基于物理知识的神经网络用于预测永磁同步电机在热退磁风险下的安全运行边界
《Engineering Applications of Artificial Intelligence》:Physics-informed neural networks for safe operating boundary prediction of permanent magnet synchronous motors under thermal demagnetization risk
【字体:
大
中
小
】
时间:2026年03月25日
来源:Engineering Applications of Artificial Intelligence 8
编辑推荐:
PMSM热致退磁化预测与安全维护框架研究提出结合扩展阿伦尼乌斯模型与FNN的物理信息学习框架,通过蒙特卡洛不确定性量化构建95%置信区间,并采用概率安全边界方法实现预防性维护决策。
在新能源与智能装备领域,永磁同步电机(PMSM)作为核心驱动部件,其可靠性直接关系到电网稳定性、电动汽车续航能力及工业自动化系统的效率。随着永磁材料向高矫顽力(如N35UH钕铁硼)和宽温域运行特性发展,高温工况下的退磁问题逐渐成为制约PMSM寿命的关键因素。该研究针对传统维护策略的被动性缺陷,提出了一套融合物理机理与数据驱动的全生命周期健康管理框架,为解决高温退磁预测难题提供了创新性方案。
传统退磁检测技术存在显著局限性:基于稳态参数的温度估算模型难以捕捉动态退化过程,单阈值触发机制无法应对多工况耦合影响,且现有方法多聚焦于故障识别而非退化趋势预测。本研究突破性地将热力学退磁机理与深度学习技术相结合,构建了"物理建模-数据增强-风险量化"的三维预测体系。在物理层,创新性地采用改进的阿伦尼乌斯方程描述温度与时间对退磁的耦合作用,该模型不仅保留了传统方程的时间累积特性,还通过引入非线性温度修正项,解决了传统线性模型在宽温域内适用性不足的问题。实验数据表明,在120-200℃区间,该模型对退磁程度的预测精度较传统方法提升37.6%。
数据驱动层设计的前馈神经网络架构,巧妙融合了多源传感器数据与物理约束条件。通过引入温度-时间双模态输入,网络能够同步处理温度分布曲线和运行时序特征。特别值得关注的是,在模型训练阶段,系统采用分层验证机制:首先基于热力学方程构建退化趋势的基准曲线,再利用FNN进行非线性拟合优化。这种混合架构既保证了理论预测的可靠性,又发挥了神经网络对复杂模式识别的优势。实验对比显示,在含噪声数据(信噪比<10dB)条件下,该框架的预测误差比纯数据驱动模型降低42.3%。
不确定性量化模块采用蒙特卡洛参数扰动法,通过构建参数空间分布模型,有效识别了影响退磁预测精度的关键参数(如材料激活能、热导率)。研究团队特别开发了动态置信区间计算算法,当环境温度波动超过±5℃时,系统能自动调整置信区间宽度(实验显示95%置信区间范围缩小至±2.8℃),这对实际工程应用具有重要指导意义。在测试数据集中,该方法成功将长期退化预测的不确定性降低至传统方法的1/3。
风险边界判定机制是本研究的核心突破。通过建立退磁趋势与安全阈值的动态关联模型,系统可实时计算设备剩余安全运行时间。实验表明,在180℃持续运行场景下,传统方法通常在退磁临界点前30分钟才触发预警,而本框架通过概率安全边界算法,可将预警时间提前至45分钟以上。这种提前量使企业能够实施分级维护策略:对接近安全边界的设备启动低功率运行模式,对安全区设备延长常规维护周期,显著降低全生命周期维护成本。
数据验证部分采用加速老化实验获取的N35UH永磁体退化数据集,该数据集包含8个典型工况(100-200℃等温场、60-180℃变温场)的长期监测数据。对比实验显示,在200℃持续运行500小时后,传统热力学模型的剩余磁通密度预测值偏差达18.7%,而本框架误差控制在4.2%以内。特别是在温度梯度场景(±5℃/h变化率)下,本方法仍能保持92.3%的预测准确率,较单一物理模型提升27个百分点。
实际应用案例表明,该框架可支持多种维护决策优化。在某风电变流器制造商的应用中,系统成功预警了3台关键驱动电机的潜在退磁风险(准确率91.4%),通过提前实施绕组冷却强化措施,使设备寿命延长18个月。经济性评估显示,每百万千瓦时发电量可节省维护成本约2.3万元,同时降低非计划停机损失达65%。在轨道交通领域,某地铁公司应用该框架后,永磁牵引电机的平均故障间隔时间从5800小时提升至8320小时。
研究团队特别关注模型的可解释性,在神经网络架构中嵌入了物理先验知识约束层。该设计既保留了深度学习对非线性关系的建模能力,又通过温度-时间-退化程度的三元关系约束,使预测结果可追溯至具体的物理机理。在模型可视化方面,开发了三维热力退化云图系统,能够实时显示不同位置永磁体内部的温度梯度分布与退化程度关联,为维护人员提供直观决策支持。
未来技术演进方向已初现端倪。研究团队正在探索多电机协同退化预测模型,通过建立跨电机的热-磁耦合网络,实现分布式系统的整体健康评估。在算法层面,计划将物理信息神经网络(PINN)与元学习相结合,使模型具备快速适应新工况的能力。值得关注的是,基于本框架开发的智能预测维护系统已在某汽车厂商的电动压缩机产线上部署,成功将计划外停机时间减少72%,验证了技术落地可行性。
该研究的重要启示在于:智能装备健康管理需要建立"物理机理-数据特征-决策优化"的闭环体系。通过融合热力学退化模型与机器学习技术,不仅突破了传统方法在复杂工况下的预测瓶颈,更重要的是构建了可解释、可干预、可迭代的预测维护系统。这种技术路线为工业设备预测性维护提供了新的方法论,特别适用于高温、高负荷、长寿命的永磁电机等关键部件的可靠性管理。随着数字孪生技术的发展,该框架有望与虚拟样机系统深度集成,实现永磁电机全生命周期的数字化孪生管理。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号