摘要：
精确的数字孪生（DT）对于永磁同步电机（PMSM）的先进控制和状态监测至关重要。然而，在当前的数字孪生开发中存在一个显著的权衡：传统的分析模型往往无法捕捉复杂的非线性动态，而基于数据的方法（如神经网络）则生成了缺乏物理可解释性和透明度的黑箱模型。尽管已经为更广泛的非线性系统提出了通用的混合建模概念和稀疏识别技术，但本文提出了一种专门针对PMSM驱动器的数字孪生架构。其核心贡献在于结构化地实现了可解释的稀疏非线性回归，用于构建基于物理信息的数字孪生。通过将这一框架与dq坐标系的机电约束相结合，所提出的方法能够直接从实验数据中得出明确的多输出状态空间数字孪生模型，从而便于进行复杂性控制、鲁棒性验证和实时诊断应用。该算法通过自动选择最少的活跃项，捕捉了关键的交叉耦合效应和参数变化，构建了一个以物理机器状态表示的简洁的白箱模型。因此，这种数字孪生结合了数据驱动学习的准确性和分析公式的物理洞察力，同时保持了嵌入式执行所需的低计算复杂度。在1千瓦PMSM原型机上的实验结果表明，与传统的分析模型和不可解释的基准模型相比，该框架具有更出色的外推能力和鲁棒性，这些原型机经历了包括参数不匹配和故障在内的多种运行条件。
