Permanent Magnet Synchronous Magnet Motor Intelligent Parameter Estimation Using Machine Learning Based Nonlinear Control

تعد المحركات الكهربائية هي القوى العاملة الصامتة في العالم الحديث، فهي تشغل كل شيء بدءاً من أحزمة النقل في المصانع وصولاً إلى عجلات المركبات الكهربائية. ومن بين الأنواع العديدة المتاحة، يبرز المحرك المتزامن ذو المغناطيس الدائم لقدرته على تقديم طاقة هائلة من حجم مدمج مع العمل بكفاءة استثنائية. هذه الآلات ضرورية للتطبيقات التي يجب أن تكون فيها السرعة وعزم الدوران دقيقين، مثل الروبوتات، والفضاء، وأسطول السيارات الكهربائية المتنامي بسرعة. ومع ذلك، فإن الحفاظ على هذه المحركات تعمل في ذروة أدائها يمثل تحدياً مستمراً. فتماماً كما يتغير جسم الإنسان مع درجة الحرارة، والتعب، والتقدم في العمر، تتغير الخصائص الداخلية للمحرك بمرور الوقت. فلفائف المعدن في الداخل تسخن وتغير مقاومتها الكهربائية، والمواد المغناطيسية تضعف قليلاً، والأجزاء الميكانيكية تستقر. هذه التحولات الطفيفة تعني أن وحدة التحكم المصممة لمحرك "مثالي" غالباً ما تعاني عندما يتصرف المحرك الحقيقي بشكل مختلف، مما يؤدي إلى عدم الكفاءة أو عدم الاستقرار.

ولحل هذه المشكلة، يعتمد المهندسون على أنظمة تحكم متطورة تعمل بمثابة جهاز عصبي للمحرك، حيث تضبط الأداء باستمرار للحفاظ على سلاسة العمل. ومن أكثر الطرق تقدماً المستخدمة اليوم تقنية تسمى "التحكم التنبئي بالنموذج". تخيل سائقاً لا يكتفي فقط بالتفاعل مع الطريق أمامه، بل ينظر باستمرار إلى عدة ثوانٍ في المستقبل، ويحسب أفضل مسار لاتخاذه قبل ظهور المنعطف حتى. يقوم أسلوب التحكم هذا بالشيء نفسه للمحرك، حيث يتنبأ بحالته المستقبلية ويختار الأوامر الكهربائية الأفضل للوصول إلى السرعة المطلوبة. ولكن لكي ينجح هذا التنبؤ، يحتاج النظام إلى خريطة دقيقة لحالة المحرك الحالية. وإذا كانت الخريطة خاطئة لأن الخصائص الداخلية للمحرك قد تغيرت، فإن التنبؤات ستفشل. وهنا تقدم دراسة جديدة من باحثين في جامعة جيمّا وجامعة أديس أبابا في إثيوبيا منظوراً جديداً؛ حيث استكشفوا كيف يمكن للذكاء الاصطناعي أن يعمل كملاح في الوقت الفعلي، ليقوم بتحديث خريطة المحرك باستمرار لمراعاة هذه التغييرات.

ركز الباحثون على خمس خصائص داخلية حرجة للمحرك: مقاومة الأسلاك، والحث (Inductance) الذي يصف كيفية تخزين المجالات المغناطيسية للطاقة، وقوة المغناطيسات الدائمة، والقصور الذاتي الذي يصف مدى ثقل الأجزاء الدوارة. في الماضي، استخدم المهندسون صيغاً رياضية لتخمين هذه القيم، لكن هذه الطرق غالباً ما كانت تعاني مع السلوك المعقد وغير الخطي للمحرك تحت الضغط. اقترح الفريق نهجاً مختلفاً، حيث اختبروا ثلاث طرق متميزة لاستخدام تعلم الآلة لتقدير هذه القيم فورياً. استخدمت الطريقة الأولى نوعاً من الشبكات العصبية الاصطناعية، وتحديداً تلك المصممة لتذكر تسلسل الأحداث، لتعلم العلاقة بين مدخلات المحرك وحالته الداخلية. واستخدمت الطريقتان الثانية والثالثة فرعاً مختلفاً من الذكاء الاصطناعي يسمى "التعلم التعزيزي"، حيث يتعلم وكيل حاسوبي عن طريق التجربة والخطأ، ويتلقى مكافآت عند تقديم تخمينات جيدة وعقوبات عند ارتكاب الأخطاء. وقد اختبروا هذه المقدرات الذكية مقابل استراتيجيتين مختلفتين للتحكم: التحكم التنبئي المذكور سابقاً، وطريقة قوية تُعرف باسم "التحكم بالوضع الانزلاقي" (Sliding Mode Control)، وهي مشهورة بقدرتها على تجاهل الاضطرابات ولكنها قد تكون أحيناً مضطربة (متذبذبة).

ولمعرفة أي تركيبة كانت الأفضل، بنى الباحثون محاكاة رقمية مفصلة لنظام محرك. قاموا ببرمجة المحرك ليعمل عبر مجموعة متنوعة من السرعات، من 300 دورة في الدقيقة ببطء وصولاً إلى 2000 دورة في الدقيقة بسرعة، مع محاكاة التغيرات الفيزيائية التي تحدث في العالم الحقيقي أيضاً، مثل زيادة مقاومة الأسلاك مع ارتفاع حرارة المحرك. ثم راقبوا مدى جودة قدرة كل نظام من الأنظمة الذكية الثلاثة على تتبع هذه التغييرات ومدى سلاسة استجابة المحرك. كانت النتائج واضحة ودقيقة؛ فقد أثبتت الطرق الثلاث جميعها قدرتها على تقدير متغيرات المحرك المتغيرة بدقة عالية. حيث ظلت الأخطاء في تقدير الخصائص الكهربائية أقل من 3.5 بالمائة، وكانت تقديرات القصور الذاتي الميكانيكي أكثر دقة، حيث سجلت أخطاءً أقل من 0.5 بالمائة. هذا المستوى من الدقة يعني أن وحدات التحكم كانت تعمل بخريطة شبه مثالية لحالة المحرك، حتى مع تغير تلك الحالة.

وعند النظر في كيفية أداء المحرك فعلياً، ظهرت الاختلافات بين الطرق. حقق النظام الذي يستخدم الشبكة العصبية مع التحكم التنبئي التشغيل الأكثر سلاسة، حيث حافظ على ثبات عزم دوران المحرك بشكل مذهل، مع وجود تموجات طفيفة جداً في توصيل الطاقة، وهذا أمر بالغ الأهمية في التطبيقات التي يجب فيها تقليل الاهتزاز إلى أدنى حد. ومن ناحية أخرى، كان النظام الذي يستخدم التعلم التعزيزي مع التحكم التنبئي هو الأسرع في الاستجابة؛ فعندما تغير أمر السرعة، عدل هذا النظام نفسه في غضون 0.12 إلى 0.18 ثانية فقط، مع انعدام التجاوز (Overshoot) تقريباً، مما يعني أن المحرك لم يدر بسرعة زائدة قبل الاستقرار. أما الطريقة الثالثة، التي جمعت بين التعلم التعزيزي والتحكم بالوضع الانزلاقي، فقد أظهرت قوة كبيرة في التعامل مع عدم اليقين، ولكنها جاءت مع مقايضة؛ فبينما كانت قوية، تسببت في تذبذب المحرك بشكل أكبر، مع تجاوز كبير يصل إلى حوالي 50 بالمائة عند تغير السرعات، واستغرقت وقتاً أطول للاستقرار.

كما أكدت الدراسة أن المقدرات الذكية يمكنها اكتشاف التغيرات الفيزيائية المحددة المتوقعة في محرك حقيقي. فبينما زادت سرعة المححاكى وارتفعت حرارته، حدد النظام بشكل صحيح أن مقاومة الأسلاك قد زادت بنحو 3 بالمائ %، وهي نتيجة طبيعية للحرارة. كما لاحظ أيضاً أن قوة المغناطيسات الدائمة قد انخفضت بنحو 1.4 بالمائة، وهو تأثير آخر ناتج عن درجة الحرارة. علاوة على ذلك، تتبع النظام الانخفاض الطفيف في الحث الناتج عن التشبع المغناطيسي، وهي ظاهرة تصبح فيها الدائرة المغناطيسية أقل كفاءة تحت الحمل العالي. وتثبت هذه النتائج أن الذكاء الاصطناعي لم يكن مجرد يخمن أرقاماً، بل كان يصيغ نموذجاً دقيقاً للواقع الفيزيائي للآلة.

في الختام، تشير الأبحاث إلى أن دمج تقنيات التقدير الذكية هذه في أنظمة التحكم في المحركات يعد مساراً قابلاً للتطبيق للمضي قدماً. فمن خلال السماح لوحدة التحكم بتحديث فهمها لصحة المحرك باستمرار، يمكن للنظام الحفاظ على كفاءة واستقرار عاليين حتى مع تقادم الآلة أو عملها في ظروف قاسية. لم تدعِ الدراسة أنها حلت كل مشكلات التحكم في المحركات، ولم تختبر هذه الطرق على أجهزة مادية في بيئة مصنع؛ إذ استُمدت النتائج بالكامل من عمليات محاكاة حاسوبية صارمة. ومع ذلك، تظهر البيانات أنه بالنسبة للمركبات الكهربائية والآلات الصناعية، حيث تكون الموثوقية أمراً بالغ الأهمية، فإن استخدام تعلم الآلة للحفاظ على دقة "الخريطة الداخلية" للمحرك يمكن أن يؤدي إلى آلات أكثر سلاسة واستجابة وطولاً في العمر. ويعتمد اختيار الطريقة المحددة على الأولوية: فإذا كان الهدف هو السلاسة المطلقة، فإن نهج الشبكة العصبية يتفوق، أما إذا كان الهدف هو أسرع استجابة ممكنة للتغيرات، فإن نهج التعلم التعزيزي مع التحكم التنبئي يتصدر المشهد.