《European Journal of Investigation in Health, Psychology and Education》：Emerging Power Electronics Technologies for Electric Vehicles: Intelligent Architectures and Sustainable Energy Conversion
Chen Duan,
Liyan Zhu and
Jianfei Chen
编辑推荐：
人工智能在安全关键工业系统中的部署受到核心信任赤字的阻碍，因为通过经验风险最小化训练的模型在分布外（OOD）场景中往往会发生灾难性失效。研究人员通过开发一种物理信息混合集成方法来应对这一挑战，该方法在永磁同步电机（PMSM）温度预测方面实现了最先进的准确性和鲁
人工智能在安全关键工业系统中的部署受到核心信任赤字的阻碍，因为通过经验风险最小化训练的模型在分布外（OOD）场景中往往会发生灾难性失效。研究人员通过开发一种物理信息混合集成方法来应对这一挑战，该方法在永磁同步电机（PMSM）温度预测方面实现了最先进的准确性和鲁棒性。该方法学首先校准一个集总参数热网络（LPTN）作为物理引擎，以生成物理一致的数据增强，然后通过自监督方式预训练一个时间卷积网络（TCN）编码器，最终预测由物理模型的基线猜测和梯度提升集成模型在丰富的多模态特征集上学习的修正项组装而成。在与一系列强基线的评估对比中，该混合集成在由最混乱的运行工况组成的挑战性OOD压力测试中实现了5.24 °C的最先进均方根误差（RMSE）。最令人信服的是，在标准纯数据驱动模型崩溃的极端压力条件下，该模型的性能实现了前所未有的?10.68%提升。这种已验证的鲁棒性，结合仅为1.43%的统计有效覆盖欠移位（CUS）间隙，为构建高性能、可信赖的人工智能提供了完整蓝图，实现了对关键信息物理系统更安全、更高效的控制，并激励了针对其他工业资产的物理引导预训练的未来研究。
该论文发表于《European Journal of Investigation in Health, Psychology and Education》，致力于解决永磁同步电机（PMSM）温度预测中的核心挑战。研究背景源于交通与工业领域快速电气化背景下，PMSM作为现代高性能动力总成关键技术的地位日益凸显。有效的热管理是安全关键需求，因为定子绕组或永磁体中的过高温度可能引发绝缘击穿或不可逆退磁等灾难性故障。因此，高精度的温度预测对于实现主动热保护、延长部件使用寿命以及在保证安全的前提下释放机器的全部转矩能力至关重要。然而，数据驱动预测模型在此类安全关键系统中的应用受到严重"信任赤字"的阻碍：基于经验风险最小化训练的黑箱算法在遇到训练数据中未包含的运行条件时，会不可预测地失效，这迫切需要既准确又可证明鲁棒的预测系统。
现有研究传统上分为两个截然不同的范式。基于物理的方法，如有限元分析（FEM）和集总参数热网络（LPTN），提供了 robust 的理论基础，但往往难以在高保真度与实时计算可行性之间取得平衡。相反，数据驱动方法，包括长短期记忆（LSTM）网络和时间卷积网络（TCN）等流行的深度学习架构，在标准基准测试中展示了令人印象深刻的预测能力，但本质上缺乏物理基础，导致在分布偏移下的脆弱性。虽然新兴的混合模型，如物理信息神经网络（PINNs），试图在训练过程中强制执行物理定律，但它们经常面临优化稳定性和特征工程的挑战。因此，迫切需要一种能够协同结合第一原理建模的可靠性与现代深度学习的适应性和精确性的方法学。
为此，研究人员提出了一种新型物理信息混合集成框架，旨在实现PMSM温度预测中最先进的准确性和鲁棒性。该方法基于三种不同形式智能的整合：物理模型的结构先验、-forms、深度神经网络的学习表示以及梯度提升的非线性映射能力。方法学首先通过新颖的"隔离与校准"策略对4节点LPTN进行严格校准，将简化理论模型转化为稳定的、基础的物理引擎。该引擎随后用于生成大规模的"扰动库"物理一致合成数据，这通过名为MotorCLR-MR的对比学习框架促进TCN编码器的自监督预训练。最后，预测由混合集成组装，其中物理模型提供稳定的基线猜测，而梯度提升集成（CatBoost和LightGBM）在包含深度物理感知嵌入的丰富多模态特征集上学习预测和修正残差误差。
该研究的主要技术方法包括：（1）基于"隔离与校准"策略的LPTN物理引擎构建与参数辨识，利用线性回归解耦估计热生成参数与热动态参数，结合多起点L-BFGS-B优化算法；（2）基于物理引导的对比学习表示学习方法MotorCLR-MR，利用LPTN生成的扰动库进行自监督预训练，采用InfoNCE损失函数训练TCN编码器；（3）混合残差集成策略，将LPTN基线、64维深度特征与统计特征融合为94维多模态特征向量，由CatBoost和LightGBM梯度提升集成学习残差修正；（4）基于分裂共形预测（Split Conformal Prediction）的不确定性量化，构建具有理论边际覆盖保证的预测区间。
研究结果表明：在分布内（ID）准确性方面，混合集成实现RMSE 5.87 °C，显著优于纯数据驱动基线（RMSE 10.65 °C）和其他对比方法；在分布外（OOD）鲁棒性方面，混合集成在由电机速度标准差最高的五个测试工况构成的OOD压力测试中实现RMSE 5.24 °C，Δ
OOD为?10.68%，而纯数据驱动基线退化+13.35%，形成了典型的退化逆转模式。消融研究表明，移除64维深度物理特征导致OOD RMSE显著增加3.73%（从5.24 °C升至5.44 °C）；破坏物理一致性的扰动对打乱实验导致性能退化5.28%。表示探针分析显示嵌入与功率损耗（P
loss）和温度梯度（dT/dt）等物理相关量的Pearson |r| > 0.6。
在不确定性量化方面，分裂共形预测在OOD压力测试中实现91.43%的经验预测区间覆盖概率（PICP），对应90%名义水平，CUS间隙仅1.43%，而标准分位数回归基线出现不足覆盖（PICP 73.73%）。条件覆盖评估显示高风险区间（>140 °C）的PICP ≥ 95%，风险加权覆盖使用T
crit = 150 °C确认在故障风险峰值区域的有效覆盖。以预测区间上界作为决策边界的报警机制，对T
crit = 150 °C实现报警准确率>0.85、召回率>0.99。
讨论部分深入分析了该混合集成框架的性能驱动机制、局限性与更广泛影响。研究人员指出，该框架的卓越性能并非源于单一架构组件，而是物理先验、深度表示学习和集成校正三者精心设计的协同涌现效应。消融研究为解构这一成功提供了必要的实证证据：校准的物理先验作为基础支柱锚定预测于热力学原理；MotorCLR-MR编码器学习的深度表示是最关键的支柱，预训练利用物理一致模拟的扰动库赋予编码器对电机动态的结构化理解；梯度提升集成则作为高精度函数逼近器，在丰富的多模态特征集上建模物理基础的复杂非线性残差误差。一致性测试进一步验证了这种协同作用：打乱预训练对（破坏物理一致性）使最终性能退化5.28%，为系统并非仅仅拟合统计假象而是利用预训练阶段学习的鲁棒物理一致关系提供了强有力证据。
该研究亦坦诚讨论了局限性：框架依赖于基于模拟器的数据增强策略，引入了一定程度的模拟器偏差，LPTN作为简化低维抽象，其参数不确定性和模型差异尚未量化；鲁棒性验证严格限于动态瞬态工况，未涵盖传感器漂移、仪表故障或材料老化驱动的长期参数漂移等其他分布偏移类型；实证结果源自单一公开基准数据集，向不同电机拓扑或更广泛信息物理资产的转移能力尚待验证；铁损项采用紧凑的仅速度（ω）代理模型，未显式建模弱磁下的磁通依赖性。
研究结论部分指出，物理引导的表示学习与混合残差集成的结合，在PMSM热预测的OOD压力下保持并提高了预测准确性。在定义的混沌OOD压力测试中，混合集成实现RMSE 5.24 ± 0.07 °C和?10.68%的Δ
OOD改进，而纯数据驱动基线在同一偏移下退化+13.35%。这种典型退化模式的逆转被定位为与无根基模型在操作偏移下崩溃相关的"信任赤字"的解决方案，与不可逆退磁或绝缘击穿等安全关键条件直接相关。可信部署进一步得到共形化不确定性的支持：90%名义水平下PICP 91.43%，CUS间隙1.43%，风险加权和条件覆盖强调T
crit = 150 °C工况，实现报警精确率>0.85和召回率>0.99，同时减轻误降额惩罚。论文发表于《European Journal of Investigation in Health, Psychology and Education》。
