Neural Network Tuning of FSMPC for Drives

Questo preprint presenta un sintonizzatore basato su rete neurale per il controllo predittivo a modello a stati finiti (FSMPC) di un motore a induzione, che regola i parametri dei loop di velocità e corrente e viene validato sperimentalmente su una macchina a cinque fasi utilizzando dati ottenuti da test a gradino.

L'essenziale

Immagina di avere un'auto da corsa molto sofisticata, un motore elettrico a 5 cilindri (invece dei soliti 3 o 4), che deve muoversi con la precisione di un orologio svizzero. Il problema è che questa "auto" è complessa: se provi a guidarla con le impostazioni di fabbrica fisse, potrebbe essere un po' lenta nelle curve, scattare troppo bruscamente o consumare troppa energia.

Questo articolo parla di come dare a questa macchina un "cervello digitale" che impara a guidare da sola, adattandosi in tempo reale a ogni situazione.

Ecco la spiegazione semplice, passo dopo passo:

1. Il Problema: Il Controllo "Intelligente" ma Rigido

Attualmente, per far girare questo motore, si usa una tecnica chiamata FSMPC (Controllo Predittivo a Stati Finiti).

• L'analogia: Immagina di dover parcheggiare un camioncino in uno spazio strettissimo. Il FSMPC è come un guidatore esperto che guarda avanti, calcola 100 scenari possibili in un millisecondo e sceglie la mossa migliore per non sbattere contro i muri.
• Il difetto: Questo "guidatore" ha bisogno di regole precise (i parametri) per funzionare bene. Se le regole sono sbagliate, il camioncino sbatte o impiega troppo tempo. Tradizionalmente, queste regole venivano impostate a mano dagli ingegneri, ma è un lavoro lungo e difficile perché il motore si comporta in modo diverso quando è freddo, quando è caldo, quando va veloce o quando è fermo.

2. La Soluzione: L'Insegnante Digitale (La Rete Neurale)

Gli autori hanno creato un tuner basato su una Rete Neurale Artificiale (NN).

• L'analogia: Immagina di avere un istruttore di guida virtuale (la Rete Neurale) che osserva il motore. Invece di avere un manuale fisso, questo istruttore ha un "diario di bordo" pieno di esperienze.
• Come funziona: Quando il motore deve accelerare o frenare, l'istruttore guarda la situazione attuale (es. "Stiamo andando a 50 km/h e vogliamo arrivare a 100") e dice al sistema: "Ora, per questa specifica situazione, cambia le impostazioni del freno e dell'acceleratore in questo modo preciso".
• Il risultato: Il motore non usa più le stesse impostazioni per sempre, ma le tara in tempo reale, proprio come un pilota esperto che adatta la guida alla pioggia, al sole o all'asfalto.

3. Come hanno insegnato all'Istruttore? (L'Addestramento)

Per creare questo "cervello", non potevano provare tutte le combinazioni possibili a mano (sarebbero stati milioni di tentativi e il motore si sarebbe rotto!).

• La strategia: Hanno usato un metodo intelligente.
  1. Hanno fatto fare al motore dei piccoli salti di velocità (come se facessi un passo avanti e poi uno indietro in un campo di prova).
  2. Hanno osservato cosa succedeva con diverse impostazioni.
  3. Hanno usato un algoritmo matematico per trovare la combinazione perfetta per ogni situazione, riducendo i tentativi necessari.
  4. Hanno dato tutti questi dati alla Rete Neurale, che ha imparato a riconoscere i pattern: "Ah, quando il motore è freddo e voglio accelerare forte, devo usare queste impostazioni specifiche per non scattare troppo".

4. Cosa controlla esattamente?

Il sistema regola due cose fondamentali:

1. La velocità (il pedale dell'acceleratore): Per assicurarsi che il motore raggiunga la velocità desiderata senza "sballare" (senza andare oltre il limite e poi tornare indietro).
2. La corrente (il motore stesso): Per assicurarsi che le fasi elettriche lavorino in armonia, senza creare vibrazioni o calore eccessivo.

5. Il Risultato: Un Motore che "Pensa"

Alla fine, hanno testato tutto su un banco di prova reale con un motore a 5 fasi.

• L'analogia finale: Prima, il motore era come un'automobile con il cruise control fissato: funzionava bene solo su una strada specifica. Ora, grazie alla Rete Neurale, è come un'auto con guida autonoma di livello superiore: sa adattarsi istantaneamente a ogni curva, ogni salita e ogni cambio di carico, garantendo che sia veloce, precisa e non si surriscaldi.

In sintesi: Questo articolo mostra come usare l'intelligenza artificiale per insegnare a un motore elettrico a "sentire" le sue stesse condizioni e a regolare se stesso istantaneamente, rendendolo più efficiente, sicuro e performante senza bisogno che un ingegnere intervenga manualmente ogni volta.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del documento in lingua italiana, strutturato secondo le sezioni richieste.

Titolo: Sintonizzazione Neurale dell'FSMPC per Azionamenti Elettrici

Autori: Juana M. Martínez-Heredia, José L. Mora
Data: 11 marzo 2026 (Preprint)

---

1. Il Problema

Il controllo predittivo a stati finiti (FSMPC - Finite State Model Predictive Control) è una tecnica avanzata per il controllo di convertitori di potenza, in particolare per motori a induzione multiphase. Sebbene l'FSMPC offra vantaggi significativi come una maggiore flessibilità nel gestire obiettivi multipli e un aumento della banda passante nel controllo della corrente di statore (grazie all'eliminazione del blocco di modulazione), presenta una sfida critica: la sintonizzazione dei parametri.

Nelle applicazioni a più fasi, la scelta dei pesi della funzione di costo (in particolare i fattori di ponderazione $\lambda_{xy}$ e $\lambda_{sc}$) e dei parametri dei controllori PI (nel loop di velocità e corrente) è complessa. Una sintonizzazione manuale o basata su tabelle fisse non è in grado di adattarsi dinamicamente a tutte le condizioni operative del motore, portando a compromessi tra prestazioni (es. sovraelongazione, ripple di coppia) ed efficienza (es. frequenza di commutazione).

2. Metodologia

L'articolo propone un approccio innovativo basato su una Rete Neurale Artificiale (ANN) utilizzata come sintonizzatore in linea (online tuner) per un motore a induzione a 5 fasi.

Schema di Controllo

Il sistema combina il controllo orientato al campo indiretto (IFOC) con l'FSMPC:

• Struttura: Un motore a 5 fasi alimentato da un inverter a sorgente di tensione (VSI) che genera 25 stati di tensione possibili.
• Predizione: L'algoritmo FSMPC utilizza un modello matematico per prevedere le correnti di statore a due passi di tempo ($k+2$) per compensare i ritardi computazionali.
• Funzione di Costo: L'azione di controllo è determinata minimizzando una funzione di costo $J$ che include:
  • Errore quadratico nel piano $\alpha-\beta$ (produzione di coppia).
  • Errore quadratico nel piano $x-y$ (contenuto armonico).
  • Numero di commutazioni degli interruttori ($SC$) per limitare le perdite e lo stress termico.
  • I pesi $\lambda_{xy}$ e $\lambda_{sc}$ sono parametri critici da ottimizzare.

Approccio della Rete Neurale

L'ANN ha il compito di mappare le condizioni operative correnti (velocità di riferimento $\omega^*$ e velocità effettiva $\omega$) ai parametri ottimali del controllore $\theta = (k_p, k_i, \lambda_{xy}, \lambda_{sc})$.

• Architettura: Un perceptron multistrato (MLP) con attivazione sigmoide negli strati nascosti e lineare negli strati di uscita.
• Obiettivo di Ottimizzazione: La rete viene addestrata per minimizzare un indice di prestazione composito $\Xi$, soggetto a vincoli rigorosi:
  • Minimizzazione di: Tempo di ascesa ($T_r$), ITAE (errore assoluto integrale), ripple di coppia ($R_t$) e contenuto armonico ($E_{xy}$).
  • Vincoli massimi: Sovraelongazione di velocità ($PO \le U_{PO}$) e Frequenza di commutazione media ($ASF \le U_{ASF}$) per prevenire il surriscaldamento dell'inverter.

Raccolta Dati e Addestramento

Poiché testare tutte le combinazioni possibili dei parametri su un banco prova fisico è proibitivo (il numero di combinazioni è esponenziale), gli autori adottano una strategia ibrida:

1. Stime Iniziali: Utilizzo di modelli dinamici semplificati e letteratura esistente per ottenere valori iniziali per i parametri PI e i pesi FSMPC.
2. Discesa del Gradiente Sperimentale: Invece di una ricerca esaustiva, il sistema esegue test a gradino (step tests) su specifici punti di lavoro. I parametri vengono modificati iterativamente seguendo una discesa del gradiente basata sui dati sperimentali reali per convergere verso i valori ottimali.
3. Addestramento Supervisionato: I dati raccolti (coppie input/output: condizioni operative $\to$ parametri ottimali) vengono utilizzati per addestrare l'ANN, utilizzando tecniche di early stopping e validazione incrociata per evitare l'overfitting.

3. Contributi Chiave

• Sintonizzazione Adattiva in Tempo Reale: Sostituzione della sintonizzazione fissa con un sistema neurale che adatta dinamicamente i parametri del controllore (sia loop di velocità che di corrente) in base al punto di lavoro.
• Gestione dei Vincoli Multi-obiettivo: Formulazione di un problema di ottimizzazione che bilancia prestazioni dinamiche (risposta rapida, basso ripple) con vincoli di sicurezza operativa (limiti di sovraelongazione e frequenza di commutazione).
• Metodologia di Raccolta Dati Efficiente: Sviluppo di una strategia che riduce drasticamente il numero di esperimenti necessari per l'addestramento della rete neurale, rendendo fattibile l'ottimizzazione su piattaforme hardware reali senza richiedere simulazioni estensive o test fisici esaustivi.
• Validazione Sperimentale: Implementazione e verifica su un banco prova reale con un motore a 5 fasi, dimostrando la fattibilità dell'approccio su hardware DSP (TMS320F28335).

4. Risultati

I risultati sono stati valutati su un banco sperimentale dotato di:

• Motore a induzione a 5 fasi (5pIM).
• Inverter con moduli SEMIKRON SKS 22F.
• DSP per il controllo in tempo reale.

Gli indicatori di prestazione monitorati includono:

• Sovraelongazione di velocità ($\pi_1$): Mantenuta entro limiti predefiniti.
• Tempo di ascesa ($\pi_2$) e ITAE ($\pi_3$): Migliorati grazie all'adattamento dei parametri PI.
• Ripple di coppia ($\pi_4$) e Contenuto Armonico ($\pi_5$): Ridotti ottimizzando i pesi della funzione di costo FSMPC.
• Frequenza di commutazione media ($\pi_6$): Mantenuta sotto la soglia di sicurezza per evitare danni termici all'inverter.

L'approccio ha dimostrato che l'ANN può fornire parametri di controllo ottimali per diverse condizioni di velocità e carico, superando le limitazioni dei controllori a parametri fissi.

5. Significato e Impatto

Questo lavoro è significativo perché colma il divario tra la complessità teorica dell'FSMPC e la sua applicazione pratica robusta in scenari dinamici.

• Flessibilità Operativa: Permette al sistema di controllo di adattarsi automaticamente a diverse velocità e carichi senza intervento umano, garantendo prestazioni ottimali in tutto il range operativo.
• Efficienza Energetica e Termica: La capacità di limitare la frequenza di commutazione tramite vincoli nella rete neurale contribuisce alla longevità dell'hardware e all'efficienza del sistema.
• Scalabilità: L'uso di una rete neurale semplice (MLP) facilita l'implementazione su hardware embedded economico come FPGA o DSP, rendendo questa tecnologia accessibile per applicazioni industriali reali.
• Innovazione Metodologica: La strategia di raccolta dati basata su discesa del gradiente sperimentale offre un nuovo paradigma per l'ottimizzazione di sistemi di controllo complessi su piattaforme fisiche, riducendo costi e tempi di sviluppo.

In sintesi, l'articolo presenta una soluzione matura per l'ottimizzazione adattiva degli azionamenti elettrici ad alte prestazioni, combinando l'accuratezza del controllo predittivo con l'intelligenza adattiva delle reti neurali.