一种基于机理-数据混合驱动的电机定子温度场降阶方法与流程

本发明涉及电机设备数字孪生与智能运维领域，尤其是涉及一种基于机理-数据混合驱动的宽调速变频同步电机定子温度场降阶方法。

背景技术：

1、大型变频同步电动机作为水泵机组的核心驱动设备，在水利工程中应用极为广泛。鉴于水泵调水工况具有高度复杂性与动态多变性，主电机必须具备宽调速运行能力以适应负荷波动。该类型电机内部结构高度复杂，集成了定子铁芯、转子本体、励磁绕组及多层通风沟道等关键部件。传统的单点测温技术（如埋置于轴承或定子绕组中的热电阻）仅能捕捉局部离散的温度数据，难以重构电机内部连续的热分布特征，导致核心区域的“热点”位置及演化规律无法被精准捕捉。因此，构建高精度的主电机温度场与流场耦合模型，全面解析其内部热-流物理机制，是打破数字孪生主电机内部“黑箱”状态的核心路径。这一举措不仅为热/流场状态的实时可视化提供了理论支撑，更是实现电机全生命周期热安全监测与智能运维的关键所在。

2、针对主电机温度场孪生，目前常见的计算方法主要分为两大类，分别为理论方法和数据驱动方法。理论计算方法最常见的是有限元仿真（fem）。有限元仿真方法，计算误差小，细节丰富，但高度依赖建模参数，对流体仿真，存在计算成本高昂、缺乏普适性和泛化能力差等问题，轻量化困难。相对于理论计算方法，数据驱动方法刨除通风散热理论知识，只根据已有数据推导回归关系，对数据量需求大，通常一次训练完毕，后续回归后调用简单，使用成本低，但存在缺乏机理支撑，可解释性差等关键问题。在科研前沿领域，近年来研究者主要利用数据驱动方法，进行主电机温度降阶，对于模型（机理）-数据混合驱动的温度场降阶方法研究较少。

3、针对主电机温度场的数字孪生构建，现有的计算方法主要划分为理论机理驱动与数据驱动两大范式。

4、理论机理驱动方法：以有限元仿真（fem）为代表。该方法物理机理清晰、计算精度高且能呈现丰富的场分布细节。然而，其高度依赖精确的建模参数与边界条件，尤其在涉及复杂流体耦合仿真时，面临计算耗时巨大、模型泛化能力弱及轻量化部署困难等显著瓶颈，难以满足实时性要求。

5、数据驱动方法：该类方法摒弃了对通风散热物理机理的显式建模，转而基于历史运行数据构建输入输出间的回归映射关系。其优势在于训练完成后推理速度快、调用成本低；但劣势同样明显，即对数据规模与质量依赖极高，且因缺乏物理机理支撑，导致模型可解释性差，在工况外推时鲁棒性不足。

6、纵观科研前沿，现有研究多聚焦于单一的数据驱动降阶模型，旨在提升计算效率。然而，针对融合物理机理与数据驱动的混合驱动温度场降阶方法的研究尚显匮乏。如何突破单一范式的局限，构建兼具物理可解释性与数据自适应性的混合模型，是当前亟待解决的关键科学问题。

技术实现思路

1、本发明的目的是克服现有技术的缺陷，针对宽调速范围变频同步电动机，为兼顾经典通风散热理论、传统理论仿真方法与数据驱动方法的优势及快速计算要求，提供一种机理-数据混合驱动的宽调速变频同步电机定子温度场降阶方法，实现宽调速范围下变频同步电动机定子温度场的轻量化降阶重构和实时不可达映射。

2、实现上述目的的技术方案是： 一种基于机理-数据混合驱动的电机定子温度场降阶方法，包括以下步骤：

3、s1，根据实际电机运行状况将空间离散化成栅格步骤：对电机定子有限元模型的全部温度节点依据空间位置、材料属性或功能分区进行栅格化聚类，划分为n个栅格区域，以各区域内节点温度平均值作为该区域特征温度，将高维温度场压缩为n维特征向量；

4、s2，基于通风机理的最小二乘工况驱动温度降价建模步骤：基于多工况参数扫描的仿真数据，以各项损耗及冷却风量为输入，采用系统辨识或回归方法为每个区域建立特征温度与输入参数之间的显式降阶公式，获得n个栅格区域特征温度的快速预测模型（也称降价模型）；

5、s3，基于工况-空间联合特征驱动的全局修正映射步骤：在实时运行中获取有限个实测温度测点数据，计算实测值与步骤s2快速预测模型的预测值之间的残差，以高斯过程对残差的空间相关性进行建模，基于平方指数核函数并通过后验推断公式估算全部n个栅格区域的残差修正值，将修正值与预测值叠加完成全局自适应修正；

6、s4，基于稀疏块支撑的反距离权重插值空间重建步骤：将修正后的n个栅格区域特征温度作为稀疏控制点，采用反距离权重插值方法对全部有限元节点进行空间插值，实现低维栅格温度至高维全场温度分布的重建。

7、上述的一种基于机理-数据混合驱动的电机定子温度场降阶方法，步骤s1中，所述n取值为38，所述空间位置包括定子齿、定子轭、绕组端部及空气域。

8、上述的一种基于机理-数据混合驱动的电机定子温度场降阶方法，步骤s2中，所述各项损耗包括定转子铜损、总铁损、机械损耗和杂散损耗。

9、上述的一种基于机理-数据混合驱动的电机定子温度场降阶方法，步骤s2中，所述回归方法采用最小二乘法。

10、上述的一种基于机理-数据混合驱动的电机定子温度场降阶方法，步骤s2中，所述多工况参数扫描的范围为：频率25~52.5hz，电压5000~10500v，采样间隔分别为5hz和500v，共形成50组以上运行工况。

11、上述的一种基于机理-数据混合驱动的电机定子温度场降阶方法，步骤s3中，所述平方指数核函数为：

12、;

13、式中，、为空间中两点的坐标，为信号方差，为长度尺度参数。

14、上述的一种基于机理-数据混合驱动的电机定子温度场降阶方法，步骤s3中，所述后验推断公式为：

15、

16、式中，为待预测点  处的残差估计值，

k为训练点协方差矩阵，为测试点与训练点的协方差向量，为的转置，为噪声方差，为单位矩阵，

r为实测残差向量；为协方差矩阵的逆。

17、上述的一种基于机理-数据混合驱动的电机定子温度场降阶方法，骤s3中，全局自适应修正的公式为：

18、；

19、式中，为第

i个区域修正后的最终温度预测值，为第

i个区域的初始温度预测值，为第

i个区域的全区域的残差修正值。

20、上述的一种基于机理-数据混合驱动的电机定子温度场降阶方法，步骤s4中，所述反距离权重插值的公式为：

21、；

22、式中，为待插值点  处的最终温度值，为待插值的空间点，

i为区域编号，共38个栅格区域；为第

i 个区域的权重系数，由待插值点到该区域代表点的距离决定，距离越近权重越大；为第

i 个区域修正后的最终温度预测值；

23、权重计算公式为：

24、；

25、式中，为待插值节点到第i个区域代表点的欧几里得距离；

q为距离幂指数，取值为2；

26、距离计算公式为：

27、；

28、式中，为待插值点  到第

i 个区域代表点的欧几里得距离，

x和

y为待插值点 的坐标，

x

i和

y

i为第

i 个栅格区域代表点的坐标。

29、上述的一种基于机理-数据混合驱动的电机定子温度场降阶方法，步骤s4中，插值后重建的温度场节点数为6000个以上，覆盖电机定子两侧端部和中间位置截面的全场温度分布。

30、本发明的基于机理-数据混合驱动的电机定子温度场降阶方法，与现有技术相比，具有以下有益效果：

31、（1）本发明提供了一种兼具理论支持与人工智能优势的变频同步电动机定子温度场轻量化降阶重构计算方法，能够迅速而相对准确地计算变频同步电机在宽调速范围下的定子温度场，并能根据个别节点的实测数据，自适应地修正全局温度场，实现了定子温度场的全局不可达映射和数字孪生反馈。相较于直接采用机器学习或者pod模型进行温度场的端到端预测，本发明提出的架构在物理机理与数据驱动之间建立了更紧密的耦合。该架构不仅深刻揭示了电机定子温度与电机多种损耗、转速/风量之间的内在物理映射机制，显著增强了模型在复杂工况下的鲁棒性与可解释性，更将单次推理耗时压缩至毫秒级，完美契合数字孪生系统对实时响应的严苛要求。

32、（2）本发明为构建宽调速范围变频同步电动机的出厂状态机理孪生模型提供了关键的技术路径，确立了基于机理-数据混合驱动的定子温度场孪生新范式。通过观察定子温度场整体孪生温度，判断最高温度和危险位置，从而为该类电机温度实时监测与绝缘寿命评估奠定了坚实的技术基础，进而为该类电机的全生命周期智能运维奠定了坚实的理论与工程基础。