面向数据驱动热建模的优化系统激励方法——一项实用的仿真到实测转换研究

《IEEE Open Journal of Industry Applications》：Optimized system excitation for data-driven thermal modeling — a practical sim-to-real transfer investigation

　　

摘要：

数据驱动的热模型正逐渐取代直接温度检测和纯粹的解析式热建模方法。这类模型的工作流程包括在装有传感器的原型上采集数据、进行参数优化（训练），以及在部署前进行交叉验证。虽然训练和部署环节已有较多研究，但用于数据采集的实验设计方法却尚未得到充分探讨，而这一环节在很大程度上决定了模型的性能，同时还需考虑到成本高昂且有限的测试时间。本研究提出了一种实用的闭环在线激励方法，通过模型预测控制（MPC）来调整数据集的分布，该方法利用参考分布与从递归更新的植物模型预测出的分布之间的对称杰森-香农散度（JSD）来实现。测试结果表明，从仿真到实际应用的过渡存在诸多挑战，尤其是需要借助远程边缘计算来处理大量的数据处理和优化任务，此外，初始状态误差也会影响精度，使得实际结果的准确性略低于仿真结果。