Mejora de la optimización de remora con modelo de aprendizaje profundo para predicción de temperatura en motores síncronos de imanes permanentes en vehículos eléctricos
Autores: Latif, Abdul; Mehedi, Ibrahim M.; Vellingiri, Mahendiran T.; Meem, Rahtul Jannat; Palaniswamy, Thangam
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Mejora de la optimización de remora con modelo de aprendizaje profundo para predicción de temperatura en motores síncronos de imanes permanentes en vehículos eléctricos
Categoría
Matemáticas
Subcategoría
Análisis matemático
Palabras clave
Vehículos eléctricos
Accionamientos PMSM
Monitoreo de temperatura
Inteligencia artificial
Aprendizaje profundo
Predicción de temperatura
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Uno de los motores eléctricos ampliamente utilizados para vehículos eléctricos (EVs) son los accionamientos de máquinas síncronas de imanes permanentes (PMSM). Esto se debe a la densidad de potencia y alta energía del PMSM con un costo de ensamblaje moderado. El ampliamente adoptado PMSM como el motor de elección para EVs, junto con la variedad de aplicaciones, insta a un monitoreo estricto de la temperatura para evitar altas temperaturas. El monitoreo de la temperatura del PMSM es altamente complejo de lograr debido al dispositivo de medición complejo para los componentes internos del PMSM. Los valores de temperatura más allá de cierto rango podrían resultar en costos adicionales de mantenimiento junto con problemas operativos importantes en el PMSM. Los últimos desarrollos en inteligencia artificial (AI) y métodos de aprendizaje profundo (DL) allanan el camino para una predicción precisa de la temperatura en los accionamientos de PMSM. Con esta motivación, este artículo presenta un algoritmo de optimización de remora mejorado con enfoque de memoria a corto y largo plazo bidireccional apilada (EROA-SBiLSTM) para la predicción de temperatura de los accionamientos de PMSM. La técnica presentada de EROA-SBiLSTM se centra principalmente en la predicción efectiva de la temperatura utilizando DL y esquemas de ajuste de hiperparámetros. Para lograr esto, la técnica de EROA-SBiLSTM aplica un análisis del coeficiente de correlación de Pearson para observar la correlación entre diversas características, y el valor se utiliza para determinar el nivel relevante. A continuación, se utiliza el modelo SBiLSTM para predecir el nivel de temperatura que existe en los accionamientos de PMSM. Finalmente, se lleva a cabo el proceso de ajuste de hiperparámetros basado en EROA para ajustar óptimamente los parámetros de SBiLSTM. El resultado experimental de la técnica de EROA-SBiLSTM se prueba utilizando un conjunto de datos de temperatura de motor eléctrico del conjunto de datos de Kaggle. El estudio exhaustivo especifica la mejora de la técnica de EROA-SBiLSTM.
Descripción
Uno de los motores eléctricos ampliamente utilizados para vehículos eléctricos (EVs) son los accionamientos de máquinas síncronas de imanes permanentes (PMSM). Esto se debe a la densidad de potencia y alta energía del PMSM con un costo de ensamblaje moderado. El ampliamente adoptado PMSM como el motor de elección para EVs, junto con la variedad de aplicaciones, insta a un monitoreo estricto de la temperatura para evitar altas temperaturas. El monitoreo de la temperatura del PMSM es altamente complejo de lograr debido al dispositivo de medición complejo para los componentes internos del PMSM. Los valores de temperatura más allá de cierto rango podrían resultar en costos adicionales de mantenimiento junto con problemas operativos importantes en el PMSM. Los últimos desarrollos en inteligencia artificial (AI) y métodos de aprendizaje profundo (DL) allanan el camino para una predicción precisa de la temperatura en los accionamientos de PMSM. Con esta motivación, este artículo presenta un algoritmo de optimización de remora mejorado con enfoque de memoria a corto y largo plazo bidireccional apilada (EROA-SBiLSTM) para la predicción de temperatura de los accionamientos de PMSM. La técnica presentada de EROA-SBiLSTM se centra principalmente en la predicción efectiva de la temperatura utilizando DL y esquemas de ajuste de hiperparámetros. Para lograr esto, la técnica de EROA-SBiLSTM aplica un análisis del coeficiente de correlación de Pearson para observar la correlación entre diversas características, y el valor se utiliza para determinar el nivel relevante. A continuación, se utiliza el modelo SBiLSTM para predecir el nivel de temperatura que existe en los accionamientos de PMSM. Finalmente, se lleva a cabo el proceso de ajuste de hiperparámetros basado en EROA para ajustar óptimamente los parámetros de SBiLSTM. El resultado experimental de la técnica de EROA-SBiLSTM se prueba utilizando un conjunto de datos de temperatura de motor eléctrico del conjunto de datos de Kaggle. El estudio exhaustivo especifica la mejora de la técnica de EROA-SBiLSTM.