一种基于物理信息神经网络的交流永磁电机多节点动态温度预测及预警方法与系统

本发明属于交流永磁电机热状态监测、数据驱动建模与物理信息机器学习，具体涉及一种基于物理信息神经网络的交流永磁电机多节点动态温度预测及预警方法与系统。

背景技术：

1、交流永磁电机通过永磁体建立转子励磁磁场，并由交流定子电流与转子永磁磁场相互作用产生电磁转矩，具有效率高、转矩密度大、结构紧凑和动态控制性能好的特点，已广泛用于新能源汽车牵引、电动航空推进、高速驱动以及其他高功率密度电驱系统。随着电机功率密度提高，绕组铜耗、定子铁耗、永磁体及转子侧损耗、机械摩擦损耗以及逆变器谐波引起的附加损耗被集中在更小体积内，关键部件的温升成为持续转矩输出、绝缘寿命、永磁体抗退磁能力以及安全保护策略的重要约束。

2、交流永磁电机热问题具有明显的电—热耦合特征。绕组温度升高会导致定子电阻增大，从而在相同电流条件下进一步提高铜耗；永磁体温度升高会降低剩磁和永磁磁链，影响转矩常数、弱磁边界及效率。当温度估计存在滞后或偏差时，控制器可能错误评估热裕度，导致保护过于保守或在热惯性作用下出现过温风险。

3、对于采用矢量控制并可获得dq轴电气量的实施方式，以功率不变型变换为例，定子铜耗可表示为：；绕组电阻与温度近似满足：；其中，为绕组温度，为参考温度下的定子电阻，为铜的电阻温度系数。由此可见，温度状态不仅是热管理量，也会反向影响电磁运行状态。

4、现有交流永磁电机内部温度获取方式主要包括如下几类：

5、1.直接测温。采用热电偶、热敏电阻、铂电阻、光纤传感器、红外测温或转子遥测，可直接得到测点温度，适于试验标定和模型验证。但定子槽内热点和旋转永磁体的安装空间有限，传感器引线、封装和遥测装置会增加成本、机械结构复杂度和可靠性风险，且单点传感器无法保证捕捉真实热点。

6、2.fem/fvm/cfd等高保真数值方法。可依据几何、材料、损耗及边界条件获得空间温度场，适合设计阶段的热点定位和冷却结构优化，但网格建立、材料参数、接触热阻和换热边界标定工作量大，三维瞬态计算开销高，通常不直接用于控制器在线温度估计。

7、3.集总参数热网络lptn。lptn将连续温度场压缩为有限个等温节点，以热容表示储热，以热阻表示节点间热传递，具有计算量小、参数物理意义明确、便于实时部署等优点。其缺点在于节点均温假设、固定热阻热容及损耗分配可能造成结构误差；在复杂动态工况下，低阶模型对未建模热流路径和参数漂移的适应能力有限。

8、4.基于电阻、磁链或观测器的温度反演。可利用定子电阻、永磁磁链、反电势或高频阻抗等电参数随温度变化的规律进行温度估计，但在低速、弱激励、深度弱磁、磁饱和及逆变器非线性等工况下容易受可观测性和参数耦合影响。

9、5.纯数据驱动温度模型。fnn、cnn、lstm、gru等模型能够从大量运行数据中拟合工况与温度之间复杂的非线性关系，能够吸收难以显式建模的损耗、冷却边界和热参数变化。但纯数据模型本身不知道能量守恒和热传递规律，预测结果可能在训练数据覆盖不足、异常输入或跨工况条件下产生物理上不合理的温度轨迹。

10、因此，现有技术至少存在以下矛盾：低阶物理热网络具有可解释性和实时性，但对复杂热动态的拟合能力不足；纯数据模型具有较强非线性拟合能力，但缺少物理一致性约束；fnn本身又不具有循环记忆结构，若仅输入当前瞬时工况，难以区分“刚进入高负载”和“已经持续高负载较长时间”的不同热积累状态。

11、本发明据此提出一种“物理特征构造+ewma历史压缩+fnn多步多节点预测+四节点lptn物理残差约束”的统一方法，并进一步提供基于未来预测轨迹的温度安全裕度与最早越限时间计算方式。

技术实现思路

1、为解决现有技术存在的问题，本发明提供一种基于物理信息神经网络的交流永磁电机多节点动态温度预测及预警方法与系统，在不依赖大量内部温度传感器作为在线输入的条件下，利用控制器可获取的电压、电流、转速、转矩、冷却介质温度和环境温度等运行信息，构造与发热机理相对应的功率及损耗特征，通过ewma引入历史热积累信息，并以fnn作为温度轨迹预测主体，同时将四节点lptn常微分方程转化为训练阶段的物理一致性约束，使模型同时受到实测温度数据和热平衡规律的共同约束，从而获得定子轭、定子齿、定子绕组和永磁体的未来动态温度轨迹。进一步地，本发明可利用预测窗口内的最大温度、安全裕度及最早越限时刻，将温度估计扩展为预测式超温预警，为限流、降额或增强冷却等热管理策略提供提前量。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于物理信息神经网络的交流永磁电机多节点动态温度预测及预警方法，所述方法包括：

4、s1：采集电机运行信息并构建训练标签；

5、s2：基于电机运行信息，构造功率与损耗物理特征；

6、s3：基于功率与损耗物理特征，将损耗分配至四个热节点；

7、s4：基于四个热节点，采用ewma补充历史热状态并进行数据预处理；

8、s5：基于预处理后的数据，采用fnn生成未来四节点温度轨迹；

9、s6：基于未来四节点温度轨迹，构建四节点lptn物理模型；

10、s7：基于未来四节点温度轨迹，采用一阶前向差分构造物理残差；

11、s8：基于四节点lptn物理模型和物理残差，构造数据损失、复合损失和自适应物理权重并训练网络；

12、s9：基于训练后的网络，在线滚动预测和可选的预测式超温预警。

13、优选的，将损耗分配至四个热节点的方法包括：

14、利用与电流幅值和转速相关的分配函数和，将残余损耗划分为定子侧和转子侧：

15、；

16、；

17、其中，为残余损耗，为定子侧残余损耗，为转子侧残余损耗；

18、将定子侧残余损耗划分到定子轭和定子齿：

19、；

20、；

21、其中，；为定子侧残余损耗中分配至定子轭的损耗功率；为定子侧残余损耗中分配至定子齿的损耗功率；

22、四节点等效热源设置为：

23、；

24、其中，为注入定子轭热节点的等效热源功率，为注入定子齿热节点的等效热源功率，为注入定子绕组热节点的等效热源功率，为注入永磁体热节点的等效转子侧热源功率，为定子铜耗，为电机总功率损耗；

25、从而满足：

26、。

27、优选的，构建四节点lptn物理模型的方法包括：

28、四节点lptn以定子轭、定子齿、定子绕组和永磁体作为四个储热节点，热容分别为；内部热阻包括；定子轭经与冷却边界相连，永磁体经与环境边界相连；其中，为定子轭节点与冷却介质边界之间的等效热阻，为永磁体节点与环境边界之间的等效热阻；

29、对任一热阻支路，规定流入节点为正，则由节点流入节点的热流为：

30、；

31、其中，和表示四节点热网络中的任意两个相互连接的热节点；表示由节点经对应热阻支路流入节点的热流率，规定流入节点的方向为正w；和分别为节点和节点的温度；为节点与节点之间的等效热阻；

32、按照能量守恒得到四个节点的连续时间方程：

33、；

34、；

35、；

36、；

37、令，定义：

38、；

39、热容矩阵为：

40、；

41、热耦合矩阵为：

42、；

43、边界输入矩阵为：

44、；

45、四节点lptn统一写为：

46、；

47、或

48、；

49、其中，为节点与节点之间的等效热导，为四节点温度状态向量，为四节点等效热源向量，为边界温度向量；分别表示定子轭温度、定子齿温度、定子绕组温度和永磁体温度；为定子轭与定子齿之间的等效热导，为定子轭与定子绕组之间的等效热导，为定子轭与冷却介质边界之间的等效热导，为定子齿与定子绕组之间的等效热导，为定子齿与永磁体之间的等效热导，为定子绕组与永磁体之间的等效热导，为永磁体与环境边界之间的等效热导，为四节点温度对时间的变化率向量，表示由四节点lptn确定的理论温升速率映射。

50、优选的，采用一阶前向差分构造物理残差的方法包括：

51、对网络输出的相邻离散温度点使用一阶前向差分：

52、；

53、其中，为未来离散时刻的个数，为预测窗口内第个未来离散时刻对应的四节点预测温度向量，为利用第个与第个预测温度点进行一阶前向差分得到的四节点预测温升速率向量；为相邻两个预测温度点之间的采样时间间隔；

54、将同一预测步的、节点热源和边界温度代入四节点lptn，得到理论温升速率：

55、；

56、基于一阶前向差分和理论温升速率，定义物理残差：

57、。

58、优选的，构造数据损失、复合损失和自适应物理权重的方法包括：

59、以残差均方值构造物理损失：

60、；

61、其中为批次样本数，为热节点数；

62、预测温度与实测温度之间的数据损失为：

63、；

64、其中，为第个样本在第个未来预测时刻对第个热节点得到的预测温度；为与其对应的实测温度监督标签；

65、基于物理损失和数据损失，构造总损失：

66、；

67、其中为物理损失权重；

68、根据物理损失和数据损失对网络参数的梯度范数得到目标权重：

69、。

70、本发明还提供了一种基于物理信息神经网络的交流永磁电机多节点动态温度预测及预警系统，所述系统用于实现前述的方法，所述系统包括：数据采集与标签构建模块、功率损耗特征构造模块、损耗热节点分配模块、热状态补充与预处理模块、温度轨迹预测模块、lptn物理建模模块、物理残差构造模块、复合损失网络训练模块、在线预测与超温预警模块；

71、所述数据采集与标签构建模块，用于采集电机运行信息并构建训练标签；

72、所述功率损耗特征构造模块，用于基于电机运行信息，构造功率与损耗物理特征；

73、所述损耗热节点分配模块，用于基于功率与损耗物理特征，将损耗分配至四个热节点；

74、所述热状态补充与预处理模块，用于基于四个热节点，采用ewma补充历史热状态并进行数据预处理；

75、所述温度轨迹预测模块，用于基于预处理后的数据，采用fnn生成未来四节点温度轨迹；

76、所述lptn物理建模模块，用于基于未来四节点温度轨迹，构建四节点lptn物理模型；

77、所述物理残差构造模块，用于基于未来四节点温度轨迹，采用一阶前向差分构造物理残差；

78、所述复合损失网络训练模块，用于基于四节点lptn物理模型和物理残差，构造数据损失、复合损失和自适应物理权重并训练网络；

79、所述在线预测与超温预警模块，用于基于训练后的网络，在线滚动预测和可选的预测式超温预警。

80、优选的，将损耗分配至四个热节点的过程包括：

81、利用与电流幅值和转速相关的分配函数和，将残余损耗划分为定子侧和转子侧：

82、；

83、；

84、其中，为残余损耗，为定子侧残余损耗，为转子侧残余损耗；

85、将定子侧残余损耗划分到定子轭和定子齿：

86、；

87、；

88、其中，；为定子侧残余损耗中分配至定子轭的损耗功率；为定子侧残余损耗中分配至定子齿的损耗功率；

89、四节点等效热源设置为：

90、；

91、其中，为注入定子轭热节点的等效热源功率，为注入定子齿热节点的等效热源功率，为注入定子绕组热节点的等效热源功率，为注入永磁体热节点的等效转子侧热源功率，为定子铜耗，为电机总功率损耗；

92、从而满足：

93、。

94、优选的，构建四节点lptn物理模型的过程包括：

95、四节点lptn以定子轭、定子齿、定子绕组和永磁体作为四个储热节点，热容分别为；内部热阻包括；定子轭经与冷却边界相连，永磁体经与环境边界相连；其中，为定子轭节点与冷却介质边界之间的等效热阻，为永磁体节点与环境边界之间的等效热阻；

96、对任一热阻支路，规定流入节点为正，则由节点流入节点的热流为：

97、；

98、其中，和表示四节点热网络中的任意两个相互连接的热节点；表示由节点经对应热阻支路流入节点的热流率，规定流入节点的方向为正w；和分别为节点和节点的温度；为节点与节点之间的等效热阻；

99、按照能量守恒得到四个节点的连续时间方程：

100、；

101、；

102、；

103、；

104、令，定义：

105、；

106、热容矩阵为：

107、；

108、热耦合矩阵为：

109、；

110、边界输入矩阵为：

111、；

112、四节点lptn统一写为：

113、；

114、或

115、；

116、其中，为节点与节点之间的等效热导，为四节点温度状态向量，为四节点等效热源向量，为边界温度向量；分别表示定子轭温度、定子齿温度、定子绕组温度和永磁体温度；为定子轭与定子齿之间的等效热导，为定子轭与定子绕组之间的等效热导，为定子轭与冷却介质边界之间的等效热导，为定子齿与定子绕组之间的等效热导，为定子齿与永磁体之间的等效热导，为定子绕组与永磁体之间的等效热导，为永磁体与环境边界之间的等效热导，为四节点温度对时间的变化率向量，表示由四节点lptn确定的理论温升速率映射。

117、优选的，采用一阶前向差分构造物理残差的过程包括：

118、对网络输出的相邻离散温度点使用一阶前向差分：

119、；

120、其中，为未来离散时刻的个数，为预测窗口内第个未来离散时刻对应的四节点预测温度向量，为利用第个与第个预测温度点进行一阶前向差分得到的四节点预测温升速率向量；为相邻两个预测温度点之间的采样时间间隔；

121、将同一预测步的、节点热源和边界温度代入四节点lptn，得到理论温升速率：

122、；

123、基于一阶前向差分和理论温升速率，定义物理残差：

124、。

125、优选的，构造数据损失、复合损失和自适应物理权重的过程包括：

126、以残差均方值构造物理损失：

127、；

128、其中为批次样本数，为热节点数；

129、预测温度与实测温度之间的数据损失为：

130、；

131、其中，为第个样本在第个未来预测时刻对第个热节点得到的预测温度；为与其对应的实测温度监督标签；

132、基于物理损失和数据损失，构造总损失：

133、；

134、其中为物理损失权重；

135、根据物理损失和数据损失对网络参数的梯度范数得到目标权重：

136、。

137、与现有技术相比，本发明的有益效果为：

138、与单独采用lptn、纯数据fnn或仅依赖内部温度传感器的方法相比，本发明通过各技术特征的组合可获得如下效果：

139、1.兼顾非线性拟合能力与物理一致性。fnn负责学习难以用低阶热网络显式表达的复杂工况—温度映射，lptnode通过物理残差限制预测轨迹的温升趋势，使网络在数据拟合之外受到热平衡规律约束。

140、2.以低维方式引入热历史。ewma把长时间运行历史压缩为递归状态，无需将大量滞后样本直接堆叠到输入端即可向无循环连接的fnn提供热积累信息，从而提高动态工况下对历史依赖的表达能力。

141、3.形成多节点、多步联合预测。网络一次输出定子轭、定子齿、定子绕组和永磁体在同一未来窗口内的离散温度轨迹，可同时用于温度精度评价、物理差分残差计算以及后续安全裕度判断。

142、4.物理残差构造适合离散采样数据。对相邻预测温度点采用一阶前向差分，直接在离散采样时间轴上获得温升速率，无需把时间作为连续网络输入，也避免将“时间导数计算”和“网络参数反向传播”混为一体。

143、5.热源分配与四节点能量平衡闭合。将定子侧残余损耗、铜耗和转子侧残余损耗分别映射至，避免转子侧损耗在热网络中无能量去向，提高节点能量守恒描述的一致性。

144、6.训练与在线推理解耦。物理损失、反向传播和自适应权重主要用于离线训练；部署后固定，在线阶段主要执行特征构造、ewma更新、标准化和fnn前向计算，有利于实时实现。

145、7.可扩展为预测式热安全管理。基于未来温度轨迹不仅判断“当前是否过温”，还可计算未来窗口最大温度、温度安全裕度及最早越限时间，从而实现由事后阈值报警向提前预测风险的扩展。