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

I veicoli elettrici si affidano a motori che sono silenziosi, fluidi ed efficienti, eppure un tipo comune di motore utilizzato in questi veicoli spesso lotta con un difetto specifico: una sensazione di ruvidità e sussulto alle basse velocità. Questo problema deriva dal modo in cui le parti interne del motore interagiscono tra loro. A differenza di altri motori che hanno una rotazione fluida e continua, questo tipo di macchina, noto come motore a riluttanza commutata, opera accendendo e spegnendo l'energia elettrica in diverse sezioni mentre il rotore gira. Sebbene questi motori siano apprezzati per la loro robusta semplicità e per l'assenza di materiali a terre rare, l'atto di commutare l'energia da una sezione all'altra crea uno squilibrio momentaneo. La forza che fa girare il motore non si trasferisce perfettamente da una sezione alla successiva, provocando un movimento a scatti noto come ripple di coppia. Per un passeggero in un'auto, questo si traduce in una vibrazione o un'esitazione; per i componenti del veicolo, crea un'usura e un rumore inutili.

Per risolvere questo problema, gli ingegneri utilizzano da tempo un metodo chiamato funzione di condivisione della coppia. Immaginate di cercare di passare un carico pesante da una persona all'altra: se la prima persona lascia la presa prima che la seconda abbia una presa salda, il carico cade. Se la seconda persona afferra troppo presto, potrebbe tirare contro la prima. Una funzione di condivisione della coppia è un insieme di istruzioni che dice al motore esattamente come dividere lo sforzo tra la vecchia sezione e la nuova sezione durante quel critico passaggio di consegne. Per anni, gli ingegneri hanno utilizzato un insieme standard di istruzioni pre-scritte basate su una curva fluida per gestire questa transizione. Tuttavia, queste istruzioni fisse assumono che il motore si comporti perfettamente, ignorando il fatto che i motori reali siano disordinati. I campi magnetici all'interno del motore non si comportano in modo perfettamente prevedibile e le correnti elettriche non possono salire o scendere istantaneamente. A causa di queste realtà fisiche, le istruzioni standard spesso non riescono a corrispondere a ciò di cui il motore ha realmente bisogno, lasciando il problema del sussulto solo parzialmente risolto.

Ricercatori della Henan University of Science and Technology hanno proposto un nuovo approccio che permette al motore di imparare dai propri errori. Invece di affidarsi a un insieme di istruzioni fisse che non cambiano mai, hanno sviluppato un sistema che utilizza una tecnica chiamata controllo iterativo dell'apprendimento. Questo metodo si basa su un principio semplice: se un compito viene ripetuto continuamente, il sistema può osservare l'errore commesso nel tentativo precedente e regolare il proprio comportamento per quello successivo. Nel contesto del motore, che ruota in un ciclo continuo, il sistema osserva la differenza tra la forza fluida e ideale che voleva produrre e la forza ruvida e reale che ha effettivamente generato durante una rotazione completa. Utilizza poi quella specifica differenza per perfezionare le istruzioni per la rotazione immediatamente successiva.

I ricercatori hanno costruito una simulazione dettagliata al computer di un motore a otto poli per testare questa idea. Sono partiti dalle istruzioni standard pre-scritte e hanno lasciato che il sistema eseguisse centinaia di rotazioni simulate. Ad ogni giro, il sistema analizzava il ripple di coppia — le fluttuazioni a scatti — e apportava piccoli aggiustamenti alla funzione di condivisione. Non ha cambiato l'intero regolamento tutto in una volta; invece, ha perfezionato i momenti specifici in cui la potenza passava da una sezione all'altra. Nel tempo, le istruzioni si sono evolute da una curva generica in un profilo personalizzato che corrispondeva perfettamente al comportamento non ideale di quel particolare motore. Il sistema ha imparato che, per ottenere una guida fluida, doveva richiedere una corrente leggermente maggiore in un punto e leggermente minore in un altro, compensando i ritardi magnetici che le regole standard ignoravano.

I risultati di queste simulazioni sono stati sorprendenti. Quando i ricercatori hanno testato il motore a basse velocità di 100, 200 e 400 giri al minuto, il nuovo sistema di apprendimento ha reso il movimento significativamente più fluido. Rispetto al metodo tradizionale, la nuova strategia ha ridotto la ruvidità della coppia di quasi il 40 percento in tutte le velocità testate. A 100 giri al minuto, la riduzione è stata del 39,69 percento; a 200 giri al minuto, del 38,86 percento; e a 400 giri al minuto, del 38,29 percento. Il motore non ha solo performato meglio in media; i picchi e le valli della forza sono diventati molto più uniformi, eliminando i bruschi picchi che causano vibrazioni. Il sistema ha raggiunto questo stato migliorato dopo circa nove rotazioni simulate, punto in cui le regolazioni sono diventate così piccole che le prestazioni si erano effettivamente stabilizzate.

Nonostante i risultati siano promettenti, i ricercatori sono cauti nel definire i confini del loro lavoro. Questi risultati derivano interamente da simulazioni al computer, non da un motore fisico su un banco di prova. Lo studio conferma che il metodo funziona in un ambiente digitale dove le variabili possono essere controllate perfettamente, ma il mondo reale introduce nuove sfide come l'attrito, il calore e le imperfezioni di fabbricazione che non erano presenti nella simulazione. Gli autori riconoscono che il sistema è stato tarato per il funzionamento a bassa velocità e che la sua efficacia ad alte velocità resta da vedere. Inoltre, lo studio non ha misurato come questo ulteriore elaboramento possa influenzare l'efficienza energetica complessiva del motore o la durata dei suoi componenti elettronici.

Nonostante queste limitazioni, lo studio offre una chiara strada da seguire per migliorare il comfort dei veicoli elettrici. Passando da regole rigide e pre-programmate a un sistema che si adatta in base alle prestazioni in tempo reale, gli ingegneri possono potenzialmente eliminare la ruvidità che ha a lungo tormentato i motori a riluttanza commutata. Il passo successivo, come delineano i ricercatori, è costruire un prototipo fisico per vedere se le lezioni apprese al computer reggono quando il motore è effettivamente in rotazione. Se i test fisici rispecchieranno la simulazione, questo approccio di apprendimento potrebbe diventare uno strumento standard per rendere i veicoli elettrici più fluidi, silenziosi e affidabili.