論文の概要: Machine learning-based condition monitoring of powertrains in modern electric drives

• arxiv url: http://arxiv.org/abs/2504.17305v1
• Date: Thu, 24 Apr 2025 06:59:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.276892
• Title: Machine learning-based condition monitoring of powertrains in modern electric drives
• Title（参考訳）: 現代の電気駆動におけるパワートレインの機械学習による状態モニタリング
• Authors: Dinan Li, Panagiotis Kakosimos, Luca Peretti,
• Abstract要約: データ分析の活用により、パフォーマンスに関する深い洞察の収集が可能になり、結果として資産の最適化が可能になった。 現代のほとんどの電気ドライブに既に存在するデータは、電力モジュールのデータ駆動熱モデルの開発に使われてきた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The recent technological advances in digitalization have revolutionized the industrial sector. Leveraging data analytics has now enabled the collection of deep insights into the performance and, as a result, the optimization of assets. Industrial drives, for example, already accumulate all the necessary information to control electric machines. These signals include but are not limited to currents, frequency, and temperature. Integrating machine learning (ML) models responsible for predicting the evolution of those directly collected or implicitly derived parameters enhances the smartness of industrial systems even further. In this article, data already residing in most modern electric drives has been used to develop a data-driven thermal model of a power module. A test bench has been designed and used specifically for training and validating the thermal digital twin undergoing various static and dynamic operating profiles. Different approaches, from traditional linear models to deep neural networks, have been implemented to emanate the best ML model for estimating the case temperature of a power module. Several evaluation metrics were then used to assess the investigated methods' performance and implementation in industrial embedded systems.
• Abstract（参考訳）: デジタル化の最近の技術進歩は産業セクターに革命をもたらした。 データ分析の活用により、パフォーマンスに関する深い洞察の収集が可能になり、結果として資産の最適化が可能になった。 例えば、産業用ドライブは、既に電気機械を制御するために必要な情報を全て蓄積している。 これらの信号は、電流、周波数、温度に制限されない。 直接収集または暗黙的に派生したパラメータの進化を予測する機械学習(ML)モデルを統合することで、産業システムのスマート性をさらに高めることができる。 本稿では, 電力モジュールのデータ駆動熱モデルの開発に, 現代のほとんどの電気駆動装置にすでに存在するデータを用いている。 テストベンチは、様々な静的および動的動作プロファイルを実行中の熱デジタルツインの訓練と検証のために設計され、使用されている。 従来の線形モデルからディープニューラルネットワークまで、さまざまなアプローチが実装され、電力モジュールのケース温度を推定するための最高のMLモデルが作成されている。 次に, 産業用組込みシステムの性能と実装を評価するために, 各種評価指標を用いた。

関連論文リスト

• Temperature Estimation in Induction Motors using Machine Learning [0.0]
  モーターの内部温度をモニターし、しきい値以下に保つことは、重要な第一歩だ。 現代の電気駆動装置がシステム動作中に収集するすべてのデータから、熱的挙動を推定するためにデータ駆動型アプローチを適用することが可能である。 本稿では,誘導電動機におけるステータ巻線と軸受の温度を近似する複数の機械学習手法について検討した。
  論文  参考訳（メタデータ） (2025-04-25T06:22:31Z)
• 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)
• CoDBench: A Critical Evaluation of Data-driven Models for Continuous Dynamical Systems [8.410938527671341]
  微分方程式を解くための11の最先端データ駆動モデルからなる総合ベンチマークスイートであるCodBenchを紹介する。 具体的には、Viz.、フィードフォワードニューラルネットワーク、ディープオペレータ回帰モデル、周波数ベースのニューラル演算子、トランスフォーマーアーキテクチャの4つの異なるカテゴリを評価する。 我々は、学習におけるオペレータの能力、ゼロショット超解像、データ効率、ノイズに対する堅牢性、計算効率を評価する広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-02T21:27:54Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)
• 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)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Modeling Electrical Motor Dynamics using Encoder-Decoder with Recurrent Skip Connection [26.49151897094165]
  データ駆動型アプローチによる電動機の動力学モデリングの実現可能性について検討する。 繰り返しスキップ接続の利点を生かした新しいエンコーダデコーダアーキテクチャを提案する。 本稿では,信号複雑性が時間的ダイナミクスをモデル化する手法に与える影響を示す。
  論文  参考訳（メタデータ） (2020-10-08T15:10:04Z)
• A Sequential Modelling Approach for Indoor Temperature Prediction and Heating Control in Smart Buildings [4.759925918369102]
  本稿では,室内温度の予測にデータ駆動統計手法を逐次適用するための学習ベースフレームワークを提案する。 実験では、モデリングアプローチと制御アルゴリズムの有効性を実証し、スマートビルディングアプリケーションにおける混合データ駆動アプローチの有望な可能性を明らかにする。
  論文  参考訳（メタデータ） (2020-09-21T13:20:27Z)
• VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
  モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。 本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
  論文  参考訳（メタデータ） (2020-07-15T07:07:07Z)
• Data-Driven Permanent Magnet Temperature Estimation in Synchronous Motors with Supervised Machine Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2020-01-17T11:41:02Z)

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。