Expectation-Maximization Particle-Filter- and Kalman-Filter-Based Permanent Magnet Temperature Estimation for PMSM Condition Monitoring Using High-Frequency Signal Injection
Notice bibliographique
Résumé
In permanent magnet synchronous machine, high-frequency (HF) signal injection has been extensively investigated for permanent magnet temperature (PMT) estimation, in which PMT is estimated from the temperature-dependent HF resistance. Existing studies require prior knowledge on the HF resistance and neglect the fact that PMT is temporally correlated. This paper proposes a state-space model for PMT estimation, in which PMT is modeled with a piecewise linear equation to explore the temporal correlation. The state-space model is nonlinear due to unknown model parameters, which is required to be known in existing studies. This paper proposes to use expectation maximization particle filter (EM-PF) for simultaneous PMT and model parameter estimation. After EM-PF estimation, the state-space model becomes linear, so Kalman filter is employed for online PMT estimation. The proposed EM-PF along with a Kalman-filter-based approach can explore the temporal correlation among PMTs to improve the estimation performance, which can be hardly achieved in existing studies regarding PMT as a time-independent parameter. It should be noted that EM-PF is for initial PMT and model parameter estimation, while Kalman filter is for online PMT estimation ensuring computation efficiency and real-time capability. Our approach is validated with both numerical and experimental investigations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».