Název:	Identification of Thermal Model Parameters Using Deep Learning Techniques
Autoři:	Ševčík, Jakub Šmídl, Václav Votava, Martin
Citace zdrojového dokumentu:	ŠEVČÍK, J. ŠMÍDL, V. VOTAVA, M. Identification of Thermal Model Parameters Using Deep Learning Techniques. In 2022 IEEE 31st International Symposium on Industrial Electronics (ISIE) : /proceedings/. Piscataway: IEEE, 2022. s. 978-981. ISBN: 978-1-66548-240-0 , ISSN: 2163-5145
Datum vydání:	2022
Nakladatel:	IEEE
Typ dokumentu:	konferenční příspěvek ConferenceObject
URI:	2-s2.0-85135786103 http://hdl.handle.net/11025/51295
ISBN:	978-1-66548-240-0
ISSN:	2163-5145
Klíčová slova v dalším jazyce:	deep learning;junction temperature;multistep prediction;neural network;ordinary least squares;thermal model
Abstrakt v dalším jazyce:	Identification of thermal model parameters using multi-step prediction is proposed. Even in the case of a linear model, the multi-step prediction is a non-linear complex function, hence we use techniques of deep learning for its identification. Specifically, we use stochastic gradient descent optimization with importance sampling of mini-batches. The importance function is designed to match the character of thermal experiments in which the step change is less frequent than steady-state operation. The proposed method is demonstrated on the identification of an IGBT module SK 20 DGDL 065 ET. The maximum error of the model identified by the multi-step approach is almost two times smaller than that of the model identified by the least squares.
Práva:	Plný text je přístupný v rámci univerzity přihlášeným uživatelům. © IEEE
Vyskytuje se v kolekcích:	Konferenční příspěvky / Conference papers (RICE) Konferenční příspěvky / Conference Papers (KEV) OBD

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.