Neural Network Tuning of FSMPC for Drives

Ce prépublication présente un ajusteur de réseau de neurones pour la commande prédictive à état fini (FSMPC) d'un moteur à induction, dont l'efficacité est validée expérimentalement sur une machine pentaphasée en utilisant des données issues de tests par échelon.

L'essentiel

Imaginez que vous conduisez une voiture de course très sophistiquée, mais au lieu d'avoir un seul conducteur, vous avez deux systèmes intelligents qui doivent travailler ensemble pour que la voiture soit rapide, stable et ne consomme pas trop de carburant.

Voici l'explication de ce papier scientifique, traduite en langage simple avec des images du quotidien :

1. Le Problème : Une Voiture qui a besoin d'un Réglage Parfait

Dans le monde des moteurs électriques (comme ceux des voitures électriques ou des robots), on utilise souvent une méthode de contrôle appelée FSMPC.

• L'analogie : Imaginez que le FSMPC est comme un chef d'orchestre qui décide instantanément quelle note jouer (quelle tension envoyer) pour que le moteur tourne parfaitement.
• Le souci : Pour que ce chef d'orchestre joue juste, il a besoin de réglages précis (des "boutons" à tourner). Si les boutons sont mal réglés, la voiture peut trembler, consommer trop d'énergie, ou ne pas accélérer assez vite. Trouver le réglage parfait à la main, c'est comme essayer de régler une radio dans une tempête : c'est long, difficile, et ça ne marche pas bien partout.

2. La Solution : Un "Copilote" Intelligent (Le Réseau de Neurones)

Les auteurs de ce papier ont eu une idée brillante : au lieu de régler les boutons à la main, ils ont créé un copilote artificiel (un réseau de neurones) qui apprend à régler le chef d'orchestre tout seul.

• Comment ça marche ?
  Imaginez que vous apprenez à un enfant à faire du vélo. Au début, vous lui donnez des conseils généraux. Mais avec le temps, il apprend par lui-même : "Si je penche à gauche, je dois tourner le guidon à droite".
  Ici, le "copilote" (le réseau de neurones) observe le moteur. Il voit la vitesse actuelle et la vitesse souhaitée. Ensuite, il dit instantanément : "Ok, pour cette vitesse, voici les réglages exacts qu'il faut donner au chef d'orchestre pour que tout soit parfait."

3. L'Expérience : Le Laboratoire de Course

Pour priver que leur idée fonctionne, les chercheurs ont construit un banc d'essai avec un moteur électrique spécial à 5 phases (comme un moteur avec 5 cylindres au lieu de 4, ce qui le rend plus fluide).

• Le test : Ils ont fait faire des "sauts" de vitesse au moteur (comme passer de 0 à 100 km/h très vite).
• L'entraînement : À chaque fois que le moteur changeait de vitesse, le système testait différents réglages. Il a appris : "Ah ! Quand on veut aller vite, il faut réduire un peu ce bouton pour éviter que le moteur ne tremble."
• Le résultat : Le système a appris à adapter les réglages en temps réel, comme un pilote de Formule 1 qui ajuste sa voiture en fonction de la pluie ou de la sécheresse de la piste.

4. Les Objectifs : Trouver l'Équilibre Parfait

Le but n'est pas seulement d'aller vite, mais d'être efficace. Le système doit trouver un équilibre entre plusieurs choses, un peu comme cuisiner un plat parfait :

• Vitesse : Ne pas dépasser la vitesse limite (éviter les à-coups).
• Stabilité : Ne pas faire trembler le moteur (comme éviter que la voiture ne fasse des embardées).
• Énergie : Ne pas trop chauffer les composants électroniques (comme éviter de faire trop tourner le moteur de la voiture pour ne pas le casser).

Le réseau de neurones est le chef cuisinier qui ajuste les épices (les paramètres) pour que le plat (le moteur) soit toujours délicieux, quelle que soit la température de la cuisine.

En Résumé

Ce papier nous dit : "Arrêtons de régler nos moteurs électriques à la main avec des formules mathématiques compliquées. Utilisons plutôt une intelligence artificielle qui apprend par l'expérience, comme un pilote chevronné, pour régler le moteur instantanément et parfaitement, peu importe la situation."

C'est une avancée majeure pour rendre les machines électriques plus intelligentes, plus rapides et plus économes en énergie.

Résumé technique

Voici un résumé technique détaillé de l'article pré-imprimé « Neural Network Tuning of FSMPC for Drives » de Juana M. Martínez-Heredia et José L. Mora, rédigé en français.

1. Problématique

Le contrôle prédictif à états finis (FSMPC - Finite State Model Predictive Control) est une méthode de contrôle numérique direct offrant une grande flexibilité et une bande passante élevée pour les convertisseurs de puissance, notamment dans les machines asynchrones multiphases. Cependant, la performance du FSMPC dépend fortement du réglage de ses paramètres, en particulier :

• Les gains des contrôleurs PI dans la boucle de vitesse.
• Les facteurs de pondération (poids) dans la fonction de coût du FSMPC pour la boucle de courant statorique.

Le réglage manuel ou statique de ces paramètres est complexe car les performances optimales varient selon le point de fonctionnement (vitesse de référence et vitesse réelle). De plus, les méthodes adaptatives existantes (basées sur la référence de modèle ou Lyapunov) peuvent être limitées. L'objectif de cet article est de proposer une méthode de réglage en ligne automatique et optimale de ces paramètres pour une machine asynchrone pentaphasée (5 phases).

2. Méthodologie

L'approche proposée combine un schéma de contrôle hybride et un apprentissage automatique supervisé.

A. Schéma de Contrôle

• Architecture : Le système utilise une commande vectorielle indirecte (IFOC) couplée au FSMPC.
• Machine : Une machine asynchrone à 5 phases est pilotée par un onduleur de tension (VSI) capable de générer 25 états de tension distincts.
• Boucles :
  • Boucle de vitesse : Un régulateur PI classique génère la référence de courant en quadrature ($i^*_q$).
  • Boucle de courant (FSMPC) : Le contrôleur prédit les courants statoriques ($\alpha-\beta$ et $x-y$) sur un horizon de deux pas de temps pour compenser les délais de calcul. L'action de commande est déterminée en minimisant une fonction de coût $J$ qui pénalise les erreurs de suivi dans les plans $\alpha-\beta$ et $x-y$, ainsi que le nombre de commutations de l'onduleur.
• Indicateurs de performance : Six métriques sont définies pour évaluer le système : dépassement de vitesse ($PO$), temps de montée ($T_r$), erreur absolue intégrale pondérée par le temps (ITAE), ondulation de couple, contenu harmonique ($E_{xy}$) et fréquence de commutation moyenne ($ASF$).

B. Stratégie de Réglage par Réseau de Neurones (NN)

L'idée centrale est d'utiliser un Réseau de Neurones Artificiels (RNA) pour mapper les conditions de fonctionnement vers les paramètres optimaux du contrôleur.

• Entrées du NN : La vitesse réelle ($\omega$) et la vitesse de référence ($\omega^*$).
• Sorties du NN : Le vecteur de paramètres optimal $\theta^* = (k_p, k_i, \lambda_{xy}, \lambda_{sc})$, où $k_p, k_i$ sont les gains PI et $\lambda_{xy}, \lambda_{sc}$ sont les poids de la fonction de coût FSMPC.
• Architecture : Un perceptron multicouche (MLP) avec des fonctions d'activation sigmoïdes dans les couches cachées et linéaires en sortie.

C. Collecte de Données et Entraînement

Pour entraîner le réseau, il est nécessaire de trouver les paramètres optimaux pour divers points de fonctionnement. Une exploration exhaustive de l'espace des paramètres est impossible expérimentalement (coût prohibitif). Les auteurs proposent une stratégie en trois étapes pour générer les données d'entraînement :

1. Estimation initiale : Utilisation d'un modèle dynamique simplifié (ordre 2) pour la boucle de vitesse et de travaux antérieurs pour les poids FSMPC.
2. Optimisation par descente de gradient : Au lieu de tester toutes les combinaisons, le banc d'essai ajuste les paramètres par descente de gradient à partir des estimations initiales pour minimiser une fonction objectif $\Xi$ (combinaison pondérée de $T_r$, ITAE, ondulation de couple et harmoniques).
3. Contraintes : Le processus respecte des contraintes strictes sur le dépassement de vitesse ($PO$) et la fréquence de commutation ($ASF$) pour éviter la surchauffe de l'onduleur.
4. Tests par échelons : Des tests en échelon de vitesse sont réalisés sur le banc d'essai pour collecter les paires (Entrée/Sortie) nécessaires à l'apprentissage supervisé.

3. Contributions Clés

• Tuning en ligne adaptatif : Introduction d'un régulateur neuronal capable d'ajuster dynamiquement les paramètres du contrôleur PI et du FSMPC en fonction du point de fonctionnement, éliminant le besoin de réglages fixes.
• Stratégie de génération de données hybride : Développement d'une méthode efficace pour collecter des données d'entraînement expérimentales sans nécessiter une exploration exhaustive de l'espace des paramètres, en combinant modèles simplifiés et optimisation par gradient.
• Validation expérimentale sur machine 5 phases : Application et validation réussie sur une machine asynchrone pentaphasée réelle, démontrant la faisabilité de l'approche sur du matériel embarqué (DSP TMS320F28335).

4. Résultats

Les résultats sont évalués sur un banc d'essai comprenant une machine 5 phases, un onduleur SEMIKRON et un DSP.

• Le système de réglage neuronal a permis d'obtenir des paramètres optimaux pour différents régimes de vitesse.
• Les tests par échelon montrent que le contrôleur atteint les objectifs de performance (dépassement limité, temps de réponse rapide, faible ondulation de couple) tout en respectant les contraintes de fréquence de commutation.
• La méthode permet de couvrir l'ensemble de la plage de fonctionnement de la machine en quelques minutes de tests, rendant l'entraînement du réseau de neurones réalisable en pratique.

5. Signification et Impact

Cet article démontre l'efficacité de l'intégration des réseaux de neurones dans les systèmes de contrôle de moteurs électriques avancés.

• Flexibilité : La méthode permet d'adapter le comportement du contrôleur prédictif à des conditions opérationnelles changeantes, ce qui est crucial pour les applications industrielles exigeantes.
• Faisabilité matérielle : L'utilisation d'un perceptron simple suggère que cette solution peut être facilement implémentée sur des plateformes matérielles courantes comme les FPGA ou les DSP, facilitant son adoption industrielle.
• Avancée méthodologique : La proposition d'une stratégie de collecte de données expérimentales basée sur l'optimisation par gradient offre une voie prometteuse pour surmonter le goulot d'étranglement de la collecte de données dans les systèmes de contrôle complexes.

En résumé, cette étude propose une solution robuste et adaptative pour le réglage des contrôleurs FSMPC, améliorant la performance dynamique et la fiabilité des entraînements électriques multiphases.