Der Permanentmagnet-Synchronmotor (PMSM) ist aufgrund seiner hohen Leistungs- und Drehmomentdichte bezogen auf Volumen und Gewicht ein häufig verwendeter Traktionsmotor in Automobilanwendungen. Jene Charakteristika werden jedoch maßgeblich durch Temperaturhöchstwerte begrenzt. Hinzu kommt, dass die Temperatur wichtiger Rotorkomponenten nicht wirtschaftlich messbar ist. Temperaturschätzverfahren wie modellbasierte Ansätze sind potentiell in der Lage, das Problem der fehlenden Temperaturinformation zu relativieren, ohne zusätzliche Geräte zu erfordern. Diese Arbeit stellt ein Portfolio von thermischen Modellen aus dem Bereich des maschinellen Lernens zusammen. Die Untersuchung basiert auf einem PMSM-Datensatz, der auf einem Prüfstand aufgezeichnet wurde. Neben dem durchschnittlichen Schätzfehler diktiert die erforderliche Anzahl von Modellparametern zahlreiche Auslegungsentscheidungen. Der gesamte Entwurfsprozess eines Modells aus dem maschinellen Lernen wird beleuchtet und für verschiedene lineare, sowie baumbasierte Modelle; vorschiebende, rekurrente und faltende neuronale Netze als auch für verschiedene hybride Modellierungsansätze durchgeführt. Desweiteren wird der hybride Modellierungsansatz über thermische neuronale Netze besonders hervorgehoben. Sie setzen sich aus neuronalen Netzen und einem thermischen Ersatzschaltbild zusammen und wurden erstmals vom Autor dieser Arbeit veröffentlicht. Schließlich wird ein von Experten entworfenes, datengetriebenes thermisches Netz mit konzentrierten Parametern über verschiedene Algorithmen optimiert und als Stand der Technik herangezogen.

The permanent magnet synchronous motor (PMSM) is a commonly used traction motor in automotive applications due to its high power and torque density with respect to volume and weight. These characteristics are constrained by the maximum temperature at which vital components can still operate without harm. Moreover, important rotor component temperatures cannot be measured economically. Temperature estimation methods such as model-based approaches can alleviate the problem of missing thermal information at potentially no additionally required equipment. This work collates a portfolio of data-driven thermal models from the domain of machine learning and investigates their feasibility for the task of accurate thermal modeling on the example of a PMSM data set recorded on a test bench. Aside from the average estimation error, the required amount of model parameters as an approximation for the computational demand dictates design decisions throughout. The whole process of designing a machine learning model is illuminated and carried out for varying linear models; tree-based models; feed-forward, recurrent, and convolutional neural networks, as well as various hybrid gray-box modeling approaches. Moreover, a hybrid modeling paradigm with thermal neural networks is highlighted, which was first introduced by this work's author. Eventually, an expert-designed, data-driven lumped-parameter thermal network is optimized under different algorithms in order to put machine learning models to the test against the state of the art of thermal modeling.