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

電気自動車は静かで滑らか、かつ効率的なモーターに依存していますが、これらの車両に使用される一般的なモーターの一種は、ある特定の欠陥、すなわち低速走行時におけるガタつきや震動に悩まされることがよくあります。この問題は、モーター内部の部品がどのように相互作用するかという点に起因しています。他のモーターのような滑らかで連続的な回転とは異なり、「スイッチド・リラクタンス・モーター」として知られるこのタイプの機械は、ローターが回転するにつれて、異なるセクションに対して電気的なパワーをオンおよびオフすることで動作します。これらのモーターは、その頑丈な単純さと希土類元素を使用しない点において高く評価されていますが、あるセクションから次のセクションへと電力を切り替える行為が、一時的な不均衡を生み出します。モーターを回転させる力は、あるセクションから次のセクションへと完璧に受け渡されるわけではなく、その結果、「トルクリップル」と呼ばれるカクカクとした動きが生じます。乗員にとって、これは振動やもたつきとして感じられ、車両の部品にとっては不要な摩耗や騒音の原因となります。

これを解決するために、エンジニアは古くから「トルク共有関数」と呼ばれる手法を用いてきました。重い荷物を隣の人に渡そうとしている場面を想像してみてください。もし最初の人が、二番目の人がしっかりと掴む前に手を離してしまったら、荷物は落ちてしまいます。逆に、二番目の人が早すぎるタイミングで掴んでしまったら、最初の人の動きに対して抵抗が生じてしまいます。トルク共有関数とは、モーターの古いセクションから新しいセクションへの決定的な受け渡しを行う際に、その労力をどのように分割すべきかを正確に指示する一連の手順のことです。長年、エンジニアは滑らかな曲線に基づいた標準的な既定の指示セットを使用して、この移行を管理してきました。しかし、これらの固定された指示は、モーターが完璧に動作することを前提としており、現実のモーターがいかに「厄介」であるかを無視しています。モーター内部の磁界は完全に予測可能な方法では振る舞いませんし、電流も瞬時に上昇したり下降したりすることはできません。こうした物理的な現実があるため、標準的な指示はモーターが実際に必要としている動作と一致しないことが多く、震動の問題を完全には解決できないまま残してしまうのです。

河南科技大学の研究者たちは、モーターが自らのミスから学ぶことができる新しいアプローチを提案しました。変化することのない固定された指示に頼るのではなく、彼らは「反復学習制御」と呼ばれる手法を用いたシステムを開発しました。この手法は、単純な原理に基づいています。つまり、あるタスクを何度も繰り返し行う場合、システムは前回の試行で行われたエラーを確認し、次回の動作を調整できるという原理です。モーターの文脈において、モーターは連続的なループの中で回転しているため、システムは、理想的な滑らかな力を生成したいと考えていた力と、実際に一回転の間に生成された粗い力との差を観察します。そして、その具体的な差を利用して、まさに次の回転のための指示を微調整するのです。

研究者たちは、このアイデアをテストするために、8極モーターの詳細なコンピュータ・シミュレーションを構築しました。彼らは標準的な既定の指示から開始し、システムを数百回のシミュレーション回転にわたって走らせました。回転ごとに、システムはトルクリップル（カクカクとした変動）を分析し、共有関数を微調整していきました。システムはルールブック全体を一度に変更したわけではありません。代わりに、パワーが一方のセクションから他方へと切り替わる特定の瞬間を精緻化していったのです。指示は、一般的な曲線から、その特定のモーター特有の非理想的な挙動に完璧に一致するカスタム・プロファイルへと進化しました。システムは、滑らかな乗り心地を実現するためには、標準的なルールが無視していた磁気的な遅延を補うために、ある場所では電流をわずかに増やし、別の場所では電流をわずかに減らす必要があることを学んだのです。

シミュレーションの結果は驚くべきものでした。研究者が100、200、400 rpm（毎分回転数）の低速でモーターをテストしたところ、新しい学習システムは運動を大幅に滑らかにしました。従来のメソッドと比較して、新しい戦略はテストされたすべての速度において、トルクの粗さを40パーセント近く減少させました。100 rpmでは39.69パーセント、200 rpmでは38.86パーセント、400 rpmでは38.29パーセントの減少が見られました。モーターは単に平均的に性能が向上しただけでなく、力のピークと谷が非常に均一になり、振動を引き起こす鋭いスパイクが消失しました。システムは約9回のシミュレーション回転後にこの改善された状態に達し、その時点では調整が非常に小さくなり、性能が実質的に安定しました。

有望な結果ではありますが、研究者たちは自らの研究の境界についても注意深く言及しています。これらの結果はすべて、物理的なテストベンチ上のモーターによるものではなく、コンピュータ・シミュレーションによるものです。この研究は、変数が完全に制御できるデジタル環境においてこの手法が機能することを裏付けていますが、現実世界には、シミュレーションには存在しなかった摩擦、熱、製造上の不完全さといった新たな課題が導入されます。著者らは、このシステムが低速走行用にチューニングされていることを認めており、高速走行時における有効性は未知数であるとしています。さらに、この追加の処理がモーターの全体的なエネルギー効率や電子部品の寿命にどのような影響を与えるかについても、本研究では測定していません。

こうした限界はあるものの、本研究は電気自動車の快適性を向上させるための明確な道筋を示しています。硬直したプログラム済みのルールから脱却し、リアルタイムのパフォーマンスに基づいて適応するシステムへと移行することで、エンジニアはスイッチド・リラクタンス・モーターを長年悩ませてきた粗さを排除できる可能性があります。次のステップとして、研究者たちが概説しているのは、コンピュータで学んだ教訓が、実際にモーターが回転している際にも通用するかどうかを確認するために、物理的なプロトタイプを製作することです。もし物理的なテストがシミュレーションを反映するものであれば、この学習アプローチは、電気自動車をより滑らかで静かで、信頼性の高いものにするための標準的なツールとなる可能性があります。