Experimental Electrical Parameter Identification and Model Validation of an Induction Motor for Digital Twin Applications
本文提出了一种在数字孪生框架内识别并验证感应电动机电气参数的实验方法论，该方法利用同步测量和稳态测试，旨在实现一个在各种运行条件下均具有极低仿真误差的高精度时域模型。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代工业世界中，重型机械依赖电动机来驱动轮子转动、泵送液体以及驱动传送带。在这些设备中，感应电动机是一种主力军，它是一种坚固耐用的装置，无需与旋转部件进行直接电气接触即可将电能转化为运动。为了让这些机器高效运行并预测它们何时可能发生故障，工程师通常会创建一个“数字孪生”（digital twin）。这是存在于计算机内部的物理电机的虚拟副本。对于这个虚拟副本而言，要使其发挥作用，它必须表现得与真实的机器完全一致。如果计算机模型认为电机比实际更强或更弱，那么它对维护或性能所做的预测将会是错误的。挑战在于如何确定特定电机的精确内部电气数值，因为这些数值会根据电机的制造方式和使用方式而发生轻微偏移。如果没有这些准确的数字，数字孪生就只是一个粗略的草图，而非可靠的复制品。
地拉那理工大学的研究人员致力于通过仔细测量感应电动机的现实行为，并将其测量结果转化为计算机模型，从而构建一个更值得信赖的数字孪生。他们首先搭建了一个测试台，将一台小型电动机连接到一个发电机上，该发电机作为负载，用以模拟电动机在工厂中所面临的阻力。为了了解电机的真实本质，他们并没有依赖制造商的通用规格说明。相反，他们进行了一系列动手实验。他们测量了电机运行时流入的电压和电流，测量了电机轴被锁死静止时的状态，以及电机在没有任何负载的情况下自由旋转时的状态。由于测试中使用的电源会产生一种可能会掩盖真实电流流向的、具有高频波动的信号，研究人员使用了一种数学技术来过滤掉噪声。这使他们能够分离出驱动电机的平滑基本电波，剥离掉由功率转换器引起的电学静态干扰。
有了这些干净的测量数据，团队计算出了电机的特定电气属性，例如其内部导线的电阻以及电感（即衡量电机存储磁能能力的指标）。他们通过标准测试确定了这些数值：通过直流测试寻找定子绕组的电阻，通过堵转测试了解电机在无法旋转时的表现，以及通过空载测试观察其在自由运行时如何处理磁场。一旦获得了这些数字，他们就在仿真环境中构建了一个基于时间的计算机模型。该模型旨在逐秒模拟电机的电气反应。为了确保模型确实是准确的而非仅仅是运气好，他们利用了未曾用于计算数值的其他时间段的数据对模型进行了测试。这种分离至关重要；这意味着如果模型与真实电机相匹配，是因为模型在根本上是正确的，而不是因为研究人员仅仅是为了拟合特定时刻而调整了数字。
结果显示，经过校准的模型具有极高的精确度。当研究人员模拟电机轴被锁定的情况时，计算机对电流的预测与实际测量值几乎完美契合，其差异之小几乎难以察觉。在测试电机在不同转速下自由旋转的情况时，模型持续保持对真实电机行为的高保真追踪，捕捉到了不同频率下电流流动的细微差别。研究人员指出，尽管他们的模型没有包含一个专门针对电机铁芯热损耗能量的组件，但模拟与现实之间的吻合度依然保持强劲，模拟电流紧密跟随测量电流。这一成功表明，他们开发的方法可以产生一个物理一致且可靠的数字孪生。通过证明基于离线测量构建的模型能够准确预测现实世界的性能，这项研究为未来能够实时监测电机、并在情况变化时调整其内部计算以在故障发生前进行预防的系统奠定了坚实的基础。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。