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

इलेक्ट्रिक मोटर आधुनिक दुनिया के मौन कार्यबल हैं, जो कारखानों में कन्वेयर बेल्ट से लेकर इलेक्ट्रिक वाहनों के पहियों तक सब कुछ संचालित करती हैं। उपलब्ध कई प्रकारों में से, परमानेंट मैग्नेट सिंक्रोनस मोटर (permanent magnet synchronous motor) अपने कॉम्पैक्ट आकार से अत्यधिक शक्ति प्रदान करने और असाधारण दक्षता के साथ चलने की अपनी क्षमता के लिए विशिष्ट है। ये मशीनें उन अनुप्रयोगों के लिए आवश्यक हैं जहाँ गति और टॉर्क का सटीक होना अनिवार्य है, जैसे कि रोबोटिक्स, एयरोस्पेस और तेजी से बढ़ते इलेक्ट्रिक कारों के बेड़े में। हालाँकि, इन मोटरों को उनके शिखर प्रदर्शन पर बनाए रखना एक निरंतर चुनौती है। जिस प्रकार मानव शरीर तापमान, थकान और उम्र के साथ बदलता है, उसी प्रकार एक मोटर की आंतरिक विशेषताएं समय के साथ बदलती हैं। इसके अंदर मौजूद धातु की कुंडलियाँ (coils) गर्म होती हैं और उनका विद्युत प्रतिरोध बदल जाता है, चुंबकीय सामग्रियां थोड़ी कमजोर हो जाती हैं, और यांत्रिक भाग स्थिर होते हैं। इन सूक्ष्म बदलावों का अर्थ यह है कि एक "परफेक्ट" मोटर के लिए डिज़ाइन किया गया कंट्रोलर अक्सर संघर्ष करता है जब वास्तविक मोटर अलग व्यवहार करती है, जिससे अक्षमता या अस्थिरता आती है।

इसे हल करने के लिए, इंजीनियर परिष्कृत नियंत्रण प्रणालियों (control systems) पर भरोसा करते हैं जो मोटर के लिए तंत्रिका तंत्र की तरह कार्य करती हैं, और प्रदर्शन को सुचारू बनाए रखने के लिए लगातार समायोजन करती हैं। आज उपयोग की जाने वाली सबसे उन्नत विधियों में से एक 'मॉडल प्रेडिक्टिव कंट्रोल' (model predictive control) नामक तकनीक है। कल्पना कीजिए कि एक ड्राइवर जो न केवल सामने की सड़क पर प्रतिक्रिया देता है बल्कि लगातार कुछ सेकंड भविष्य की ओर देखता है, और किसी मोड़ के आने से पहले ही सबसे अच्छे रास्ते की गणना करता है। यह नियंत्रण विधि मोटर के लिए भी यही करती है, भविष्य की स्थिति का अनुमान लगाती है और वांछित गति प्राप्त करने के लिए सर्वोत्तम विद्युत कमांड चुनती है। लेकिन इस भविष्यवाणी के काम करने के लिए, सिस्टम को मोटर की वर्तमान स्थिति के सटीक मानचित्र (map) की आवश्यकता होती है। यदि मानचित्र गलत है क्योंकि मोटर के आंतरिक गुण बदल गए हैं, तो भविष्यवाणियाँ विफल हो जाती हैं। यहीं पर जिम्मा विश्वविद्यालय और अदीस अबाबा विश्वविद्यालय, इथियोपिया के शोधकर्ताओं का एक नया अध्ययन एक नया दृष्टिकोण प्रस्तुत करता है। उन्होंने यह पता लगाया कि कैसे आर्टिफिशियल इंटेलिजेंस (AI) एक वास्तविक समय के नेविगेटर के रूप में कार्य कर सकता है, जो इन परिवर्तनों को ध्यान में रखते हुए मोटर के मानचित्र को लगातार अपडेट करता रहता है।

शोधकर्ताओं ने मोटर के पांच महत्वपूर्ण आंतरिक गुणों पर ध्यान केंद्रित किया: तार की कुंडलियों का प्रतिरोध, इंडक्टेंस (inductance) जो यह बताता है कि चुंबकीय क्षेत्र ऊर्जा कैसे संग्रहीत करते हैं, स्थायी चुंबकों की शक्ति, और जड़त्व (inertia) जो यह बताता है कि घूमने वाले भाग कितने भारी महसूस होते हैं। अतीत में, इंजीनियर इन मूल्यों का अनुमान लगाने के लिए गणितीय सूत्रों का उपयोग करते थे, लेकिन ये विधियाँ अक्सर तनाव के तहत मोटर के जटिल, गैर-रेखीय व्यवहार के साथ संघर्ष करती थीं। टीम ने एक अलग दृष्टिकोण प्रस्तावित किया, जिसमें मशीन लर्निंग का उपयोग करके इन मूल्यों का वास्तविक समय में अनुमान लगाने के तीन अलग-अलग तरीकों का परीक्षण किया गया। पहले तरीके ने एक प्रकार के आर्टिफिशियल न्यूरल नेटवर्क का उपयोग किया, विशेष रूप से एक ऐसा नेटवर्क जिसे घटनाओं के अनुक्रमों (sequences) को याद रखने के लिए डिज़ाइन किया गया था, ताकि वह मोटर के इनपुट और उसकी आंतरिक स्थिति के बीच के संबंध को सीख सके। दूसरे और तीसरे तरीके ने आर्टिफिशियल इंटेलिजेंस की एक अलग शाखा 'रिनफोर्समेंट लर्निंग' (reinforcement learning) का उपयोग किया, जहाँ एक कंप्यूटर एजेंट 'ट्रायल एंड एरर' (प्रयास और त्रुटि) के माध्यम से सीखता है, जिसमें अच्छे अनुमान लगाने के लिए पुरस्कार और गलतियों के लिए दंड मिलता है। उन्होंने इन बुद्धिमान अनुमानकों (estimators) का परीक्षण दो अलग-अलग नियंत्रण रणनीतियों के विरुद्ध किया: पहले वाला प्रेडिक्टिव कंट्रोल जिसका उल्लेख ऊपर किया गया है, और एक मजबूत विधि जिसे 'स्लाइडिंग मोड कंट्रोल' (sliding mode control) कहा जाता है, जो व्यवधानों को अनदेखा करने की अपनी क्षमता के लिए प्रसिद्ध है लेकिन कभी-कभी इसमें अस्थिरता (jittery) आ सकती है।

यह देखने के लिए कि कौन सा संयोजन सबसे अच्छा काम करता है, शोधकर्ताओं ने एक मोटर सिस्टम का विस्तृत डिजिटल सिमुलेशन बनाया। उन्होंने मोटर को विभिन्न गतियों के माध्यम से चलाने के लिए प्रोग्राम किया, जो 300 आरपीएम (RPM) की धीमी गति से लेकर 2000 आरपीएम की तेज गति तक थी, और साथ ही वास्तविक दुनिया में होने वाले भौतिक परिवर्तनों का भी अनुकरण किया, जैसे कि मोटर के गर्म होने पर तारों के प्रतिरोध का बढ़ना। फिर उन्होंने देखा कि प्रत्येक तीन बुद्धिमान प्रणालियों में से प्रत्येक इन परिवर्तनों को कितनी अच्छी तरह ट्रैक कर सकती है और मोटर कितनी सुचारू रूप से प्रतिक्रिया देती है। परिणाम स्पष्ट और सटीक थे। तीनों विधियाँ उच्च सटीकता के साथ मोटर के बदलते मापदंडों का अनुमान लगाने में सक्षम सिद्ध हुईं। विद्युत गुणों के अनुमान में त्रुटि 3.5 प्रतिशत से नीचे रही, और यांत्रिक जड़त्व (mechanical inertia) के अनुमान और भी अधिक सटीक थे, जिनमें त्रुटि 0.5 प्रतिशत से कम थी। सटीकता का यह स्तर यह सुनिश्चित करता है कि कंट्रोलर मोटर की स्थिति के लगभग पूर्ण मानचित्र के साथ काम कर रहे थे, भले ही वह स्थिति बदल रही हो।

जब वास्तव में मोटर के प्रदर्शन को देखा गया, तो विधियों के बीच अंतर स्पष्ट हो गया। प्रेडिक्टिव कंट्रोल के साथ न्यूरल नेटवर्क का उपयोग करने वाला सिस्टम सबसे सुचारू संचालन प्रदान करता है। इसने मोटर के टॉर्क, या घुमाने वाले बल को अविश्वसनीय रूप से स्थिर रखा, जिसमें बिजली वितरण में केवल बहुत मामूली उतार-चढ़ाव आए। यह उन अनुप्रयोगों के लिए अत्यंत महत्वपूर्ण है जहाँ कंपन को न्यूनतम करना होता है। दूसरी ओर, प्रेडिक्टिव कंट्रोल के साथ रिनफोर्समेंट लर्निंग का उपयोग करने वाला सिस्टम सबसे तेज़ प्रतिक्रिया देने वाला था। जब गति का कमांड बदला गया, तो इस सिस्टम ने केवल 0.12 से 0.18 सेकंड में समायोजन किया, और इसमें 'ओवरशूट' (overshoot) लगभग शून्य था, जिसका अर्थ है कि सेटल होने से पहले मोटर बहुत तेज़ नहीं घूमी। तीसरा तरीका, जिसने स्लाइडिंग मोड कंट्रोल के साथ रिनफोर्समेंट लर्निंग को जोड़ा, अनिश्चितता को संभालने में बहुत मजबूत था लेकिन इसके साथ एक समझौता भी था। हालांकि यह मजबूत था, लेकिन इसने मोटर में अधिक दोलन (oscillation) पैदा किया, जिसमें गति बदलने पर लगभग 50 प्रतिशत का बड़ा ओवरशूट देखा गया, और इसे सेटल होने में अधिक समय लगा।

अध्ययन ने यह भी पुष्टि की कि बुद्धिमान अनुमानक (intelligent estimators) वास्तविक मोटर में अपेक्षित विशिष्ट भौतिक परिवर्तनों का पता लगाने में सक्षम थे। जैसे ही सिम्युलेटेड मोटर की गति बढ़ी और वह गर्म हुई, सिस्टम ने सही ढंग से पहचाना कि तार का प्रतिरोध लगभग 3 प्रतिशत बढ़ गया था, जो गर्मी का एक स्वाभाविक परिणाम है। इसने यह भी देखा कि स्थायी चुंबकों की चुंबकीय शक्ति लगभग 1.4 प्रतिशत गिर गई, जो तापमान का एक अन्य अपेक्षित प्रभाव है। इसके अलावा, इसने चुंबकीय संतृप्ति (magnetic saturation) के कारण इंडक्टेंस में आई मामूली कमी को भी ट्रैक किया, जो एक ऐसी घटना है जहाँ उच्च भार के तहत चुंबकीय सर्किट कम कुशल हो जाता है। ये निष्कर्ष दर्शाते हैं कि आर्टिफिशियल इंटेलिजेंस केवल नंबरों का अनुमान नहीं लगा रहा था, बल्कि मशीन की भौतिक वास्तविकता का सटीक मॉडल बना रहा था।

अंततः, अनुसंधान यह सुझाव देता है कि इन बुद्धिमान अनुमान तकनीकों को मोटर नियंत्रण प्रणालियों में एकीकृत करना एक व्यवहार्य मार्ग है। कंट्रोलर को मोटर के स्वास्थ्य की समझ को लगातार अपडेट करने की अनुमति देकर, सिस्टम उच्च दक्षता और स्थिरता बनाए रख सकता है, भले ही मशीन पुरानी हो रही हो या कठोर परिस्थितियों में काम कर रही हो। अध्ययन ने मोटर नियंत्रण की हर समस्या को हल करने का दावा नहीं किया, न ही इन विधियों का परीक्षण कारखाने के भौतिक हार्डवेयर पर किया; परिणाम पूरी तरह से कठोर कंप्यूटर सिमुलेशन से प्राप्त किए गए थे। हालाँकि, डेटा दिखाता है कि इलेक्ट्रिक वाहनों और औद्योगिक मशीनरी के लिए, जहाँ विश्वसनीयता सर्वोपरि है, मशीन लर्निंग का उपयोग करके मोटर के आंतरिक मानचित्र को सटीक रखना, अधिक सुचारू, अधिक उत्तरदायी और लंबे समय तक चलने वाली मशीनों की ओर ले जा सकता है। किस विशिष्ट विधि का उपयोग करना है, यह प्राथमिकता पर निर्भर करता है: यदि लक्ष्य पूर्ण सुगमता है, तो न्यूरल नेटवर्क दृष्टिकोण उत्कृष्ट है, जबकि यदि लक्ष्य परिवर्तनों के प्रति सबसे तेज़ प्रतिक्रिया देना है, तो प्रेडिक्टिव कंट्रोल के साथ रिनफोर्समेंट लर्निंग अग्रणी है।