論文の概要: Temperature Estimation in Induction Motors using Machine Learning
- arxiv url: http://arxiv.org/abs/2504.18105v1
- Date: Fri, 25 Apr 2025 06:22:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.662734
- Title: Temperature Estimation in Induction Motors using Machine Learning
- Title（参考訳）: 機械学習を用いた誘導電動機の温度推定
- Authors: Dinan Li, Panagiotis Kakosimos,
- Abstract要約: 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。
- 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 number of electrified powertrains is ever increasing today towards a more sustainable future; thus, it is essential that unwanted failures are prevented, and a reliable operation is secured. Monitoring the internal temperatures of motors and keeping them under their thresholds is an important first step. Conventional modeling methods require expert knowledge and complicated mathematical approaches. With all the data a modern electric drive collects nowadays during the system operation, it is feasible to apply data-driven approaches for estimating thermal behaviors. In this paper, multiple machine-learning methods are investigated on their capability to approximate the temperatures of the stator winding and bearing in induction motors. The explored algorithms vary from linear to neural networks. For this reason, experimental lab data have been captured from a powertrain under predetermined operating conditions. For each approach, a hyperparameter search is then performed to find the optimal configuration. All the models are evaluated by various metrics, and it has been found that neural networks perform satisfactorily even under transient conditions.
- Abstract（参考訳）: 電化されたパワートレインの数は、現在、より持続可能な未来に向けて増加しており、望ましくない故障を防止し、信頼性の高い運転を確保することが不可欠である。
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。
従来のモデリング手法は、専門家の知識と複雑な数学的アプローチを必要とする。
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。
探索されたアルゴリズムは線形からニューラルネットワークまで様々である。
このため、所定の運転条件下で実験室のデータがパワートレインから取得された。
それぞれのアプローチに対して、最適構成を見つけるためにハイパーパラメータ検索が実行される。
全てのモデルは様々な指標で評価され、ニューラルネットワークは過渡的な条件下でも良好に機能することが判明した。
関連論文リスト
- Reliable Thermal Monitoring of Electric Machines through Machine Learning [0.0]
機械の内部温度をモニターし、安全な運転制限内に保持することが不可欠である。
最近収集されたデータ量により、情報モデルを使用して熱的挙動を評価することができる。
本稿では,誘導機の冷却効率を監視する人工知能技術について検討する。
論文 参考訳（メタデータ） (2025-04-27T07:44:29Z) - Machine learning-based condition monitoring of powertrains in modern electric drives [0.0]
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。
論文 参考訳（メタデータ） (2025-04-24T06:59:38Z) - A Physics-guided Multimodal Transformer Path to Weather and Climate Sciences [59.05404971880922]
気象学における多くの問題は、AIモデルを使って解決できる。
データ駆動アルゴリズムは従来の手法に比べて精度が大幅に向上した。
本稿では,異なる視点からの観測データをマルチモーダルデータとして扱い,変換器を介して統合する新たなパラダイムを提案する。
論文 参考訳（メタデータ） (2025-04-19T04:31:35Z) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳（メタデータ） (2023-09-27T00:12:07Z) - 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) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Passive and Active Learning of Driver Behavior from Electric Vehicles [2.9623902973073375]
運転者の振る舞いをモデル化することは、電気自動車のエネルギー消費の予測など、自動車業界にいくつかの利点をもたらす。
機械学習手法はドライバーの行動分類に広く使われており、いくつかの課題をもたらす可能性がある。
これには、長期のウィンドウ上のシーケンスモデリングや、高価なアノテーションによるラベル付きデータの欠如が含まれる。
論文 参考訳（メタデータ） (2022-03-04T08:18:02Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - 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) - 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。