Titel

Vorrichtung und Verfahren zum Bestimmen von Hotspot-Temperaturen eines Rotors und eines Stators

Die vorliegende Erfindung betrifft eine Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine sowie einer Hotspot-Temperatur eines Stators der elektrischen Maschine. Weiter betrifft die Erfindung ein Verfahren zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine sowie einer Hotspot-Temperatur eines Stators der elektrischen Maschine.

Stand der Technik

Für elektrische Maschinen im Automobilbereich ist die Bestimmung der Rotortemperatur sowie der Statortemperatur wichtig, um negative Effekte wie ein Überhitzen und dadurch ein vorzeitiges Derating zu vermeiden. Die Temperaturen können anhand von Daten eines Sensors bestimmt werden. Dies ist jedoch mit hohem konstruktionstechnischem Aufwand sowie Komponentenkosten für Sensor und dessen Systemintegration verbunden.

Daher wird zur Bestimmung von Rotortemperatur und Statortemperatur der E- Maschine meist auf eine physikalische Modellierung zurückgegriffen. Ein beispielhaftes Verfahren zur Ermittlung der Rotortemperatur einer Synchronmaschine ist aus der EP 2 318 818 Bl bekannt.

Physikalische Modelle als Software-Lösung unterliegen Einschränkungen hinsichtlich der Rechenkapazität und des Speicherbedarfs, weswegen häufig schnellrechnende, modellordnungsreduzierte Varianten des physikalischen Modells eingesetzt werden. Dabei wird in der Regel in Kauf genommen, dass die Genauigkeit des physikalischen Modells sinkt.

Neben der Limitierung hinsichtlich der Genauigkeit können physikalische Modelle in der Regel keine Serienstreuungseffekte abbilden. Diverse Wärmeflüsse können mit den schnellrechnenden physikalischen Modellen nur unzureichend genau abgebildet werden. Dies resultiert in der Regel in einer Überdimensionierung der Eingriffsgrenzen bezüglich Derating, was zu geringerer Leistung und zu höheren Kosten der elektrischen Maschine führt.

Zur Temperatursensierung kann ein Negative Temperature Coefficient (NTC)- Sensor zum Einsatz kommen, der einer virtuellen Software-Sensierung des Rotors mittels physikalischem Modell als Eingang dient. Dieser Sensor kann hochdynamische Temperaturänderungen und Schwankungen nicht genau erfassen und sensiert aufgrund seiner Trägheit die Stator-Temperatur zeitverzögert.

Die modellierte Stator-Temperatur stellt die aktuell kritische Temperatur als Eingang zur virtuellen Rotortemperaturberechnung des physikalischen Modells dar. In der Realität ist die Temperatur des Stators, die den physikalischen Wärmeaustausch zum Rotor beschreibt, jedoch nicht die Temperatur am Hotspot, sondern häufig deutlich kleiner und zudem abhängig von Umgebungsbedingungen. Dies kann zu einer ungenauen Schätzung der Rotortemperatur führen.

Offenbarung der Erfindung

Die vorliegende Erfindung betrifft ein Verfahren sowie eine Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine sowie einer Hotspot-Temperatur eines Stators der elektrischen Maschine mit den Merkmalen der unabhängigen Patentansprüche.

Bevorzugte Ausführungsformen sind Gegenstand der jeweiligen Unteransprüche.

Gemäß einem ersten Aspekt betrifft die Erfindung demnach eine Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot-Temperatur eines Stators der elektrischen Maschine. Die Vorrichtung umfasst eine Schnittstelle und eine Recheneinrichtung. Die Schnittstelle empfängt eine am Stator gemessene Temperatur und Eingangsgrößen, welche vom Betrieb der elektrischen Maschine abhängig sind. Die Recheneinrichtung berechnet anhand der am Stator gemessenen Temperatur unter Verwendung eines ersten Künstliche-Intelligenz-Modells die Hotspot-Temperatur des Stators. Die Recheneinrichtung berechnet weiter anhand der am Stator gemessenen Temperatur und der Eingangsgrößen unter Verwendung eines zweiten Künstliche-Intelligenz-Modells die Hotspot- Temperatur des Rotors.

Gemäß einem zweiten Aspekt betrifft die Erfindung demnach ein computerimplementiertes Verfahren zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot-Temperatur eines Stators der elektrischen Maschine. Eine am Stator gemessene Temperatur und Eingangsgrößen werden empfangen, welche vom Betrieb der elektrischen Maschine abhängig sind. Die Hotspot-Temperatur des Stators wird anhand der am Stator gemessenen Temperatur unter Verwendung eines ersten Künstliche- Intelligenz-Modells berechnet. Die Hotspot-Temperatur des Rotors wird anhand der am Stator gemessenen Temperatur und der Eingangsgrößen und unter Verwendung eines zweiten Künstliche-Intelligenz-Modells berechnet.

Gemäß weiteren Aspekten betrifft die Erfindung ein Computerprogrammprodukt sowie ein nichtflüchtiges, computerlesbares Speichermedium mit Programmcode zum Ausführen des computerimplementierten Verfahrens.

Vorteile der Erfindung

Die Vorrichtung ist grundsätzlich für Konsumgüter und Automotive-Anwendungen bzgl. Temperatur- oder Zustandssensierung einsetzbar.

Die Erfindung ermöglicht die virtuelle Sensierung von Stator- und Rotortemperatur der elektrischen Maschine unter Zuhilfenahme von Künstliche- Intelligenz-Modellen. Es werden skalierbare Machine-Learning Algorithmen verwendet, indem künstliche Intelligenz mit Domänenwissen kombiniert wird.

Die Erfindung ermöglicht eine genaue, echtzeitfähige Hotspot- Bestimmung der Temperatur. Dadurch können Derating-Grenzen zum Bauteilschutz weniger konservativ ausgelegt werden, was Kosten spart, ohne die Leistung zu beeinträchtigen. Eine modellbasierte physikalische Temperatursensierung kann mit statistischen Künstliche-Intelligenz-Modellen kombiniert werden, welche die Fähigkeit haben, die physikalische Ungenauigkeit und Unschärfe zu kompensieren.

Weiter können speicherintensive Verlustkennfelder durch implizierte Modellierung mit Künstliche-Intelligenz-Modellen effizient gespeichert werden.

Gemäß der Erfindung ist unter „Hotspot-Temperatur“ eine Maximaltemperatur zu verstehen, d. h. eine Temperatur in einem Hotspot.

Gemäß einer weiteren Ausführungsform der Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot- Temperatur eines Stators der elektrischen Maschine umfassen die Künstliche- Intelligenz-Modell Machine-Learning-Verfahren zur Anomalie-Detektion oder Berechnung von Gaußprozessen mit Konfidenzintervallen bezüglich der Ausgabe. Dadurch liegt eine hohe Erklärbarkeit und Interpretierbarkeit des „virtuellen Sensors“ zur Berechnung der Hotspot-Temperaturen vor, welche mit statistischer Signifikanz bewertet werden kann. Die Anomalie-Detektion ermöglicht im Betrieb durch konsequentes Pipeline-Monitoring ein Frühwarnsystem.

Gemäß einer weiteren Ausführungsform der Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot- Temperatur eines Stators der elektrischen Maschine ist die Recheneinrichtung weiter dazu ausgebildet ist, die am Stator gemessene Temperatur und/oder die Eingangsgrößen zu plausibilisieren. Die Plausibilisierung kann unter Zuhilfenahme physikalischer Modelle erfolgen. Bevorzugt wird eine datengetriebene Anomalie-Detektion, z.B. mittels Autoencoder, verwendet. Hierzu werden nur korrekte Daten, also keine gelabelten Anomalie-Daten benötigt. Dadurch kann automatisiert eine Anomalie detektiert werden und daher können rechtzeitig, also bevor es zum Schadensfall kommt, Eingriffsmaßnahmen vollzogen werden.

Gemäß einer weiteren Ausführungsform der Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot- Temperatur eines Stators der elektrischen Maschine ist die Recheneinrichtung weiter dazu ausgebildet, das Plausibilisieren unter Verwendung einer physikalischen Formel und/oder eines Künstliche-Intelligenz-Verfahrens durchzuführen.

Gemäß einer weiteren Ausführungsform der Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot- Temperatur eines Stators der elektrischen Maschine ist die Recheneinrichtung weiter dazu ausgebildet, zum Berechnen der Hotspot-Temperatur des Rotors anhand der am der Stator gemessenen Temperatur mittels des zweiten Künstliche-Intelligenz-Modells eine Temperatur an einem dem Rotor zugewandten Bereich des Stators zu berechnen.

Gemäß einer weiteren Ausführungsform der Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot- Temperatur eines Stators der elektrischen Maschine ist die Recheneinrichtung weiter dazu ausgebildet, zum Berechnen der Hotspot-Temperatur des Rotors: anhand mindestens einer der Eingangsgrößen mittels eines physikalischen Modells einen ersten Beitrag zum Wärmeübergang am Rotor zu berechnen, anhand der berechneten Temperatur an dem dem Rotor zugewandten Bereich des Stators und anhand mindestens einer der Eingangsgrößen mittels eines dritten Künstliche-Intelligenz-Modells einen zweiten Beitrag zum Wärmeübergang am Rotor zu berechnen, und anhand des ersten Beitrags und des zweiten Beitrags zum Wärmeübergang am Rotor die Temperatur des Rotors zu berechnen. Somit wird ein Hybridmodell bereitgestellt, welches die Rotor-Temperatur berechnet.

Gemäß einer weiteren Ausführungsform umfasst die Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot-Temperatur eines Stators der elektrischen Maschine weiter einen Temperatursensor, welcher dazu ausgebildet ist, die Temperatur am Stator zu messen. Der Temperatursensor kann insbesondere ein Negative-Temperature- Coefficient, NTC, -Sensor sein.

Gemäß einer weiteren Ausführungsform der Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot- Temperatur eines Stators der elektrischen Maschine werden das erste Künstliche-Intelligenz-Modell und/oder das zweite Künstliche-Intelligenz-Modell auf Basis von Telemetrie- Messungen trainiert und validiert.

Gemäß einer weiteren Ausführungsform der Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot- Temperatur eines Stators der elektrischen Maschine umfassen das erste Künstliche-Intelligenz-Modell und/oder das zweite Künstliche-Intelligenz-Modell künstliche neuronale Netze oder einen Gaußprozess-Regressor.

Gemäß einer weiteren Ausführungsform der Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot- Temperatur eines Stators der elektrischen Maschine umfasst das dritte Künstliche-Intelligenz-Modell einen Gaußprozess-Regressor. Der Gaußprozess weißt eine hohe physikalische Interpretierbarkeit auf, da immer genau bekannt ist, wie hoch die Unsicherheit der Korrektur ist.

Gemäß einer weiteren Ausführungsform der Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot- Temperatur eines Stators der elektrischen Maschine wird für die Hotspot- Temperatur des Rotors eine Unsicherheit berechnet, etwa anhand des oben beschriebenen Gaußprozesses.

Gemäß einer weiteren Ausführungsform der Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot- Temperatur eines Stators der elektrischen Maschine werden zum Trainieren und Testen des physikalischen Modells sowie des Gaußprozesses Telemetrie- Messungen verwendet. Auch weitere Daten, etwa aus der Flotte, können hierbei einfließen.

Gemäß einer weiteren Ausführungsform des Verfahrens zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot- Temperatur eines Stators der elektrischen Maschine werden das erste Künstliche-Intelligenz-Modell und das zweite Künstliche-Intelligenz-Modell anhand von Prüfstanddaten der elektrischen Maschine trainiert. Dadurch können Serienstreuungseffekte und Maschinen- und Sensoren-Alterungseffekte berücksichtigt werden und gehen in die Temperatur-Berechnung ein. Kurze Beschreibung der Zeichnungen

Es zeigen:

Figur 1 ein schematisches Blockdiagramm einer elektrischen Maschine sowie einer Vorrichtung zum Bestimmen einer Hotspot-Temperatur eines Rotors der elektrischen Maschine und einer Hotspot- Temperatur eines Stators der elektrischen Maschine gemäß einer Ausführungsform der Erfindung;

Figur 2 ein schematisches Blockdiagramm zur Erläuterung der Berechnung der Hotspot-Temperatur des Rotors der elektrischen Maschine und der Hotspot-Temperatur des Stators der elektrischen Maschine;

Figur 3 ein schematisches Blockdiagramm zur Erläuterung der Berechnung der Hotspot-Temperatur des Rotors der elektrischen Maschine;

Figur 4 ein schematisches Blockdiagramm zur Erläuterung eines Training- Verfahrens des dritten Künstliche-Intelligenz-Modells; und

Figur 5 ein Flussdiagramm eines Verfahrens zum Bestimmen einer Hotspot-Temperatur eines Rotors einer elektrischen Maschine und einer Hotspot-Temperatur eines Stators der elektrischen Maschine gemäß einer Ausführungsform der Erfindung.

In allen Figuren sind gleiche bzw. funktionsgleiche Elemente und Vorrichtungen mit denselben Bezugszeichen versehen. Die Nummerierung von Verfahrensschritten dient der Übersichtlichkeit und soll im Allgemeinen keine bestimmte zeitliche Reihenfolge implizieren. Insbesondere können auch mehrere Verfahrensschritte gleichzeitig durchgeführt werden.

Beschreibung der Ausführungsbeispiele Figur 1 zeigt ein schematisches Blockdiagramm einer elektrischen Maschine 2 sowie einer Vorrichtung 1 zum Bestimmen einer Hotspot-Temperatur eines Rotors 3 der elektrischen Maschine 2 und einer Hotspot-Temperatur eines Stators 4 der elektrischen Maschine 2. Die elektrische Maschine 2 umfasst weiter ein Kühlmittelreservoir 5.

Die Vorrichtung umfasst eine Schnittstelle 11 und eine Recheneinrichtung 12. Die Schnittstelle 11 ist vorzugweise kabelgebunden, kann jedoch auch eine drahtlose Schnittstelle sein. Die Recheneinrichtung 12 umfasst Speicher zum Ablegen der empfangenen Daten sowie Rechenkomponenten, wie etwa Mikroprozessoren, anwendungsspezifizierte Schaltungen (ASICs) oder dergleichen.

Die Schnittstelle empfängt eine mittels eines Temperatursensors 6 am Stator 4 gemessene Temperatur. Der Temperatursensor ist bevorzugt ein Negative- Temperature-Coefficient, NTC, -Sensor.

Über die Schnittstelle 11 werden weiter Eingangsgrößen empfangen, welche vom Betrieb der elektrischen Maschine abhängig sind. Die Eingangsgrößen umfassen physikalische bzw. mechanische Größen (etwa Temperaturen, ein Drehmoment, eine Drehzahl und dergleichen) und/oder elektrische Größen (etwa Ströme, Modulationsgrößen und dergleichen).

Die Recheneinrichtung 12 berechnet anhand der am Stator 4 gemessenen Temperatur unter Verwendung eines ersten Künstliche-Intelligenz-Modells die Hotspot-Temperatur des Stators 4. Die Recheneinrichtung 12 berechnet weiter gleichzeitig oder anschließend anhand der am Stator 4 gemessenen Temperatur und der Eingangsgrößen unter Verwendung eines zweiten Künstliche-Intelligenz- Modells die Hotspot-Temperatur des Rotors 3. Zumindest einige der Eingangsgrößen können auch zum Berechnen der Hotspot-Temperatur am Stator 4 herangezogen werden.

Das erste und das zweite künstliche Intelligenz-Modell kann jeweils ein neuronales Netz oder einen Gaußprozess- Regressor umfassen.

Die berechnete Hotspot-Temperaturen des Rotors 3 und des Stators 4 können über die Schnittstelle 11 ausgegeben werden. Ein Steuergerät kann beispielsweise die berechnete Hotspot-Temperaturen des Rotors 3 und des Stators 4 empfangen und zum Steuern der elektrischen Maschine 2 verwenden.

Figur 2 zeigt ein schematisches Blockdiagramm zur Erläuterung der Berechnung der Hotspot-Temperatur des Rotors 3 der elektrischen Maschine 2 und der Hotspot-Temperatur des Stators 4 der elektrischen Maschine 2.

Hierbei misst der Temperatursensor 6 eine Temperatur am Stator 4, welche jedoch noch nicht zwingend die Hotspot-Temperatur bzw. Maximaltemperatur am Stator 4 ist. Diese mittels NTC abgeschätzte Temperatur wird von einem Anomaliedetektor 121 plausibilisiert, etwa anhand von Autoencodern.

Die plausibilisierte Statortemperatur Tstator.wre dient als Eingangsgröße für ein erstes Künstliche-Intelligenz-Modell 123 sowie ein zweites Künstliche-Intelligenz- Modells 124.

Weiter werden Eingangsgrößen h, I _n bereitgestellt, welche wiederum von einem Anomaliedetektor 122 plausibilisiert werden. Die Eingangsgrößen h, I _n können Ströme der elektrischen Maschine 2, Spannungen der elektrischen Maschine 2, eine DC-Link-Spannung einer mit der elektrischen Maschine 2 gekoppelten Batterie, einen effektiven Phasenstrom der elektrischen Maschine 2, eine Pulsweitenmodulationsfrequenz, eine Drehzahl der elektrischen Maschine 2, ein Drehmoment der elektrischen Maschine 2, Modulationsgrößen der elektrischen Maschine 2, eine Umgebungstemperatur der elektrischen Maschine 2 und/oder eine Getriebetemperatur eines mit der elektrischen Maschine 2 gekoppelten Getriebes umfassen.

Die Eingangsgrößen werden dem zweiten Künstliche-Intelligenz-Modell 124 sowie einem hybriden Modell 125 bereitgestellt.

Das zweite Künstliche-Intelligenz-Modell 124 dazu ausgebildet, eine Temperatur TS/R des Stator 4 zum Rotor 3 hin zu berechnen, welche dem hybriden Modell 120 bereitgestellt wird.

Das hybride Modell 125 umfasst ein physikalisches Modell 1251 zum Berechnen eines ersten Beitrags zum Wärmeübergang am Rotor 3, sowie ein drittes Künstliche-Intelligenz-Modell 1252 zum Berechnen eines zweiten Beitrags zum Wärmeübergang am Rotor 3. Anhand des ersten Beitrags und des zweiten Beitrags zum Wärmeübergang am Rotor 3 wird die Temperatur des Rotors 3 berechnet. Das dritte Künstliche-Intelligenz-Modell 1252 kann dazu ausgebildet sein, Informationen 7 über die Serienstreuung zu empfangen und zu berücksichtigen.

Figur 3 zeigt ein schematisches Blockdiagramm zur Erläuterung der Berechnung der Hotspot-Temperatur des Rotors 3 der elektrischen Maschine 2 mittels des hybriden Modells 125. Es handelt sich hierbei um ein 1-Knoten Netzwerk-Modell.

Die Temperatur T _cool (t') des Kühlmittels 5 sowie die Temperatur T _stat (t) am Stator 4 werden als Eingangsgröße empfangen. Weiter werden die oben beschriebenen Eingangsgrößen h, ... I _n dem dritten Künstliche-Intelligenz- Modells 1252 bereitgestellt.

Eine Differenz der aktuellen Temperatur des Kühlmittels 5 und der zuletzt berechneten Hotspot-Temperatur des Rotors 3 wird von der Recheneinrichtung 12 berechnet:

T _C ool(t) ~ Trotzt ~ 1).

Weiter berechnet die Recheneinrichtung 12 eine Differenz der aktuellen Temperatur des Stators 4 und der zuletzt berechneten Hotspot-Temperatur des Rotors 3:

^statC ^— T _rO t(.t ~ 1)-

Durch eine Multiplikation 104 mit einer in einer ersten Look-up-Tabelle 102 abgelegten spezifischen Wärmeleitfähigkeit des Kühlmittels 5 wird ein Wärmefluss vom Kühlmittel 5 zum Rotor 3 berechnet. Weiter wird durch Multiplikation 105 mit einer in einer zweiten Look-up-Tabelle 103 abgelegten spezifischen Wärmeleitfähigkeit des Stators 4 ein Wärmefluss vom Stator 4 zum Rotor 3 berechnet. Die beiden berechneten Wärmeflüsse stellen einen ersten Beitrag zum, insbesondere konvektiven, Wärmeübergang am Rotor 3 dar. Das dritte Künstliche-Intelligenz-Modell 1252 berechnet anhand der Eingangsgrößen h, ... I _n einen zweiten Beitrag zum Wärmeübergang am Rotor 3. Der erste Beitrag zumWärmeübergang am Rotor 3 wird mit dem zweiten Beitrag zum Wärmeübergang am Rotor 3 aufsummiert 106. Insbesondere die Wärmeverluste innerhalb des Rotors 3 stellen einen zweiten Beitrag zum Wärmeübergang am Rotor 3 dar.

Die Recheneinrichtung 12 teilt 107 die aufsummierten Beiträge zum Wärmeübergang am Rotor 3 durch die spezifische Wärmekapazität C _{th rot} des Rotors 3, wobei die spezifische Wärmekapazität C _{th rot} des Rotors 3 das Verhältnis der zugeführten bzw. abgeführten Wärme und der damit bewirkten Temperaturänderung ist:

Diese Größe wird über die Zeit integriert 108, sodass die momentane Hotspot- Temperatur des Rotors 3 berechnet wird 109.

Die Berechnung des ersten Beitrags sowie die Berechnung des zweiten Beitrags können bevorzugt parallel ausgeführt werden.

Figur 4 zeigt ein schematisches Blockdiagramm zur Erläuterung eines Training- Verfahrens des dritten Künstliche-Intelligenz-Modells 1252. Durch die Trennung in einen statischen Anteil (stationäres Verlustkennfeld) und einen dynamischen Teil wird das Training des dritten Künstlichen-Intelligenz-Modells 1252 erleichtert und dessen Größe reduziert. Für jeden Typ von elektrischer Maschine 2 wird bevorzugt ein eigenes Künstliche-Intelligenz-Modell trainiert. In der Applikationsphase wird das Künstliche-Intelligenz-Modell 1252 mit Prüfstandmessungen trainiert, um Features (Label) zu berechnen. Die Prüfstandmessungen können Telemetrie-Messungen der Hotspot-Temperatur des Rotors 3 unter verschiedenen Last- und Umgebungsbedingungen sein.

Für das Training des dritten Künstliche-Intelligenz-Modells 1252 wird das benötigte Label aus den Telemetrie-Messungen der Hotspot-Temperatur des Rotors 3 (109) rückwärts bestimmt. Hierzu erfolgt eine Zeitintegration, um eine Differenz der aktuellen Hotspot-Temperatur des Rotors 3 und der vorherigen Hotspot-Temperatur des Rotors 3 zu berechnen (A): T = T _rot t) - T _rot t - 1).

Weiter erfolgt eine Multiplikation mit der spezifischen Wärmekapazität C _{th rot} des Rotors 3 (B):

Durch Herausrechnen des ersten Beitrags wird schließlich der Wärmeverlust Pioss ^am Rotor als Label berechnet. Dieses Label wird zum Trainieren des dritten Künstliche-Intelligenz-Modells 1252 verwendet. Das trainierte dritte Künstliche- Intelligenz-Modell 1252 für die Wärmeverluste-Modellierung wird danach vorwärts als Baustein im gesamten hybriden Modell zur Berechnung der Hotspot- Temperatur des Rotors 3 eingesetzt.

Die Robustheit des dritten Künstliche-Intelligenz-Modells 1252 kann optional durch das Training mit künstlich-verrauschten Daten gewährleistet werden. Die Datensätze werden dabei durch das systematische Addieren von Rauschen zu den Trainingssignalen angereichert. Diese Methode gewährleistet die Robustheit und eine gewisse Rauschtoleranz des dritten Künstliche-Intelligenz-Modells 1252.

Weiter können Plausibilisierungsfunktionen eingesetzt werden, um die Eingangsgrößen (z.B. die Temperatur von Stator 4 oder Kühlmittel 5) auf (Sensor-) Fehler zu überprüfen. Diese Plausibilisierung kann mit mindestens einer physikalischen Formel erfolgen, anhand welcher überprüft wird, ob die Eingangswerte innerhalb eines physikalisch-validen Bereiches liegen. Die Plausibilisierung kann auch anhand von Machine-Learning-Methoden erfolgen, welche Anomalien detektieren können.

Im Fall eines Sensorausfalls oder einer Fehlerdetektion wird das dritte Künstliche-Intelligenz-Modell 1252 auf den letzten plausiblen Wert des betroffenen Eingangssignals referenzieren und eine Worst-Case-Prädiktion der Temperatur des Rotors 3 liefern, um den Bauteilschutz zu gewährleisten. Figur 5 zeigt ein Flussdiagramm eines Verfahrens zum Bestimmen einer Hotspot- Temperatur eines Rotors 3 einer elektrischen Maschine 2 und einer Hotspot- Temperatur eines Stators 4 der elektrischen Maschine 2.

In einem ersten Schritt S1 werden eine am Stator 4 gemessene Temperatur und Eingangsgrößen empfangen, welche vom Betrieb der elektrischen Maschine 2 abhängig sind.

In einem zweiten Schritt S2 wird die Hotspot-Temperatur des Stators 4 anhand der am Stator 4 gemessenen Temperatur unter Verwendung eines ersten Künstliche-Intelligenz-Modells 123 berechnet.

In einem dritten Schritt S3 wird die Hotspot-Temperatur des Rotors 3 anhand der am Stator 4 gemessenen Temperatur und der Eingangsgrößen und unter Verwendung eines zweiten Künstliche-Intelligenz-Modells 124 berechnet.

In einem vierten Schritt S4 werden die berechneten Hotspot-Temperatur des Rotors 3 und des Stators 4 ausgegeben und beispielsweise von einem Steuergerät zum Steuern der elektrischen Maschine 2 verwendet.