@article{65253,
  author       = {{Abdelwanis, Ali Hassan Ali and Haucke-Korber, Barnabas and Jakobeit, Darius and Kirchgässner, Wilhelm and Meyer, Marvin and Schenke, Maximilian and Vater, Hendrik and Wallscheid, Oliver and Weber, Daniel}},
  issn         = {{2577-3569}},
  journal      = {{Journal of Open Source Education}},
  number       = {{97}},
  publisher    = {{The Open Journal}},
  title        = {{{Reinforcement Learning: A Comprehensive Open-Source Course}}},
  doi          = {{10.21105/jose.00306}},
  volume       = {{9}},
  year         = {{2026}},
}

@phdthesis{58756,
  abstract     = {{Der Permanentmagnet-Synchronmotor (PMSM) ist aufgrund seiner hohen Leistungs- und Drehmomentdichte bezogen auf Volumen und Gewicht ein häufig verwendeter Traktionsmotor in Automobilanwendungen. Jene Charakteristika werden jedoch maßgeblich durch Temperaturhöchstwerte begrenzt. Hinzu kommt, dass die Temperatur wichtiger Rotorkomponenten nicht wirtschaftlich messbar ist. Temperaturschätzverfahren wie modellbasierte Ansätze sind potentiell in der Lage, das Problem der fehlenden Temperaturinformation zu relativieren, ohne zusätzliche Geräte zu erfordern. Diese Arbeit stellt ein Portfolio von thermischen Modellen aus dem Bereich des maschinellen Lernens zusammen. Die Untersuchung basiert auf einem PMSM-Datensatz, der auf einem Prüfstand aufgezeichnet wurde. Neben dem durchschnittlichen Schätzfehler diktiert die erforderliche Anzahl von Modellparametern zahlreiche Auslegungsentscheidungen. Der gesamte Entwurfsprozess eines Modells aus dem maschinellen Lernen wird beleuchtet und für verschiedene lineare, sowie baumbasierte Modelle; vorschiebende, rekurrente und faltende neuronale Netze als auch für verschiedene hybride Modellierungsansätze durchgeführt. Desweiteren wird der hybride Modellierungsansatz über thermische neuronale Netze besonders hervorgehoben. Sie setzen sich aus neuronalen Netzen und einem thermischen Ersatzschaltbild zusammen und wurden erstmals vom Autor dieser Arbeit veröffentlicht. Schließlich wird ein von Experten entworfenes, datengetriebenes thermisches Netz mit konzentrierten Parametern über verschiedene Algorithmen optimiert und als Stand der Technik herangezogen.}},
  author       = {{Kirchgässner, Wilhelm}},
  publisher    = {{LibreCat University}},
  title        = {{{Data-driven thermal modeling of a permanent magnet synchronous motor with machine learning}}},
  doi          = {{10.17619/UNIPB/1-2068}},
  year         = {{2024}},
}

@article{34065,
  author       = {{Kirchgässner, Wilhelm and Wallscheid, Oliver and Böcker, Joachim}},
  issn         = {{0952-1976}},
  journal      = {{Engineering Applications of Artificial Intelligence}},
  publisher    = {{Elsevier BV}},
  title        = {{{Thermal neural networks: Lumped-parameter thermal modeling with state-space machine learning}}},
  doi          = {{10.1016/j.engappai.2022.105537}},
  volume       = {{117}},
  year         = {{2022}},
}

@inproceedings{32859,
  author       = {{Kirchgässner, Wilhelm and Wallscheid, Oliver and Böcker, Joachim}},
  booktitle    = {{2022 International Power Electronics Conference (IPEC-Himeji 2022- ECCE Asia)}},
  publisher    = {{IEEE}},
  title        = {{{Learning Thermal Properties and Temperature Models of Electric Motors with Neural Ordinary Differential Equations}}},
  doi          = {{10.23919/ipec-himeji2022-ecce53331.2022.9807209}},
  year         = {{2022}},
}

@inproceedings{42894,
  author       = {{Kirchgässner, Wilhelm and Wöckinger, Daniel and Wallscheid, Oliver and Bramerdorfer, Gerd and Böcker, Joachim}},
  booktitle    = {{IKMT 2022; 13. GMM/ETG-Symposium}},
  pages        = {{1--6}},
  title        = {{{Application of Thermal Neural Networks on a Small-Scale Electric Motor}}},
  year         = {{2022}},
}

@article{22162,
  author       = {{Book, Gerrit and Traue, Arne and Balakrishna, Praneeth and Brosch, Anian and Schenke, Maximilian and Hanke, Sören and Kirchgässner, Wilhelm and Wallscheid, Oliver}},
  issn         = {{2644-1314}},
  journal      = {{IEEE Open Journal of Power Electronics}},
  pages        = {{187--201}},
  title        = {{{Transferring Online Reinforcement Learning for Electric Motor Control From Simulation to Real-World Experiments}}},
  doi          = {{10.1109/ojpel.2021.3065877}},
  year         = {{2021}},
}

@article{21251,
  author       = {{Kirchgässner, Wilhelm and Wallscheid, Oliver and Böcker, Joachim}},
  issn         = {{0885-8969}},
  journal      = {{IEEE Transactions on Energy Conversion}},
  number       = {{3}},
  pages        = {{2059 -- 2067}},
  title        = {{{Data-Driven Permanent Magnet Temperature Estimation in Synchronous Motors with Supervised Machine Learning: A Benchmark}}},
  doi          = {{10.1109/tec.2021.3052546}},
  volume       = {{36}},
  year         = {{2021}},
}

@article{21254,
  author       = {{Balakrishna, Praneeth and Book, Gerrit and Kirchgässner, Wilhelm and Schenke, Maximilian and Traue, Arne and Wallscheid, Oliver}},
  issn         = {{2475-9066}},
  journal      = {{Journal of Open Source Software}},
  title        = {{{gym-electric-motor (GEM): A Python toolbox for the simulation of electric drive systems}}},
  doi          = {{10.21105/joss.02498}},
  year         = {{2021}},
}

@unpublished{29655,
  author       = {{Kirchgässner, Wilhelm and Wallscheid, Oliver and Böcker, Joachim}},
  booktitle    = {{arXiv preprint arXiv:2103.16323}},
  title        = {{{Thermal Neural Networks: Lumped-Parameter Thermal Modeling With State-Space Machine Learning}}},
  year         = {{2021}},
}

@article{21252,
  author       = {{Traue, Arne and Book, Gerrit and Kirchgässner, Wilhelm and Wallscheid, Oliver}},
  issn         = {{2162-237X}},
  journal      = {{IEEE Transactions on Neural Networks and Learning Systems}},
  pages        = {{1--10}},
  title        = {{{Toward a Reinforcement Learning Environment Toolbox for Intelligent Electric Motor Control}}},
  doi          = {{10.1109/tnnls.2020.3029573}},
  year         = {{2020}},
}

@article{21250,
  author       = {{Kirchgässner, Wilhelm and Wallscheid, Oliver and Böcker, Joachim}},
  issn         = {{0885-8993}},
  journal      = {{IEEE Transactions on Power Electronics}},
  number       = {{7}},
  pages        = {{7480--7488}},
  title        = {{{Estimating Electric Motor Temperatures with Deep Residual Machine Learning}}},
  doi          = {{10.1109/tpel.2020.3045596}},
  volume       = {{36}},
  year         = {{2020}},
}

@article{29640,
  author       = {{Kirchgässner, Wilhelm and Wallscheid, Oliver and Böcker, Joachim}},
  journal      = {{arXiv preprint arXiv:2001.06246}},
  title        = {{{Data-Driven Permanent Magnet Temperature Estimation in Synchronous Motors with Supervised Machine Learning}}},
  year         = {{2020}},
}

@article{25030,
  author       = {{Schenke, Maximilian and Kirchgässner, Wilhelm and Wallscheid, Oliver}},
  issn         = {{1551-3203}},
  journal      = {{IEEE Transactions on Industrial Informatics}},
  pages        = {{4650--4658}},
  title        = {{{Controller Design for Electrical Drives by Deep Reinforcement Learning: A Proof of Concept}}},
  doi          = {{10.1109/tii.2019.2948387}},
  year         = {{2019}},
}

@inproceedings{21247,
  author       = {{Kirchgässner, Wilhelm and Wallscheid, Oliver and Böcker, Joachim}},
  booktitle    = {{2019 IEEE 28th International Symposium on Industrial Electronics (ISIE)}},
  isbn         = {{9781728136660}},
  title        = {{{Empirical Evaluation of Exponentially Weighted Moving Averages for Simple Linear Thermal Modeling of Permanent Magnet Synchronous Machines}}},
  doi          = {{10.1109/isie.2019.8781195}},
  year         = {{2019}},
}

@inproceedings{21249,
  author       = {{Kirchgässner, Wilhelm and Wallscheid, Oliver and Böcker, Joachim}},
  booktitle    = {{2019 IEEE International Electric Machines & Drives Conference (IEMDC)}},
  isbn         = {{9781538693506}},
  title        = {{{Deep Residual Convolutional and Recurrent Neural Networks for Temperature Estimation in Permanent Magnet Synchronous Motors}}},
  doi          = {{10.1109/iemdc.2019.8785109}},
  year         = {{2019}},
}

@inproceedings{21248,
  author       = {{Wallscheid, Oliver and Kirchgässner, Wilhelm and Böcker, Joachim}},
  booktitle    = {{2017 International Joint Conference on Neural Networks (IJCNN)}},
  isbn         = {{9781509061822}},
  title        = {{{Investigation of long short-term memory networks to temperature prediction for permanent magnet synchronous motors}}},
  doi          = {{10.1109/ijcnn.2017.7966088}},
  year         = {{2017}},
}