Physics-Informed Neural Network Approach to Diagnosing Uniform Demagnetization Faults in Permanent Magnet Synchronous Machines
Notice bibliographique
Résumé
Permanent Magnet (PM) Demagnetization (PMD) faults in Permanent Magnet Synchronous Machines (PMSMs) pose significant challenges to their reliability and performance, necessitating advanced diagnostic techniques for early detection to prevent catastrophic failures and minimize downtime. This paper proposes a Physics-Informed Neural Network (PINN) approach for diagnosing PMD faults in PMSMs. The PINN integrates the dynamical model of the PMSM with measured data to estimate the PM flux linkage under healthy and uniform PMD conditions, thereby quantifying the severity of the PMD. By incorporating the physical equations of the motor, the PINN offers higher data efficiency and enhanced robustness compared to existing conventional data-driven methods. The estimation of PM flux linkage is validated through both simulation data obtained from a finite element analysis (FEA) model of the PMSM and experimental measurements from a laboratory test rig under steady-state and dynamic operating conditions. These evaluations demonstrate the method’s capability to accurately quantify the severity of demagnetization faults. Furthermore, the robustness of the proposed approach to measurement noise and model parameter variations and its data efficiency are assessed. Finally, a hyperparameter tuning strategy tailored for PINNs operating in parameter estimation mode is introduced.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».