WO2023110204A1 - Verfahren und vorrichtung zum ermitteln einer temperatur in einer komponente eines elektromotors für ein elektrisches antriebssystem mithilfe maschineller lernverfahren - Google Patents

Verfahren und vorrichtung zum ermitteln einer temperatur in einer komponente eines elektromotors für ein elektrisches antriebssystem mithilfe maschineller lernverfahren Download PDF

Info

Publication number
WO2023110204A1
WO2023110204A1 PCT/EP2022/079571 EP2022079571W WO2023110204A1 WO 2023110204 A1 WO2023110204 A1 WO 2023110204A1 EP 2022079571 W EP2022079571 W EP 2022079571W WO 2023110204 A1 WO2023110204 A1 WO 2023110204A1
Authority
WO
WIPO (PCT)
Prior art keywords
temperature
rotor
electric motor
component
differential equation
Prior art date
Application number
PCT/EP2022/079571
Other languages
English (en)
French (fr)
Inventor
Wael Hilali
Leon Glass
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Publication of WO2023110204A1 publication Critical patent/WO2023110204A1/de

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • H02P29/60—Controlling or determining the temperature of the motor or of the drive
    • H02P29/66—Controlling or determining the temperature of the rotor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • H02P29/02—Providing protection against overload without automatic interruption of supply
    • H02P29/032—Preventing damage to the motor, e.g. setting individual current limits for different drive conditions

Definitions

  • the invention relates to electric motors for electric drive systems, in particular methods for determining a temperature in a component of the electric motor, in particular the rotor, in particular for carrying out a power or torque limitation.
  • the heat generated by an electric motor is therefore monitored during operation and overheating is avoided by limiting the motor torque, ie by limiting the power consumption.
  • Conventional solutions provide for arranging one or more temperature sensors, usually as temperature-sensitive resistors, such as NTC (Negative Thermal Coefficient) sensors, on stator coils. These measure a temperature at a specific point on the stator, which usually does not correspond to a maximum or representative temperature in the electric motor, however, since the position at which the maximum temperature occurs differs from the position or positions of the temperature sensors.
  • NTC Near Thermal Coefficient
  • Temperatures in moving components of the electric motor, such as the rotor, are currently determined using physical modelling, which, however, cannot take all thermal sources into account.
  • the modeled heat loss terms must be determined or calibrated using very complex simulation and/or test bench measurements.
  • This object is achieved by the method for providing a temperature in a component of an electric motor according to claim 1 and by a corresponding device and a motor system with an electric motor.
  • a method for operating an electric motor and for determining a component temperature of a component of the electric motor is provided, with the following steps:
  • thermo energy balance providing a temperature determination model that corresponds to a differential equation model based on a thermal energy balance and has a plurality of summation terms that define one or more heat sources and one or more heat sinks,
  • relevant temperatures such as the hotspot, i. H. an area in a component where a maximum operating temperature occurs, located inside the component and therefore difficult to access from the outside.
  • a rotor temperature can be determined as the component temperature, with the total terms indicating an electrical power loss, a heat transfer between a rotor and a stator of the electric motor and a heat transfer between the rotor and a coolant or an environment.
  • Physical models can use heat conduction components to estimate the temperature of a component of an electric motor, such as a rotor and heat sources into account.
  • a component of an electric motor such as a rotor and heat sources into account.
  • one or more of the heat conduction portions which model the "flow" of heat between components and between components and a coolant or the external environment, and/or one or more of the heat sources are difficult to represent in their entirety by physical models.
  • the heat sources have so far only been calculated with the help of so-called lookup tables or interpolation methods such as regression models.
  • this implementation is very resource-intensive, since the support points of the lookup tables in particular have to be calculated and calibrated using complex simulations and test bench measurements, although there is always an inaccuracy, since not all influencing variables can be taken into account.
  • At least one of the heat source terms and heat conduction terms used in a differential equation for modeling a component temperature is replaced by a neural network, which is designed as a neural ODE or neural differential equation.
  • the neural differential equation makes it possible to continue to determine the modeling of the component temperature based on fundamental physical relationships.
  • a physical model for determining a component temperature is based on the following relationship: which describes the generation of heat in a component of an electric motor.
  • c p denotes the specific heat capacity of the component
  • P loss the thermal power loss
  • g stator a heat transfer coefficient between a stator of the electric motor component and a rotor of the electric motor, the heat transfer coefficient between the stator and a coolant
  • x mech one or more mechanical operating variables
  • x el one or more electrical operating variables.
  • the operating variables can include manipulated variables and state variables.
  • the operating variables can include one or more of the following electrical state variables: rotor-fixed phase currents, an effective motor current, one or more rotor-fixed phase voltages, and a DC link voltage, a pulse width modulation frequency and a duty cycle.
  • the operating variables can include one or more of the following mechanical state variables: an engine speed, a torque provided by the electric motor, an ambient temperature and a transmission temperature.
  • the determination of P loss , g stator ur ⁇ d requires the greatest effort and is necessary for an accurate modeling is not yet sufficiently understood.
  • at least one of these terms can be replaced by a neural differential equation that can be trained based on measurements of the thermal, mechanical, and electrical operating variables.
  • those terms of the above composite differential equation that most imprecisely represent the conditions within the electric motor are replaced by a neural differential equation, the procedure described above is promising in terms of modeling effort and computing load.
  • a neural differential equation is a differential equation that includes neural networks. These neural networks are trained on the basis of numerical solutions of the differential equation and in particular requires the formation of gradients in the numerical solution with regard to the parameters of the neural networks contained in the differential equation.
  • the use of the neural differential equation enables the use of neural networks in the context of modeling state variables, such as a component temperature in an electric motor.
  • the design of a temperature determination model using neural differential equations enables the simulation and To reduce the calibration effort of a conventional physical model.
  • the temperature determination model can also be trained with influencing variables from series production in order to calculate the induced heat losses more precisely and machine-specifically.
  • the temperature determination model can also be trained with machine-specific production data, such as air gap width, surface thickness, degree of magnetization and the like, so that varying structural designs of electric motors within the tolerance ranges that the neuronal differential equations as components of the temperature determination model can provide a very precise temperature estimate that the Effects caused by variances in production, aging influences and environmental conditions can be read.
  • the above method uses a temperature determination model that determines a temperature gradient of the relevant machine component of the electric motor of an electric drive system with a data-based model.
  • This temperature determination model is operated on the input side with operating variables in successive magazines in order to obtain temperature information about the component temperature of the component of the electric motor.
  • At least one of the sum terms modeled by the neural differential equation has a soft plus function in a last layer of the neural differential equation in order to mathematically reliably output a positive output value as the result of the calculation.
  • the temperature determination model may include an integration of a temperature gradient or temperature change related to the current journal.
  • a method for training a data-based model for a temperature determination model for determining a component temperature of an electric motor with training data sets being generated, with each training data set associating an input variable set with a corresponding component temperature information item, with the input variable set consisting of curves of one or the multiple operating variables is generated and the component temperature is obtained by measurement, the training being carried out using a backpropagation method based on interpolated adjoints.
  • a device for operating an electric motor and for determining a component temperature of a component of the electric motor is provided, the device being designed for:
  • thermo energy balance based differential equation model conforming to a thermal energy balance based differential equation model and having a plurality of summation terms defining one or more heat sources and one or more heat sinks, at least one of the summation terms being modeled by a neural differential equation;
  • FIG. 1 shows a schematic representation of an electrical machine with the components of the rotor and the stator
  • Figure 2 is a block diagram to illustrate the
  • FIG. 1 schematically shows a cross-sectional illustration through an electric motor 2 as part of a drive system 1.
  • the electric motor 2 has a stator 21 and a rotor 22 mounted on a shaft, which represent components of the electric motor.
  • the stator 21 can be provided with stator coils 211, which can be controlled electrically via phase voltages and phase currents.
  • rotor coils and both stator and rotor coils can also be provided.
  • the electric motor 2 is controlled with the aid of a control unit 10, which provides for the control of the electric motor by applying phase voltages to the stator coil 211 in accordance with a commutation pattern.
  • the control unit 10 can therefore also include a power driver circuit 11 in the form of a B6 bridge circuit or the like in a manner known per se.
  • the rotor 22 can be coupled to a position sensor 23 which can detect a rotor position of the rotor with respect to the arrangement of the stator coils 211 .
  • the control unit 10 operates the electric motor 2 in a manner known per se by specifying the phase voltages in order to set specific phase currents in such a way that a specified motor torque is set. As a result of the phase currents being applied, power is converted in the electric motor 2 , which can lead to components of the electric motor 2 being heated. The heating occurs unevenly in the components.
  • Coolant channels 24 for conducting coolant are provided in the stator 21 .
  • the coolant is conducted through the coolant channels 24 at a flow rate known in the control unit 10 .
  • the controller 10 is also designed to operate a temperature model in real time to always provide information about the component temperature, such as the Temperature of the rotor 22 to have available.
  • Component temperature is monitored and a torque limit or power limit may be activated if the component temperature is at or above a threshold.
  • the torque limitation can also be achieved as a function of a torque threshold value that is dependent on the component temperature.
  • the maximum phase current can be limited depending on the component temperature.
  • the monitoring of the component temperature of an electric motor is necessary since overheating of components of the electric motor 2 is to be avoided.
  • the general model provides the heat development of the heat source and the heat dissipation between components and between a component and the environment or the coolant as terms.
  • the method according to the invention for determining the component temperature is described below using the example of determining a rotor temperature of an electrical machine.
  • a physical model for determining the rotor temperature is based on a differential equation that maps a temperature gradient of the rotor temperature to a thermal energy balance according to the following formula: where c p is the specific heat capacity of the rotor, P loss is the thermal power loss, g stator is the heat transfer coefficient between rotor and stator, n is the heat transfer coefficient between stator and coolant, coolant Specify x mech, mechanical operating variables and x el electrical operating variables. Since the terms of the above differential equation can only be modeled imprecisely due to a lack of understanding, it is proposed to replace one or more of these terms with a respective neural differential equation that can be parameterized based on measurements. In the following, a temperature determination model is assumed in which at least one of the summation terms of the above differential equation is replaced by neural differential equations. This is shown as an example in the block diagram of FIG.
  • the neural differential equations correspond to partial models that model the output of the relevant term P loss , g stator , 0 .
  • the output variable is formed continuously based on a neural network based on mechanical and electrical state variables x mecfl ., x el .
  • the electrical state variables x el can include, for example, one or more of the following variables: the rotor-fixed phase currents and the effective motor current, the rotor-fixed phase voltages and a DC link voltage, ie the supply voltage, the pulse width modulation frequency and the duty cycle.
  • One or more of the following variables can be provided as mechanical state variables x mech : a motor speed, a torque provided by the electric motor, an ambient temperature and a transmission temperature.
  • a model equation results, in which the terms of the differential equation are replaced by neural differential equations NN, as follows:
  • the temperature determination model 30 shown in FIG. 2 provides a power loss block 31 , a first heat transfer coefficient block 32 and a second heat transfer coefficient block 33 .
  • the power loss block 31 determines the thermal power loss Ploss according to the electrical and mechanical state variables x el , x mech using a corresponding neural differential equation.
  • the neuronal differential equation receives the current rotor temperature T rotor (t) as a further input variable.
  • the first heat transfer coefficient block 32 determines the heat transfer coefficient g stator between rotor and stator, which is multiplied in a first multiplication block 34 by a difference formed in a first subtraction block 35 from the stator temperature T stator and the rotor temperature T rotor (t) determined in the previous journal.
  • the heat transfer coefficient 0 between rotor and coolant is determined, where as a further input variable, in addition to the mechanical state variables x mecfl ., such as the rotational speed, the flow rate V CO oiant of the coolant through the coolant channels can also be taken into account.
  • the second heat transfer coefficient is in a second Multiplication block 36 is multiplied by a difference, determined in a second subtraction block 37, between the coolant temperature T coolant and the previously determined rotor temperature T rotor (t).
  • the resulting output values of the power loss block 31 and the first and second multiplication blocks 34, 36 are summed in a summation block 38 and multiplied by the reciprocal of the specific thermal capacity c p of the rotor 22 in a conversion block 39.
  • a corresponding temperature determination model can be trained for each type of electric motor.
  • time series of operating variables are assigned to the corresponding time series of measured rotor temperatures as labels by means of test bench measurements, whereby these are determined under different load and environmental conditions.
  • This is how training data sets are obtained for training the neural differential equations
  • the required gradients of the rotor temperature with regard to the model parameters of the sub-models, one or more of which can be designed as neural differential equations are determined using an interpolated-adjoint method known in the literature calculated as known from Talgat Daulbaev et al., "Interpolated Adjoint Method for Neural ODEs” (2020), ArXiv, abs/2003.05271.
  • the temporal dynamics of the adjoint states can be determined by the chain rule and is
  • fxt), t, 0 is the dynamics function of the neural differential equation, where 0 are the parameters of the included neural networks.
  • the dynamics of the adjoint state are coupled with the dynamics of the state x(t), which is why %(t) is required for the numerical integration of a(t)x(t).
  • the cost function with respect to the model parameter 0 is derived by calculating a third integral
  • the numerical integrations to calculate x(t), a(t) and (x(t), t, 0) can be calculated simultaneously by the same numerical integrator.
  • the training takes place, especially in the case of several neural differential equations, by calculating the individual gradients using automatic differentiation with the backpropagation algorithm. I.e. gradients with respect to the right-hand side of the differential equation are calculated using the adjoint sensitivity method with the interpolated adjoint sensitivities mentioned above. This gradient is then refined into gradients for each neural network using the standard backpropagation algorithm.
  • the training of the partial models can be improved by providing artificially noisy training data sets.
  • the training data sets are modified by systematically unraveling the noise components into the labels and the state variables. This method ensures the robustness and noise tolerance of the sub-models in the temperature determination model.
  • plausibility functions can be used with which the input variables can be checked for errors. On the one hand, this plausibility check can check whether the value of the corresponding variable is within a physically valid range.
  • the input variables can also be checked for anomalies using data-based models.
  • the temperature determination model can be provided with the last plausible value of the affected input variable in order to provide at least a word-case prediction of the rotor temperature in order to protect the component to ensure.
  • the robustness of the use of the temperature determination model for the component protection function can be ensured if the modeled rotor temperature is limited to a maximum possible rotor temperature. The limit should be selected in such a way that maximum derating is still possible.
  • the switch-off time and the last temperature value of the thermal model are saved when the control unit is switched off.
  • the temperature difference is determined over the time between switching off and switching on, which results from the cooling behavior using a physical or a data-based cooling model.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Betreiben eines Elektromotors (2) und zum Bestimmen einer Komponententemperatur (Trotor) einer Komponente (21, 22) des Elektromotors (2), mit folgenden Schritten: Bereitstellen einer oder mehrerer Betriebsgrößen, die den Betrieb des Elektromotors (2) charakterisieren, in aufeinanderfolgenden Zeitschriften; Bereitstellen eines Temperaturbestimmungsmodells, das einem Differentialgleichungsmodell basierend auf einer Wärmeenergiebilanz entspricht und mehrere Summenterme aufweist, die eine oder mehrere Wärmequellen und eine oder mehrere Wärmeableitungen definieren, - Auswerten des Temperaturbestimmungsmodells mit der einen oder den mehreren Betriebsgrößen in jedem Zeitschrift, um die Komponententemperatur (Trotor) zu erhalten, wobei mindestens einer der Summenterme durch eine neuronale Differentialgleichung modelliert ist.

Description

Beschreibung
Titel
Verfahren und Vorrichtung zum Ermitteln einer Temperatur in einer Komponente eines Elektromotors für ein elektrisches Antriebssystem mithilfe maschineller Lernverfahren
Technisches Gebiet
Die Erfindung betrifft Elektromotoren für elektrische Antriebssysteme, insbesondere Verfahren zum Bestimmen einer Temperatur in einer Komponente des Elektromotors, insbesondere des Rotors, insbesondere zur Durchführung einer Leistungs- oder Momentenbegrenzung.
Technischer Hintergrund
Beim Betrieb von Elektromotoren entsteht durch Stromflüsse in Stator- und/oder Rotorspulen Verlustleistung, die zu einem Erwärmen von Komponenten des Elektromotors führt. Die Wärmeentwicklung ist dabei u.a. abhängig von dem in den Elektromotor fließenden Motorstrom bzw. der darin umgesetzten Leistung. Ein Überhitzen von Komponenten des Elektromotors kann zu Schädigungen oder Zerstörung von Spulenkomponenten führen und kann die Leistungsfähigkeit des Elektromotors aufgrund der Beeinträchtigung der Magnetfeldstärke von hart- und weichmagnetischen Komponenten reduzieren.
Die Wärmeentwicklung eines Elektromotors wird daher im Betrieb überwacht und eine Überhitzung durch ein Begrenzen des Motormoments, d. h. durch ein Begrenzen der Stromaufnahme, vermieden. Herkömmliche Lösungen sehen das Anordnen eines oder mehrerer Temperatursensoren, in der Regel als temperaturempfindliche Widerstände, wie beispielsweise NTC-(Negative Thermal Coefficient-)Sensoren, an Statorspulen vor. Diese messen eine Temperatur an einer bestimmten Stelle des Stators, die gewöhnlich jedoch nicht einer maximalen oder repräsentativen Temperatur in dem Elektromotor entspricht, da sich die Position, an der die maximale Temperatur auftritt, von der bzw. den Positionen der Temperatursensoren abweicht.
Temperaturen in beweglichen Komponenten des Elektromotors, wie z.B. dem Rotor, werden derzeit mittels einer physikalischen Modellierung bestimmt, die jedoch nicht alle thermischen Quellen berücksichtigen kann. Zudem müssen die modellierten Wärmeverlustterme mit sehr aufwendigen Simulations- und/oder Prüfstandsmessungen bestimmt bzw. kalibriert werden.
Weitere Möglichkeiten bestehen darin, über thermische Knotenmodelle die Temperaturverteilung in Komponenten des Elektromotors zu bestimmen und daraus die Temperatur der Komponente zu ermitteln. Diese Knotenmodelle müssen jedoch sehr komplex ausgelegt sein, um eine ausreichende Genauigkeit für die Bestimmung einer maximalen Temperatur bereitzustellen. Eine solche Simulation ist in Echtzeit in herkömmlichen Steuergeräten für Elektromotoren nicht realisierbar.
Es ist Aufgabe der vorliegenden Erfindung, ein verbessertes Verfahren zur Bestimmung einer Temperatur in einer Komponente eines Elektromotors zur Verfügung zu stellen, das eine hohe Genauigkeit aufweist, einen geringen Ressourcenbedarf aufweist und mit geringen Rechenkapazitäten eines Motorsteuergeräts realisiert werden kann.
Offenbarung der Erfindung
Diese Aufgabe wird durch das Verfahren zum Bereitstellen einer Temperatur in einer Komponente eines Elektromotors gemäß Anspruch 1 sowie durch eine entsprechende Vorrichtung und ein Motorsystem mit einem Elektromotor gelöst.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben. Gemäß einem ersten Aspekt ist ein Verfahren zum Betreiben eines Elektromotors und zum Bestimmen einer Komponententemperatur einer Komponente des Elektromotors vorgesehen, mit folgenden Schritten:
Bereitstellen einer oder mehrerer Betriebsgrößen, die den Betrieb des Elektromotors charakterisieren, in aufeinanderfolgenden Zeitschriften;
Bereitstellen eines Temperaturbestimmungsmodells, das einem Differentialgleichungsmodell basierend auf einer Wärmeenergiebilanz entspricht und mehrere Summenterme aufweist, die eine oder mehrere Wärmequellen und eine oder mehrere Wärmeableitungen definieren,
- Auswerten des Temperaturbestimmungsmodells mit der einen oder den mehreren Betriebsgrößen in jedem Zeitschrift, um die Komponententemperatur zu erhalten, wobei mindestens einer der Summenterme durch eine neuronale Differentialgleichung modelliert ist.
Die Überwachung der Temperatur in Komponenten eines Elektromotors ist in der Regel schwierig, da relevante Temperaturen, wie z.B. der Hotspot, d. h. ein Bereich in einer Komponente, an der eine maximale Betriebstemperatur auftritt, im Inneren der Komponente liegen und daher von außen schwer zugänglich sind.
Die Verwendung eines oder mehrerer Temperatursensoren zur Messung der Komponententemperatur ist oftmals aus Gründen der Zugänglichkeit und der Austauschbarkeit der Temperatursensoren nur von einer Außenseite der Komponente zweckmäßig, so dass durch Transfermodelle von der bzw. den gemessenen Temperaturen auf die tatsächliche Komponenten-Temperatur (Maximai-Temperatur in der Komponente) geschlossen werden muss.
Es kann als Komponententemperatur eine Rotortemperatur ermittelt werden, wobei die Summenterme eine elektrische Verlustleistung einen Wärmeübergang zwischen einem Rotor und einem Stator des Elektromotors und einen Wärmeübergang zwischen dem Rotor und einem Kühlmittel oder einer Umgebung angeben.
Für die Schätzung einer Temperatur einer Komponente eines Elektromotors, wie beispielsweise eines Rotors, können physikalische Modelle Wärmeleitungsanteile und Wärmequellen berücksichtigen. Je nach physikalischer Konfiguration sind einer oder mehrere der Wärmeleitungsanteile, die den „Fluss“ der Wärmemenge zwischen Komponenten und zwischen Komponenten und einem Kühlmittel oder der äußeren Umgebung modellieren, und/oder eine oder mehrere der Wärmequellen nur schwer in ihrer Gesamtheit durch physikalische Modelle abbildbar. Beispielsweise werden die Wärmequellen bisher nur mithilfe von sogenannten Lookup-Tabellen oder Interpolationsverfahren, wie beispielsweise Regressionsmodellen, berechnet. Diese Umsetzung ist jedoch wegen der hohen Anzahl von Eingangsgrößen sehr ressourcenintensiv, da insbesondere die Stützstellen der Lookup-Tabellen durch aufwendige Simulationen und Prüfstandsmessungen errechnet bzw. kalibriert werden müssen, wobei jedoch stets eine Ungenauigkeit verbleibt, da nicht alle Einflussgrößen berücksichtigt werden können.
Erfindungsgemäß ist nun vorgesehen, mindestens einer der in einer Differentialgleichung zur Modellierung einer Komponententemperatur verwendeten Wärmequellenterme und Wärmeleitungsterme durch ein neuronales Netz zu ersetzen, das als neuronale ODE bzw. neuronale Differentialgleichung ausgebildet sind. Die neuronale Differentialgleichung ermöglicht es, die Modellierung der Komponententemperatur weiterhin auf grundlegenden physikalischen Zusammenhängen basierend zu ermitteln. Insbesondere basiert ein physikalisches Modell zur Ermittlung einer Komponententemperatur (bezogen auf den Rotor) auf folgendem Zusammenhang:
Figure imgf000006_0001
wodurch die Wärmeentwicklung in einer Komponente eines Elektromotors beschrieben wird. Hier bezeichnet cp die spezifische Wärmekapazität der Komponente, Ploss die thermische Verlustleistung, gstator einen Wärmeübergangskoeffizienten zwischen einem Stator des Elektromotors Komponente und einem Rotor des Elektromotors,
Figure imgf000006_0002
den Wärmeübergangskoeffizienten zwischen dem Stator und einem Kühlmittel, xmech, eine oder mehrere mechanische Betriebsgrößen und xel eine oder mehrere elektrische Betriebsgrößen. Die Betriebsgrößen können Stellgrößen und Zustandsgrößen umfassen.
Insbesondere können die Betriebsgrößen eine oder mehrere der folgenden elektrische Zustandsgrößen umfassen: rotorfeste Phasenströme, ein effektiver Motorstrom, eine oder mehrere rotorfeste Phasenspannungen, sowie eine DC- Linkspannung, eine Pulsweitenmodulationsfrequenz und ein Tastverhältnis. Ferner können die Betriebsgrößen eine oder mehrere der folgenden mechanischen Zustandsgrößen umfassen: eine Motordrehzahl, ein bereitgestelltes Drehmoment des Elektromotors, eine Umgebungstemperatur und eine Getriebetemperatur.
Bei der Modellierung mit rein physikalischen Modellen erfordert die Bestimmung von Ploss, gstator ur\d den größten Aufwand und sind für eine genaue
Figure imgf000007_0001
Modellierung noch nicht ausreichend verstanden. Erfindungsgemäß kann mindestens einer dieser Terme durch eine neuronale Differentialgleichung ersetzt werden, die basierend auf Messungen der thermischen, mechanischen und elektrischen Betriebsgrößen trainiert werden kann. Insbesondere wenn diejenigen Terme der obigen zusammengesetzten Differentialgleichung durch eine neuronale Differentialgleichung ersetzt werden, die die Verhältnisse innerhalb des Elektromotors am ungenauesten repräsentieren, ist die oben beschriebene Vorgehensweise hinsichtlich Modellierungsaufwand und Rechenlast vielversprechend.
Eine neuronale Differentialgleichung ist eine Differentialgleichung, die neuronale Netze enthält. Das Training dieser neuronalen Netze erfolgt auf Basis numerischer Lösungen der Differentialgleichung und erfordert insbesondere die Bildung von Gradienten der numerischen Lösung bezüglich der Parameter der in der Differentialgleichung enthaltenen neuronalen Netze.
Die Nutzung der neuronalen Differentialgleichung ermöglicht die Verwendung von neuronalen Netzen im Kontext von Modellierungen von Zustandsgrößen, wie beispielsweise einer Komponententemperatur in einem Elektromotor.
Insgesamt ermöglicht die Ausgestaltung eines Temperaturbestimmungsmodells, mithilfe von neuronalen Differentialgleichungen den Simulations- und Kalibrieraufwand eines herkömmlichen physikalischen Modells zu reduzieren. Ferner kann das Temperaturbestimmungsmodell auch mit Einflussgrößen aus der Serienproduktion trainiert werden, um die induzierten Wärmeverluste genauer und maschinenspezifisch zu berechnen. So kann beispielsweise das Temperaturbestimmungsmodell auch mit maschinenspezifischen Produktionsdaten trainiert werden, wie beispielsweise Luftspaltbreite, Flächendicke, Magnetisierungsgrad und dergleichen, so dass variierende konstruktive Ausgestaltungen von Elektromotoren innerhalb der Toleranzbereiche, das die neuronalen Differentialgleichungen als Bestandteile des Temperaturbestimmungsmodells eine sehr genaue Temperaturschätzung bereitstellen können, die die Effekte durch Varianzen in der Produktion, Alterungseinflüsse und auch Umgebungsbedingungen ablesen können.
Das obige Verfahren nutzt ein Temperaturbestimmungsmodell, das einen Temperaturgradienten der betreffenden Maschinenkomponente des Elektromotors eines elektrischen Antriebssystems mit einem datenbasierten Modell bestimmt. Dieses Temperaturbestimmungsmodell wird in aufeinanderfolgenden Zeitschriften eingangsseitig mit Betriebsgrößen betrieben, um eine Temperaturinformation über die Komponenten-Temperatur der Komponente des Elektromotors zu erhalten.
Es kann vorgesehen sein, dass mindestens einer der durch die neuronale Differentialgleichung modellierter Summenterm in einer letzten Schicht der neuronalen Differentialgleichung eine Softplusfunktion aufweist, um mathematisch sicher einen positiven Ausgangswert als Ergebnis der Berechnung auszugeben.
Das Temperaturbestimmungsmodell kann eine Integration eines Temperaturgradienten oder einer Temperaturänderung bezogen auf den aktuellen Zeitschrift umfassen.
Gemäß einem weiteren Aspekt ist ein Verfahren zum Training eines datenbasierten Modells für ein Temperaturbestimmungsmodell zur Bestimmung einer Komponententemperatur eines Elektromotors vorgesehen, wobei Trainingsdatensätze generiert werden, wobei jeder Trainingsdatensatz einen Eingangsgrößensatz einer entsprechenden Komponententemperaturinformation zuordnet, wobei der Eingangsgrößensatz aus Verläufen der einen oder den mehreren Betriebsgrößen generiert wird und wobei die Komponententemperatur durch Messung erhalten wird, wobei das Training mit einem Backpropagation- Verfahren basierend auf Interpolated Adjoints durchgeführt wird.
Gemäß einem weiteren Aspekt ist eine Vorrichtung zum Betreiben eines Elektromotors und zum Bestimmen einer Komponententemperatur einer Komponente des Elektromotors vorgesehen, wobei die Vorrichtung ausgebildet ist zum:
Bereitstellen einer oder mehrerer Betriebsgrößen, die den Betrieb des Elektromotors charakterisieren, in aufeinanderfolgenden Zeitschriften;
Bereitstellen eines Temperaturbestimmungsmodells, das einem Differentialgleichungsmodell basierend auf einer Wärmeenergiebilanz entspricht und mehrere Summenterme aufweist, die eine oder mehrere Wärmequellen und eine oder mehrere Wärmeableitungen definieren, wobei mindestens einer der Summenterme durch eine neuronale Differentialgleichung modelliert ist;
- Auswerten des Temperaturbestimmungsmodells mit der einen oder den mehreren Betriebsgrößen in jedem Zeitschrift, um die Komponententemperatur zu erhalten.
Kurzbeschreibung der Zeichnungen
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
Figur 1 eine schematische Darstellung einer elektrischen Maschine mit den Komponenten des Rotors und des Stators;
Figur 2 ein Blockdiagramm zur Veranschaulichung der
Funktionsweise des Temperaturbestimmungsmodells. Beschreibung von Ausführungsformen
Figur 1 zeigt schematisch eine Querschnittsdarstellung durch einen Elektromotor 2 als Teil eines Antriebssystems 1. Der Elektromotor 2 weist einen Stator 21 und einen an einer Welle gelagerten Rotor 22 auf, die Komponenten des Elektromotors darstellen. Weiterhin kann der Stator 21 mit Statorspulen 211 versehen, die elektrisch über Phasenspannungen und Phasenströme angesteuert werden können. In alternativen Ausführungsformen können auch Rotorspulen und sowohl Stator- als auch Rotorspulen vorgesehen sein.
Die Ansteuerung des Elektromotors 2 erfolgt mithilfe eines Steuergeräts 10, das die Ansteuerung des Elektromotors durch Anlegen von Phasenspannungen an die Statorspule 211 entsprechend einem Kommutierungsmuster vorsieht. Das Steuergerät 10 kann daher in an sich bekannter Weise auch eine Leistungstreiberschaltung 11 in Form einer B6-Brückenschaltung oder dergleichen umfassen.
Weiterhin kann der Rotor 22 mit einem Lagesensor 23 gekoppelt sein, der eine Rotorlage des Rotors bezüglich der Anordnung der Statorspulen 211 erfassen kann.
Das Steuergerät 10 betreibt den Elektromotor 2 in an sich bekannter Weise durch Vorgabe der Phasenspannungen, um bestimmte Phasenströme so einzustellen, dass ein vorgegebenes Motormoment gestellt wird. Durch die Beaufschlagung mit den Phasenströmen wird Leistung in dem Elektromotor 2 umgesetzt, die zu einer Erwärmung von Komponenten des Elektromotors 2 führen kann. Die Erwärmung erfolgt ungleichmäßig in den Komponenten.
In dem Stator 21 sind Kühlmittelkanäle 24 zum Durchleiten von Kühlmittel vorgesehen. Das Kühlmittel wird mit einer im Steuergerät 10 bekannten Strömungsgeschwindigkeit durch die Kühlmittelkanäle 24 geleitet.
Das Steuergerät 10 ist weiterhin ausgebildet, ein Temperaturmodell in Echtzeit zu betreiben, um stets eine Angabe über die Komponententemperatur, z.B. die Temperatur des Rotors 22, zur Verfügung zu haben. Die Komponententemperatur wird überwacht, und eine Drehmomentenbegrenzung bzw. Leistungsbegrenzung kann aktiviert werden, wenn die Komponententemperatur einen Schwellenwert erreicht hat oder übersteigt. Alternativ kann die Drehmomentenbegrenzung auch abhängig von einem Drehmomentenschwellenwert, der von der Komponententemperatur abhängig ist, erreicht werden. Alternativ kann abhängig von der Komponententemperatur eine Begrenzung des maximalen Phasenstroms vorgesehen werden.
Die Überwachung der Komponententemperatur eines Elektromotors ist notwendig, da eine Überhitzung von Komponenten des Elektromotors 2 vermieden werden soll.
Da die Temperatur einer Komponente des Elektromotors 2 nur schwer zu messen ist, insbesondere die Temperatur eines Rotors, werden bislang physikalische Modelle verwendet, um diese Temperatur zu modellieren.
Das allgemeine Modell sieht als Terme die Wärmeentwicklung der Wärmequelle und die Wärmeabführung zwischen Komponenten und zwischen einer Komponente und der Umgebung bzw. dem Kühlmittel vor.
Im Folgenden wird das erfindungsgemäße Verfahren zur Bestimmung der Komponententemperatur am Beispiel der Bestimmung einer Rotortemperatur einer elektrischen Maschine beschrieben.
Ein physikalisches Modell zur Bestimmung der Rotortemperatur basiert auf einer Differentialgleichung, die einen Temperaturgradienten der Rotortemperatur auf einer Wärmeenergiebilanz abbildet, entsprechend nachstehender Formel:
Figure imgf000011_0001
wobei cp die spezifische Wärmekapazität des Rotors, Ploss die thermische Verlustleistung, gstator den Wärmeübergangskoeffizienten zwischen Rotor und Stator, n den Wärmeübergangskoeffizienten zwischen Stator und Kühlmittel, coolant xmech, mechanische Betriebsgrößen und xel elektrische Betriebsgrößen angeben. Da die Terme der obigen Differentialgleichung aufgrund mangelnden Verständnisses nur ungenau modellierbar sind, wird vorgeschlagen, ein oder mehrere dieser Terme durch eine jeweilige neuronale Differentialgleichung zu ersetzen, die basierend auf Messungen parametrierbar sind. Im Folgenden wird von einem Temperaturbestimmungsmodell ausgegangen, bei dem mindestens einer der Summenterme der obigen Differentialgleichung durch neuronale Differentialgleichungen ersetzt werden. Dies ist als Beispiel in dem Blockdiagramm der Figur 2 dargestellt.
Die neuronalen Differentialgleichungen entsprechen Teilmodellen, die die Ausgangsgröße des betreffenden Terms Ploss, gstator, 0 modellieren. Die
Figure imgf000012_0001
Ausgangsgröße wird basierend auf einem neuronalen Netz kontinuierlich basierend auf mechanischen und elektrischen Zustandsgrößen xmecfl., xel gebildet.
Die elektrischen Zustandsgrößen xel können beispielsweise einen oder mehrere der folgenden Größen umfassen: die rotorfesten Phasenströme sowie der effektive Motorstrom, die rotorfesten Phasenspannungen, sowie eine DC-Linkspannung, d. h. die Versorgungsspannung, die Pulsweitenmodulationsfrequenz und das Tastverhältnis. Als mechanische Zustandsgrößen xmech, kann eine oder mehrere der folgenden Größen vorgesehen sein: eine Motordrehzahl, ein bereitgestelltes Drehmoment des Elektromotors, eine Umgebungstemperatur und eine Getriebetemperatur angegeben werden. Es ergibt sich eine Modellgleichung, bei der die Terme der Differentialgleichung durch neuronale Differentialgleichungen NN ersetzt sind, wie folgt:
Figure imgf000012_0002
Die Architektur der verwendeten neuronalen Netze können die physikalischen Beschränkungen des Systems respektieren. Da beispielsweise Verlustleistung und Wärmeübergangskoeffizienten nicht kleiner als 0 werden können, kann in einer letzten Schicht der jeweiligen neuronalen Differentialgleichung die Softplus- Funktion verwendet werden (%) = Zn(l + ex) die als Ausgangsfunktion im neuronalen Netz sicherstellt, dass die Ausgänge aller neuronalen Netze größer als 0 sind.
Im Detail sieht das in Figur 2 gezeigte Temperaturbestimmungsmodell 30 einen Verlustleistungsblock 31 , einen ersten Wärmeübergangskoeffizientenblock 32 und einen zweiten Wärmeübergangskoeffizientenblock 33 vor.
Der Verlustleistungsblock 31 ermittelt die thermische Verlustleistung Ploss entsprechend der elektrischen und mechanischen Zustandsgrößen xel, xmech mithilfe einer entsprechenden neuronalen Differentialgleichung. Als weitere Eingangsgröße erhält die neuronale Differentialgleichung die aktuelle Rotortemperatur Trotor(t).
Der erste Wärmeübergangskoeffizientenblock 32 ermittelt den Wärmeübergangskoeffizienten gstator zwischen Rotor und Stator, der in einem ersten Multiplikationsblock 34 mit einer in einem ersten Subtraktionsblock 35 gebildeten Differenz aus der Statortemperatur Tstator und der im vorherigen Zeitschrift ermittelten Rotortemperatur Trotor(t) multipliziert wird.
In dem zweiten Wärmeübergangskoffizientenblock 33 wird der Wärmeübergangskoffizient 0 zwischen Rotor und Kühlmittel bestimmt, wobei
Figure imgf000013_0001
als weitere Eingangsgröße neben den mechanischen Zustandsgrößen xmecfl., wie beispielsweise der Drehzahl, auch die Strömungsgeschwindigkeit VCOoiant des Kühlmittels durch die Kühlmittelkanäle berücksichtigt werden kann.
Der zweite Wärmeübergangskoeffizient wird in einem zweiten
Figure imgf000013_0002
Multiplikationsblock 36 mit einer in einem zweiten Subtraktionsblock 37 ermittelten Differenz zwischen der Kühlmitteltemperatur Tcoolant und der zuvor ermittelten Rotortemperatur Trotor(t) multipliziert. Die sich so ergebenden Ausgangswerte des Verlustleistungsblocks 31 und des ersten und des zweiten Multiplikationsblocks 34, 36 werden in einem Summationsblock 38 summiert und in einem Umrechnungsblock 39 mit dem Kehrwert der spezifischen Wärmekapazität cp des Rotors 22 multipliziert. Durch Integration des Ergebnisses in einem Integrationsblock 40 erhält man die Rotortemperatur Trotor{t) für den betreffenden Zeitschrift.
Für jeden Typ des Elektromotors kann ein entsprechendes Temperaturbestimmungsmodell trainiert werden. Dazu werden in einer Applikationsphase durch Prüfstandsmessungen Zeitreihen von Betriebsgrößen den entsprechenden Zeitreihen von gemessenen Rotortemperaturen als Labels zugeordnet, wobei diese unter verschiedenen Last- und Umgebungsbedingungen ermittelt werden. So erhält man Trainingsdatensätze für das Training der neuronalen Differentialgleichungen Für das Training des Temperaturbestimmungsmodells werden die benötigten Gradienten der Rotortemperatur bezüglich der Modellparameter der Teilmodelle, von denen eines oder mehrere als neuronale Differentialgleichungen ausgebildet sein können, mithilfe eines in der Literatur bekannten Interpolated-Adjoint-Verfahrens berechnet, wie aus Talgat Daulbaev et al., „Interpolated Adjoint Method for Neural ODEs“ (2020), ArXiv, abs/2003.05271 bekannt.
Die Berechnung der Kostenfunktion im Training eines neuronalen Differentialgleichungsmodells beinhaltet entsprechend der Publikation T. Q. Chen, Y. Rubanova, J. Bettencourt, and D. K. Duvenaud, “Neural ordinary differential equations,” in Advances in neural information processing systems, 2018, pp. 6571-6583, eine numerische Integration der Differentialgleichungen. Gradienten dieser Kostenfunktion bezüglich der Modellparameter der neuronalen Netze können mithilfe der adjunkten Sensitivitätsmethode berechnet werden. Hierbei definiert man einen adjunkten Zustand a(t) = (t). wobei L(-) die Kostenfunktion
Figure imgf000014_0001
ist und x der Zustand der neuronalen Differentialgleichung. Die adjunkten Zustandsvariablen bezeichnen daher die Sensitivität der Kostenfunktion bezüglich des Zustands der neuronalen Differentialgleichung. Die zeitliche Dynamik der adjunkten Zustände kann durch die Kettenregel bestimmt werden und lautet
Figure imgf000014_0002
Hier ist f x t), t, 0) die Dynamikfunktion der neuronalen Differentialgleichung, wobei 0 die Parameter der enthaltenen neuronalen Netze sind. Die Dynamik des adjunkten Zustands ist mit der Dynamik des Zustands x(t) gekoppelt, weshalb %(t) zur numerischen Integration von a(t)x(t)benötigt wird. Die Ableitung der Kostenfunktion bezüglich der Modellparameter 0 erfolgt durch die Berechnung eines dritten Integrals
Figure imgf000015_0001
Die numerischen Integrationen zur Berechnung von x(t), a(t) und (x(t), t, 0)
Figure imgf000015_0002
können gleichzeitig durch denselben numerischen Integrator berechnet werden.
Das Training erfolgt, insbesondere bei mehreren neuronalen Differentialgleichungen durch Berechnung der einzelnen Gradienten mithilfe automatischer Differenzierung mit dem Backpropagation (dt. Fehlerrückführung) Algorithmus. D.h. Gradienten bzgl. der rechten Seite der Differentialgleichung werden mithilfe des adjunkten Sensitivitätsverfahrens mit oben genannter Interpolationsmethode (engl. interpolated adjoint sensitivities) berechnet. Dieser Gradient wird dann mithilfe des Standardalgorithmus Backpropagation zu Gradienten für die einzelnen neuronalen Netze verfeinert.
Das Training der Teilmodelle kann durch Bereitstellen von künstlich verrauschten Trainingsdatensätzen verbessert werden. Dabei werden die Trainingsdatensätze durch das systematische Entwirren von Rauschanteilen zu den Labels und den Zustandsgrößen modifiziert. Diese Methode gewährleistet die Robustheit und die Rauschtoleranz der Teilmodelle in dem Temperaturbestimmungsmodell.
Weiterhin können Plausibilisierungsfunktionen verwendet werden, mit denen die Eingangsgrößen auf Fehler überprüft werden können. Diese Plausibilisierung kann einerseits überprüfen, ob der Wert der entsprechenden Größe innerhalb eines physikalisch validen Bereichs liegt. Alternativ können die Eingangsgrößen auch mithilfe von datenbasierten Modellen auf Anomalien überprüft werden. Im Falle eines Ausfalls einer Eingangsgröße, die aufgrund einer erkannten Anomalie nicht in dem Temperaturbestimmungsmodell eingangsseitig bereitgestellt werden darf, kann dem Temperaturbestimmungsmodell der zuletzt plausible Wert der betroffenen Eingangsgröße bereitgestellt werden, um zumindest eine Wort-Case- Prädiktion der Rotortemperatur bereitzustellen, um so den Bauteilschutz zu gewährleisten. Weiterhin kann die Robustheit der Verwendung des Temperaturbestimmungsmodells für die Bauteilschutzfunktion gewährleistet werden, wenn die modellierte Rotortemperatur auf eine maximal mögliche Rotortemperatur begrenzt wird. Die Begrenzung ist so zu wählen, dass maximales Derating noch möglich ist.
Für die Ermittlung einer akkuraten Rotortemperatur ist es notwendig, zu Beginn der Modellierung einen Initialwert für die Rotortemperatur bereitzustellen. Dieser kann beispielsweise über eine Abkühlkurve bestimmt werden. Dafür werden beim Abschalten des Steuergeräts der Abschaltzeitpunkt und der letzte Temperaturwert des thermischen Modells abgespeichert. Beim Einschalten des Steuergeräts wird über die Zeitdauer zwischen Abschaltung und Einschaltung der Temperaturunterschied bestimmt, der sich anhand des Abkühlverhaltens mithilfe eines physikalischen oder eines datenbasierten Abkühlungsmodells ergibt.

Claims

Ansprüche
1. Verfahren zum Betreiben eines Elektromotors (2) und zum Bestimmen einer Komponententemperatur (Trotor) einer Komponente (21 , 22) des Elektromotors (2), mit folgenden Schritten:
Bereitstellen einer oder mehrerer Betriebsgrößen, die den Betrieb des Elektromotors (2) charakterisieren, in aufeinanderfolgenden Zeitschriften;
Bereitstellen eines Temperaturbestimmungsmodells, das einem Differentialgleichungsmodell basierend auf einer Wärmeenergiebilanz entspricht und mehrere Summenterme aufweist, die eine oder mehrere Wärmequellen und eine oder mehrere Wärmeableitungen definieren, Auswerten des Temperaturbestimmungsmodells mit der einen oder den mehreren Betriebsgrößen in jedem Zeitschrift, um die Komponententemperatur (Trotor) zu erhalten, wobei mindestens einer der Summenterme durch eine neuronale Differentialgleichung modelliert ist.
2. Verfahren nach Anspruch 1 , wobei die Betriebsgrößen eine oder mehrere der folgenden elektrische Zustandsgrößen umfassen: rotorfeste Phasenströme, ein effektiver Motorstrom, eine oder mehrere rotorfeste Phasenspannungen, sowie eine DC-Linkspannung, eine Pulsweitenmodulationsfrequenz und ein Tastverhältnis, wobei die Betriebsgrößen eine oder mehrere der folgenden mechanische Zustandsgrößen umfassen: eine Motordrehzahl, ein bereitgestelltes Drehmoment des Elektromotors, eine Umgebungstemperatur und eine Getriebetemperatur.
3. Verfahren nach Anspruch 1 oder 2, wobei mindestens einer der durch die neuronale Differentialgleichung modellierter Summenterm in einer letzten Schicht der neuronalen Differentialgleichung eine Softplusfunktion aufweist, um mathematisch sicher einen positiven Ausgangswert als Ergebnis der Berechnung auszugeben. Verfahren nach einem der Ansprüche 1 bis 3, wobei als
Komponententemperatur eine Rotortemperatur (Trotor) ermittelt wird, wobei die Summenterme eine elektrische Verlustleistung (P;oss), einen Wärmeübergang (gstator) zwischen einem Rotor (22) und einem Stator (21) des Elektromotors (2) und einen Wärmeübergang zwischen dem Rotor (22) und einem
Figure imgf000018_0001
Kühlmittel oder einer Umgebung angeben. Verfahren nach einem der Ansprüche 1 bis 4, wobei das Temperaturbestimmungsmodell eine Integration eines Temperaturgradienten oder einer Temperaturänderung bezogen auf den aktuellen Zeitschrift umfasst. Verfahren zum Training eines datenbasierten Modells für ein
Temperaturbestimmungsmodell zur Bestimmung einer Komponententemperatur (Trotor) eines Elektromotors (2), wobei Trainingsdatensätze generiert werden, wobei jeder Trainingsdatensatz einen Eingangsgrößensatz einer entsprechenden
Komponententemperaturinformation zuordnet, wobei der Eingangsgrößensatz aus Verläufen der einen oder den mehreren Betriebsgrößen generiert wird und wobei die Komponententemperatur (Trotor) durch Messung erhalten wird, wobei das Training mit einem Backpropagation-Verfahren basierend auf Interpolated Adjoints durchgeführt wird. Vorrichtung zum Betreiben eines Elektromotors (2) und zum Bestimmen einer Komponententemperatur (Trotor) einer Komponente (21 , 22) des Elektromotors (2), wobei die Vorrichtung ausgebildet ist zum:
Bereitstellen einer oder mehrerer Betriebsgrößen, die den Betrieb des Elektromotors (2) charakterisieren, in aufeinanderfolgenden Zeitschriften;
Bereitstellen eines Temperaturbestimmungsmodells, das einem Differentialgleichungsmodell basierend auf einer Wärmeenergiebilanz entspricht und mehrere Summenterme aufweist, die eine oder mehrere Wärmequellen und eine oder mehrere Wärmeableitungen definieren, wobei mindestens einer der Summenterme durch eine neuronale Differentialgleichung modelliert ist; 17
Auswerten des Temperaturbestimmungsmodells mit der einen oder den mehreren Betriebsgrößen in jedem Zeitschritt, um die Komponententemperatur (Trotor) zu erhalten. Computerprogrammprodukt umfassend Befehle, die bei der Ausführung des Programms durch mindestens eine Datenverarbeitungseinrichtung diese veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 6 auszuführen. Maschinenlesbares Speichermedium, umfassend Befehle, die bei der Ausführung durch mindestens eine Datenverarbeitungseinrichtung diese veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 6 auszuführen.
PCT/EP2022/079571 2021-12-16 2022-10-24 Verfahren und vorrichtung zum ermitteln einer temperatur in einer komponente eines elektromotors für ein elektrisches antriebssystem mithilfe maschineller lernverfahren WO2023110204A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021214517.5 2021-12-16
DE102021214517.5A DE102021214517A1 (de) 2021-12-16 2021-12-16 Verfahren und Vorrichtung zum Ermitteln einer Temperatur in einer Komponente eines Elektromotors für ein elektrisches Antriebssystem mithilfe maschineller Lernverfahren

Publications (1)

Publication Number Publication Date
WO2023110204A1 true WO2023110204A1 (de) 2023-06-22

Family

ID=84360173

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/079571 WO2023110204A1 (de) 2021-12-16 2022-10-24 Verfahren und vorrichtung zum ermitteln einer temperatur in einer komponente eines elektromotors für ein elektrisches antriebssystem mithilfe maschineller lernverfahren

Country Status (2)

Country Link
DE (1) DE102021214517A1 (de)
WO (1) WO2023110204A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022124901B3 (de) 2022-09-28 2024-03-07 Schaeffler Technologies AG & Co. KG Verfahren zum Betrieb einer Fahrzeugvorrichtung und Fahrzeugvorrichtung
CN117277917B (zh) * 2023-11-21 2024-01-26 潍坊顺宝电机有限公司 一种高速磁悬浮永磁电机的温度监控方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
GEDLU EMEBET GEBEYEHU ET AL: "Temperature estimation of electric machines using a hybrid model of feed-forward neural and low-order lumped-parameter thermal networks", 2021 IEEE INTERNATIONAL ELECTRIC MACHINES & DRIVES CONFERENCE (IEMDC), IEEE, 17 May 2021 (2021-05-17), pages 1 - 8, XP033926702, DOI: 10.1109/IEMDC47953.2021.9449548 *
IBRAHIM AYED ET AL: "Learning Dynamical Systems from Partial Observations", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 26 February 2019 (2019-02-26), XP081034843 *
LEGAARD CHRISTIAN MØLDRUP ET AL: "Constructing Neural Network-Based Models for Simulating Dynamical Systems", ACM COMPUT. SURV, 2 November 2021 (2021-11-02), XP055895490, Retrieved from the Internet <URL:https://arxiv.org/pdf/2111.01495.pdf> [retrieved on 20220225], DOI: 10.1145/1122445.1122456 *
T. Q. CHENY. RUBANOVAJ. BETTENCOURTD. K. DUVENAUD: "Neural ordinary differential equations", ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS, 2018, pages 6571 - 6583
TALGAT DAULBAEV ET AL.: "Interpolated Adjoint Method for Neural ODEs", ARXIV, ABS/2003.05271, 2020
TALGAT DAULBAEV ET AL: "Interpolated Adjoint Method for Neural ODEs", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 11 March 2020 (2020-03-11), XP081619475 *
WILHELM KIRCHG\"ASSNER ET AL: "Thermal Neural Networks: Lumped-Parameter Thermal Modeling With State-Space Machine Learning", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 8 April 2021 (2021-04-08), XP081930713 *

Also Published As

Publication number Publication date
DE102021214517A1 (de) 2023-06-22

Similar Documents

Publication Publication Date Title
WO2023110204A1 (de) Verfahren und vorrichtung zum ermitteln einer temperatur in einer komponente eines elektromotors für ein elektrisches antriebssystem mithilfe maschineller lernverfahren
DE102016010049B4 (de) Vorrichtung für maschinelles Lernen und Verfahren zum Lernen einer vorhergesagten Lebensdauer eines Motors, Lebensdauer-Vorhersagevorrichtung und Motorsystem mit einer Vorrichtung für maschinelles Lernen
EP2948785B1 (de) Verfahren zur ermittlung eines regelungstechnischen beobachters für den soc
DE102015109327A1 (de) Schätzungen von Batteriestromgrenzen auf Basis von Ersatzschaltungen
AT521643A1 (de) Verfahren und Batteriemanagementsystem zum Ermitteln eines Gesundheitszustandes einer Sekundärbatterie
WO2022100924A1 (de) Vorrichtung und verfahren zum bestimmen von hotspot-temperaturen eines rotors und eines stators
DE102019126244A1 (de) System und Verfahren zur Kalibrierung einer Steuereinheit eines Elektromotors zur Bestimmung von Kenngrößen des Elektromotors
DE102020215124A1 (de) Verfahren zum Betreiben einer elektrischen Maschine
DE102019101163B3 (de) Elektrische Antriebseinheit und Verfahren zur Temperaturberechnung in einer elektrischen Antriebseinheit
WO2022100932A1 (de) Vorrichtung und verfahren zum bestimmen einer temperatur eines rotors
DE102015109282A1 (de) System und Verfahren zum Batteriemanagement
DE102015226076A1 (de) Verfahren und Vorrichtung zum Bestimmen einer Temperatur einer Komponente in einem mechatronischem System
EP4057502A1 (de) System und verfahren zum schätzen der motortemperatur eines motors
DE102021131083A1 (de) Diagnose eines zustands einer eingangsenergie für eine elektrische servolenkung
AT508307B1 (de) Verfahren zur bestimmung eines zustands von zellen einer energiespeichervorrichtung
WO2023006296A1 (de) Verfahren und vorrichtung zum ermitteln einer hotspot-temperatur in einer komponente eines elektromotors für ein elektrisches antriebssystem
DE102010038017B4 (de) Verfahren zur Bestimmung des maximal möglichen Stromflusses einer Batterie durch ein Steuergerät sowie Steuergerät
DE102019134113A1 (de) Datensortiervorrichtung und datensortierverfahren und überwachungs- und diagnosevorrichtung
AT521666B1 (de) Verfahren und Vorrichtung zur Kompensation von Störgrößen
DE102021115103B3 (de) Verfahren, Vorrichtung, Fahrzeug und Computerprogramm zum Modellieren und Überwachen eines Aufheizverhaltens eines Fahrzeugbauteils
DE102021214526A1 (de) Verfahren und Vorrichtung zum Plausibilisieren einer Temperatur in einer Komponente einer elektrischen Maschine in einem technischen System
DE102022203727A1 (de) Verfahren und Vorrichtung zum Bestimmen von Temperaturen in einer elektrischen Maschine
EP1650538A1 (de) Verfahren zur Bestimmung der Betriebstemperatur von elektrischen Bauteilen
DE102019115739A1 (de) Verfahren zur Bestimmung einer Energieverteilung
DE102022120965A1 (de) Verfahren zum vorhersagen der rotortemperatur für einen elektromotor

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22808790

Country of ref document: EP

Kind code of ref document: A1