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

Los motores eléctricos son los caballos de batalla silenciosos del mundo moderno, impulsando desde las cintas transportadoras en las fábricas hasta las ruedas de los vehículos eléctricos. Entre los muchos tipos disponibles, el motor síncrono de imanes permanentes destaca por su capacidad de entregar una potencia inmensa desde un tamaño compacto mientras funciona con una eficiencia excepcional. Estas máquinas son esenciales para aplicaciones donde la velocidad y el par deben ser precisos, como en la robótica, la industria aeroespacial y la creciente flota de coches eléctricos. Sin embargo, mantener estos motores funcionando a su máximo rendimiento es un desafío constante. Al igual que un cuerpo humano cambia con la temperatura, la fatiga y la edad, las características internas de un motor se desplazan con el tiempo. Las bobinas metálicas en su interior se calientan y cambian su resistencia eléctrica, los materiales magnéticos se debilitan ligeramente y las piezas mecánicas se asientan. Estos cambios sutiles significan que un controlador diseñado para un motor "perfecto" a menudo tiene dificultades cuando el motor real se comporta de manera diferente, lo que conduce a la ineficiencia o la inestabilidad.

Para resolver esto, los ingenieros confían en sistemas de control sofisticados que actúan como un sistema nervioso para el motor, ajustándose constantemente para mantener un funcionamiento fluido. Uno de los métodos más avanzados utilizados hoy en día es una técnica llamada control predictivo basado en modelo. Imagine a un conductor que no solo reacciona al camino que tiene por delante, sino que constantemente mira varios segundos hacia el futuro, calculando la mejor trayectoria antes de que aparezca una curva. Este método de control hace lo mismo por el motor, prediciendo su estado futuro y eligiendo los mejores comandos eléctricos para alcanzar la velocidad deseada. Pero para que esta predicción funcione, el sistema necesita un mapa preciso de la condición actual del motor. Si el mapa es incorrecto porque las propiedades internas del motor han cambiado, las predicciones fallan. Aquí es donde un nuevo estudio de investigadores de la Universidad de Jimma y la Universidad de Addis Abeba en Etiopía ofrece una nueva perspectiva. Exploraron cómo la inteligencia artificial puede actuar como un navegador en tiempo real, actualizando constantemente el mapa del motor para dar cuenta de estos cambios.

Los investigadores se centraron en cinco propiedades internas críticas del motor: la resistencia de las bobinas de cable, la inductancia, que describe cómo los campos magnéticos almacenan energía, la fuerza de los imanes permanentes y la inercia, que describe qué tan pesadas se sienten las partes giratorias. En el pasado, los ingenieros utilizaban fórmulas matemáticas para adivinar estos valores, pero estos métodos a menudo tenían dificultades con la forma compleja y no lineal en que el motor se comporta bajo estrés. El equipo propuso un enfoque diferente, probando tres formas distintas de utilizar el aprendizaje automático para estimar estos valores sobre la marcha. El primer método utilizó un tipo de red neuronal artificial, específicamente una diseñada para recordar secuencias de eventos, para aprender la relación entre las entradas del motor y su estado interno. El segundo y tercer método utilizaron una rama diferente de la inteligencia artificial llamada aprendizaje por refuerzo, donde un agente informático aprende mediante ensayo y error, recibiendo recompensas por hacer buenas conjeturas y penalizaciones por errores. Probaron estos estimadores inteligentes contra dos estrategias de control diferentes: el control predictivo mencionado anteriormente, y un método robusto conocido como control por modo deslizante, que es famoso por su capacidad para ignorar perturbaciones pero que a veces puede ser errático.

Para ver qué combinación funcionaba mejor, los investigadores construyeron una simulación digital detallada de un sistema de motor. Programaron el motor para que funcionara a través de una variedad de velocidades, desde unas lentas 300 revoluciones por minuto hasta unas rápidas 2000 revoluciones por minuto, simulando también los cambios físicos que ocurren en el mundo real, como el aumento de la resistencia de los cables a medida que el motor se calienta. Luego observaron qué tan bien cada uno de los tres sistemas inteligentes podía rastrear estos cambios y qué tan suavemente respondía el motor. Los resultados fueron claros y precisos. Los tres métodos demostraron ser capaces de estimar los parámetros cambiantes del motor con alta precisión. Los errores en la estimación de las propiedades eléctricas se mantuvieron por debajo del 3.5 por ciento, y las estimaciones para la inercia mecánica fueron incluso más precisas, con errores por debajo del 0.5 por ciento. Este nivel de precisión significa que los controladores estaban trabajando con un mapa casi perfecto de la condición del motor, incluso cuando esa condición cambiaba.

Al observar cómo se desempeñaba realmente el motor, las diferencias entre los métodos se hicieron evidentes. El sistema que utilizaba la red neuronal con control predictivo produjo la operación más suave. Mantuvo el par del motor, o fuerza de giro, increíblemente constante, con solo diminutas ondulaciones en la entrega de potencia. Esto es crucial para aplicaciones donde la vibración debe minimizarse. Por otro lado, el sistema que utilizaba el aprendizaje por refuerzo con control predictivo fue el más rápido en reaccionar. Cuando el comando de velocidad cambiaba, este sistema se ajustaba en solo 0.12 a 0.18 segundos, con casi ningún sobreimpulso, lo que significa que el motor no giraba demasiado rápido antes de estabilizarse. El tercer método, que combinó el aprendizaje por refuerzo con el control por modo deslizante, mostró una gran fuerza para manejar la incertidumbre pero con un compromiso. Aunque era robusto, causó que el motor oscilara más, con un sobreimpulso mucho mayor de aproximadamente el 50 por ciento cuando las velocidades cambiaban, y tardaba más en estabilizarse.

El estudio también confirmó que los estimadores inteligentes podían detectar los cambios físicos específicos esperados en un motor real. A medida que el motor simulado aceleraba y se calentaba, el sistema identificaba correctamente que la resistencia del cable había aumentado aproximadamente un 3 por ciento, un resultado natural del calor. También notó que la fuerza magnética de los imantes permanentes había caído aproximadamente un 1.4 por ciento, otro efecto esperado de la temperatura. Además, rastreó la ligera disminución de la inductancia causada por la saturación magnética, un fenómeno donde el circuito magnético se vuelve menos eficiente bajo una carga alta. Estos hallazgos demuestran que la inteligencia artificial no solo estaba adivinando números, sino que estaba modelando con precisión la realidad física de la máquina.

En última instancia, la investigación sugiere que integrar estas técnicas de estimación inteligente en los sistemas de control de motores es un camino viable hacia adelante. Al permitir que el controlador actualice continuamente su comprensión de la salud del motor, el sistema puede mantener una alta eficiencia y estabilidad incluso a medida que la máquina envejece o funciona en condiciones severas. El estudio no pretendía haber resuelto todos los problemas del control de motores, ni probó estos métodos en hardware físico en un entorno de fábrica; los resultados se derivaron enteramente de rigurosas simulaciones por computadora. Sin embargo, los datos muestran que para los vehículos eléctricos y la maquinaria industrial, donde la fiabilidad es primordial, el uso del aprendizaje automático para mantener preciso el mapa interno del motor podría conducir a máquinas más suaves, más responsivas y de mayor duración. La elección de qué método específico utilizar depende de la prioridad: si el objetivo es la suavidad absoluta, el enfoque de la red neuronal sobresale, mientras que si el objetivo es la reacción más rápida posible a los cambios, el aprendizaje por refuerzo con control predictivo toma la delantera.