論文の概要: Data-Driven Permanent Magnet Temperature Estimation in Synchronous Motors with Supervised Machine Learning

• arxiv url: http://arxiv.org/abs/2001.06246v1
• Date: Fri, 17 Jan 2020 11:41:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 10:09:03.790833
• Title: Data-Driven Permanent Magnet Temperature Estimation in Synchronous Motors with Supervised Machine Learning
• Title（参考訳）: 教師付き機械学習による同期モータのデータ駆動永久磁石温度推定
• Authors: Wilhelm Kirchg\"assner, Oliver Wallscheid, Joachim B\"ocker
• Abstract要約: 自動車用永久磁石同期モータ(PMSM)における磁石温度のモニタリングは難しい課題である。 過熱によりモータの劣化が激しくなり、機械の制御戦略とその設計に高い懸念が生じる。 いくつかの機械学習(ML)モデルは、潜時高ダイナミックな磁力温度分布を予測するタスクにおいて、その推定精度を実証的に評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monitoring the magnet temperature in permanent magnet synchronous motors (PMSMs) for automotive applications is a challenging task for several decades now, as signal injection or sensor-based methods still prove unfeasible in a commercial context. Overheating results in severe motor deterioration and is thus of high concern for the machine's control strategy and its design. Lack of precise temperature estimations leads to lesser device utilization and higher material cost. In this work, several machine learning (ML) models are empirically evaluated on their estimation accuracy for the task of predicting latent high-dynamic magnet temperature profiles. The range of selected algorithms covers as diverse approaches as possible with ordinary and weighted least squares, support vector regression, $k$-nearest neighbors, randomized trees and neural networks. Having test bench data available, it is shown that ML approaches relying merely on collected data meet the estimation performance of classical thermal models built on thermodynamic theory, yet not all kinds of models render efficient use of large datasets or sufficient modeling capacities. Especially linear regression and simple feed-forward neural networks with optimized hyperparameters mark strong predictive quality at low to moderate model sizes.
• Abstract（参考訳）: 自動車用永久磁石同期モータ(pmsms)の磁石温度の監視は、信号注入やセンサベースの手法が商用環境では実現不可能であることが、数十年間課題となっている。 過熱によりモータの劣化が激しくなり、機械の制御戦略とその設計に高い懸念が生じる。 正確な温度推定の欠如は、より少ないデバイス利用とより高い材料コストをもたらす。 本研究では, 機械学習(ML)モデルを用いて, 潜時高磁力温度分布の予測のための推定精度を実験的に評価する。 選択されたアルゴリズムの範囲は、通常の重み付き最小二乗法、サポートベクタ回帰、$k$-nearestの隣人、ランダム化された木、ニューラルネットワークでできる限り多様なアプローチをカバーする。 テストベンチデータを利用可能にすることで、MLアプローチは、熱力学理論に基づいて構築された古典的熱モデルの推定性能を満足するだけでなく、全ての種類のモデルが大きなデータセットや十分なモデリング能力の効率的な利用を施すことが示される。 特に線形回帰と、最適化されたハイパーパラメータを持つ単純なフィードフォワードニューラルネットワークは、低から中程度のモデルサイズで強い予測品質を示す。

関連論文リスト

• Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
  ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。 我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。 PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
  論文  参考訳（メタデータ） (2024-07-08T16:38:52Z)
• Predictive Maintenance Model Based on Anomaly Detection in Induction Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
  本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。 我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
  論文  参考訳（メタデータ） (2023-10-15T18:43:45Z)
• Capturing Local Temperature Evolution during Additive Manufacturing through Fourier Neural Operators [0.0]
  本稿では, 加法製造過程における局所的な温度変化を捉えたデータ駆動モデルを提案する。 直接エネルギー沈着過程における不連続なガレルキン有限要素法に基づく数値シミュレーションで検証した。 その結果、このモデルはR2$で測定された高忠実度を実現し、トレーニングプロセスに含まれていない測地に対する一般化性を維持した。
  論文  参考訳（メタデータ） (2023-07-04T16:17:59Z)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• A machine learning approach to the prediction of heat-transfer coefficients in micro-channels [4.724825031148412]
  2相熱伝達係数(HTC)の正確な予測は、コンパクト熱交換器の最適設計と運転の鍵となる。 マルチ出力ガウスプロセス回帰 (GPR) を用いて, マイクロチャネル内のHTCを, 質量流量, 熱流束, システム圧力, チャネル径, 長さの関数として推定する。
  論文  参考訳（メタデータ） (2023-05-28T15:48:01Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
  factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。 本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
  論文  参考訳（メタデータ） (2021-04-05T00:02:36Z)
• Thermal Neural Networks: Lumped-Parameter Thermal Modeling With State-Space Machine Learning [0.0]
  電力システムの熱モデルには、リアルタイム能力と高い推定精度の両方が必要である。 本研究では,熱伝達に基づくラムド型パラメータモデルとして,熱ニューラルネットワーク(TNN)を導入し,両者を統一した。 TNNは状態空間表現を通じて物理的に解釈可能な状態を持ち、エンドツーエンドのトレーニング可能であり、その設計に材料、幾何学、専門知識を必要としない。
  論文  参考訳（メタデータ） (2021-03-30T13:15:48Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。