进一步提升系统可靠性与运维智能化水平。