[论文解读] Global Attention-based Encoder-Decoder LSTM Model for Temperature Prediction of Permanent Magnet Synchronous Motors

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

Electric Motor Design and Analysis被引用 7

一句话总结

本文提出一种基于全局注意力机制的编码器-解码器LSTM模型，利用电流、电压、转速等外部可测输入，预测永磁同步电机（PMSM）内部温度。该模型在测试集上实现了1.72的均方误差（MSE）和5.34的平均绝对误差（MAE），相比基线LSTM模型和双向模型，MSE降低最高达56%，通过改进的注意力驱动序列对齐实现性能提升。

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).

研究动机与目标

• 解决由于复杂内部结构和传感器布置有限，难以准确预测PMSM内部温度的挑战。
• 开发数据驱动的深度学习模型，仅基于外部电气与机械输入，估计定子绕组、齿部、轭部及永磁体温度。
• 通过引入注意力机制进行序列建模，提升预测精度，超越传统模型。
• 系统性评估标准LSTM、双向LSTM及基于全局注意力机制的编码器-解码器架构等模型变体。
• 在电动汽车应用中，展示模型在实时热应力预测中的优越性能与鲁棒性。

提出的方法

• 设计一种序列到序列的编码器-解码器LSTM架构，将时间序列输入（电压、电流、转速、环境温度与冷却液温度）映射为多目标温度输出。
• 实现双向编码器-解码器LSTM，以捕捉时间序列在正向与反向两个方向上的长程依赖关系。
• 在解码器中集成全局注意力机制，根据当前预测步骤的相关性动态加权编码器状态。
• 使用从一台52 kW PMSM（内置热电偶）和dSPACE数据采集系统获取的基准数据集，对所有模型进行端到端训练。
• 在所有目标部件上，均采用均方误差（MSE）和平均绝对误差（MAE）作为评估指标。
• 开展消融实验，以分离分析注意力机制与双向结构对性能及推理时间的影响。

实验结果

研究问题

• RQ1 与标准LSTM和双向LSTM基线相比，基于全局注意力机制的编码器-解码器LSTM模型是否能在多个PMSM部件的温度预测中实现更优的预测精度？
• RQ2 当输入与输出信号之间存在不可预测的时间延迟时，注意力机制如何提升预测性能？
• RQ3 在引入双向编码与注意力机制时，模型复杂度、推理时间与预测精度之间的权衡关系如何？
• RQ4 与现有最先进模型（如TCN）相比，所提模型在多目标PMSM温度预测中的性能提升程度如何？
• RQ5 注意力机制是否能增强在PMSM各部件中存在异质性与非平稳热动力学特性下的鲁棒性？

主要发现

• 基于全局注意力机制的编码器-解码器LSTM在测试集上取得了最佳整体性能，MSE为1.72，MAE为5.34。
• 尽管仅增加400个参数，注意力机制使标准编码器-解码器LSTM的MSE预测精度提升了约31%。
• 尽管参数量为三倍且每批次推理时间增加19 ms，双向LSTM模型性能反而更差，其MSE为3.94，MAE为6.39。
• 与双向LSTM模型相比，所提模型实现了56%的MSE降低与16%的MAE降低，证明注意力机制在性能上优于双向结构。
• 与先前工作的TCN模型相比，该模型在MSE上降低超过43%，在MAE上降低超过15%，确立了多目标PMSM温度预测的新SOTA水平。
• 注意力机制有效应对了输入与输出信号间不可预测的时间延迟，提升了所有部件的对齐精度与预测准确性。