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

Les véhicules électriques s'appuient sur des moteurs qui sont silencieux, fluides et efficaces, pourtant un type de moteur couramment utilisé dans ces véhicules souffre souvent d'un défaut spécifique : une sensation de rugosité et de tressautement à basse vitesse. Ce problème provient de la manière dont les composants internes du moteur interagissent. Contrairement à la rotation fluide et continue d'autres types de moteurs, ce type de machine, connu sous le nom de moteur à réluctance commutée, fonctionne en activant et en désactivant l'alimentation électrique de différentes sections au fur et à mesure que le rotor tourne. Bien que ces moteurs soient prisés pour leur simplicité robuste et l'absence de terres rares, l'acte de commuter la puissance d'une section à la suivante crée un déséquilibre momentané. La force qui fait tourner le moteur ne se transfère pas parfaitement d'une section à l'autre, ce qui entraîne un mouvement saccadé appelé ondulation de couple. Pour un passager dans une voiture, cela ressemble à une vibration ou à une hésitation ; pour les composants du véhicule, cela crée une usure et un bruit inutiles.

Pour résoudre cela, les ingénieurs utilisent depuis longtemps une méthode appelée fonction de partage de couple. Imaginez que vous essayez de passer une charge lourde d'une personne à une autre ; si la première personne lâche la charge avant que la seconde n'ait une prise ferme, la charge tombe. Si la seconde personne attrape la charge trop tôt, elle risque de tirer contre la première. Une fonction de partage de couple est un ensemble d'instructions qui indique précisément au moteur comment répartir l'effort entre l'ancienne section et la nouvelle section lors de ce transfert critique. Pendant des années, les ingénieurs ont utilisé un ensemble d'instructions standard, pré-écrites, basées sur une courbe lisse pour gérer cette transition. Cependant, ces instructions fixes supposent que le moteur se comporte parfaitement, ignorant le fait que les moteurs réels sont imparfaits. Les champs magnétiques à l'intérieur du moteur ne se comportent pas de manière parfaitement prévisible, et les courants électriques ne peuvent pas augmenter ou diminuer instantanément. En raison de ces réalités physiques, les instructions standard échouent souvent à correspondre à ce que le moteur doit réellement faire, laissant le problème de tressautement seulement partiellement résolu.

Des chercheurs de l'Université des sciences et technologies du Henan ont proposé une nouvelle approche qui permet au moteur d'apprendre de ses propres erreurs. Au lieu de s'appuyer sur un ensemble d'instructions fixes qui ne changent jamais, ils ont développé un système utilisant une technique appelée commande par apprentissage itératif. Cette méthode repose sur un principe simple : si une tâche est répétée encore et encore, le système peut observer l'erreur commise lors de la tentative précédente et ajuster son comportement pour la suivante. Dans le contexte du moteur, qui tourne en boucle continue, le système observe la différence entre la force fluide et idéale qu'il souhaitait produire et la force réelle et rugueuse qu'il a générée lors d'une rotation complète. Il utilise ensuite cette différence spécifique pour ajuster les instructions pour la rotation suivante.

Les chercheurs ont construit une simulation informatique détaillée d'un moteur à huit pôles pour tester cette idée. Ils ont commencé avec les instructions standard pré-écrites et ont laissé le système effectuer des centaines de rotations simulées. À chaque tour, le système analysait l'ondulation de couple — les fluctuations saccadées — et apportait de minuscules ajustements à la fonction de partage. Il ne changeait pas toute la règle d'un coup ; il affinait plutôt les moments précis où la puissance passait d'une section à l'autre. Au fil du temps, les instructions ont évolué d'une courbe générique vers un profil personnalisé qui correspondait parfaitement au comportement non idéal de ce moteur spécifique. Le système a appris que pour obtenir une conduite fluide, il devait demander un courant légèrement plus élevé à un endroit et légèrement moins à un autre, compensant ainsi les retards magnétiques que les règles standard ignoraient.

Les résultats de ces simulations ont été frappants. Lorsque les chercheurs ont testé le moteur à des vitesses basses de 100, 200 et 400 tours par minute, le nouveau système d'apprentissage a considérablement lissé le mouvement. Comparée à la méthode traditionnelle, la nouvelle stratégie a réduit la rugosité du couple de près de 40 % sur toutes les vitesses testées. À 100 tours par minute, la réduction était de 39,69 % ; à 200 tours par minute, elle était de 38,86 % ; et à 400 tours par minute, elle était de 38,29 %. Le moteur ne s'est pas contenté de mieux performer en moyenne ; les pics et les creux de la force sont devenus beaucoup plus uniformes, éliminant les pointes abruptes qui provoquent les vibrations. Le système a atteint cet état amélioré après environ neuf rotations simulées, moment où les ajustements sont devenus si faibles que la performance s'était effectivement stabilisée.

Bien que les résultats soient prometteurs, les chercheurs veillent à préciser les limites de leurs travaux. Ces résultats proviennent entièrement de simulations informatiques, et non d'un moteur physique sur un banc d'essai. L'étude confirme que la méthode fonctionne dans un environnement numérique où les variables peuvent être contrôlées parfaitement, mais le monde réel introduit de nouveaux défis comme la friction, la chaleur et les imperfections de fabrication qui n'étaient pas présents dans la simulation. Les auteurs reconnaissent que le système a été réglé pour un fonctionnement à basse vitesse, et que son efficacité à des vitesses plus élevées reste à déterminer. De plus, l'étude n'a pas mesuré si ce traitement supplémentaire pourrait affecter l'efficacité énergétique globale du moteur ou la durée de vie de ses composants électroniques.

Malgré ces limites, l'étude offre une voie claire pour améliorer le confort des véhicules électriques. En s'éloignant des règles rigides et pré-programmées pour tendre vers un système qui s'adapte en fonction de la performance en temps réel, les ingénieurs peuvent potentiellement éliminer la rugosité qui tourmente depuis longtemps les moteurs à réluctance commutée. La prochaine étape, comme le soulignent les chercheurs, est de construire un prototype physique pour voir si les leçons apprises dans l'ordinateur se maintiennent lorsque le moteur tourne réellement. Si les tests physiques reflètent la simulation, cette approche d'apprentissage pourrait devenir un outil standard pour rendre les véhicules électriques plus fluides, plus silencieux et plus fiables.