永磁同步电机的数字孪生不再离线重算：FPGA执行可学习的一步模型，换机后94秒内重新逼近
核心概要
永磁同步电机的实时数字孪生此前依赖离线辨识参数或有限元查表，机器一变就要重算映射。Inferencer-in-the-Loop架构让现场可编程门阵列执行一个物理引导的神经网络，由GPU在旁路用参考数据重训，验证通过后才切换权重。在阻尼绕组、参数偏移和有限元标定的饱和电机上，同一核形式平均归一化绝对误差为0.19%–0.67%，实测内核延迟0.30–0.34微秒；在200瓦驱动上，残差形式在六段留出运行中的误差为实测均方根的5.9%–9.4%。
深度剖析
实时数字孪生中被执行的那一步本身变成可学习的：现场可编程门阵列运行一个紧凑网络，把当前状态和电压映射为下一步电流增量与转矩，换机时只需换权重而不改控制器接口和实时调度。 此前的孪生模型建立在辨识参数或有限元通量查表之上，机器变化时映射要离线重算，在线估计只跟踪电阻和永磁通量等少数参数。 在阻尼绕组、参数偏移和有限元标定的饱和电机三种情形下，同一核形式给出平均归一化绝对误差0.19%–0.67%，现场可编程门阵列实测内核延迟0.30–0.34微秒；针对偏移机器重训在94秒内接近其最终损失。
面向实测驱动时，网络改为修正解析一步，并与其物理参数一起从运行数据中学习，从而覆盖逆变器非线性和温漂这类方程之外的效果。 解析模型和查表模型精度更高，但需要已知参数或准确的通量映射，且机器变化后要离线重建。 在200瓦驱动上，六段留出运行共1193秒，该残差形式的误差为实测均方根的5.9%–9.4%，独立拟合的灰箱模型为10.4%–13.2%；每步耗时不到2.5微秒，在20千赫采样下仍比实时快20倍。
加热过程中，在线更新的头部跟随绕组电阻上升，使孪生在执行中保持与机器一致。 冻结模型在最后一段漂移到0.57%和1.12%的归一化绝对误差，灰箱模型维持在1.32%–1.43%和1.35%–1.41%。 30分钟加载内，停转探针测得电阻从71.28毫欧升到74.18毫欧，在线头部以0.44毫欧的均方根误差跟随这2.91毫欧的上升，约为上升量的15%。
启示与展望
验证范围包括四阶段闭环仿真、含阻尼与接地故障的瞬态研究，以及一台200瓦、磁路上线性的表贴式永磁同步电机实验台；该实验台考察的是逆变器非线性和温度相关参数，而非饱和。作者提出的后续工作是在饱和电机上测试孪生、在完整热循环中由现场可编程门阵列自动触发更新，以及与外部控制器闭环耦合做硬件在环和故障测试。
作者指出，在存在精确方程或映射时，解析与查表模型最多精确0.33个百分点，网络是以精度换覆盖范围和更新便利。学习步在制动段偏离最大，因为该处超出训练轨迹范围。实验台在300至2000转、负载电流至6安范围内磁路上线性，因此饱和行为只在仿真阶段考察。在线头部是命令侧折算量，把绕组、磁体和逆变器变化合并在一起。