基于测量辅助物理信息热数字孪生的电机内部温度实时估计方法

《IEEE Open Journal of Industry Applications》：Hybrid Physics-Informed Thermal Digital Twin for Internal Temperature Estimation in Electric Motors Using Housing Temperature Measurements

　　

摘要：

电机内部热状态对电机的可靠性、效率和使用寿命具有重要影响。然而，由于可及性和安装限制，直接测量内部温度（尤其是铁芯和绕组区域的温度）通常是不切实际的。虽然电机外壳温度容易测量，但它并不能直接反映内部组件的热状态。本研究提出了一种测量辅助的物理信息热数字孪生方法，用于电机内部温度的实时估计。首先利用外壳温度测量值校准有限元热模型，从而实现对无法直接测量的内部温度的可靠估计。随后，将有限元校准后的内部温度数据与实测运行变量相结合，基于单节点和双节点集总热网络，分别采用纯物理策略和混合学习策略开发物理信息热数字孪生模型。单节点模型使用单一等效热状态表征整体热行为，而双节点模型则分别估计定子铁芯和转子铁芯温度，以捕捉空间分布的热特性。所提出的框架将控制热网络方程与可测量的运行变量（包括电流、转速、扭矩和外壳温度）相结合，实现了物理一致的实时温度估计。对比评估表明，混合PINN相比相应的纯物理模型能持续提升预测精度，而双节点热网络比简化的单节点模型能更准确地表征内部热行为。所提出的框架为实时内部温度估计建立了一种实用的测量辅助热数字孪生方法，并为状态监测、预测性维护等提供了有前景的基础……

展开更多