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

I motor elettrici sono i lavoratori silenziosi del mondo moderno, che alimentano tutto, dai nastri trasportatori nelle fabbriche alle ruote dei veicoli elettrici. Tra i molti tipi disponibili, il motore sincrono a magneti permanenti si distingue per la sua capacità di fornire una potenza immensa da dimensioni compatte pur funzionando con un'efficienza eccezionale. Queste macchine sono essenziali per applicazioni in cui velocità e coppia devono essere precise, come nella robotica, nell'aerospazio e nella rapidamente crescente flotta di auto elettriche. Tuttavia, mantenere questi motori al loro apice è una sfida costante. Proprio come un corpo umano cambia con la temperatura, la fatica e l'età, le caratteristiche interne di un motore cambiano nel tempo. Le bobine metalliche all'interno si scaldano e cambiano la loro resistenza elettrica, i materiali magnetici si indeboliscono leggermente e le parti meccaniche si assestano. Questi sottili cambiamenti significano che un controller progettato per un motore "perfetto" spesso fatica quando il motore reale si comporta diversamente, portando a inefficienza o instabilità.

Per risolvere questo problema, gli ingegneri si affidano a sistemi di controllo sofisticati che agiscono come un sistema nervoso per il motore, regolandosi costantemente per mantenere le prestazioni fluide. Uno dei metodi più avanzati utilizzati oggi è una tecnica chiamata controllo predittivo del modello. Immaginate un conducente che non si limita a reagire alla strada davanti a sé, ma guarda costantemente diversi secondi nel futuro, calcolando il percorso migliore da intraprendere prima ancora che appaia una curva. Questo metodo di controllo fa la stessa cosa per il motore, prevedendo il suo stato futuro e scegliendo i migliori comandi elettrici per raggiungere la velocità desiderata. Ma affinché questa previsione funzioni, il sistema ha bisogno di una mappa accurata della condizione attuale del motore. Se la mappa è errata perché le proprietà interne del motore sono cambiate, le previsioni falliscono. È qui che un nuovo studio condotto da ricercatori dell'Università di Jimma e dell'Università di Addis Abeba in Etiopia offre una nuova prospettiva. Essi hanno esplorato come l'intelligenza artificiale possa agire come un navigatore in tempo reale, aggiornando costantemente la mappa del motore per tenere conto di questi cambiamenti.

I ricercatori si sono concentrati su cinque proprietà interne critiche del motore: la resistenza delle bobine di filo, l'induttanza che descrive come i campi magnetici immagazzinano l'energia, la forza dei magneti permanenti e l'inerzia che descrive quanto sembrino pesanti le parti rotanti. In passato, gli ingegneri usavano formule matematiche per indovinare questi valori, ma questi metodi spesso faticavano con il modo complesso e non lineare in cui il motore si comporta sotto sforzo. Il team ha proposto un approccio diverso, testando tre distinti modi per utilizzare l'apprendimento automatico per stimare questi valori in tempo reale. Il primo metodo ha utilizzato un tipo di rete neurale artificiale, specificamente una progettata per ricordare sequenze di eventi, per apprendere la relazione tra gli input del motore e il suo stato interno. Il secondo e il terzo metodo hanno utilizzato un altro ramo dell'intelligenza artificiale chiamato apprendimento per rinforzo, in cui un agente informatico impara per tentativi ed errori, ricevendo premi per le buone ipotesi e penalità per gli errori. Hanno testato questi stimatori intelligenti contro due diverse strategie di controllo: il controllo predittivo menzionato in precedenza e un metodo robusto noto come controllo a modo scorrevole (sliding mode control), famoso per la sua capacità di ignorare i disturbi ma che può talvolta risultare instabile o "nervoso".

Per vedere quale combinazione funzionasse meglio, i ricercatori hanno costruito una simulazione digitale dettagliata di un sistema motore. Hanno programmato il motore per funzionare attraverso una varietà di velocità, da un lento 300 giri al minuto fino a un veloce 2000 giri al minuto, simulando anche i cambiamenti fisici che avvengono nel mondo reale, come l'aumento della resistenza dei fili dovuto al calore. Hanno poi osservato quanto bene ciascuno dei tre sistemi intelligenti riuscisse a tracciare questi cambiamenti e quanto fosse fluida la risposta del motore. I risultati sono stati chiari e precisi. Tutti e tre i metodi si sono dimostrati capaci di stimare i parametri variabili del motore con alta precisione. Gli errori nella stima delle proprietà elettriche sono rimasti al di sotto del 3,5 percento, e le stime per l'inerzia meccanica sono state ancora più precise, con errori inferiori allo 0,5 percento. Questo livello di accuratezza significa che i controller stavano lavorando con una mappa quasi perfetta della condizione del motore, anche mentre tale condizione mutava.

Nel valutare come il motore si sia effettivamente comportato, le differenze tra i metodi sono diventate evidenti. Il sistema che utilizzava la rete neurale con il controllo predittivo ha prodotto l'operazione più fluida. Ha mantenuto la coppia del motore, ovvero la forza di rotazione, incredibilmente costante, con solo minuscole oscillazioni nella consegna della potenza. Questo è fondamentale per applicazioni in cui le vibrazioni devono essere minimizzate. D'altro canto, il sistema che utilizzava l'apprendimento per rinforzo con il controllo predittivo è stato il più rapido a reagire. Quando il comando di velocità cambiava, questo sistema si adeguava in soli 0,12 - 0,18 secondi, con quasi nessun sovraelongazione (overshoot), il che significa che il motore non accelerava troppo prima di stabilizzarsi. Il terzo metodo, che combinava l'apprendimento per rinforzo con il controllo a modo scorrevole, ha mostrato una grande forza nel gestire l'incertezza, ma con un compromesso. Sebbene fosse robusto, ha causato maggiori oscillazioni nel motore, con una sovraelongazione molto più grande di circa il 50 percento quando la velocità cambiava, e ha impiegato più tempo per stabilizzarsi.

Lo studio ha anche confermato che gli stimatori intelligenti potevano rilevare i cambiamenti fisici specifici previsti in un motore reale. Mentre il motore simulato accelerava e si scaldava, il sistema ha identificato correttamente che la resistenza del filo era aumentata di circa il 3 percento, un risultato naturale del calore. Ha anche notato che la forza magnetica dei magneti permanenti era scesa di circa l'1,4 percento, un altro effetto previsto della temperatura. Inoltre, ha tracciato la leggera diminuzione dell'induttanza causata dalla saturazione magnetica, un fenomeno in cui il circuito magnetico diventa meno efficiente sotto carico elevato. Queste scoperte dimostrano che l'intelligenza artificiale non stava solo indovinando numeri, ma stava modellando accuratamente la realtà fisica della macchina.

In definitiva, la ricerca suggerisce che l'integrazione di queste tecniche di stima intelligente nei sistemi di controllo del motore sia una via percorribile. Consentendo al controller di aggiornare continuamente la propria comprensione dello stato di salute del motore, il sistema può mantenere un'elevata efficienza e stabilità anche quando la macchina invecchia o opera in condizioni difficili. Lo studio non ha sostenuto di aver risolto ogni problema nel controllo dei motori, né ha testato questi metodi su hardware fisico in un ambiente di fabbrica; i risultati sono derivati interamente da rigorose simulazioni informatiche. Tuttavia, i dati mostrano che per i veicoli elettrici e i macchinari industriali, dove l'affidabilità è fondamentale, l'uso dell'apprendimento automatico per mantenere accurata la mappa interna del motore potrebbe portare a macchine più fluide, reattive e longeve. La scelta di quale metodo specifico utilizzare dipende dalla priorità: se l'obiettivo è l'assoluta fluidità, l'approccio con la rete neurale eccelle, mentre se l'obiettivo è la reazione più rapida possibile ai cambiamenti, l'apprendimento per rinforzo con il controllo predittivo prende il comando.