← 返回
控制与算法 机器学习 可靠性分析 故障诊断 ★ 3.0

用于永磁同步电机转子温度估计的梯度提升决策树

Gradient Boosting Decision Tree for Rotor Temperature Estimation in Permanent Magnet Synchronous Motors

作者 Hao Jing · Zifeng Chen · Xinghao Wang · Xueqing Wang · Lefei Ge · Gaoliang Fang · Dianxun Xiao
期刊 IEEE Transactions on Power Electronics
出版日期 2023年9月
技术分类 控制与算法
技术标签 机器学习 可靠性分析 故障诊断
相关度评分 ★★★ 3.0 / 5.0
关键词 永磁同步电机 转子温度估计 梯度提升决策树 热建模 退磁 机器学习
语言:

中文摘要

随着永磁同步电机功率密度的提升,电机发热问题日益严重,精确的转子温度监测对于防止永磁体退磁至关重要。传统热模型依赖复杂的电机设计与热力学参数,获取难度大。本文提出利用梯度提升决策树(GBDT)算法,在无需深入热力学建模的情况下,实现对转子温度的精确估计。

English Abstract

The increasing power density of permanent magnet synchronous motors has led to a severe motor heating problem that demands precise rotor temperature information to avoid demagnetization. Traditional temperature estimation techniques rely on thermal models that require specialized knowledge in motor design, thermodynamics, and material science. However, thermal parameters are often hard to obtain i...
S

SunView 深度解读

该技术主要应用于电机驱动控制领域,与阳光电源的风电变流器及电动汽车充电桩业务具有一定关联。在风电变流器中,电机侧的温度监测对于提升系统可靠性至关重要;在电动汽车充电桩的功率模块散热管理或未来潜在的电机驱动业务中,基于机器学习的温度估计可替代昂贵的传感器,降低硬件成本并提高系统鲁棒性。建议研发团队关注该算法在复杂工况下的泛化能力,探索将其集成至iSolarCloud平台,通过大数据分析优化设备运维策略,实现从“被动维护”向“预测性维护”的转型。