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

Elektromotoren sind die stillen Arbeitspferde der modernen Welt und treiben alles an, von den Förderbändern in Fabriken bis hin zu den Rädern von Elektrofahrzeugen. Unter den vielen verfügbaren Typen sticht der Permanentmagnet-Synchronmotor durch seine Fähigkeit hervor, enorme Leistung aus einer kompakten Größe zu liefern und dabei mit außergewöhnlicher Effizienz zu arbeiten. Diese Maschinen sind essenziell für Anwendungen, bei denen Geschwindigkeit und Drehmoment präzise gesteuert werden müssen, wie etwa in der Robotik, der Luft- und Raumfahrt und der rasant wachsenden Flotte von Elektroautos. Es ist jedoch eine ständige Herausforderung, diese Motoren auf ihrem Höchstniveau am Laufen zu halten. Genau wie ein menschlicher Körper sich mit Temperatur, Ermüdung und Alter verändert, verschieben sich auch die internen Eigenschaften eines Motors im Laufe der Zeit. Die Metallspulen im Inneren erwärmen sich und verändern ihren elektrischen Widerstand, die magnetischen Materialien werden leicht schwächer und die mechanischen Teile setzen sich. Diese subtilen Verschiebungen führen dazu, dass ein Regler, der für einen „perfekten“ Motor konzipiert wurde, oft Schwierigkeiten bekommt, wenn sich der reale Motor anders verhält, was zu Ineffizienz oder Instabilität führt.

Um dies zu lösen, verlassen sich Ingenieure auf hochentwickelte Steuerungssysteme, die wie ein Nervensystem für den Motor wirken und ständig nachjustieren, um eine reibungslose Leistung zu gewährleisten. Eine der fortschrittlichsten Methoden, die heute eingesetzt wird, ist eine Technik namens modellprädiktive Regelung (Model Predictive Control). Stellen Sie sich einen Fahrer vor, der nicht nur auf die Straße vor sich reagiert, sondern ständig mehrere Sekunden in die Zukunft blickt und den besten Weg berechnet, noch bevor eine Kurve überhaupt erscheint. Diese Regelungsmethode tut dasselbe für den Motor: Sie sagt seinen zukünftigen Zustand voraus und wählt die besten elektrischen Befehle aus, um die gewünschte Geschwindigkeit zu erreichen. Aber damit diese Vorhersage funktioniert, benötigt das System eine genaue Karte des aktuellen Zustands des Motors. Wenn die Karte falsch ist, weil sich die internen Eigenschaften des Motors verändert haben, versagen die Vorhersagen. Hier bietet eine neue Studie von Forschern der Jimma University und der Addis Ababa University in Äthiopien eine frische Perspektung. Sie untersuchten, wie künstliche Intelligenz als Echtzeit-Navigator fungieren kann, der die Karte des Motors ständig aktualisiert, um diese Veränderungen zu berücksichtigen.

Die Forscher konzentrierten sich auf fünf kritische interne Eigenschaften des Motors: den Widerstand der Drahtspulen, die Induktivität, die beschreibt, wie die Magnetfelder Energie speichern, die Stärke der Permanentmagnete und die Trägheit, die beschreibt, wie schwer sich die rotierenden Teile anfühlen. In der Vergangenheit nutzten Ingenieure mathematische Formeln, um diese Werte zu schätzen, aber diese Methoden hatten oft Schwierigkeiten mit der komplexen, nicht-linearen Art und Weise, wie sich der Motor unter Belastung verhält. Das Team schlug einen anderen Ansatz vor und testete drei verschiedene Wege, um diese Werte mittels maschinellem Lernen im laufenden Betrieb zu schätzen. Die erste Methode verwendete eine Art künstliches neuronales Netz, speziell eines, das darauf ausgelegt ist, Ereignissequenzen zu speichern, um die Beziehung zwischen den Eingaben des Motors und seinem internen Zustand zu erlernen. Die zweite und dritte Methode nutzten einen anderen Zweig der künstlichen Intelligenz, das Reinforcement Learning (bestärkendes Lernen), bei dem ein Computer-Agent durch Versuch und Irrtum lernt und Belohnungen für gute Schätzungen sowie Strafen für Fehler erhält. Sie testeten diese intelligenten Schätzer gegen zwei verschiedene Steuerungsstrategien: die zuvor erwähnte prädiktive Regelung und eine robuste Methode namens Sliding-Mode-Regelung (Gleitmodusregelung), die dafür bekannt ist, Störungen zu ignorieren, aber manchmal etwas unruhig („jittery“) sein kann.

Um zu sehen, welche Kombination am besten funktionierte, bauten die Forscher eine detaillierte digitale Simulation eines Motorsystems. Sie programmierten den Motor so, dass er durch eine Vielzahl von Geschwindigkeiten läuft, von langsamen 300 Umdrehungen pro Minute bis hin zu schnellen 2000 Umdrehungen pro Minute, während sie gleichzeitig die physikalischen Veränderungen simulierten, die in der realen Welt auftreten, wie etwa den Anstieg des Drahtwiderstands, wenn der Motor heiß wird. Sie beobachteten dann, wie gut jedes der drei intelligenten Systeme diese Veränderungen verfolgen und wie reibungslos der Motor reagierte. Die Ergebnisse waren klar und präzise. Alle drei Methoden erwiesen sich als fähig, die sich ändernden Parameter des Motors mit hoher Genauigkeit zu schätzen. Die Fehler bei der Schätzung der elektrischen Eigenschaften blieben unter 3,5 Prozent, und die Schätzungen für die mechanische Trägheit waren sogar noch präziser, mit Fehlern unter 0,5 Prozent. Dieses Maß an Genauigkeit bedeutet, dass die Regler mit einer nahezu perfekten Karte des Motorzustands arbeiteten, selbst als sich dieser Zustand veränderte.

Bei der Betrachtung der tatsächlichen Leistung des Motors wurden die Unterschiede zwischen den Methoden deutlich. Das System, das das neuronale Netz mit der prädiktiven Regelung kombinierte, erzeugte den glattesten Betrieb. Es hielt das Drehmoment des Motors unglaublich konstant, mit nur winzigen Schwankungen in der Leistungsabgabe. Dies ist entscheidend für Anwendungen, bei denen Vibrationen minimiert werden müssen. Auf der anderen Seite war das System, das Reinforcement Learning mit prädiktiver Regelung kombinierte, am schnellsten in der Reaktion. Als sich der Geschwindigkeitsbefehl änderte, passte sich dieses System in nur 0,12 bis 0,18 Sekunden an, wobei es kaum ein Überschwingen gab, was bedeutet, dass der Motor nicht zu schnell drehte, bevor er sich einpendelte. Die dritte Methode, die Reinforcement Learning mit der Sliding-Mode-Regelung kombinierte, zeigte große Stärken bei der Handhabung von Unsicherheiten, brachte jedoch einen Kompromiss mit sich. Obwohl sie robust war, verursachte sie mehr Oszillationen beim Motor, mit einem viel größeren Überschwingen von etwa 50 Prozent bei Geschwindigkeitsänderungen, und sie benötigte länger, um sich einzupendeln.

Die Studie bestätigte auch, dass die intelligenten Schätzer die spezifischen physikalischen Veränderungen detektieren konnten, die in einem realen Motor zu erwarten sind. Als der simulierte Motor schneller wurde und sich erwärmte, identifizierte das System korrekt, dass der Drahtwiderstand um etwa 3 Prozent gestiegen war – ein natürliches Ergebnis der Hitze. Es stellte auch fest, dass die Magnetstärke der Permanentmagnete um etwa 1,4 Prozent gesunken war, ein weiterer erwarteter Effekt der Temperatur. Darüber hinaus verfolgte es die leichte Abnahme der Induktivität, die durch magnetische Sättigung verursacht wurde – ein Phänomen, bei dem der Magnetkreis unter hoher Last weniger effizient wird. Diese Ergebnisse zeigen, dass die künstliche Intelligenz nicht bloß Zahlen erraten hat, sondern die physikalische Realität der Maschine präzise modellierte.

Letztendlich legt die Forschung nahe, dass die Integration dieser intelligenten Schätztechniken in Motorsteuerungssysteme ein gangbarer Weg nach vorne ist. Indem man dem Regler ermöglicht, sein Verständnis über den Gesundheitszustand des Motors kontinuierlich zu aktualisieren, kann das System eine hohe Effizienz und Stabilität beibehalten, selbst wenn die Maschine altert oder unter schwierigen Bedingungen arbeitet. Die Studie behauptet nicht, alle Probleme der Motorsteuerung gelöst zu haben, noch hat sie diese Methoden auf physischer Hardware in einer Fabrikumgebung getestet; die Ergebnisse wurden ausschließlich aus strengen Computersimulationen abgeleitet. Die Daten zeigen jedoch, dass für Elektrofahrzeuge und Industriemaschinen, bei denen Zuverlässigkeit oberste Priorität hat, der Einsatz von maschinellem Lernen zur genauen Aktualisierung der internen Karte des Motors zu glatteren, reaktionsschnelleren und langlebigeren Maschinen führen kann. Die Wahl der spezifischen Methode hängt von der Priorität ab: Wenn das Ziel absolute Glätte ist, zeichnet sich der Ansatz des neuronalen Netzes aus, während das Reinforcement Learning in Verbindung mit prädiktiver Regelung die Führung übernimmt, wenn das Ziel die schnellstmögliche Reaktion auf Änderungen ist.