[논문 리뷰] Global Attention-based Encoder-Decoder LSTM Model for Temperature Prediction of Permanent Magnet Synchronous Motors

Jun Li, Thangarajah Akilan|arXiv (Cornell University)|2022. 07. 30.

Electric Motor Design and Analysis인용 수 7

한 줄 요약

이 논문은 외부에서 측정 가능한 입력(전류, 전압, 속도 등)을 사용하여 영구자석 동기 모터(PMSM)의 내부 온도를 예측하기 위해 글로벌 어텐션 기반 인코더-디코더 LSTM 모델을 제안한다. 이 모델은 상태기반의 MSE 1.72와 MAE 5.34를 달성하여, 기준 LSTMs 및 양방향 모델 대비 최대 56% 향상된 MSE 감소를 기록하며, 개선된 어텐션 기반 순서 정렬을 통해 성능을 향상시킨다.

ABSTRACT

Temperature monitoring is critical for electrical motors to determine if device protection measures should be executed. However, the complexity of the internal structure of Permanent Magnet Synchronous Motors (PMSM) makes the direct temperature measurement of the internal components difficult. This work pragmatically develops three deep learning models to estimate the PMSMs' internal temperature based on readily measurable external quantities. The proposed supervised learning models exploit Long Short-Term Memory (LSTM) modules, bidirectional LSTM, and attention mechanism to form encoder-decoder structures to predict simultaneously the temperatures of the stator winding, tooth, yoke, and permanent magnet. Experiments were conducted in an exhaustive manner on a benchmark dataset to verify the proposed models' performances. The comparative analysis shows that the proposed global attention-based encoder-decoder (EnDec) model provides a competitive overall performance of 1.72 Mean Squared Error (MSE) and 5.34 Mean Absolute Error (MAE).

연구 동기 및 목표

• 복잡한 내부 구조와 제한된 센서 배치로 인해 내부 PMSM 온도를 예측하는 데 도전하는 문제를 해결한다.
• 외부 전기적 및 기계적 입력만을 사용하여 스타터 권선, 톱, 암, 영구자석 온도를 추정하는 데이터 기반 딥 러닝 모델을 개발한다.
• 어텐션 메커니즘을 활용한 시퀀스 모델링을 통해 전통적 모델 대비 예측 정확도를 향상시킨다.
• 표준 LSTM, 양방향 LSTM, 글로벌 어텐션 기반 인코더-디코더 아키텍처를 포함한 모델 변종을 체계적으로 평가한다.
• 전기차 응용 분야에서 실시간 열 스트레스 예측에 있어 뛰어난 성능과 강건성을 입증한다.

제안 방법

• 시간 시리즈 입력(전압, 전류, 속도, 주변 및 냉각수 온도)을 다중목표 온도 출력으로 매핑하기 위해 시퀀스-투-시퀀스 인코더-디코더 LSTM 아키텍처를 설계한다.
• 전방 및 후방 시간 방향에서 장거리 의존성을 모두 포착하기 위해 양방향 인코더-디코더 LSTM을 구현한다.
• 현재 예측 단계에 대한 관련성을 기반으로 인코더 상태를 동적으로 가중치 부여하기 위해 디코더에 글로벌 어텐션 메커니즘을 통합한다.
• 52kW PMSM에서 임베디드 열전대와 dSPACE 데이터 수집 장치를 통해 확보한 벤치마크 데이터셋을 사용하여 모든 모델을 엔드 투 엔드로 훈련한다.
• 모든 목표 구성 요소에서 평가 지표로 평균 제곱오차(MSE)와 평균 절대오차(MAE)를 사용한다.
• 어텐션과 양방향 구조의 성능 및 추론 시간에 미치는 영향을 분리하기 위해 아블레이션 연구를 수행한다.

실험 결과

연구 질문

• RQ1 글로벌 어텐션 기반 인코더-디코더 LSTM 모델은 표준 및 양방향 LSTM 기준 모델 대비 여러 PMSM 구성 요소의 온도 예측 정확도를 향상시킬 수 있는가?
• RQ2 입력과 출력 신호 간에 예측 불가능한 시간 지연이 존재할 경우 어텐션 메커니즘이 예측 성능을 어떻게 향상시키는가?
• RQ3 양방향 인코딩과 어텐션 메커니즘을 추가할 경우 모델 복잡도, 추론 시간, 예측 정확도 간의 상충 관계는 어떠한가?
• RQ4 기존 최신 기술 모델인 TCN에 비해 제안된 모델은 다중목표 PMSM 온도 예측에서 얼마나 뛰어난 성능을 보이는가?
• RQ5 다양하고 비정상적인 열역학적 동역학을 가진 PMSM 구성 요소들 사이에서 어텐션 메커니즘이 강건성을 향상시키는가?

주요 결과

• 글로벌 어텐션 기반 인코더-디코더 LSTM은 테스트 세트에서 MSE 1.72와 MAE 5.34를 기록하여 가장 우수한 전반적 성능을 달성했다.
• 어떤 추가적인 파rameter 400개만 추가되었음에도 불구하고, 표준 인코더-디코더 LSTM 대비 어텐션 메커니즘이 MSE 기준 약 31% 향상된 정밀도를 제공했다.
• 양방향 LSTM 모델은 파라미터 수가 3배이고 배치당 추론 시간이 19ms이지만, MSE 3.94와 MAE 6.39로 성능이 열 劣화되었다.
• 제안된 모델은 양방향 LSTM 모델 대비 MSE를 56% 감소시키고 MAE를 16% 감소시켜, 어텐션 메커니즘이 양방향성보다 더 효과적임을 입증했다.
• 기존 연구에서 제안한 TCN 기반 모델 대비 MSE 기준 43% 이상, MAE 기준 15% 이상 향상되어 다중목표 PMSM 온도 예측 분야에서 새로운 최신 기술 기준을 수립했다.
• 어텐션 메커니즘은 입력과 출력 신호 간의 예측 불가능한 시간 지연을 효과적으로 처리하여, 모든 구성 요소에서 정렬 및 예측 정확도를 향상시켰다.