Neural Network Tuning of FSMPC for Drives

Diese Arbeit stellt einen neuronalen Netz-Tuner zur Optimierung der Parameter eines Finite-State-Model-Predictive-Control-Reglers für den Drehzahl- und Statorstromkreis eines fünfstufigen Asynchronmotors vor, dessen Wirksamkeit experimentell anhand von Sprungversuchen validiert wurde.

Das Wesentliche

🚗 Der „Selbstfahrende" Motor: Wie ein KI-Trainer den perfekten Fahrmodus findet

Stell dir vor, du hast einen sehr schnellen, aber etwas launischen Rennwagen (den Induktionsmotor). Dieser Wagen hat zwei wichtige Aufgaben:

1. Er muss genau die Geschwindigkeit halten, die du am Lenkrad (dem Speed-Controller) wünschst.
2. Er muss die Kraft (den Strom) so verteilen, dass er nicht wackelt oder vibriert.

Normalerweise muss ein Ingenieur wie ein Koch sein: Er probiert verschiedene Mengen an Gewürzen (den Parametern) aus, bis der Motor perfekt läuft. Das Problem? Ein Motor verhält sich bei hoher Geschwindigkeit ganz anders als bei niedriger. Was bei 10 km/h funktioniert, kann bei 100 km/h katastrophal sein. Früher musste man für jede Geschwindigkeit neue „Rezepte" (Parameter) manuell einstellen.

🤖 Die Lösung: Ein digitaler Koch, der lernt

Die Autoren dieses Papiers (Martínez-Heredia und Mora) haben eine clevere Lösung entwickelt: Sie haben dem Motor einen digitalen Koch-Assistenten an die Seite gestellt. Dieser Assistent ist eine Neuronale Netze (KI).

Stell dir das Neuronale Netz wie einen sehr aufmerksamen Auszubildenden vor, der den Chef-Koch (den Motor) beobachtet.

1. Das Training (Der Lernprozess):
   Bevor der Assistent einsatzbereit ist, muss er lernen. Die Forscher haben den Motor im Labor getestet. Sie haben ihn wie einen Hüpfer durch verschiedene Geschwindigkeiten gejagt (die „Schritt-Tests").

   • Die Analogie: Stell dir vor, der Auszubildende probiert tausende verschiedene Gewürzmischungen aus. Er merkt sich: „Bei 50 km/h und viel Last braucht man mehr Salz (Parameter A) und weniger Pfeffer (Parameter B), damit der Motor nicht wackelt."
   • Dabei achtet er besonders auf zwei Dinge: Der Wagen darf nicht zu stark durch die Gegend schlingern (Überschwingen) und der Motor darf nicht zu heiß werden, weil er zu oft den Gang gewechselt hat (Schaltfrequenz).

2. Der Einsatz (Die Vorhersage):
   Sobald das Training abgeschlossen ist, wird der Assistent in den Motor eingebaut.

   • Die Magie: Wenn du jetzt das Gaspedal drückst und die Geschwindigkeit änderst, schaut der KI-Assistent sofort auf die aktuelle Situation. Er denkt: „Aha, wir sind jetzt bei 30 km/h und wollen auf 60 km/h beschleunigen. Basierend auf meinem Training weiß ich genau, welche Gewürzmischung (Parameter) jetzt perfekt ist."
   • Er stellt die Einstellungen in Echtzeit um, noch bevor der Motor überhaupt merkt, dass etwas nicht stimmt.

🎯 Was macht das System besonders?

Das System steuert zwei Ebenen gleichzeitig:

• Die Geschwindigkeit: Wie schnell fährt der Wagen? (Der äußere Kreis).
• Den Strom: Wie wird die Kraft im Inneren verteilt? (Der innere Kreis).

Früher musste man diese beiden getrennt optimieren. Das neue System (FSMPC + KI) ist wie ein Super-Coach, der beides gleichzeitig im Blick hat. Er nutzt eine Art „Zukunftsblick": Er berechnet nicht nur, was jetzt passiert, sondern simuliert kurz in die Zukunft, um zu sehen, welche Entscheidung in der nächsten Sekunde die beste ist.

🧪 Der Test im Labor

Um sicherzugehen, dass das nicht nur Theorie ist, haben die Forscher einen echten, fünfstufigen Motor (ein sehr komplexes, aber effizientes Modell) in ein Labor gestellt.

• Sie haben den Motor durch verschiedene Geschwindigkeiten gejagt.
• Die KI hat dabei gelernt, welche Einstellungen den Motor am ruhigsten und schnellsten laufen lassen.
• Das Ergebnis: Der Motor reagiert viel schneller, wackelt weniger und verbraucht weniger Energie, weil er nicht unnötig „zappelt".

🌟 Zusammenfassung in einem Satz

Statt einen Motor stur mit festen Einstellungen zu betreiben, hat die Forschung einen intelligenten Lern-Assistenten entwickelt, der wie ein erfahrener Rennfahrer die perfekten Einstellungen für jede Geschwindigkeit und jeden Lastzustand in Echtzeit aussucht, damit der Motor immer perfekt läuft.

Es ist der Unterschied zwischen einem Auto mit festem Tempomat und einem selbstfahrenden Auto, das die Straße und den Verkehr permanent analysiert und sich sofort anpasst.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Technische Zusammenfassung: Neuronale Netzwerke zur Abstimmung von FSMPC für Antriebe

Titel: Neural Network Tuning of FSMPC for Drives
Autoren: Juana M. Martínez-Heredia, José L. Mora
Datum: 11. März 2026 (Preprint)

---

1. Problemstellung

Die direkte digitale prädiktive Regelung von diskreten Zuständen eines Leistungsumrichters, bekannt als Finite State Model Predictive Control (FSMPC), bietet erhebliche Vorteile für elektrische Antriebe, wie z. B. eine erhöhte Bandbreite im Statorstromregelkreis und die Eliminierung des Modulationsblocks. Ein zentrales Problem bei der Anwendung von FSMPC, insbesondere bei Mehrphasenmaschinen (hier eine 5-Phasen-Induktionsmaschine), ist jedoch die Abstimmung der Gewichtungsfaktoren (Cost Function Tuning).

Diese Gewichtungsfaktoren beeinflussen maßgeblich das dynamische Verhalten des Systems. Herkömmliche Methoden wie adaptive Ansätze oder tabellenbasierte Verfahren stoßen oft an Grenzen, wenn es darum geht, die Parameter für den gesamten Arbeitsbereich (Geschwindigkeit und Last) optimal anzupassen. Zudem müssen sowohl der Geschwindigkeitsregelkreis (PI-Regler) als auch der Stromregelkreis (FSMPC) gleichzeitig optimiert werden, was eine komplexe nichtlineare Optimierungsaufgabe darstellt.

2. Methodik

Die Autoren schlagen einen hybriden Regelungsansatz vor, der Indirect Field Oriented Control (IFOC) mit FSMPC kombiniert und durch ein künstliches neuronales Netz (ANN) zur Online-Abstimmung der Reglerparameter ergänzt wird.

• Regelungsarchitektur:

  • Das System steuert eine 5-Phasen-Induktionsmaschine.
  • Der äußere Regelkreis (Geschwindigkeit) nutzt einen PI-Regler.
  • Der innere Regelkreis (Statorstrom) nutzt FSMPC. Die Spannungswahl erfolgt durch Minimierung einer Kostenfunktion $J$, die Fehler im $\alpha-\beta$-Ebene (Drehmoment/Fluss), Fehler in der $x-y$-Ebene (Harmonische) und die Anzahl der Schalterwechsel (Switching Changes) berücksichtigt.
  • Die Kostenfunktion lautet: $J = \|\hat{E}_{\alpha\beta}(k+2)\|^2 + \lambda_{xy}\|\hat{E}_{xy}(k+2)\|^2 + \lambda_{sc}SC(k+1)$.

• Neuronales Netz als Tuner:

  • Ein Multilayer-Perceptron (MLP) mit sigmoide Aktivierungsfunktionen in den versteckten Schichten und linearer Aktivierung im Ausgang wird eingesetzt.
  • Eingänge: Aktuelle mechanische Geschwindigkeit $\omega$ und Geschwindigkeitsreferenz $\omega^*$.
  • Ausgänge: Der optimale Parametervektor $\theta^* = (k_p, k_i, \lambda_{xy}, \lambda_{sc})$, bestehend aus den PI-Parametern des Geschwindigkeitsreglers und den Gewichtungsfaktoren des FSMPC.
  • Ziel: Das Netz approximiert die Funktion $\theta^* = f(\omega, \omega^*)$, um für jeden Arbeitspunkt die bestmöglichen Parameter bereitzustellen.

• Datenerfassung und Training:

  • Da eine vollständige experimentelle Abtastung des Parameterraums (z. B. $10^4$ Kombinationen) prohibitiv wäre, wurde eine effiziente Strategie entwickelt:
    1. Initialisierung: Grobe Schätzwerte für PI-Parameter (mittels vereinfachtem 2. Ordnung Modell) und FSMPC-Gewichte (basierend auf Literatur).
    2. Gradientenabstieg im Experiment: Das System führt selbstständig Schritttests durch. Nach jedem Schritt werden die Parameter basierend auf einer Gradientenabstiegs-Strategie angepasst, um die Performance-Indikatoren zu verbessern.
    3. Optimierungsziel: Minimierung einer Zielfunktion $\Xi$ (Kombination aus Anstiegszeit, ITAE, Drehmomentwelligkeit und Harmonischen), unter Einhaltung von Randbedingungen für maximale Überschwinger ($PO$) und maximale Schaltfrequenz ($ASF$), um Überhitzung zu vermeiden.
  • Die gesammelten Eingangs-Ausgangs-Paare dienen dem Training des ANN im Offline-Modus (unter Verwendung von MATLAB Toolbox).

3. Schlüsselergebnisse und Experimenteller Aufbau

• Aufbau: Ein experimenteller Versuchsaufbau mit einer 5-Phasen-Induktionsmaschine, einem Umrichter mit zwei SEMIKRON-Modulen und einer DSP-Steuerung (TMS320F28335).
• Ergebnisse:
  • Das neuronale Netz konnte erfolgreich die optimalen Reglerparameter für verschiedene Betriebspunkte lernen.
  • Die Methode ermöglichte eine schnelle Konvergenz der Performance-Indikatoren während der Datenerfassung (jeder Test dauerte weniger als eine Minute).
  • Durch die Berücksichtigung von Überschwinger-Grenzen und Schaltfrequenz-Beschränkungen im Trainingsprozess wurde sichergestellt, dass das System sowohl dynamisch stabil als auch hardwarefreundlich (keine Überhitzung des Umrichters) arbeitet.
  • Die Ergebnisse zeigen, dass die Kombination aus FSMPC und NN-Tuning eine flexible und leistungsstarke Alternative zu starren oder rein adaptiven Methoden darstellt.

4. Hauptbeiträge

1. Entwicklung eines NN-Tuners: Ein neuronales Netz, das nicht nur den Geschwindigkeitsregler, sondern auch die FSMPC-Gewichtungsfaktoren für Stator- und Geschwindigkeitsregelkreis gleichzeitig optimiert.
2. Effiziente Datenerfassungsstrategie: Ein neuartiger Ansatz, der Gradientenabstiegs-Methoden im realen Experiment nutzt, um die Anzahl der erforderlichen Tests drastisch zu reduzieren und dennoch einen umfassenden Datensatz für das Training zu generieren.
3. Berücksichtigung von Hardware-Beschränkungen: Die Integration von Randbedingungen (maximale Schaltfrequenz, maximale Überschwinger) direkt in den Optimierungsprozess, um die praktische Anwendbarkeit auf realer Hardware zu gewährleisten.
4. Validierung an einer Mehrphasenmaschine: Der Nachweis der Machbarkeit an einer 5-Phasen-Maschine, was die Komplexität im Vergleich zu Standard 3-Phasen-Systemen erhöht.

5. Bedeutung und Ausblick

Diese Arbeit demonstriert, wie maschinelles Lernen (insbesondere neuronale Netze) genutzt werden kann, um die Lücke zwischen theoretischer Modellprädiktiver Regelung und praktischer Implementierung in elektrischen Antrieben zu schließen.

• Flexibilität: Der Ansatz erlaubt eine Anpassung der Regelparameter an den aktuellen Arbeitspunkt, was bei nichtlinearen Maschinencharakteristika entscheidend ist.
• Implementierbarkeit: Die gewählte Perceptron-Architektur ist einfach genug, um auf gängigen Hardware-Plattformen wie FPGAs oder DSPs in Echtzeit implementiert zu werden.
• Zukunftsperspektive: Die Methode bietet einen skalierbaren Rahmen für die Regelung komplexer Mehrphasenmaschinen und könnte auf andere Arten von prädiktiven Regelungen oder Antriebskonfigurationen erweitert werden.

Zusammenfassend stellt das Paper einen signifikanten Schritt hin zu intelligenten, selbstoptimierenden Antriebssystemen dar, die die Vorteile der FSMPC mit der Anpassungsfähigkeit neuronaler Netze vereinen.