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

전기 자동차는 조용하고 부드러우며 효율적인 모터에 의존하지만, 이 차량들에 흔히 사용되는 한 가지 유형의 모터는 저속에서 발생하는 특유의 결함인 거칠고 떨리는 듯한 느낌으로 인해 어려움을 겪곤 합니다. 이 문제는 모터 내부 부품들이 상호작용하는 방식에서 비롯됩니다. 다른 모터들의 매끄럽고 연속적인 회전과는 달리, 스위치드 릴럭턴스 모터(switched reluctance motor)라고 불리는 이 종류의 기계는 로터가 회전함에 따라 서로 다른 섹션들에 전기적 전력을 켜고 끄는 방식으로 작동합니다. 이 모터들은 견고한 단순함과 희토류 물질이 필요 없다는 장점 덕분에 높게 평가받지만, 한 섹션에서 다음 섹션으로 전력을 전환하는 과정에서 일시적인 불균형이 발생합니다. 모터를 돌리는 힘이 한 섹션에서 다음 섹션으로 완벽하게 전달되지 않으며, 이는 토크 리플(torque ripple)이라고 불리는 급격한 움직임을 초래합니다. 자동차 승객에게 이것은 진동이나 주춤거림으로 느껴지며, 차량 부품에는 불필요한 마모와 소음을 유발합니다.

이를 해결하기 위해 엔지니어들은 오랫동안 토크 공유 함수(torque sharing function)라는 방법을 사용해 왔습니다. 무거운 짐을 한 사람에게서 다른 사람에게 전달하는 상황을 상상해 보십시오. 만약 첫 번째 사람이 두 번째 사람이 단단히 잡기도 전에 짐을 놓아버린다면 짐은 떨어질 것입니다. 반대로 두 번째 사람이 너무 빨리 잡는다면 첫 번째 사람과 서로 당기는 힘이 발생할 것입니다. 토크 공유 함수는 모터가 그 중요한 인계 과정 동안 기존 섹션과 새로운 섹션 사이에서 노력을 어떻게 나눌 것인지 알려주는 일련의 지침입니다. 수년간 엔지니어들은 매끄러운 곡선을 기반으로 한 표준화된 사전 작성 지침을 사용하여 이 전환을 관리해 왔습니다. 그러나 이러한 고정된 지침은 모터가 완벽하게 작동한다고 가정하며, 실제 모터가 가진 복잡한 특성을 무시합니다. 모터 내부의 자기장은 완벽하게 예측 가능한 방식으로 작동하지 않으며, 전류 또한 즉각적으로 상승하거나 하강할 수 없습니다. 이러한 물리적 실체 때문에 표준 지침은 종 것이다 종종 모터가 실제로 필요로 하는 동작과 일치하지 못하며, 결과적으로 떨림 문제를 부분적으로만 해결하는 데 그칩니다.

허난 과학기술대학교(Henan University of Science and Technology)의 연구진은 모터가 스스로의 실수로부터 배울 수 있게 하는 새로운 접근 방식을 제안했습니다. 변하지 않는 고정된 지침에 의존하는 대신, 그들은 반복 학습 제어(iterative learning control)라고 불리는 기술을 사용하는 시스템을 개발했습니다. 이 방법은 단순한 원리에 기반합니다. 만약 어떤 과업이 반복해서 수행된다면, 시스템은 이전 시도에서 발생한 오류를 살펴보고 다음 시도를 위해 행동을 조정할 수 있습니다. 모터의 맥락에서 보면, 모터는 연속적인 루프를 따라 회전하므로, 시스템은 한 번의 완전한 회전 동안 생성된 거친 실제 힘과 부드럽고 이상적인 힘 사이의 차이를 관찰합니다. 그런 다음 그 구체적인 차이를 이용하여 바로 다음 회전을 위한 지침을 미세하게 조정합니다.

연구진은 이 아이디어를 테스트하기 위해 8극 모터에 대한 상세한 컴퓨터 시뮬레이션을 구축했습니다. 그들은 표준적인 사전 작성 지침으로 시작하여 시스템이 수백 번의 시뮬레이션 회전을 거치도록 했습니다. 각 회전마다 시스템은 토크 리플, 즉 급격한 변동을 분석하고 공유 함수를 미세하게 조정했습니다. 시스템은 규칙 전체를 한꺼번에 바꾸는 것이 아니라, 전력이 한 섹션에서 다른 섹션으로 전환되는 특정 순간들을 정교하게 다듬었습니다. 시간이 흐르면서 지침은 일반적인 곡선에서 해당 특정 모터의 비이상적인 동작에 완벽하게 부합하는 맞춤형 프로파일로 진화했습니다. 시스템은 부드러운 주행을 얻기 위해, 표준 규칙이 무시했던 자기적 지연을 보상하기 위해 어느 지점에서는 전류를 약간 더 요구하고 다른 지점에서는 약간 덜 요구해야 한다는 것을 학습했습니다.

시뮬레이션 결과는 놀라웠습니다. 연구진이 100, 200, 400 rpm의 저속에서 모터를 테스트했을 때, 새로운 학습 시스템은 움직임을 현저히 부드럽게 만들었습니다. 전통적인 방식과 비교했을 때, 새로운 전략은 테스트된 모든 속도에서 토크의 거칠기를 거의 40% 감소시켰습니다. 100 rpm에서는 39.69%, 200 rpm에서는 38.86%, 400 rpm에서는 38.29%의 감소율을 보였습니다. 모터는 단순히 평균적으로 더 잘 작동한 것이 아니라, 힘의 정점과 골이 훨씬 더 균일해져 진동을 유발하는 날카로운 스파이크 현상이 제거되었습니다. 시스템은 약 9회의 시뮬레이션 회전 후에 이 개선된 상태에 도달했으며, 그 시점부터는 조정 폭이 매우 작아져 성능이 사실상 안정화되었습니다.

이러한 결과가 유망하기는 하지만, 연구진은 자신들의 연구 범위에 대해 주의를 기울이고 있습니다. 이 결과는 실제 테스트 벤치 위의 물리적 모터가 아니라 전적으로 컴퓨터 시뮬레이션에서 나온 것입니다. 이 연구는 변수들을 완벽하게 제어할 수 있는 디지털 환경에서 이 방법이 작동함을 확인해주지만, 현실 세계에는 시뮬레이션에 존재하지 않았던 마찰, 열, 제조상의 불완전함과 같은 새로운 도전 과제들이 존재합니다. 저자들은 이 시스템이 저속 작동에 맞춰 튜닝되었다는 점을 인정하며, 고속에서의 효과는 아직 미지수라고 밝혔습니다. 또한, 이 추가적인 연산 처리가 모터의 전반적인 에너지 효율이나 전자 부품의 수명에 어떤 영향을 미치는지에 대해서도 측정하지 않았습니다.

이러한 한계에도 불구하고, 이 연구는 전기 자동차의 승차감을 개선하기 위한 명확한 경로를 제시합니다. 경직되고 미리 프로그래밍된 규칙에서 벗어나 실시간 성능에 기반해 적응하는 시스템으로 나아감으로써, 엔지니어들은 스위치드 럴럭턴스 모터를 오랫동안 괴롭혀온 거친 움직임을 제거할 수 있을 것입니다. 연구진이 밝힌 바와 같이, 다음 단계는 컴퓨터에서 학습한 내용이 실제로 모터가 회전할 때도 유효한지 확인하기 위해 물리적 프로토타입을 제작하는 것입니다. 만약 물리적 테스트가 시뮬레이션과 유사한 결과를 보여준다면, 이 학습 방식은 전기 자동차를 더 부드럽고, 조용하며, 신뢰할 수 있게 만드는 표준적인 도구가 될 수 있습니다.