现代电动汽车（EV）对精确可靠的热管理有着严格要求，以保障性能、安全性和使用寿命。然而，NTC/NTP 等传统物理温度传感器会显著增加系统成本、需要复杂的布线，且在安装位置上存在局限性。 虚拟温度传感器（VTS）通过物理建模或深度学习方法预测关键部件温度，提供了一种智能替代方案，在保持高精度的同时减少了对物理传感器的需求。
电动汽车开发的主要优势
📍突破物理限制：
- 获取物理传感器无法到达位置的热状态信息。
- 监测部件的平均温度或分布式温度，而非仅限于单一测点。
🚀 面向未来：
- 为更智能的控制策略和预测性冷却系统创造机遇。
目标：以虚拟模型替代物理传感器
部署 VTS 的目的是在不影响安全性或性能的前提下减少传感器数量。
解决方案
我们提供两种不同的虚拟温度传感器实现方案：
- 集总参数热网络（LPTN）：捕捉电机内部基于物理的热传递过程
- 神经网络模型：利用数据驱动预测，处理动态和非线性场景。
物理方法（集总参数热网络）
基于物理的方法将电机的真实结构转化为虚拟传感模型。该过程简明、透明，并经过实践验证：
流程概览
- 电机模型 → 从电机的物理结构出发。
- 热网络 → 构建反映热传递路径和传感器位置的网络模型。
- 标定 → 使用稳态和瞬态测试数据进行调整，确保精度。
- 模型降阶 → 简化模型以实现高效的实时应用。
- 优化 → 完善模型，实现可靠、快速的预测。
关键要点：
- 基于物理的方法确保精度与透明度 该过程从电机的物理模型出发，涵盖其几何结构、材料属性和热传递机制。采用集总参数热网络（LPTN）方法，系统被划分为若干节点，分别代表绕组、轴、转子和定子等区域。 各节点通过热阻和热容相互连接，反映传导、对流和辐射的实际传热路径。所得网络模型既忠实于物理规律，又易于理解和解释。
- 仿真辅助热建模
构建基础热模型时，专用仿真工具提供了必要支持：
- shonDy：基于粒子的 CFD 仿真，用于获取关键表面（如绕组、转子、轴和定子）上详细的换热系数（HTC）。
- shonTA：LPTN 模型仿真以 HTC 数据为输入，构建集总参数热网络（LPTN），将物理行为转化为适合标定和进一步优化的高效节点表示。
基于 CFD 的数据采集与网络建模相结合，确保热模型既具备数据支撑，又具有较高的计算效率。
以真实数据进行标定
为确保预测精度，热网络模型使用测试测量数据进行标定。稳态测试对热阻进行校准，使预测温度与测量的平衡值相吻合。瞬态测试则对热容和损耗参数进行精化，使模型能够在负载变化时再现真实的热动态过程。通过标定，虚拟传感器同时反映电机的底层物理规律和真实运行行为，为设计和运行提供可靠的结果。
AI 方法
AI 方法利用数据驱动建模来预测电机的热行为。历史和实时运行信号（如电流、电压、转速和环境温度）被采集后转化为机器学习算法的输入。这些模型捕捉可测信号与电机内部温度之间的非线性关系，包括超出传感器覆盖范围的位置。
基于 AI 的方法实施步骤如下：
数据采集：采集电机在各种工况下的运行数据，包括稳态和瞬态工况。数据应涵盖可测信号（如电流、电压、转速和环境温度）以及物理传感器的温度读数（用于验证）。
特征工程：从采集数据中提取相关特征，以提高预测精度。该步骤可能涉及原始信号处理、关键模式识别，以及创建能够表征电机底层热行为的附加变量。
模型训练：使用处理后的数据训练机器学习模型（如神经网络），以预测电机内部温度。这些模型旨在捕捉输入信号与目标温度之间复杂的非线性关系，即使在传统物理模型难以处理的场景下也能有效运行。
验证与优化：使用独立数据集对训练好的模型进行验证，以确保高精度和鲁棒性。通过超参数调整和优化技术来提升模型性能、降低预测误差。
部署：将训练好的 AI 模型集成到电机控制系统中，实现实时运行。这包括确保模型足够轻量，能够在嵌入式系统上高效运行，同时保持预测精度。
AI 方法的主要优势：
动态与非线性行为：与传统方法不同，AI 模型擅长捕捉电机系统内部复杂的动态交互，例如快速的负载变化和多变的环境条件。
可扩展性与灵活性：基于 AI 的虚拟传感器可轻松适配不同的电机设计和运行场景，无需进行大量的物理改造。
缩短开发周期：一旦建立了初始数据和模型构建框架，与基于物理的方法相比，新虚拟传感器的开发速度将大幅提升。
本文模型训练所用的参考数据来源于：https://www.kaggle.com/datasets/wkirgsn/electric-motor-temperature