Neural Network Tuning of FSMPC for Drives

Dit artikel presenteert een neurale netwerk-tuner voor de finite state model predictive control (FSMPC) van een inductiemotor, waarbij de parameters van de snelheids- en statorstroomregelaars worden geoptimaliseerd en gevalideerd met een vijffasige machine in een experimentele opstelling.

De kern

Stel je voor dat je een zeer geavanceerde, vijfbaans elektrische motor bestuurt. Deze motor is als een raceauto die razendsnel moet kunnen versnellen, remmen en draaien, maar hij is ook heel gevoelig. Als je de rem te hard trekt, schokt hij; als je te snel accelereert, oververhit hij.

Dit artikel beschrijft een slimme oplossing om deze motor perfect te laten rijden: een neuraal netwerk dat fungeert als een "super-baas" die de instellingen van de motor in real-time aanpast.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De Motor is een Moeilijke Gitaar

De motor in dit onderzoek is een vijf-fase inductiemotor. Denk aan een gitaar met vijf snaren in plaats van zes. Om muziek (beweging) te maken, moet je op de juiste manier op de snaren (de stroom) duwen.

De technici gebruiken een methode genaamd FSMPC (Finite State Model Predictive Control).

• De analogie: Stel je voor dat je een gitaar bespeelt en je moet elke seconde beslissen welke snaren je aanslaat. Je hebt een lijst met alle mogelijke combinaties (25 opties!). De computer moet in een fractie van een seconde kiezen welke combinatie de beste muziek maakt.
• Het probleem: Om dit goed te doen, moet de computer weten hoe hard hij op de snaren moet duwen. Dit hangt af van twee dingen: hoe snel de motor moet draaien (snelheidslus) en hoe sterk de stroom moet zijn (stroomlus).
• De uitdaging: Als je de instellingen verkeerd zet, wordt de motor trillend, onnauwkeurig of verhit hij zich. Normaal gesproken moet een ingenieur handmatig deze knoppen (parameters) draaien tot het perfect klinkt. Maar elke motor en elke situatie is anders. Wat vandaag werkt, werkt morgen misschien niet meer als de motor warm is.

2. De Oplossing: De "Neurale Coach"

De auteurs van dit papier hebben een Neuraal Netwerk (NN) bedacht.

• De analogie: Stel je voor dat je een beginnende motorrijder hebt. In plaats van dat hij zelf moet uitvinden hoe hij moet rijden, heeft hij een ervaren coach in zijn helm. Deze coach kijkt naar de snelheid en de snelheid die je wilt, en fluistert direct: "Nu harder remmen!" of "Nu iets meer gas geven!".
• Wat doet het neuraal netwerk? Het is die coach. Het kijkt naar de huidige situatie (snelheid en gewenste snelheid) en zegt direct welke instellingen de motor nodig heeft om soepel te lopen. Het hoeft niet meer handmatig te worden ingesteld; het leert van ervaring.

3. Hoe leert de coach? (De Training)

Een coach moet eerst leren. De auteurs hebben dit gedaan door de motor in een laboratorium te laten "trainen".

• Het experiment: Ze lieten de motor verschillende stappen maken (snel versnellen, snel remmen). Ze probeerden duizenden verschillende instellingen.
• De slimme truc: Ze konden niet elke mogelijke combinatie uitproberen (dat zou te lang duren). In plaats daarvan gebruikten ze een slimme strategie:
  1. Ze begonnen met een ruwe schatting (zoals een beginnende rijinstructeur).
  2. Ze lieten de motor zelf een beetje "proberen en fouten maken" (gradient descent), waarbij de motor zichzelf langzaam optimaliseerde tijdens de test.
  3. Ze hielden bij wat er werkte en wat niet.
• Het resultaat: Ze verzamelden een enorme hoeveelheid data: "Als de motor op 20 km/u is en we willen 30 km/u, dan moeten we deze knop op deze stand zetten."

4. Wat zijn de doelen? (De Scorekaart)

Het neuraal netwerk probeert een balans te vinden tussen verschillende dingen, net als een chef-kok die probeert een gerecht te maken dat niet te zout, niet te zoet en niet te heet is.
De "score" van de motor wordt gemeten op:

• Schokken (Overshoot): Zet de motor niet te hard op de rem als hij te snel gaat.
• Tijd: Hoe snel bereikt hij de gewenste snelheid?
• Trillingen (Ripple): Rijd je soepel of schokkerig?
• Energieverbruik (Schakelfrequentie): Zorg dat de elektronica niet oververhit raakt door te vaak te schakelen.

Het neuraal netwerk zorgt ervoor dat de motor snel is, niet schokt, en niet oververhit raakt, allemaal tegelijk.

5. Conclusie: De Motor met een Eigen Geheugen

Kortom, dit artikel laat zien hoe je een motor kunt geven een "geheugen" en "intuïtie".

• Vroeger: Een ingenieur moest handmatig knoppen draaien. Als de motor veranderde, moest hij opnieuw beginnen.
• Nu: De motor heeft een neuraal netwerk dat als een slimme navigator fungeert. Het weet precies hoe hij moet reageren op elke situatie, omdat het heeft geoefend met stap-tests in het lab.

Dit maakt de motor niet alleen sneller en efficiënter, maar ook veel makkelijker te gebruiken, omdat de "super-baas" (het neuraal netwerk) het zware werk van het afstemmen voor zijn rekening neemt. Het is alsof je van een ouderwetse, handgeschakelde auto overstapt naar een auto met een zelflerende, perfecte autopiloot.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Neural Network Tuning of FSMPC for Drives" in het Nederlands.

Titel: Neural Network Tuning van FSMPC voor Aandrijvingen

Auteurs: Juana M. Martínez-Heredia, José L. Mora
Datum: 11 maart 2026 (Preprint)

---

1. Het Probleem

Directe digitale voorspellende controle (Finite State Model Predictive Control - FSMPC) voor vermogenselektronica biedt flexibiliteit en een hogere bandbreedte voor statorstroomregeling doordat de modulatiedeel wordt weggelaten. Echter, bij FSMPC voor meerfasige systemen (zoals een 5-fasen inductiemotor) blijft het tunen van de gewichtsfactoren (CF-tuning) een uitdaging.

De prestaties van de controller hangen sterk af van de parameters van:

1. De PI-regelaars in de snelheidslus.
2. De gewichtsfactoren ($\lambda_{xy}$ en $\lambda_{sc}$) in de kostfunctie van de FSMPC voor de statorstroomlus.

Traditionele methoden (zoals adaptieve methoden of tabellen) zijn vaak complex of niet optimaal voor alle werkgebieden. Het vinden van de ideale parametercombinatie ($\theta$) voor elke snelheid en snelheidsreferentie via experimenten is tijdrovend en vaak onhaalbaar vanwege het enorme aantal mogelijke combinaties (bijvoorbeeld $10^4$ combinaties bij een fijne grid).

2. Methodologie

De auteurs stellen een Artificiële Neurale Netwerk (ANN)-oplossing voor om de controllerparameters online aan te passen.

• Controleschema: Het systeem gebruikt een Indirect Field Oriented Control (IFOC) gecombineerd met FSMPC voor een 5-fasen inductiemotor. De FSMPC minimaliseert een kostfunctie $J$ die rekening houdt met fouten in het $\alpha-\beta$ (koppel) en $x-y$ (harmonische) vlak, evenals het aantal schakelveranderingen.
• De ANN-tuner:
  • Invoer: De huidige mechanische snelheid ($\omega$) en de snelheidsreferentie ($\omega^*$).
  • Uitvoer: De optimale set parameters $\theta = (k_p, k_i, \lambda_{xy}, \lambda_{sc})$.
  • Architectuur: Een Multilayer Perceptron (MLP) met sigmoidale activatie in de verborgen lagen en lineaire activatie in de uitgangslagen. Dit maakt implementatie op hardware zoals FPGA's mogelijk.
• Data-verzameling en Training:
  • In plaats van een exhaustive zoektocht, gebruiken de auteurs een geautomatiseerde strategie om trainingsdata te genereren via experimenten.
  • Stap 1: Ruwe tuning van de PI-lus via een vereenvoudigd dynamisch model.
  • Stap 2: Initiële schatting van FSMPC-gewichten gebaseerd op eerdere literatuur.
  • Stap 3: Een gradient descent-methode wordt gebruikt om de parameters tijdens de experimenten iteratief te verfijnen. Het systeem voert stap-tests uit en past de parameters aan na elke stap totdat de prestatie-indicatoren convergeren naar optimale waarden.
• Optimalisatie-doel: De ANN leert om de parameters te kiezen die een gecombineerde doelstelling minimaliseren (overshoot, stijgtijd, ITAE, koppelgolving, harmonische inhoud), onderworpen aan harde beperkingen voor maximale overshoot ($PO$) en gemiddelde schakelfrequentie ($ASF$) om oververhitting te voorkomen.

3. Belangrijkste Bijdragen

• Online Tuning: Een systeem dat de parameters van zowel de snelheids- als de stroomregelaar dynamisch aanpast op basis van de huidige werktoestand, zonder dat er een vaste tabel nodig is.
• Efficiënte Dataverzameling: Een innovatieve methode om trainingsdata te genereren door gebruik te maken van gradient descent tijdens experimenten, wat het aantal benodigde fysieke tests drastisch reduceert ten opzichte van een volledige grid-search.
• Implementatiekennis: Het gebruik van een eenvoudige perceptron-architectuur die geschikt is voor real-time implementatie op DSP's en FPGA's.
• Experimentele Validatie: De methode is getest op een fysiek opstelling met een 5-fasen inductiemotor, wat de haalbaarheid in de praktijk bewijst.

4. Resultaten en Evaluatie

De prestaties werden beoordeeld aan de hand van zes specifieke indicatoren ($\pi_1$ tot $\pi_6$):

1. Snelheidsovershoot ($PO$)
2. Stijgtijd ($T_r$)
3. Integral Time Absolute Error (ITAE)
4. Koppelgolving ($R_t$)
5. Harmonische inhoud in het $x-y$ vlak ($E_{xy}$)
6. Gemiddelde schakelfrequentie ($ASF$)

De experimenten toonden aan dat de ANN-tuner in staat is om de controllerparameters te optimaliseren voor verschillende snelheidsniveaus. De constraints (beperkingen) voor overshoot en schakelfrequentie werden gerespecteerd, terwijl de andere prestatie-indicatoren (zoals ITAE en koppelgolving) werden geminimaliseerd. De stap-tests (zoals weergegeven in Figuur 3) bevestigden dat het systeem snel convergeert naar de gewenste snelheid met minimale oscillaties.

5. Betekenis en Conclusie

Dit paper presenteert een brug tussen geavanceerde voorspellende controle (FSMPC) en machine learning. De belangrijkste betekenis ligt in het oplossen van het "tuning-probleem" bij complexe meerfasige aandrijvingen.

• Flexibiliteit: Het systeem past zich automatisch aan aan veranderende werkomstandigheden, wat leidt tot robuustere prestaties dan statische controllers.
• Efficiëntie: Door de slimme data-verzameling wordt de tijd en kosten voor het kalibreren van dergelijke systemen aanzienlijk verlaagd.
• Toekomstperspectief: De aanpak biedt een schaalbare route voor de implementatie van zelflerende controllers in industriële aandrijvingen, waarbij de rekenkracht van moderne DSP's en FPGA's optimaal wordt benut.

Kortom, de auteurs hebben bewezen dat een neurale netwerk-tuner een effectieve oplossing is om de prestaties van FSMPC-gestuurde 5-fasen inductiemotoren te optimaliseren in real-time.