KaydedilenlerDerginizi ekleyin

Dergiler / Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi / 2026 / Cilt: 26 Sayı: 5

KMSM Mıknatıs Sıcaklığının Ağaç Tabanlı Modeller ve SHAP Analizi ile Sensörsüz Kestirimi

Sensorless Estimation of PMSM Magnet Temperature with Tree-Based Models and SHAP Analysis

Emrah Kuzu(MANİSA CELÂL BAYAR ÜNİVERSİTESİ, MANİSA MESLEK YÜKSEKOKULU)0000-0001-9004-2105
Sayfa
1249–1258
Yayın Tarihi
2026-10-06
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bulgular, ağaç tabanlı modellerin yorumlanabilir bir kestirim aracı olarak kullanılabileceğini, sensörsüz kestirim doğruluğunun ise termal dinamiklerin karmaşıklığıyla sınırlandığını ortaya koymaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Kalıcı mıknatıslı senkron motorlarda (KMSM) rotora yerleşik mıknatısların sıcaklığı güç yoğunluğunu ve çalışma güvenliğini belirleyen kritik bir büyüklüktür; ancak dönen rotor üzerinde doğrudan ve ekonomik biçimde ölçülemez.
📊
Temel Bulgular & Veri:Bu çalışmada, açık erişimli bir test düzeneği veri seti (yaklaşık 1,33 milyon örnek, 2 Hz örnekleme) kullanılarak mıknatıs sıcaklığının dolaylı kestirimi iki senaryo altında karşılaştırmalı olarak incelenmiştir.
💡
Sonuç & Katkı:Bulgular, ağaç tabanlı modellerin yorumlanabilir bir kestirim aracı olarak kullanılabileceğini, sensörsüz kestirim doğruluğunun ise termal dinamiklerin karmaşıklığıyla sınırlandığını ortaya koymaktadır.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Kalıcı mıknatıslı senkron motor · Mıknatıs sıcaklığı · Makine öğrenmesi

Özet

Kalıcı mıknatıslı senkron motorlarda (KMSM) rotora yerleşik mıknatısların sıcaklığı güç yoğunluğunu ve çalışma güvenliğini belirleyen kritik bir büyüklüktür; ancak dönen rotor üzerinde doğrudan ve ekonomik biçimde ölçülemez. Bu çalışmada, açık erişimli bir test düzeneği veri seti (yaklaşık 1,33 milyon örnek, 2 Hz örnekleme) kullanılarak mıknatıs sıcaklığının dolaylı kestirimi iki senaryo altında karşılaştırmalı olarak incelenmiştir. Sensörsüz senaryoda yalnızca ölçülebilen elektriksel ve termal büyüklükler ile bunlardan türetilen üstel ağırlıklı hareketli ortalama (EWMA) öznitelikleri kullanılmış; tek adım ileri senaryoda mıknatıs sıcaklığının yakın geçmiş değerleri (gecikme öznitelikleri) öznitelik kümesine eklenmiştir. Her iki senaryoda Ridge regresyonu, Rastgele Orman, LightGBM ve XGBoost modelleri eğitilmiştir. Sensörsüz senaryoda en düşük hatayı XGBoost vermiş (R² = 0,729; RMSE = 6,72 °C); tek adım ileri senaryoda tüm modeller R² ≈ 0,9997 düzeyine ulaşmıştır. Modeller arası farklar Friedman testi ve Kendall uyum katsayısı (W) ile değerlendirilmiş, istatistiksel anlamlılığa karşın etki büyüklüğünün küçük kaldığı (W < 0,04) görülmüştür. SHAP analizi sensörsüz senaryoda baskın sürücünün soğutucu sıcaklığının orta pencereli (w = 1000) hareketli ortalaması, tek adım ileri senaryoda ise bir önceki mıknatıs sıcaklığı değeri olduğunu göstermiştir. Bulgular, ağaç tabanlı modellerin yorumlanabilir bir kestirim aracı olarak kullanılabileceğini, sensörsüz kestirim doğruluğunun ise termal dinamiklerin karmaşıklığıyla sınırlandığını ortaya koymaktadır.

Abstract

In permanent magnet synchronous motors (PMSMs), the temperature of the rotor-mounted magnets is a critical quantity that governs power density and operational safety, yet it cannot be measured directly and economically on the rotating rotor. This study comparatively investigates indirect estimation of magnet temperature under two scenarios using a publicly available test-bench dataset (about 1.33 million samples, 2 Hz sampling). In the sensorless scenario, only measurable electrical and thermal quantities together with derived exponentially weighted moving average (EWMA) features are used; in the one-step-ahead scenario, recent past values of the magnet temperature (lag features) are added to the feature set. Ridge regression, Random Forest, LightGBM, and XGBoost are trained under both scenarios. In the sensorless scenario, XGBoost gives the lowest error (R² = 0.729; RMSE = 6.72 °C), whereas in the one-step-ahead scenario all models reach R² ≈ 0.9997. Differences among models are evaluated with the Friedman test and Kendall coefficient of concordance (W); despite statistical significance, the effect size remains small (W < 0.04). SHAP analysis indicates that the dominant driver is the mid-window (w = 1000) moving average of the coolant temperature in the sensorless scenario, and the previous magnet temperature value in the one-step-ahead scenario. The findings show that tree-based models can serve as an interpretable estimation tool, while sensorless estimation accuracy is limited by the complexity of the thermal dynamics.

🔖

Bu Makaleye Atıf Yap

Kuzu, E. (2026). KMSM Mıknatıs Sıcaklığının Ağaç Tabanlı Modeller ve SHAP Analizi ile Sensörsüz Kestirimi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 26 Sayı: 5, 1249–1258. https://doi.org/10.35414/akufemubid.1965524

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (26)

  1. Al-Gabalawy, M., Elmetwaly, A.H., Younis, R.A. ve Omar, A.I., 2024. Temperature prediction for electric vehicles of permanent magnet synchronous motor using robust machine learning tools. Journal of Ambient Intelligence and Humanized Computing, 15(1), 243-260. https://doi.org/10.1007/s12652-022-03888-9
  2. Bouziane, M., Bouziane, A., Naima, K., Alkhafaji, M.A., Afenyiveh, S.D.M. ve Menni, Y., 2024. Enhancing temperature and torque prediction in permanent magnet synchronous motors using deep learning neural networks and BiLSTM RNNs. AIP Advances, 14(10), 105136. https://doi.org/10.1063/5.0237790
  3. Breiman, L., 2001. Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
  4. Cen, Y., Guo, H., Li, X., Cen, G., Zhao, C. ve Cai, Y., 2025. A new temperature prediction method for PMSM based on a nested depth neural network. Electrical Engineering, 107(8), 10467-10477. https://doi.org/10.1007/s00202-025-03040-8
  5. Chen, T. ve Guestrin, C., 2016. XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. https://doi.org/10.1145/2939672.2939785
  6. Choi, G., 2021. Analysis and experimental verification of the demagnetization vulnerability in various PM synchronous machine configurations for an EV application. Energies, 14(17), 5447. https://doi.org/10.3390/en14175447
  7. Çaşka, S., Kuzu, E., Uysal, A. ve Aydın, M., 2019. İHA otomatik iniş sisteminin ileri kinematik modelinin yapay sinir ağları ile elde edilmesi. 4th International Congress on 3D Printing (Additive Manufacturing) Technologies and Digital Industry, Antalya, Türkiye, 155-159.
  8. Denic, N., Cirkovic, B., Petkovic, D., Nesic, Z. ve Mehmedi, S., 2023. Neuro fuzzy estimation of the optimal parameters for prediction of permanent magnet synchronous motor (PMSM) temperature. Journal of Vibration Engineering and Technologies, 11(5), 2403-2410. https://doi.org/10.1007/s42417-022-00710-w
  9. García, S., Fernández, A., Luengo, J. ve Herrera, F., 2010. Advanced nonparametric tests for multiple comparisons in the design of experiments in computational intelligence and data mining: Experimental analysis of power. Information Sciences, 180(10), 2044-2064. https://doi.org/10.1016/j.ins.2009.12.010
  10. He, L., Feng, Y. ve Yan, Z., 2024. Rotor temperature prediction of PMSM based on LSTM neural networks. Arabian Journal for Science and Engineering, 49, 16685-16696. https://doi.org/10.1007/s13369-024-09213-0
  11. Hughes, R., Haidinger, T., Pei, X. ve Vagg, C., 2023. Real-time temperature prediction of electric machines using machine learning with physically informed features. Energy and AI, 14, 100288. https://doi.org/10.1016/j.egyai.2023.100288
  12. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q. ve Liu, T.Y., 2017. LightGBM: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems, 30, 3146-3154.
  13. Kılıçaslan, N., Gök, K., Çaşka, S. ve Selçuk, A., 2025. Optimizing artificial neural network parameters using Taguchi method: An application of artificial heart pump. Proceedings of the Institution of Mechanical Engineers, Part E: Journal of Process Mechanical Engineering. https://doi.org/10.1177/09544089251336834
  14. Kirchgässner, W., Wallscheid, O. ve Böcker, J., 2019. Empirical evaluation of exponentially weighted moving averages for simple linear thermal modeling of permanent magnet synchronous machines. Proceedings of the 28th IEEE International Symposium on Industrial Electronics (ISIE), 318-323. https://doi.org/10.1109/ISIE.2019.8781195
  15. Kirchgässner, W., Wallscheid, O. ve Böcker, J., 2021a. Data-driven permanent magnet temperature estimation in synchronous motors with supervised machine learning: A benchmark. IEEE Transactions on Energy Conversion, 36(3), 2059-2067. https://doi.org/10.1109/TEC.2021.3052546
  16. Kirchgässner, W., Wallscheid, O. ve Böcker, J., 2021b. Estimating electric motor temperatures with deep residual machine learning. IEEE Transactions on Power Electronics, 36(7), 7480-7488. https://doi.org/10.1109/TPEL.2020.3045596
  17. Kirchgässner, W., Wallscheid, O. ve Böcker, J., 2023. Thermal neural networks: Lumped-parameter thermal modeling with state-space machine learning. Engineering Applications of Artificial Intelligence, 117, 105537. https://doi.org/10.1016/j.engappai.2022.105537
  18. Kuzu, E., Top, S., Kursunoglu, S. ve Altiner, M., 2026. Predictive modeling and SHAP-based interpretability of manganese and iron dissolution in multi-acid leaching systems using hybrid machine learning. Processes, 14(11), 1-26. https://doi.org/10.3390/pr14111716 Lee, J. ve Ha, J.I., 2020. Temperature estimation of PMSM using a difference-estimating feedforward neural network. IEEE Access, 8, 130855-130865. https://doi.org/10.1109/ACCESS.2020.3009503
  19. Liu, Z., Kong, W., Fan, X., Li, Z., Peng, K. ve Qu, R., 2024. Hybrid thermal modeling with LPTN-informed neural network for multi-node temperature estimation in PMSM. IEEE Transactions on Power Electronics, 39(9), 10897-10909. https://doi.org/10.1109/TPEL.2024.3409388
  20. Lundberg, S.M. ve Lee, S.I., 2017. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765-4774.
  21. Lundberg, S.M., Erion, G., Chen, H., DeGrave, A., Prutkin, J.M., Nair, B., Katz, R., Himmelfarb, J., Bansal, N. ve Lee, S.I., 2020. From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2(1), 56-67. https://doi.org/10.1038/s42256-019-0138-9
  22. Reigosa, D.D., Briz, F., García, P., Guerrero, J.M. ve Degner, M.W., 2010. Magnet temperature estimation in surface PM machines using high-frequency signal injection. IEEE Transactions on Industry Applications, 46(4), 1468-1475. https://doi.org/10.1109/TIA.2010.2049816
  23. Shan, J., Che, Z. ve Liu, F., 2025. Accurate rotor temperature prediction of permanent magnet synchronous motor in electric vehicles using a hybrid RIME-XGBoost model. Applied Sciences, 15(7), 3688. https://doi.org/10.3390/app15073688
  24. Uysal, A., Gokay, S., Soylu, E., Soylu, T. ve Çaşka, S., 2019. Fuzzy proportional-integral speed control of switched reluctance motor with MATLAB/Simulink and programmable logic controller communication. Measurement and Control, 52(7-8), 1137-1144. https://doi.org/10.1177/0020294019858188
  25. Wallscheid, O., 2021. Thermal monitoring of electric motors: State-of-the-art review and future challenges. IEEE Open Journal of Industry Applications, 2, 204-223. https://doi.org/10.1109/OJIA.2021.3091870
  26. Wallscheid, O. ve Böcker, J., 2016. Global identification of a low-order lumped-parameter thermal network for permanent magnet synchronous motors. IEEE Transactions on Energy Conversion, 31(1), 354-365. https://doi.org/10.1109/TEC.2015.2473673