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

Sören Hanke, Oliver Wallscheid+1 more|arXiv (Cornell University)|Mar 13, 2020

Model Reduction and Neural Networks参考文献 2被引用 4

一句话总结

本文提出一个大规模、高保真的数据集，包含从三相PMSM和两电平IGBT逆变器中采集的4000万组多维样本，覆盖特定工作范围，以支持电气行为的数据驱动建模。该研究提出基于常微分方程、最小二乘法和机器学习的方法，提取适用于模型预测控制的精确模型，表明在工作点之间实现均衡的数据分布可显著提升模型泛化能力与控制性能。

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.

研究动机与目标

• 开发一种全面的数据驱动方法，用于在真实工作条件下对PMSM和IGBT逆变器的电气行为进行建模。
• 解决白箱模型无法捕捉寄生效应（如磁饱和、电容耦合和温度依赖性）的局限性。
• 通过构建覆盖整个工作范围的精确、物理信息驱动的模型，实现高性能模型预测控制（MPC）。
• 提出一种在工作点之间平衡训练数据的方法，以提升机器学习和最小二乘法建模的泛化能力。
• 提供一个公开可用、文档齐全的数据集，用于电驱动系统中数据驱动系统辨识的基准测试与技术推进。

提出的方法

• 该数据集包含从PMSM和IGBT逆变器中采集的4000万组样本，记录范围覆盖特定的电流、电压和转速范围，且直流母线电压保持恒定。
• 样本包括连续时间步长下的dq轴电流、转子位置和有效电压空间矢量，支持动态系统建模。
• 工作范围被划分为网格（id和iq为10 A步长，ε_el为π/18 rad），以定义用于数据平衡的类别。
• 采用子集方法将每个样本分配至特定的电压矢量（基本矢量），实现按矢量的模型学习。
• 通过将每个类别限制在目标样本数（例如48个）内实现数据平衡，确保各工作点之间的同质性。
• 使用最小二乘法和机器学习（如神经网络）训练模型，并在非同质测试子集上验证性能。

实验结果

研究问题

• RQ1 与传统白箱方法相比，数据驱动建模在多大程度上能提升PMSM和逆变器模型的精度？
• RQ2 在电驱动系统中，不均衡的数据分布对最小二乘法和机器学习模型性能有何影响？
• RQ3 能否从实际测量数据中系统性地构建一个平衡的数据集，以提升在整个工作范围内模型的泛化能力？
• RQ4 在数据驱动模型中包含寄生效应（如磁饱和、电容耦合）对MPC性能有何影响？
• RQ5 在部分电压矢量上训练的数据驱动模型，能在多大程度上泛化至整个工作范围？

主要发现

• 该数据集包含约4000万组来自PMSM和IGBT逆变器的多维样本，覆盖特定工作范围。
• 通过基于网格的类别分配（id和iq为10 A步长，ε_el为π/18 rad），每个电压矢量子集识别出16,956个有效类别。
• 在每类别目标为48个样本的情况下，99%的有效类别达到了理想的平衡，从而支持最小二乘法和神经网络模型的高质量训练。
• 零电压矢量（v₁）因直流母线电压和工作范围的原因被频繁选择，导致该类别的样本数量更高。
• 所提出的数据显示平衡方法可确保在平衡子集上训练的模型具有良好泛化能力，从而减少因模型-实际系统失配导致的MPC性能损失。
• 该数据集已公开发布于Kaggle，支持电驱动系统中数据驱动建模技术的可重复基准测试。