[논문 리뷰] Data Set Description: Identifying the Physics Behind an Electric Motor -- Data-Driven Learning of the Electrical Behavior (Part I)

Sören Hanke, Oliver Wallscheid외 1명|arXiv (Cornell University)|2020. 03. 16.

Computational Physics and Python Applications인용 수 4

한 줄 요약

이 논문은 전기 자동차의 인버터-모터 시스템의 전기적 거동에 대한 데이터 기반 모델링을 가능하게 하기 위해 4000만 건의 측정 데이터로 구성된 고해상도 데이터 세트를 제시한다. 모델 예측 제어 원리를 활용하여, 스위칭 상태, 로터 위치 및 이전 벡터 상태를 활용해 d-축 및 q-축 전류를 높은 정확도로 예측할 수 있는 기계학습 모델을 훈련시킬 수 있음을 입증한다. 이는 경량 드라이브트레인에서 정밀한 토크 제어와 효율 향상을 가능하게 한다.

ABSTRACT

Two of the most important aspects of electric vehicles are their efficiency or achievable range. In order to achieve high efficiency and thus a long range, it is essential to avoid over-dimensioning the drive train. Therefore, the drive train has to be kept as lightweight as possible while at the same time being utilized to the best possible extent. This can only be achieved if the dynamic behavior of the drive train is accurately known by the controller. The task of the controller is to achieve a desired torque at the wheels of the car by controlling the currents of the electric motor. With machine learning modeling techniques, accurate models describing the behavior can be extracted from measurement data and then used by the controller. For the comparison of the different modeling approaches, a data set consisting of about 40 million data points was recorded at a test bench for electric drive trains. The data set is published on Kaggle, an online community of data scientists.

연구 동기 및 목표

• 전기 자동차에서 토크 제어를 향상시키기 위해 전기 모터-인버터 시스템의 전기적 거동에 대한 정확한 데이터 기반 모델을 개발하기 위해.
• 자기 포화 및 인버터 스위칭 효과와 같은 비선형 동역학을 정확히 포착하여 경량화되고 고효율인 드라이브트레인 설계를 가능하게 하기 위해.
• 기계학습 모델 훈련 및 벤치마킹을 위한 포괄적인 공개 데이터 세트를 제공하기 위해.
• 최적의 예측 정확도를 확보하기 위해 단일 모델, 벡터별 모델, 전이 기반 모델과 같은 다양한 모델링 전략을 탐색하기 위해.

제안 방법

• 57kW 내부 영구자석 동기 모터(IPMSM)와 2레벨 IGBT 인버터를 탑재한 시험 벤치에서, dSPACE 컨트롤러와 고대역폭 측정 장치를 사용하여 데이터 세트를 수집하였다.
• 측정 데이터에는 4000만 건의 샘플 동안 d-축 및 q-축 전류, 로터 위치, 직류 전압, 인버터의 스위칭 상태가 포함되어 있다.
• 세 가지 모델링 변형이 정의되었다: (A) 벡터 인덱스를 입력으로 사용하는 단일 모델; (B) 각 벡터별로 별도의 모델; (C) 이전 및 현재 벡터 간 전이에 기반한 모델.
• 모델 평가를 위한 비용 함수는 예측된 d-축 및 q-축 전류의 편차에 대한 예측 수평선 동안의 제곱근 평균 제곱오차(RMSE)이다.
• 시스템은 일정한 직류 전압, 회전 속도 및 모터 온도를 가정하며, 향후에는 이 변수들을 포함하는 확장 계획이 수립되어 있다.
• 데이터 세트는 카글(Kaggle)에 게시되어 있으며, 전기 자동차에서 실시간 토크 제어를 위한 기계학습 모델 훈련 및 평가를 목적으로 한다.

실험 결과

연구 질문

• RQ1 다양한 스위칭 상태와 로터 위치 조건에서 기계학습 모델이 전기 모터-인버터 시스템의 d-축 및 q-축 전류 반응을 얼마나 정확하게 예측할 수 있는가?
• RQ2 모델 예측 제어(MPC) 프레임워크에서 예측 오차를 최소화하기 위해 최적의 입력 표현 방식(예: 단일 모델, 벡터별 모델, 전이 기반 모델)은 무엇인가?
• RQ3 이전 스위칭 벡터를 입력으로 포함함으로써 모델 정확도가 향상되어 인버터 사전 시간(dead-time) 및 상호 블로킹 효과와 같은 일시적 영향을 더 잘 포착할 수 있는가?
• RQ4 하나의 통합 모델이 모든 운전 조건에서 모터-인버터 시스템의 비선형 거동을 효과적으로 포괄할 수 있는가?
• RQ5 데이터 분포 및 샘플링 전략이 학습된 모델의 일반화 능력과 강건성에 어떤 영향을 미치는가?

주요 결과

• 데이터 세트는 일정한 직류 전압, 속도 및 온도 조건에서 수집된 약 4000만 건의 측정 포인트를 포함한다.
• 전류 예측 모델의 주요 평가 지표로 제곱근 평균 제곱오차(RMSE)가 사용되며, 낮은 값일수록 모델 정확도가 높음을 의미한다.
• 이전 스위칭 벡터(n_{k-1})를 입력으로 포함함으로써 스위칭 일시적 현상 및 비이상적인 인버터 영향을 포착함으로써 모델 성능이 향상된다.
• 49개의 모델를 (n_{k-1}, n_k) 쌍당 적용하는 전이 기반 모델링 방식(Variant C)이 동적 거동을 가장 세밀하게 표현한다.
• 데이터 세트는 카글에 공개되어 있으며, 실시간 전기 드라이브 제어를 위한 기계학습 모델 훈련 및 벤치마킹을 지원하도록 설계되어 있다.
• 향후 확장에 따라 직류 전압, 속도 및 온도를 변수로 포함하는 것이 가능하도록 프레임워크가 확장 가능하다.