Modeling PWM-Time-SOC Interaction in a Simulated Robot

Titel: Modellering van de PWM-Tijd-SOC-interactie in een gesimuleerde robot

Auteurs: Vidyut Pradeep (South Brunswick High School) en Shirantha Welikala (Stevens Institute of Technology).

1. Probleemstelling

Autonome robots staan voor een kritieke uitdaging in het energiebeheer: het nauwkeurig voorspellen van de resterende batterijlading (State of Charge, SOC) om bewegingen te plannen zonder de batterij volledig te leeglopen.

• Huidige beperkingen: Traditionele benaderingen vertrouwen vaak op vereenvoudigde lineaire modellen die de niet-lineaire dynamica van batterijontlading niet kunnen vangen, of ze maken gebruik van uitgebreide zoektabellen (lookup tables) die voor elke mogelijke bewegingsprofiel vooraf moeten worden geprogrammeerd.
• De kernuitdaging: De relatie tussen de Pulse Width Modulation (PWM) duty cycle (de besturingssignaal voor de motoren), de operationele tijd en de SOC is inherent niet-lineair. Dit komt door elektrische kenmerken (weerstand, inductantie, back-EMF), mechanische dynamica (massa, wrijving, luchtweerstand) en interne batterijweerstand.
• Doel: Het ontwikkelen van een wiskundig model dat als invoer tijd ($t$) en PWM-duty cycle ($p$) neemt en de SOC op elk willekeurig moment voorspelt, zonder vooraf bekende trajecten of uitgebreide tabellen.

2. Methodologie

De auteurs hanteren een hybride aanpak die fysische simulatie combineert met data-gedreven modellering.

• Fysische Simulatie:

  • Er werd een simulatieomgeving ontwikkeld voor een 4-wielige Arduino-robot.
  • De simulatie integreert gedetailleerde elektrische motormodellen (weerstanden, inductantie, back-EMF, koppelconstante) en mechanische dynamica (massa, luchtweerstand, rolweerstand).
  • Datageneratie: De robot werd gesimuleerd in voorwaartse beweging met PWM-waarden variërend van 1% tot 100% (in stappen van 10%). Voor elke PWM-waarde werd een tijdreeks van 300 seconden gegenereerd, waarbij de SOC elke 10 seconden werd geregistreerd. Dit resulteerde in 310 datapunten.

• SINDy (Sparse Identification of Nonlinear Dynamics):

  • In plaats van een "black-box" model te trainen, werd SINDy gebruikt om de besturende vergelijkingen direct uit de data te leren.
  • Bibliotheek van kandidaat-functies: Gebaseerd op fysiek inzicht werd een bibliotheek opgebouwd met termen zoals constanten, lineaire tijd ($t$), polynomen in PWM ($p, p^2, p^3$), interactietermen ($tp$), logaritmische termen ($\ln(1+t)$) en rationale termen.
  • Sparse Regression: Met behulp van least-squares regressie en drempelwaarden (thresholding) werd de kleinste subset van termen geselecteerd die de dynamiek nauwkeurig beschrijft. Dit zorgt voor een interpreteerbaar, compact model.

3. Belangrijkste Bijdragen

Het artikel levert drie primaire bijdragen aan de energiebewuste robotica:

1. Een Uniek Niet-Lineair Model: Ontwikkeling van een unificerend model voor SOC-predictie dat de gekoppelde effecten van PWM en tijd expliciet vastlegt. Het model bevat polynoomtermen tot de derde orde voor PWM en logaritmische termen voor tijd, afgeleid van eerste principes en gevalideerd met data.
2. Systematische Methodologie: Een bewezen aanpak die fysische simulatie (voor het genereren van trainingsdata) koppelt aan data-gedreven identificatie (SINDy). Dit overbrugt de kloof tussen pure theorie en pure empirie, resulterend in modellen met een zeer lage voorspellingsfout (gemiddeld 0,162%).
3. Uitbreidbaar Framework: Een kader dat toelaat om het model uit te breiden naar real-world implementaties met variërende begincondities (bijv. niet-volledig opgeladen batterijen) en omgevingsparameters (zoals terreinafhankelijke rolweerstand), zonder het model volledig opnieuw te hoeven trainen.

4. Resultaten en Validatie

De afgeleide modellen werden gevalideerd tegen de gesimuleerde data, met name bij extreme belastingen.

• Het Hoofdmodel (SOC(t, p)):
  • De formule heeft de vorm: $SOC(t, p) = a_1 - b_1t - c_1p - d_1p^2 - e_1p^3 - f_1\ln(1+t) - g_1\frac{t}{p+1} + h_1\frac{\ln(1+t)}{1+t}$.
  • Fysische interpretatie:
    • De polynoomtermen ($p, p^2, p^3$) vangen de niet-lineaire toename van stroomverbruik bij hogere PWM-waarden.
    • De logaritmische termen vangen de initiële "haken" (transiënten) in de ontlading veroorzaakt door interne batterijweerstand bij het starten.
    • De rationale term ($\frac{t}{p+1}$) modereert het verbruik bij lage PWM-waarden.
• Voorspellingsnauwkeurigheid:
  • Gemiddelde fout: 0,162%.
  • Maximale fout: 0,82% (voornamelijk bij $t=0$ en hoge PWM).
  • Validatie bij 90% PWM (Hoge last): De batterij daalt van 100% naar ~67% in 300s. Het model volgt de niet-lineaire "hook" en de daaropvolgende lineaire daling zeer nauwkeurig.
  • Validatie bij 40% PWM (Lage last): De batterij daalt van 100% naar ~93,5%. Het model blijft extreem nauwkeurig (fout < 0,27%).
• Vergelijking: Het model presteert aanzienlijk beter dan lineaire benaderingen en is computatie-efficiënter en minder geheugenintensief dan uitgebreide zoektabellen.

5. Betekenis en Toekomstperspectief

• Energiebewuste Planning: Het model stelt robots in staat om hun energieverbruik te voorspellen voor geplande bewegingen, wat essentieel is voor autonome taakplanning en padplanning (bijv. in A* of Dijkstra-algoritmen) zonder dat er zware berekeningen nodig zijn.
• Interpreteerbaarheid: In tegenstelling tot neurale netwerken, biedt dit model een analytische vergelijking die inzicht geeft in welke fysieke factoren (zoals wrijving of interne weerstand) het energieverbruik drijven.
• Toekomstige uitbreidingen: De auteurs schetsen de weg naar implementatie op fysieke robots, inclusief online aanpassing van parameters voor batterijveroudering en temperatuur, en integratie met leer-algoritmen voor energie-optimalisatie.

Conclusie:
Dit werk demonstreert dat een combinatie van fysische simulatie en sparse regression (SINDy) leidt tot compacte, nauwkeurige en interpreteerbare modellen voor batterijontlading. Deze modellen zijn direct inzetbaar voor real-time energiebeheer in autonome systemen en bieden een robuust alternatief voor traditionele, minder flexibele benaderingen.