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

Sören Hanke, Oliver Wallscheid+1 more|arXiv (Cornell University)|Mar 16, 2020

Computational Physics and Python Applications被引用 4

一句话总结

本文提出一个包含4000万组测量数据的高保真数据集，用于实现电动汽车中逆变器-电机系统电气行为的数据驱动建模。基于模型预测控制（MPC）原理，本研究展示了如何通过利用开关状态、转子位置及先前矢量状态，训练机器学习模型以高精度预测d轴和q轴电流，从而实现精确的转矩控制并提升轻量化驱动系统的效率。

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.

研究动机与目标

• 开发电动机-逆变器系统电气行为的高精度数据驱动模型，以提升电动汽车中的转矩控制性能。
• 通过精确捕捉磁饱和和逆变器开关效应等非线性动态特性，实现轻量化、高效率驱动系统设计。
• 提供一个全面且公开可用的数据集，用于训练和基准测试电动驱动系统辨识中的机器学习模型。
• 探索不同的建模策略——单一模型、按矢量建模及基于过渡的建模——以在模型预测控制（MPC）框架中实现最优预测精度。

提出的方法

• 数据集采集自一台配备57千瓦内置式永磁同步电机（IPMSM）和两电平IGBT逆变器的试验台，采用dSPACE控制器和高带宽测量设备。
• 测量数据包括4000万组样本的d轴和q轴电流、转子位置、直流电压以及逆变器的开关状态。
• 定义了三种建模变体：(A) 以矢量索引作为输入的单一模型；(B) 每个矢量独立建模；(C) 基于前一矢量与当前矢量之间过渡的建模。
• 模型评估的成本函数为预测值与实际值在预测时域内d轴和q轴电流偏差的均方根误差（RMSE）。
• 系统假设直流电压、转速和电机温度恒定，未来计划扩展为包含这些变量。
• 数据集托管于Kaggle，旨在用于训练和评估电动汽车实时转矩控制中机器学习模型的性能。

实验结果

研究问题

• RQ1 在不同开关状态和转子位置下，机器学习模型对电动机-逆变器系统d轴和q轴电流响应的预测精度如何？
• RQ2 在模型预测控制中，何种输入表示方式（如单一模型、按矢量建模或基于过渡的建模）能最小化预测误差？
• RQ3 将前一开关矢量（n_{k-1}）作为输入，如何提升模型对逆变器死区效应和互锁等瞬态效应的捕捉能力？
• RQ4 单一统一模型能否有效捕捉电动机-逆变器系统在所有工况下的非线性行为？
• RQ5 数据分布和采样策略对所学模型泛化能力和鲁棒性有何影响？

主要发现

• 该数据集包含约4000万组测量点，在恒定直流电压、转速和温度条件下采集。
• 电流预测模型的评估主要采用均方根误差（RMSE），数值越低表示模型精度越高。
• 将前一开关矢量（n_{k-1}）作为输入可提升模型性能，有效捕捉开关瞬态及非理想逆变器效应。
• 基于过渡的建模方法（变体C）每对（n_{k-1}, n_k）使用49个模型，能最详细地表征动态行为。
• 该数据集已公开发布于Kaggle，旨在支持实时电动驱动控制中机器学习模型的训练与基准测试。
• 该框架具备可扩展性，未来可扩展支持变量直流电压、转速和温度。