用于确定电机中的温度的方法和设备技术

本发明专利技术涉及用于确定电机中的温度的方法和设备。用于确定电机的零件(3)的温度的方法包括下列步骤：提供多个受过训练的神经网络；提供对该电机的多个运行变量的当前测量；通过这些神经网络来处理运行变量；在时间上对神经网络的所输出的输出变量进行积分，并将经过积分的变量作为零件(3)的温度输出。分的变量作为零件(3)的温度输出。分的变量作为零件(3)的温度输出。

【技术实现步骤摘要】
用于确定电机中的温度的方法和设备


[0001]本专利技术涉及一种用于借助神经网络来确定电机的零件的温度的方法。本专利技术进一步涉及一种设备和一种计算机程序，所述设备和所述计算机程序设立为，执行所述方法。尤其是，本专利技术涉及在混合动力汽车、电动汽车或者燃料电池汽车中使用的电机。

技术介绍

[0002]对于尤其是在汽车领域中的电机，确定转子温度是特别重要的，以便避免转子磁体在过热以及由此衍生的后果、如例如过早降额(Derating)的情况下去磁。然而，借助温度传感器进行测量以检测转子温度变得困难。因而，电机的转子温度大多借助物理建模来确定。这也适用于定子。由于用物理传感器接近定子相对容易，所以已经常利用特定的硬件传感器来确定定子温度。这种解决方案由于与传感器的制造和安装相关联的成本而是不期望的。因而，为了通过虚拟传感器替代这些物理传感器，近来已作出许多努力，所述虚拟传感器也就是说是如下模型：该模型将机器的数个在其他方面供使用的测量数据映射到对定子温度的估计。
[0003]从未提前公开的DE 102020214228中，已知了示例性的用于确定转子温度的方法。
[0004]值得期望的是，可以对所使用的基于数据的用于转子/定子温度测量的模型在其稳定性方面进行评估，或者甚至可以保证基于数据的模型的稳定性，这对于保障而言是决定性的，所述模型大多是黑箱(Blackbox)模型。

技术实现思路

[0005]本专利技术的任务是，补偿在用于进行温度估计的模型的稳定性的陈述方面的不足。
[0006]具有独立权利要求1的特征的专利技术具有下列优点。首先，可以直接将物理基础知识包括在内，使得有创造力的混合模型关于其复杂性被减小。这也意味着，为了可靠地确定温度，较小的模型足够。当模型被用于嵌入式系统时，这种缩小可被证明为是极其重要的。
[0007]其次，有创造力的混合模型可靠地排除了数种物理上不可信的行为方式。尤其是，与统计学子模型的所学会的权重无关地，整个模型将决不预测：热量从较冷的物体流到较热的物体，通过功率损耗来冷却马达，或者马达的部件彼此隔离。
[0008]第三，有创造力的混合模型具有输入到状态稳定性(ISS，Input
‑
to
‑
State
‑
Stabilitaet)。实质上这意味着，针对所有时间点，到模型的有限输入通向有限的模型输出。在此足以说明，确保ISS对于保障模型是很有价值的。此外，常用的安全检查是费事的，如例如监控模型的输出或者为了证明稳定性而在大数目的使用周期内测试模型是费事的。
[0009]本专利技术的其他方面是并列权利要求的主题。有利的扩展方案是从属权利要求的主题。
[0010]努力完成该任务的可能性在于，应用热力学定律，以便推导出该系统的物理模型。如果应用热力学第一定律，则可以如下定义一般模型：
[0011](Gl.1)
[0012][0013]其中P
loss
是定子的功率损耗，并且g
c
和g
r
是定子到冷却剂的热导率(g
c
)和定子到转子(g
r
)的热导率。在此假设：定子只通过对流与转子和冷却剂相互作用。与其他物体的对流可以通过添加额外的对流项来考虑。
[0014]从如下内容出发：不但功率损耗而且热导率都根据马达的运行条件而变化。它们可以通过考虑马达的不同的电气和机械运行条件的函数适当地被建模，这些运行条件通过矢量给出：
[0015](Gl.2)
[0016]u
el，mech
＝[i
d
，i
q
，i
eff
,u
inv
,n，q
c
]，
[0017]其中n是旋转速度，q
c
是冷却剂质量流量，i
d
、i
q
是马达电流，i
eff
是有效马达电流，并且u
inv
是逆变器电压。优选地，该矢量也包括脉冲宽度调制频率f
pwm
。
[0018]尽管可以毫不费劲地制定该简单模型，但是证明为困难的是，给该模型配备有针对P
loss
、g
c
和g
r
的合适的函数。
[0019]在本专利技术的第一方面，基本上建议了一种用于如下模型的新架构：所述模型基于神经常微分方程(英语：neural ordinary differential equations，NODE)。
[0020]这种方案能够实现，借助一个或者多个参数模型(如例如神经网络)来定义常微分方程的右侧(英语，right
‑
hand
‑
side，RHS)，并训练这些模型。
[0021]在设计动态系统的混合模型时，通过自由组合神经网络和机械方程来详细说明微分方程的RHS的可能性提供了大的灵活性。为了使这一点可用于定子温度建模的本建模问题，可以借助神经网络来扩展(Gl.1)：
[0022](Gl.3)
[0023][0024]这里，已通过神经网络替代未知的函数P
loss
、g
c
和g
r
。在下文，要选择用于排除非物理行为的神经网络的架构。
[0025]关于功率损耗可以定义，每次机器处于静止，损耗就等于0：
[0026](Gl.4)
[0027]NN
loss
(u
el,mech
＝0)＝0。
[0028]此外，损耗决不应使机器冷却，也就是说
[0029](Gl.5)
[0030]NN
loss
(u
el,mech
)＞0。
[0031]基于Gl.4和Gl.5，针对NN
loss
，建议了：
[0032](Gl.6)
[0033]NN
loss
(u
el，mech
)＝relu(NN1(u
el，mech
)
‑
NN1(0))。
[0034]优选地，NN1是密集连接神经网络(英语densely connected neural network)。
[0035]已证实，可以如下地适配方程(Gl.6)，以便得到更精确的结果：
[0036]NN
loss
(u
el，mech
,T
s
，T
c
)＝||NN1(u
el，mech
，T
s
，T
c
)
‑
NN1(0，T
s
，T
c
)||，
[0037]其中T
s
、T
c
是定子温度和冷却剂温度。也就本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于确定电机的零件(3)的温度的方法，其包括下列步骤：提供多个受过训练的神经网络，其中第一神经网络设立为，确定所述零件(3)的功率损耗，其中第二神经网络设立为，确定所述零件(3)到冷却剂(5)的热导率，其中第三神经网络设立为，确定所述零件(3)到所述电机的相邻的其他零件(2)的热导率；提供对所述电机的多个运行变量的当前测量；通过所述神经网络来处理所述运行变量；在可预先给定的持续时间上对所述神经网络的所输出的输出变量进行积分；将经过积分的变量作为所述零件(3)的温度输出。2.根据权利要求1所述的方法，其中，所述第一神经网络设立为，针对任意运行变量输出大于等于零的输出变量，并且针对不表征所述电机的运行的运行变量输出等于零的输出变量。3.根据权利要求1或者2所述的方法，其中，所述第二神经网络和所述第三神经网络设立为，输出大于等于零的输出变量。4.根据权利要求3所述的方法，其中，ReLu或者绝对值函数被应用于所述第二神经网络和所述第三神经网络的所述所输...

【专利技术属性】
技术研发人员：D，
申请(专利权)人：罗伯特，
类型：发明
国别省市：