Permanent Magnet Synchronous Magnet Motor Intelligent Parameter Estimation Using Machine Learning Based Nonlinear Control

Elektrische motoren zijn de stille werkpaarden van de moderne wereld; ze drijven alles aan, van de lopende banden in fabrieken tot de wielen van elektrische voertuigen. Tussen de vele beschikbare types valt de permanentmagneet-synchrone motor op door zijn vermogen om enorme kracht te leveren vanuit een compact formaat, terwijl hij met uitzonderlijke efficiëntie werkt. Deze machines zijn essentieel voor toepassingen waarbij snelheid en koppel nauwkeurig moeten zijn, zoals in de robotica, de luchtvaart en de snelgroeiende vloot van elektrische auto's. Het is echter een constante uitdaging om deze motoren op hun piek te houden. Net zoals het menselijk lichaam verandert door temperatuur, vermoeidheid en leeftijd, veranderen de interne kenmerken van een motor in de loop van de tijd. De metalen spoelen binnenin warmen op en veranderen hun elektrische weerstand, de magnetische materialen worden iets zwakker en de mechanische onderdelen zetten zich. Deze subtiele verschuivingen betekenen dat een controller die ontworpen is voor een "perfecte" motor, vaak moeite heeft wanneer de echte motor anders reageert, wat leidt tot inefficiëntie of instabiliteit.

Om dit op te lossen, vertrouwen ingenieurs op geavanceerde controlesystemen die fungeren als een zenuwstelsel voor de motor, door voortdurend bij te sturen om de prestaties vloeiend te houden. Een van de meest geavanceerde methoden die vandaag de dag wordt gebruikt, is een techniek genaamd model voorspellende regeling (model predictive control). Stel je een bestuurder voor die niet alleen reageert op de weg voor zich, maar ook constant enkele seconden in de toekomst kijkt en de beste route berekent voordat er zelfs maar een bocht verschijnt. Deze regeling doet hetzelfde voor de motor: het voorspelt de toekomstige staat van de motor en kiest de beste elektrische commando's om de gewenste snelheid te bereiken. Maar voor deze voorspelling te werken, heeft het systeem een nauwkeurige kaart nodig van de huidige conditie van de motor. Als de kaart onjuist is omdat de interne eigenschappen van de motor zijn veranderd, falen de voorspellingen. Hier biedt een nieuwe studie van onderzoekers van de Jimma University en de Addis Ababa University in Ethiopië een fris perspectief. Zij onderzochten hoe kunstmatige intelligentie kan fungる als een real-time navigator die de kaart van de motor voortdurend bijwerkt om rekening te houden met deze veranderingen.

De onderzoekers richtten zich op vijf kritieke interne eigenschappen van de motor: de weerstand van de koperdraadspoelen, de inductie die beschrijft hoe de magnetische velden energie opslaan, de sterkte van de permanente magneten en de traagheid (inertia) die beschrijft hoe zwaar de draaiende onderdelen aanvoelen. In het verleden gebruikten ingenieurs wiskundige formules om deze waarden te raden, maar deze methoden hadden vaak moeite met de complexe, niet-lineaire manier waarop de motor zich onder spanning gedraagt. Het team stelde een andere aanpak voor, waarbij ze drie verschillende manieren testten om machine learning te gebruiken om deze waarden on the fly te schatten. De eerste methode gebruikte een type kunstmatig neuraal netwerk, specifiek één die ontworpen is om sequenties van gebeurtenissen te onthouden, om de relatie tussen de inputs van de motor en de interne staat te leren. De tweede en derde methode gebruikten een andere tak van kunstmatige intelligentie genaamd reinforcement learning (versterkend leren), waarbij een computeragent leert door middel van trial-and-error, waarbij hij beloningen krijgt voor goede gokken en straffen voor fouten. Ze testten deze intelligente estimators tegen twee verschillende controlestrategieën: de eerder genoemde voorspellende regeling, en een robuuste methode genaamd sliding mode control, die bekend staat om zijn vermogen om verstoringen te negeren, maar soms wat schokkerig kan zijn.

Om te zien welke combinatie het beste werkte, bouwden de onderzoekers een gedetailleerde digitale simulatie van een motorsysteem. Ze programmeerden de motor om door een reeks snelheden te draaien, van een langzame 300 omwentelingen per minuut tot een snelle 2000 omwentelingen per minuut, terwijl ze ook de fysieke veranderingen simuleerden die in de echte wereld optreden, zoals de toename van de weerstand van de draden wanneer de motor opwarmt. Vervolgens observeerden ze hoe goed elk van de drie intelligente systemen deze veranderingen kon volgen en hoe soepel de motor reageerde. De resultaten waren duidelijk en precies. Alle drie de methoden bleken in staat te zijn de veranderende parameters van de motor met hoge nauwkeurigheid te schatten. De fouten bij het schatten van de elektrische eigenschappen bleven onder de 3,5 procent, en de schattingen voor de mechanische traagheid waren zelfs nog nauwkeuriger, met fouten onder de 0,5 procent. Dit niveau van nauwkeurigheid betekent dat de controllers werkten met een bijna perfecte kaart van de conditie van de motor, zelfs terwijl die conditie veranderde.

Wanneer ze keken naar de werkelijke prestaties van de motor, werden de verschillen tussen de methoden duidelijk. Het systeem dat het neurale netwerk met voorspellende regeling combineerde, produceerde de meest vloeiende werking. Het hield het koppel van de motor, oftewel de draaikracht, ongelooflijk constant, met slechts minimale rimpelingen in de krachtlevering. Dit is cruciaik voor toepassingen waarbij trillingen tot een minimum beperkt moeten worden. Aan de andere kant was het systeem dat reinforcement learning met voorspellende regeling combineerde, het snelst in reactie. Wanneer het snelheidscommando veranderde, paste dit systeem zich in slechts 0,12 tot 0,18 seconden aan, met bijna geen overschot (overshoot), wat betekent dat de motor niet te snel ging draaien voordat hij tot rust kwam. De derde methode, die reinforcement learning combineerde met sliding mode control, toonde een grote kracht in het omgaan met onzekerheid, maar bracht een trade-off met zich mee. Hoewel het robuust was, veroorzaakte het meer oscillaties in de motor, met een veel groter overschot van ongeveer 50 procent wanneer de snelheid veranderde, en het duurde langer voordat de motor tot rust kwam.

De studie bevestigde ook dat de intelligente estimators de specifieke fysieke veranderingen konden detecteren die men in een echte motor verwacht. Terwijl de gesimuleerde motor sneller ging draaien en opwarmde, identificeerde het systeem correct dat de weerstand van de draden met ongeveer 3 procent was toegenomen, een natuurlijk gevolg van hitte. Het merkte ook op dat de magnetische sterkte van de permanente magneten met ongeveer 1,4 procent was afgenomen, een ander verwacht effect van temperatuur. Bovendien volgde het de lichte afname in inductie die werd veroorzaakt door magnetische verzadiging, een fenomeen waarbij het magnetische circuit minder efficiënt wordt onder hoge belasting. Deze bevindingen laten zien dat de kunstmatige intelligentie niet alleen getallen aan het raden was, maar de fysieke realiteit van de machine accuraat modelleerde.

Uiteindelijk suggereert het onderzoek dat het integreren van deze intelligente schattings-technieken in motorregelsystemen een levensvatbaar pad vooruit is. Door de controller in staat te stellen om continu zijn begrip van de gezondheid van de motor bij te werken, kan het systeem een hoge efficiëntie en stabiliteit behouden, zelfs wanneer de machine veroudert of onder zware omstandigheden werkt. De studie beweerde niet dat alle problemen in motorregeling waren opgelost, noch hebben ze deze methoden getest op fysieke hardware in een fabrieksinstelling; de resultaten zijn volledig afkomstig van rigoureuze computersimulaties. De data tonen echter aan dat voor elektrische voertuigen en industriële machines, waar betrouwbaarheid van cruciaal belang is, het gebruik van machine learning om de interne kaart van de motor accuraat te houden, kan leiden tot soepelere, responsievere en langduriger werkende machines. De keuze welke specifieke methode te gebruiken, hangt af van de prioriteit: als het doel absolute vloeiendheid is, blinkt de aanpak met het neurale netwerk uit, terwijl als het doel de snelst mogelijke reactie op veranderingen is, de aanpak met reinforcement learning en voorspellende regeling de leiding neemt.