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

Elektrofahrzeuge verlassen sich auf Motoren, die leise, geschmeidig und effizient arbeiten, doch ein häufig verwendeter Motortyp in diesen Fahrzeugen kämpft oft mit einem spezifischen Mangel: einem rauen, ruckartigen Gefühl bei niedrigen Geschwindigkeiten. Dieses Problem rührt von der Art und Weise her, wie die internen Teile dieses Motors interagieren. Im Gegensatz zu anderen Motoren, die eine glatte, kontinuierliche Rotation aufweisen, arbeitet dieser Motortyp, bekannt als geschalteter Reluktanzmotor, indem er elektrische Leistung in verschiedenen Abschnitten ein- und ausschaltet, während sich der Rotor dreht. Obwohl diese Motoren für ihre robuste Einfachheit und den Verzicht auf Seltenerdmaterialien geschätzt werden, erzeugt der Akt des Umschaltens der Leistung von einem Abschnitt zum nächsten ein vorübergehendes Ungleichgewicht. Die Kraft, die den Motor antreibt, überträgt sich nicht perfekt von einem Abschnitt auf den nächsten, was zu einer ruckartigen Bewegung führt, die als Drehmomentwelligkeit (Torque Ripple) bezeichnet wird. Für einen Fahrgast im Auto fühlt sich dies wie eine Vibration oder ein Stocken an; für die Komponenten des Fahrzeugs verursacht es unnötigen Verschleiß und Lärm.

Um dies zu lösen, haben Ingenieure lange Zeit eine Methode namens Drehmoment-Sharing-Funktion angewendet. Stellen Sie sich vor, Sie versuchen, eine schwere Last von einer Person auf eine andere zu übertragen; wenn die erste Person loslässt, bevor die zweite einen festen Griff hat, fällt die Last ab. Wenn die zweite Person zu früh zugreift, zieht sie möglicherweise gegen die erste. Eine Drehmoment-Sharing-Funktion ist eine Reihe von Anweisungen, die dem Motor genau sagen, wie er die Anstrengung zwischen dem alten und dem neuen Abschnitt während dieses kritischen Übergabemoments aufteilen soll. Jahrelang haben Ingenieure eine standardisierte, vordefinierte Anweisung verwendet, die auf einer glatten Kurve basiert, um diesen Übergang zu steuern. Diese festen Anweisungen setzen jedoch voraus, dass der Motor perfekt funktioniert, und ignorieren dabei, dass echte Motoren unordentlich sind. Magnetfelder im Inneren des Motors verhalten sich nicht vollkommen vorhersehbar, und die elektrischen Ströme können nicht instantan steigen oder fallen. Aufgrund dieser physikalischen Realitäten erfüllen die Standardanweisungen oft nicht das, was der Motor tatsächlich benötigt, wodurch das Ruckelproblem nur teilweise gelöst wird.

Forscher der Henan University of Science and Technology haben einen neuen Ansatz vorgeschlagen, der es dem Motor ermöglicht, aus seinen eigenen Fehlern zu lernen. Anstatt sich auf einen festen Satz von Anweisungen zu verlassen, der sich nie ändert, entwickelten sie ein System, das eine Technik namens iterative Lernsteuerung (Iterative Learning Control) nutzt. Diese Methode basiert auf einem einfachen Prinzip: Wenn eine Aufgabe immer und immer wieder wiederholt wird, kann das System den Fehler des vorherigen Versuchs betrachten und sein Verhalten für den nächsten Versuch anpassen. Im Kontext des Motors, der eine kontinuierliche Schleife dreht, beobachtet das System die Differenz zwischen der glatten, idealen Kraft, die es erzeugen wollte, und der rauen, tatsächlichen Kraft, die es während einer vollen Rotation erzeugt hat. Es nutzt dann genau diese Differenz, um die Anweisungen für die unmittelbar folgende Rotation anzupassen.

Die Forscher bauten eine detaillierte Computersimulation eines Achtpolmotors, um diese Idee zu testen. Sie begannen mit den standardmäßigen, vordefinierten Anweisungen und ließen das System durch hunderte von simulierten Rotationen laufen. Mit jeder Drehung analysierte das System die Drehmomentwelligkeit – die ruckartigen Schwankungen – und nahm winzige Anpassungen an der Sharing-Funktion vor. Es änderte nicht das gesamte Regelwerk auf einmal; stattdessen verfeinerte es die spezifischen Momente, in denen die Leistung von einem Abschnitt zum nächsten wechselt. Im Laufe der Zeit entwickelten sich die Anweisungen von einer generischen Kurve zu einem maßgeschneiderten Profil, das perfekt auf das einzigartige, nicht-ideale Verhalten dieses spezifischen Motors abgestimmt war. Das System lernte, dass es für eine sanfte Fahrt etwas mehr Strom an einer Stelle und etwas weniger an einer anderen anfordern musste, um die magnetischen Verzögerungen zu kompensieren, die die Standardregeln ignorierten.

Die Ergebnisse dieser Simulationen waren beeindruckend. Als die Forscher den Motor bei niedrigen Geschwindigkeiten von 100, 200 und 400 Umdrehungen pro Minute testeten, glättete das neue Lernsystem die Bewegung signifikant. Im Vergleich zur traditionellen Methode reduzierte die neue Strategie die Rauheit des Drehmoments über alle getesteten Geschwindigkeiten hinweg um fast 40 Prozent. Bei 100 Umdrehungen pro Minute betrug die Reduktion 39,69 Prozent, bei 200 Umdrehungen pro Minute 38,86 Prozent und bei 400 Umdrehungen pro Minute 38,29 Prozent. Der Motor lief nicht nur im Durchschnitt besser; die Spitzen und Täler der Kraft wurden viel gleichmäßiger, wodurch die scharfen Ausschläge eliminiert wurden, die Vibrationen verursachen. Das System erreichte diesen verbesserten Zustand nach etwa neun simulierten Rotationen, an einem Punkt, an dem die Anpassungen so gering wurden, dass die Leistung effektiv stabilisiert war.

Obwohl die Ergebnisse vielversprechend sind, sind die Forscher sorgfältig darin, die Grenzen ihrer Arbeit aufzuzeigen. Diese Ergebnisse stammen ausschließlich aus Computersimulationen, nicht von einem physischen Motor auf einem Prüfstand. Die Studie bestätigt, dass die Methode in einer digitalen Umgebung funktioniert, in der Variablen perfekt kontrolliert werden können, aber die reale Welt führt neue Herausforderungen wie Reibung, Hitze und Fertigungstoleranzen ein, die in der Simulation nicht vorhanden waren. Die Autoren räumen ein, dass das System für den Betrieb bei niedrigen Geschwindigkeiten abgestimmt wurde und die Wirksamkeit bei höheren Geschwindigkeiten noch abzuwarten bleibt. Darüber hinaus wurde in der Studie nicht gemessen, wie sich diese zusätzliche Rechenleistung auf die Gesamtenergieeffizienz des Motors oder die Lebensdauer seiner elektronischen Komponenten auswirkt.

Trotz dieser Einschränkungen bietet die Studie einen klaren Weg zur Verbesserung des Fahrkomforts in Elektrofahrzeugen. Indem sie von starren, vorprogrammierten Regeln zu einem System übergehen, das basierend auf der Echtzeitleistung adaptiert, können Ingenieure potenziell die Unruhe beseitigen, die geschaltete Reluktanzmotoren seit langem plagt. Der nächste Schritt, wie die Forscher skizzieren, besteht darin, einen physischen Prototypen zu bauen, um zu sehen, ob die im Computer erlernten Lektionen auch dann Bestand haben, wenn der Motor tatsächlich rotiert. Wenn die physischen Tests die Simulation widerspiegeln, könnte dieser Lernansatz zu einem Standardwerkzeug für die Entwicklung von sanfteren, leisereneren und zuverlässigeren Elektrofahrzeugen werden.