Torque ripple suppression in switched reluctance motors using iterative learning control to optimize the torque sharing function

تعتمد المركبات الكهربائية على محركات تتسم بالهدوء والسلاسة والكفاءة، ومع ذلك، غالباً ما يعاني نوع شائع من المحركات المستخدمة في هذه المركبات من خلل محدد: وهو الشعور بخشونة واهتزاز عند السرعات المنخفضة. ينبع هذا الخلل من الطريقة التي تتفاعل بها الأجزاء الداخلية للمحرك. فخلافاً للدوران السلس والمستمر للمحركات الأخرى، يعمل هذا النوع من الآلات، المعروف باسم "المحرك ذو الممانعة المتغيرة" (switched reluctance motor)، عن طريق تشغيل وإطفاء الطاقة الكهربائية لمقاطع مختلفة أثناء دوران العضو الدوار. وبينما تحظى هذه المحركات بتقدير كبير لبساطتها والمتانة وخلوها من المواد الأرضية النادرة، فإن عملية تبديل الطاقة من مقطع إلى آخر تخلق عدم توازن لحظي. فالقوة التي تُدير المحرك لا تنتقل بشكل مثالي من مقطع إلى آخر، مما يؤدي إلى حركة متقطعة تُعرف باسم "تموج عزم الدوران" (torque ripple). وبالنسبة لراكب السيارة، يبدو هذا كاهتزاز أو تعثر؛ أما بالنسبة لمكونات المركبة، فإنه يتسبب في تآكل وضجيج غير ضروريين.

ولحل هذه المشكلة، استخدم المهندسون لفترة طويلة طريقة تسمى "دالة مشاركة عزم الدوران". تخيل أنك تحاول تمرير حمل ثقيل من شخص إلى آخر؛ إذا أفلت الشخص الأول الحمل قبل أن يمسك به الثاني بإحكام، فسوف يسقط الحمل. وإذا أمسك به الثاني مبكراً جداً، فقد يسحب ضد الأول. "دالة مشاركة عزم الدوران" هي مجموعة من التعليمات التي تخبر المحرك بالضبط بكيفية تقسيم الجهد بين المقطع القديم والمقطع الجديد خلال عملية التسليم الحرجة تلك. لسنوات، استخدم المهندسون مجموعة قياسية ومكتوبة مسبقاً من التعليمات القائمة على منحنى سلس لإدارة هذا الانتقال. ومع ذلك، تفترض هذه التعليمات الثابتة أن المحرك يعمل بشكل مثالي، متجاهلة حقيقة أن المحركات الحقيقية "فوضوية". فالمجالات المغناطيسية داخل المحرك لا تتصرف بطريقة يمكن التنبؤ بها تماماً، والتيارات الكهربائية لا يمكن أن ترتفع أو تنخفض لحظياً. وبسبب هذه الحقائق الفيزيائية، غالباً ما تفشل التعليمات القياسية في مطابقة ما يحتاجه المحرك فعلياً، مما يترك مشكلة الاهتزاز دون حل كامل.

وقد اقترح باحثون من جامعة هنان للعلوم والتكنولوجيا نهجاً جديداً يسمح للمحرك بالتعلم من أخطائه. فبدلاً من الاعتماد على مجموعة ثابتة من التعليمات التي لا تتغير أبداً، طوروا نظاماً يستخدم تقنية تسمى "التحكم بالتعلم التكراري" (iterative learning control). تعمل هذه الطريقة على مبدأ بسيط: إذا تكررت مهمة ما مراراً وتكراراً، يمكن للنظام النظر في الخطأ المرتكب في المحاولة السابقة وتعديل سلوكه للمرة القادمة. وفي سياق المحرك، الذي يدور في حلقة مستمرة، يراقب النظام الفرق بين القوة السلسة والمثالية التي أراد إنتاجها، والقوة الفعلية الخشنة التي ولدها خلال دورة كاملة واحدة. ثم يستخدم ذلك الفرق المحدد لتعديل التعليمات للدورة التالية مباشرة.

بنى الباحثون محاكاة حاسوبية مفصلة لمحرك ذي ثمانية أقطاب لاختبار هذه الفكرة. بدأوا بالتعليمات القياسية المكتوبة مسبقاً وتركوا النظام يعمل عبر مئات الدورات المحاكاتية. ومع كل دورة، قام النظام بتحليل تموج عزم الدوران — أي التقلبات المتقطعة — وأجرى تعديلات طفيفة على دالة المشاركة. لم يقم بتغيير قاعدة البيانات بأكملها دفعة واحدة؛ بل قام بتنقيح اللحظات المحددة التي يتم فيها تبديل الطاقة من مقطع إلى آخر. ومع مرور الوقت، تطورت التعليمات من منحنى عام إلى ملف تعريف مخصص يتناسب تماماً مع السلوك غير المثالي الفريد لذلك المحرك تحديداً. تعلم النظام أنه للحصول على رحلة سلسة، يحتاج إلى طلب تيار أعلى قليلاً في نقطة ما وتيار أقل قليلاً في نقطة أخرى، لتعويض التأخيرات المغناطيسية التي تجاهلتها القواعد القياسية.

كانت نتائج هذه المحاكاة مذهلة. فعندما اختبر الباحثون المحرك عند سرعات منخفضة تبلغ 100 و200 و400 دورة في الدقيقة، عمل نظام التعلم الجديد على تنعيم الحركة بشكل ملحوظ. ومقارنة بالطريقة التقليدية، قللت الاستراتيجية الجديدة من خشونة عزم الدوران بنسبة تقارب 40 بالمائة عبر جميع السرعات المختبرة. ففي 100 دورة في الدقيقة، بلغ الانخفاض 39.69 بالمائة، وعند 200 دورة في الدقيقة كان 38.86 بالمائة، وعند 400 دورة في الدقيقة كان 38.29 بالمائة. لم يكن أداء المحرك أفضل في المتوسط فحسب، بل أصبحت القمم والوديان في القوة أكثر انتظاماً، مما قضى على الارتفاعات الحادة التي تسبب الاهتزاز. وقد وصل النظام إلى هذه الحالة المحسنة بعد حوالي تسع دورات محاكاتية، وعندها أصبحت التعديلات صغيرة جداً لدرجة أن الأداء قد استقر فعلياً.

ورغم أن النتائج واعدة، إلا أن الباحثين حريصون على توضيح حدود عملهم. فهذه النتائج تأتي بالكامل من محاكاة حاسوبية، وليس من محرك فيزيائي على منصة اختبار. تؤكد الدراسة أن الطريقة تعمل في بيئة رقمية حيث يمكن التحكم في المتغيرات بدقة، لكن العالم الحقيقي يفرض تحديات جديدة مثل الاحتكاك، والحرارة، وعيوب التصنيع التي لم تكن موجودة في المحاكاة. كما أقر المؤلفون بأن النظام قد ضُبط للعمل عند السرعات المنخفضة، ولا يزال مدى فعاليته عند السرعات العالية غير معروف. علاوة على ذلك، لم تدرس الدراسة كيف قد يؤثر هذا المعالجة الإضافية على كفاءة الطاقة الإجمالية للمحرك أو العمر الافتراضي لمكوناته الإلكترونية.

وعلى الرغم من هذه القيود، تقدم الدراسة مساراً واضحاً نحو تحسين راحة المركبات الكهربائية. فمن خلال الابتعاد عن القواعد الجامدة المبرمجة مسبقاً والتوجه نحو نظام يتكيف بناءً على الأداء في الوقت الفعلي، يمكن للمهندسين نظرياً القضاء على الخشونة التي لطالما عانت منها المحركات ذات الممانعة المتغيرة. والخطوة التالية، كما يوضح الباحثون، هي بناء نموذج أولي فيزيائي لمعرفة ما إذا كانت الدروس المستفادة من الحاسوب ستصمد عندما يدور المحرك فعلياً. وإذا طابقت الاختبارات الفيزيائية نتائج المحاكاة، فقد يصبح نهج التعلم هذا أداة قياسية لجعل المركبات الكهربائية أكثر سلاسة وهدوءاً وموثوقية.