GRU Based Sliding Mode Controller for Permanent Magnet Synchronous Motor

في عالم الصناعة الحديث، يُعد المحرك الكهربائي هو القوة العاملة الصامتة وراء كل شيء، بدءاً من السيارات الكهربائية وصولاً إلى الروبوتات المصنعية. ومن بين هذه المحركات، يبرز المحرك المتزامن ذو المغناطيس الدائم بفضل كفاءته وقوته، حيث يعمل كمحرك أساسي في العديد من الآلات عالية الأداء. ومع ذلك، فإن الحفاظ على تشغيل مثل هذا المحرك بسرعة دقيقة أمر صعب بشكل مفاجئ. فتماماً كما يجب على راكب الدراجة أن يعدل من وتيرة تبديله باستمرار للحفاظ على سرعة ثابتة أثناء صعود تلة أو مواجهة ريح مفاجئة، يجب على المحرك أن يعدل مدخلاته الكهربائية باستمرار للتعامل مع الأحمال المتغيرة والاضطرابات غير المتوقعة. وغالباً ما تعاني طرق التحكم التقليدية مع هذه التغييرات السريعة، فإما أن تكون استجابتها بطيئة للغاية أو تسبب حركة متذبذبة وغير مستقرة تؤدي إلى تآكل الآلة. ولعقود من الزمن، سعى المهندسون لإيجاد طريقة تجعل هذه المحركات قوية بما يكفي للتعامل مع أي اضطراب دون فقدان سلاستها، وهو تحدٍ أدى إلى تطوير استراتيجيات تحكم متقدمة قادرة على إجبار المحرك على البقاء في مساره بغض النظر عن الفوضى الخارجية.

لقد اقترح فريق من الباحثين الآن نهجاً جديداً يجمع بين استراتيجية تحكم مثبتة وقوية وبين شكل حديث من الذكاء الاصطناعي لحل هذه المشكلة. ويركز عملهم على نظام يمكنه التنبؤ بالقوى غير المرئية التي تؤثر على المحرك، مما يسمح له بالتعويض عنها قبل أن تسبب أي مشكلة. وفي دراستهم المنشورة في بيئة محاكاة، طور المؤلفون وحدة تحكم تستخدم تقنية رياضية تُعرف باسم "التحكم في الوضع الانزلاقي" (sliding mode control) للحفاظ على ثبات سرعة المحرك. وتشتهر هذه الطريقة بقدرتها على تجاهل الاضطرابات، ولكن بها عيب معروف: وهو أنها قد تسبب اهتزازاً أو "ارتجاجاً" (chatter) في المحرك، تماماً مثل محرك السيارة الذي يرتجف عند دوران السرعة الخاملة بشكل خشن. ولإصلاح ذلك، أضاف الباحثون طبقة ثانية من الذكاء: شبكة عصبية مصممة لتعمل كحساس افتراضي. فبدلاً من الاعتماد على جهاز مادي لقياس قوة الالتواء، أو عزم الدوران، المطبق على عمود دوران المحرك، يتعلم هذا العقل الرقمي تخمين الحمل من خلال مراقبة الإشارات الكهربائية وسرعة المحرك.

يكمن جوهر هذا البحث في كيفية عمل هذين النظامين معاً. تعمل وحدة التحكم في الوضع الانزلاقي بمثابة "العضلات"، المستعدة للدفع بقوة ضد أي انحراف عن السرعة المستهدفة. أما الذكاء الاصطناعي فيعمل بمثابة "العينين"، حيث يراقب سلوك المحرك ويقدر عزم دوران الحمل في الوقت الفعلي. وتحديداً، قام الباحثون بتدريب نوع من الشبكات العصبية يسمى "الوحدة المتكررة ذات البوابة" (Gated Recurrent Unit أو GRU) على بيانات ناتجة من نموذج حاسوبي للمحرك. وقد تم تغذية هذه الشبكة بمعلومات حول الجهد والتيار المتدفق عبر المحرك، جنباً إلى جنب مع سرعة دورانه، وتعلمت استنتاج عزم دوران الحمل الخفي الذي يتم تطبيقه. وبمجرد تدريبها، استطاعت هذه الشبكة تقدير عزم دوران حمل يتغير بسلاسة وبشكل موجي يتأرجح بين 1.0 و3.0 نيوتن متر بدقة مذهلة، حيث لم يتجاوز الخطأ في القيمة الحقيقية حوالي 0.01 نيوتن متر في الظروف المثالية. وعند تغذية هذا التقدير في وحدة التحكم الرئيسية، استطاع النظام توقع تغيرات الحمل بدلاً من مجرد الاستجابة لها بعد انخفاض السرعة بالفعل.

تظهر نتائج عمليات المحاكاة أن هذا النهج الهجين نجح في ترويض السلوك الخشن لوحدة التحكم التقليدية. ووجد الباحثون أن عليهم موازنة قوة الإجراء التصحيحي لوحدة التحكم بعناية؛ فإذا كانت وحدة التحكم ضعيفة جداً، فستستغرق وقتاً طويلاً لتصحيح السرعة، وإذا كانت قوية جداً، فستتسبب في حدوث الارتجاج في المحرك. ومن خلال اختيار إعداد قوة محدد، حققوا سرعة قدرها 500 دورة في الدقيقة تم الوصول إليها بسرعة والحفاظ عليها بثبات مع حد أدنى من الاهتزاز. والأهم من ذلك، عندما استخدم النظام تقدير الشبكة العصبية للمساعدة في التحكم، انخفضت أخطاء السرعة أثناء التشغيل المستقر بشكل كبير مقارنة بنظام يضطر لتخمين الحمل بمفرده. لقد تمكنت الشبكة العصبية من تتبع الحمل المتغير بدقة عالية، حتى عندما كان المحرك يعمل تحت نمط حمل جيبي متغير باستمرار. وهذا يشير إلى أن النظام يمكنه بفعالية استبدال مستشعر عزم الدوران المادي، الذي غالباً ما يكون مكلفاً وهشاً وصعب التركيب، بحل قائم على البرمجيات لا يقل كفاءة عنه.

ورغم أن النتائج واعدة، إلا أن الباحثين حذروا من أن هذه النتائج تأتي بالكامل من محاكاة حاسوبية. فنموذج المحرك المستخدم كان تمثيلاً رياضياً، وظروف الحمل كانت أنماطاً محددة تم إنشاؤها بواسطة البرنامج. وتوضح الدراسة أن المفهوم يعمل نظرياً وفي بيئة رقمية محكومة، مما يظهر أن المراقب القائم على البيانات يمكنه توفير المعلومات اللازمة لجعل المتحكم القوي أكثر سلاسة ودقة. ويقر المؤلفون بأن الخطوة التالية ستكون اختبار هذا النظام على محرك مادي حقيقي، حيث يمكن لعوامل مثل الضوضاء الكهربائية والعيوب الميكانيكية أن تغير النتيجة. وحتى ذلك الحين، يظل هذا العمل بمثابة إثبات قوي للمفهوم، يوضح أن الجمع بين طريقة تحكم تقليدية قوية ومراقب ذكي يعتمد على التعلم يوفر مساراً قابلاً للتطبيق نحو تحكم أكثر سلاسة وموثوقية في المحركات دون الحاجة إلى أجهزة إضافية. وتؤكد الدراسة أنه من خلال تعليم الكمبيوتر "الشعور" بالحمل من خلال الإشارات الكهربائية، يمكن للمهندسين إنشاء محركات تتسم بالمرونة واللين، وقادرة على التعامل مع المتطلبات غير المتوقعة للعالم الحقيقي.