Der Beitrag "Application of Thermal Neural Networks on a Small-Scale Electric Motor" von Wilhelm Kirchgässner, Daniel Wöckinger, Oliver Wallscheid, Gerd Bramerdorfer und Joachim Böcker (Kooperation der UPB und der JKU Linz) gewann einen von drei Zweitplatzierungen für den Best Paper Award auf der Tagung "Innovative Kleinantriebs- und Kleinmotorentechnik" (IKMT) 2022 in Linz.
Inhaltlich ging es in dem Beitrag um die datengetriebene thermische Graybox-Modellierung von Kleinmotoren mit Außenläufer-Rotor und wie diese mit thermischen neuronalen Netzen (TNN) im Vergleich zu klassischen thermischen Ersatzschaltbildern mit konzentrierten Parametern gewonnen werden. Dabei konnte gezeigt werden, dass TNNs eine höhere Schätzgüte bei einem Bruchteil der Identifikations-/Trainingszeit erreichen und hierfür sogar keine Leistungsmesswerte benötigen. TNNs erreichen dies durch eine besondere Kombination von künstlichen neuronalen Netzen mit Differentialgleichungen aus der Wärmelehre und durch das Anlernen mithilfe von thermischen Messdaten. Die Modellgröße wächst zwar auf das Fünffache an, jedoch ist dies aufgrund der geringen Samplingrate für die Temperaturschätzung und aufgrund eines geringen Speicherbedarfs wegen nichtbenötigter Leistungsmessdaten bei Weitem echtzeitfähig. Darüber hinaus reduziert sich allgemein bei TNNs die Design-Zeit substanziell, da kein Expertenwissen über das System erforderlich ist, weder in Form von Geometrie noch Materialdaten.
