导言：数字孪生技术与人工智能技术的发展推动以电力电子为核心的逆变器成为"智能"控制单元，从而具备自适应配置，状态检测等能力，叠加传感器融合技术，还可以实现优化系统并预测组件寿命的目标；为了理解如何在电机控制和电力电子系统应用环节结合人工智能技术应用，本文介绍了数字化，数字孪生和智能逆变器基本概念，说明了如何通过传感器数据融合技术，智能数据处理技术实现电机及逆变器的状态监控和预警，这些技术在高维护成本与高可靠性领域将更有应用优势，但面临建模方法、数据处理、传感器融合等技术障碍，需软硬件协同及跨方合作实现突破。

引用：NXP

目录

1. 介绍

• 1.1 什么是数字化，数字孪生能带来什么？
• 1.2 什么是“智能或者智慧逆变器”？

2. 使用数字孪生技术智能逆变器的当前和未来需求

• 2.1 传感器数据融合+测量和存储数据的质量/数量
• 2.2 智能数据处理与人工智能(AI)
• 2.3 状态监控及预警(功率变换器/逆变器监控，电机本体监控，能量供给/下游用户监控)(待更新)

3. 智能逆变器和数字化早期应用阶段会出现的技术障碍(待更新)

4. 总结

01 介绍

电力电子技术的全方面发展，使快速原型设计和开发适用于广泛应用场景和功率等级的工业电机驱动系统成为可能。但要实现真正的自主性，电力电子逆变器必须发展成为 “智能” 单元 — 不仅能够适应任何电源 / 负载波动，还能根据运行条件的变化进行自我配置。这些条件包括适应所需电路拓扑变化的能力，无论是客户需求（基于应用场景）还是故障条件 / 元件损坏（基于保护和可靠性）；通过软件定义的拓扑控制和半导体开关的开关状态，还可以提高效率；同时，进一步的模块化改进可融入自主添加 / 移除传感器和执行器的能力，以增加系统的数据收集和功能。这些数据收集还使 “智能逆变器” 能够通过数字孪生概念（数字化）提供状态监测和寿命预测，从而制定智能维护和报废方案；此外，为了充分利用 “智能逆变器” 所支持的人工智能能力，还需要应用 “大数据” 技术。

电力电子技术未来十年一定会蓬勃发展的驱动力有：提高能源效率，减少二氧化碳排放量以遏制气候变化，数字化；同时，电力电子技术对数字化大趋势的贡献还体现在其他方面：

• 工业领域的智能自学习系统(如自动化);
• 分布式驱动系统、生产工厂的直流电网；
• 状态与健康监测;
• 包含数字控制和智能电表的智能电网;
• 智能家居、办公室和商店（包括直流微电网）;
• 数字基础设施电源（如数据中心、基站）;

1.1 什么是数字化，数字孪生能带来什么？

数字孪生（Digital Twin）一词由格里夫斯博士于 2002 年首次提出，用于描述一个实体，该实体拥有一个物理对象、一个虚拟产品以及这两者之间的相互联系。就电力电子系统（如变频器）而言，这种数字化需要一个基于物理的系统模型（几何、电气、热、机械等），该模型来自已知的运行模式和实时/历史数据集，目的是根据物理传感器的实时输入数据，对系统进行超逼真模拟，如下图所示。由此产生的仿真数据可以与物理系统连接，以监控和预测由数字孪生系统设计时的使用案例决定的系统状态和行为。这项技术尤其适用于提高效率、监测系统状态和预测系统组件的使用寿命（EOL），但这一过程需要收集、交互、存储和解析大量数据，具体取决于物理系统及其使用情况的复杂程度。

引用：ECPE

故障预测数字孪生系统的实现通常由两种方式：一是使用较少但处理更快的数据，另一种是使用更多的数据。

数字孪生所需的数据包括物理系统生命周期内的实时和历史信息，包括设计规范数据、运行数据和维护记录，所有这些数据都需要存储在物理系统中，或通过云技术进行存储，以便通过前面提到的基于物理的建模进行适当解析。为了让数字孪生与物理系统进行交互，需要有一系列的接口，以便进行通信、控制和可视化(取决于系统所需的建模水平）。

1.2 什么是“智能或者智慧逆变器”？

在传统的自动化流程中，变频器的基本功能是通过改变供电功率来控制电机输出（速度或扭矩）。为了实现这一功能，需要对系统进行某种形式的传感，以形成对电机（自动化）的机械负载（过程），从而实现某种形式的基本控制（例如速度的闭环反馈）。这就使得变频器成为自动化和过程之间最重要的纽带，以实现所需的系统输出--比如恒速过程：只要控制器能保持工艺流程的恒定速度，系统的功能就已完成；然而，在系统的使用期限内，用例和运行模式可能会发生变化，组件也会磨损或必须更换为替代技术。这就需要改变运行方式和服务间隔，储备备件，并确保这些备件的未来供应，利用变频器作为整个系统（即供电、电气传动、电机和负载）的传感器，可从电压、电流和温度等方面捕捉信息，并与其他传感器输入（实时监测或售后更新的数据）结合使用，作为数字孪生概念的一部分，提供预报和状态监测，从而提高效率，预测和减少过程、自动化（电机）、变频器本身甚至系统供电中的故障。

如下图所示为智能逆变器作为智能传感器，采集系统内部数据，并对运行过程进行实时评估的示例；智能逆变器的特性及关键组件为：

引用：Siemens

• 更加智能的使用传感器数据(内置传感器或者基于售后反馈数据)
• 电流、电压、温度、振动（包括声学）、速度、扭矩、电磁场和气候/湿度；
• 具有分布式智能(评估逻辑)的传感器；

• 智能组件
• 智能电源模块，智能栅极驱动器(用于智能控制和设备结温估算等);
• 针对已知和新拓扑结构的扩展控制程序，以扩展工作流程和提高效率--系统有能力重新配置其操作，以处理客户的特定操作、减少损失或解决故障问题；

• 通信：系统总线，电力通信，无线通信
• 内部通信：组件与组件之间的通信，即 控制器与传感器之间；
• 外部通信：与设备，电源，负载，自动化系统，控制中心，存储中心(例如硬件或者基于云计算)的通信；

• 进一步利用内外部存储数据，实现智能化
• 存储和评估物理数据（电压、电流、频率、功率因数、总谐波失真等）
• 用于电力电子设备（智能栅极控制、PWM......）可承担额外的系统功能，由微控制器、FPGA 等进行必要的数据处理；
• 评估数据的数学方法：傅立叶分析、卡尔曼滤波/观测器技术等；
• 优化运行参数；
• 物理建模技术(在线或者云端)的联合仿真；
• 分析趋势、因果关系、状态监测和预测，例如剩余使用寿命 (RUL) 或寿命终止 (EOL) 预测 ；
• 用于状态监测和预报的机器学习（ML）、人工神经网络（ANN）和其他人工智能（A.I.）技术 ;
• 应用/使用上述所有技术，提供系统的数字孪生体;

02 

使用数字孪生技术

智能逆变器的当前和未来需求

智能逆变器的功能实现需要匹配必要的智能计算单元，数据存储，处理和通信相关模块，这些新的功能模块会对成本带来一定影响，因此未来智能逆变器的应用主要面对两种应用场景：一是高维护成本场景，可以通过对组件进行适当的状态监测可降低维护成本；另一种是高可靠性需求场景，如高压直流输电（HVDC）、航空航天和汽车等安全关键型应用，这些领域中组件的使用寿命终止（EOL）可能导致高昂的运行中断损失，甚至危及生命。

随着云端、本地微控制器和现场设备计算能力与速度的提升，更短时间内可获取更多数据，这使得更广泛的数据分析成为可能，为更广泛的用例、节能以及日益重要的预测技术发展开辟了道路；但其缺点在于需要传输大量数据，这会导致各级通信负荷增加，进而需要重新思考工业自动化中的通信和安全协议 —从集中式控制转向可能更依赖 5G 的分散式系统间通信模式。

2.1 传感器数据融合+测量和存储数据的质量/数量

理想情况下，智能逆变器应成为自动化流程中的传感系统，不仅能通过现有逆变器传感器（电流、电压、温度）记录数据，还能通过智能分析这些数据识别电源、逆变器、电机甚至负载的潜在问题。某些应用可能需要额外传感器（如振动或电磁场传感器），但这些传感器需要供电并连接至数据处理单元，从而增加成本、实施难度和故障概率。理想情况下，湿度和腐蚀传感器可用于解读与寿命相关的环境参数 —— 尽管湿度传感器能提供良好的动态响应，但腐蚀测量通常具有累积性，缺乏动态性。

将高度匹配的数字孪生技术与数据融合技术相结合，可通过观测器技术（如卡尔曼滤波器）解读速度、扭矩、功率和相对湿度等信息，避免使用额外传感器，如下图所示。在高速应用场景中，这种数据融合需要低延迟和高速通信，因此必须仔细考虑各传感器采集数据的分辨率；此外，将数据集成到数字孪生模型中时还会面临其他挑战：不同建模策略的仿真输出需成为智能逆变器物理控制策略的一部分，因此需在给定时间内完成建模，而数据采集、通信和处理速度（如 FPGA 技术）对正确实施控制方法至关重要，这进而决定了数据是在本地（即智能逆变器内部）存储和处理，还是使用基于云的系统 —后者在关键 / 高可靠性应用中可能面临网络安全威胁。

引用：网络

2.2 智能数据处理与人工智能(AI)

尽管可以从采集的数据中测量或观察动态运行波形，但对于配备数字孪生的智能逆变器而言，若要提供准确信息，可能还需要从相同数据中估计关键系统参数（尽管分辨率可能不同）。数据选择和预处理对于通过观测器或人工智能方法合理估计参数至关重要，数据可视化可通过数据基准化或归一化处理（如考虑组件初始磨损等因素），为数据质量和预处理技术提供重要见解。背景信息有助于提升传感器数据的价值，但智能逆变器制造商通常难以直接获取这些信息，需要与客户 / 最终用户密切合作，开发可靠的数据采集和预处理解决方案。快速傅里叶变换（FFT）等技术可对固定频率电机运行的信息分析提供有效支持，但对于频率随转速变化的变速驱动电机技术，其适用性较低。

对于关键系统参数或故障机制的估计（如随使用年限 / 温度的波动），可将统计和机器学习方法应用于合适的数据集。然而，这些机器学习技术并非万无一失，需要根据具体应用选择合适的人工智能工具，这需要工程判断；机器学习通常需要大量训练样本，而在工业应用中，训练和测试数据的获取成本较高，且量化使用寿命终止（EOL）的故障案例难以收集。

人工神经网络（ANNs）仍是估计电力电子中温度敏感电气参数（TSEPs）等关键参数的常用选择，因为它们可以建模多种非线性关系，但仍需要大量训练样本和正确的数据预处理。当无法对模块内半导体（每个半导体芯片）进行物理温度测量时，人工神经网络常被用于估计半导体的结温；人工神经网络还可通过训练识别和分类故障类型，如泵气蚀、不对中、负载偏差和定子故障等。

2.3 状态监控及预警(功率变换器/逆变器监控，电机本体监控，能量供给/下游用户监控)

03 

智能逆变器和数字化早期

应用阶段会出现的技术障碍

下期更新，敬请期待。

04 总结

智能逆变器通过传感器融合、经典分析技术与人工智能学习的结合，以及融入过程控制方案的超高保真度数字孪生建模环境，具备增强过程优化、先进状态监测和准确寿命终止（EOL）预测的能力；随着 FPGA 芯片的发展，硬件在环（HIL）建模可能很快集成到逆变器本身，实现包含数字化概念的真实系统与虚拟系统的并行运行。

然而，这需要在各个方面继续付出一定代价，智能逆变器的主要趋势是：终端用户期望这种灵活性以充分利用可用信息，从而获得准确的寿命终止预测和维护计划；而制造商更希望智能逆变器功能的寿命预测可靠方案不增加系统额外成本（如传感器、存储、处理和通信成本），并完全在逆变器控制单元内实现。双方一致认为，为了获得有效的参数老化估计，开关器件结温的准确估计至关重要，这需要开发能够 “感知” 结温和 di/dt 变化等的智能栅极驱动器，尤其是在引入更快开关的宽带隙（WBG）半导体器件时。

还可以看出，软件和硬件开发需要协同作用，以最好地实现这一数字孪生概念，

引用：Machine Learning for the control and monitoring of EM Drives

| 电力电子系统应用智库备注：本文内容较多，分两次进行更新，本文为第一部分。