Denna avhandling undersöker tillämpningen av maskininlärningstekniker för att förutsäga rotortemperatur i induktionsmotorer, en avgörande parameter för att förbättra säkerheten, effektiviteten och livslängden hos elektriska maskiner. Den fokuserar på utveckling, träning och utvärdering av tre neurala nätverksmodeller: Multilayer Perceptron (MLP), Thermal Neural Networks (TNN) och 1-D Convolutional Neural Network (1-D CNN). Dessa modeller bedöms för deras förmåga att förutsäga rotortemperatur med hjälp av mätbara ingångar som rotorfart, slipfart, ström, spänning och kylförhållanden, både med och utan statortemperaturmätningar.
Experimentella resultat visar att TNN-modellen, som införlivar värmeöverföringsprinciper, överträffar andra modeller när det gäller noggrannhet och tillförlitlighet. Analysen baseras på en omfattande datamängd bestående av 2 876 126 datapunkter som samlats in under cirka 82 timmar, och som täcker olika operativa scenarier representerade av 87 profil-ID:n. Modellerna tränades på rotortemperaturer som varierade från 21,6°C till 259,6°C, där 20°C representerar rumstemperatur vid tomgång och 250°C rotorens kritiska tröskel.
Resultaten tyder på att maskininlärningsmodeller erbjuder ett mer anpassningsbart och precist tillvägagångssätt för temperaturberäkning i elektriska motorer, med betydande potential att förbättra driftseffektiviteten och säkerhetsprotokollen inom fordons- och industrisektorerna. TNN-modellen var särskilt effektiv och uppnådde medelkvadratiska fel på 4,2 respektive 23,3 i två olika normala körscenarier. Dessutom förbättrade inkluderandet av motorkåpans temperaturdata, både inuti och utanför, avsevärt noggrannheten i rotortemperaturprognoserna, vilket potentiellt minskar kostnaderna genom att eliminera behovet av statortemperatursensorer.
Datainsamling och förbehandling utfördes i samarbete med Volvo Cars. Inkluderingen av motorkåpans temperatur förbättrade avsevärt noggrannheten i rotortemperaturberäkningarna, vilket tyder på kostnadsbesparingar genom att eliminera behovet av statortemperatursensorer. Denna forskning belyser överlägsenheten hos ML-modeller jämfört med deterministiska modeller för att förutsäga EM-temperatur, vilket förbättrar säkerhet, effektivitet och tillförlitlighet. TNN-modellens mångsidighet under olika körförhållanden lägger grunden för framtida ML-integration i realtids motorstyrsystem.
Denna forskning visar överlägsenheten hos maskininlärningsmodeller jämfört med deterministiska modeller för att förutsäga induktionsmotortemperatur, vilket förbättrar säkerhet, effektivitet och tillförlitlighet. TNN-modellens förmåga att exakt förutsäga rotortemperatur under olika förhållanden lyfter fram potentialen för att integrera maskininlärning i realtids motorstyrsystem, och banar väg för framtida framsteg inom detta område.