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

Sören Hanke, Oliver Wallscheid외 1명|arXiv (Cornell University)|2020. 03. 13.

Model Reduction and Neural Networks참고 문헌 2인용 수 4

한 줄 요약

이 논문은 정의된 운전 범위 내에서 3상 PMSM과 2레벨 IGBT 인버터에서 수집한 4000만 건의 다차원 샘플을 포함하는 대규모 고해상도 데이터셋을 제시한다. 이는 전기적 거동에 대한 데이터 기반 모델링을 가능하게 한다. 일반 미분방정식, 최소 제곱법, 기계학습 기반의 방법을 제안하여 모델 예측 제어(MPC)에 적합한 정확한 모델을 추출하였으며, 운전점 간 데이터 분포가 균형을 이루는 것이 모델 일반화 능력과 제어 성능 향상에 크게 기여함을 입증하였다.

ABSTRACT

A data set was recorded to evaluate different methods for extracting mathematical models for a three-phase permanent magnet synchronous motor (PMSM) and a two-level IGBT inverter from measurement data. It consists of approximately 40 million multidimensional samples from a defined operating range of the drive. This document describes how to use the published data set \cite{Dataset} and how to extract models using introductory examples. The examples are based on known ordinary differential equations, the least squares method or on (deep) machine learning methods. The extracted models are used for the prediction of system states in a model predictive control (MPC) environment of the drive. In case of model deviations, the performance utilizing MPC remains below its potential. This is the case for state-of-the-art white-box models that are based only on nominal drive parameters and are valid in only limited operation regions. Moreover, many parasitic effects (e.g. from the feeding inverter) are normally not covered in white-box models. In order to achieve a high control performance, it is necessary to use models that cover the motor behavior in all operating points sufficiently well.

연구 동기 및 목표

• 실제 운전 조건에서 PMSM 및 IGBT 인버터의 전기적 거동을 모델링하기 위한 종합적인 데이터 기반 접근법을 개발하기 위해.
• 자기 포화, 커패시티브 커플링, 온도 의존성과 같은 비의도적 효과를 포착하지 못하는 화이트박스 모델의 한계를 해결하기 위해.
• 전체 운전 범위를 커버하는 정확하고 물리학에 기반한 모델을 구축하여 고성능 모델 예측 제어(MPC)를 가능하게 하기 위해.
• 기계학습 및 최소 제곱법 모델링에서 일반화 능력을 향상시키기 위해 운전점 간 훈련 데이터를 균형 잡는 방법을 제안하기 위해.
• 전기드라이브 분야의 데이터 기반 시스템 식별 기술 발전과 벤치마킹을 위해 공개 가능하고 철저히 문서화된 데이터셋을 제공하기 위해.

제안 방법

• 데이터셋은 정의된 전류, 전압, 속도 범위 내에서 고정된 DC 링크 전압 조건에서 PMSM 및 IGBT 인버터에서 수집한 4000만 건의 샘플로 구성되어 있다.
• 샘플에는 연속적인 시간 단위에서의 dq-전류, 로터 위치, 활성 전압 공간 벡터가 포함되어 있어 동적 시스템 모델링이 가능하다.
• 운전 범위는 그리드(10 A 단위로 id, iq; π/18 rad 단위로 ε_el)로 분할되어 각 클래스의 데이터 균형을 정의하기 위한 기준이 된다.
• 서브셋 기반 접근법을 통해 각 샘플이 특정 전압 벡터(기본 벡터)에 할당되며, 이는 각 벡터별 모델 학습을 가능하게 한다.
• 각 클래스에 목표 샘플 수(예: 48개)를 제한하여 데이터 균형을 확보함으로써 운전점 간 균일성 확보.
• 모델은 최소 제곱법 및 기계학습(예: 신경망)을 사용해 훈련되며, 비균일한 테스트 서브셋에서 성능이 검증된다.

실험 결과

연구 질문

• RQ1 기존 화이트박스 접근법에 비해 데이터 기반 모델링이 PMSM 및 인버터 모델의 정확도를 얼마나 향상시킬 수 있는가?
• RQ2 전기드라이브 시스템에서 최소 제곱법 및 기계학습 모델의 성능에 대해 비균형적인 데이터 분포가 미치는 영향은 무엇인가?
• RQ3 실제 측정 데이터에서 체계적으로 균형 잡힌 데이터셋을 구성할 수 있는가? 이는 전체 운전 범위에서의 모델 일반화 능력을 향상시키는 데 기여하는가?
• RQ4 데이터 기반 모델에 자성 포화, 커패시티브 커플링 등의 비의도적 효과를 포함시키면 MPC 성능에 어떤 영향을 미치는가?
• RQ5 일부 전압 벡터에 대해 훈련된 데이터 기반 모델이 전체 운전 범위로 일반화될 수 있는 정도는 어느 정도인가?

주요 결과

• 데이터셋은 정의된 운전 범위 내에서 PMSM 및 IGBT 인버터에서 수집한 약 4000만 건의 다차원 샘플을 포함한다.
• id 및 iq에 대해 10 A 단위, ε_el에 대해 π/18 rad 단위의 격자 기반 클래스 할당을 통해 각 전압 벡터 서브셋에 대해 16,956개의 유효 클래스가 확인되었다.
• 클래스당 48개 샘플을 목표로 설정했을 때, 유효 클래스의 99%가 목표 균형에 도달하여 최소 제곱법 및 신경망 모델의 고품질 훈련이 가능했다.
• DC 링크 전압과 운전 범위의 특성으로 인해 0 전압 벡터(v₁)가 자주 선택되어 각 클래스의 샘플 수가 높아졌다.
• 제안된 데이터 균형화 방법은 균형 잡힌 서브셋으로 훈련된 모델이 일반화 능력이 뛰어나지 않게 하여 모델-플랜트 불일치로 인한 MPC 성능 저하를 줄였다.
• 이 데이터셋은 카글(Kaggle)에서 공개되어 있어 전기드라이브 분야의 데이터 기반 모델링 기법에 대한 재현 가능한 벤치마킹이 가능하다.