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

Elektrische voertuigen vertrouwen op motoren die stil, soepel en efficiënt zijn, maar een veelvoorkomend type motor dat in deze voertuigen wordt gebruikt, kampt vaak met een specifiek gebrek: een ruw, schokkerig gevoel bij lage snelheden. Dit probleem komt voort uit de manier waarop de interne onderdelen van de motor met elkaar interageren. In tegen tegenstelling tot de soepele, continue rotatie van andere motoren, werkt dit type machine, bekend als een geschakelde reluktantiemotor, door de elektrische stroom aan en uit te schakelen voor verschillende secties terwijl een rotor draait. Hoewel deze motoren worden geprezen om hun robuuste eenvoud en het gebrek aan zeldzame aardmetalen, zorgt het proces van het schakelen van de stroom van de ene sectie naar de volgende voor een momentane onbalans. De kracht die de motor aandrijft, wordt niet perfect overgedragen van de ene sectie naar de volgende, wat resulteert in een schokkerige beweging die bekend staat als koppelrippel (torque ripple). Voor een passagier in een auto voelt dit als een trilling of een aarzeling; voor de componenten van het voertuig veroorzaakt het onnodige slijtage en lawaai.

Om dit op te lossen, gebruiken ingenieurs al lang een methode genaamd een koppelverdelingsfunctie (torque sharing function). Stel je voor dat je een zware last probeert door te geven van de ene persoon aan de andere; als de eerste persoon loslaat voordat de tweede een stevige grip heeft, valt de last. Als de tweede persoon te vroeg grijpt, kunnen ze tegen de eerste persoon in trekken. Een koppelverdelingsfunctie is een set instructies die de motor precies vertelt hoe de inspanning tussen de oude sectie en de nieuwe sectie verdeeld moet worden tijdens die cruciale overdracht. Jarenlang hebben ingenieurs een standaard, vooraf geschreven set instructies gebruikt die gebaseerd is op een vloeiende curve om deze overgang te beheren. Deze vaste instructies gaan er echter van uit dat de motor perfect functioneert, waarbij ze negeren dat echte motoren rommelig zijn. Magnetische velden binnen de motor gedragen zich niet op een perfect voorspelbare manier, en elektrische stromen kunnen niet onmiddellijk stijgen of dalen. Vanwege deze fysieke realiteiten voldoen de standaardinstructies vaak niet aan wat de motor daadwerkelijk nodig heeft, waardoor het schokkerige probleem slechts gedeeltelijk wordt opgelost.

Onderzoekers aan de Henan University of Science and Technology hebben een nieuwe aanpak voorgesteld waarmee de motor kan leren van zijn eigen fouten. In plaats van te vertrouwen op een vaste set instructies die nooit verandert, hebben zij een systeem ontwikkeld dat gebruikmaakt van een techniek genaamd iteratieve leercontrole (iterative learning control). Deze methode werkt volgens een eenvoudig principe: als een taak herhaaldelijk wordt uitgevoerd, kan het systeem kijken naar de fout die in de vorige poging is gemaakt en het gedrag voor de volgende poging aanpassen. In de context van de motor, die in een continue lus draait, observeert het systeem het verschil tussen de soepele, ideale kracht die het wilde produceren en de ruwe, werkelijke kracht die het genereerde tijdens één volledige rotatie. Het gebruikt vervolgens dat specifieke verschil om de instructies voor de eerstvolgende rotatie aan te passen.

De onderzoekers bouwden een gedetailleerde computersimulatie van een achtpolige motor om dit idee te testen. Ze begonnen met de standaard, vooraf geschreven instructies en lieten het systeem door honderden gesimuleerde rotaties lopen. Met elke draai analyseerde het systeem de koppelrippel — de schokkerige fluctuaties — en maakte kleine aanpassingen aan de verdelingsfunctie. Het veranderde niet de hele regelset in één keer; in plaats daarvan verfijnde het de specifieke momenten waarop de stroom van de ene sectie naar de andere schakelde. Na verloop van tijd evolueerden de instructies van een generieke curve naar een op maat gemaakt profiel dat perfect overeenkwam met het unieke, niet-ideale gedrag van die specifieke motor. Het systeem leerde dat het, om een soepele rit te krijgen, iets meer stroom moest vragen op de ene plek en iets minder op de andere, om zo de magnetische vertragingen te compenseren die de standaardregels negeerden.

De resultaten van deze simulaties waren opmerkelijk. Toen de onderzoekers de motor testten bij lage snelheden van 100, 200 en 400 omwentelingen per minuut, zorgde het nieuwe leersysteem voor een aanzienlijk soepeler verloop van de beweging. Vergeleken met de traditionele methode verminderde de nieuwe strategie de ruwheid van het koppel met bijna 40 procent over alle geteste snelheden. Bij 100 omwentelingen per minuut was de vermindering 39,69 procent, bij 200 omwentelingen per minuut 38,86 procent, en bij 400 omwentelingen per minuut 38,29 procent. De motor presteerde niet alleen beter gemiddeld; de pieken en dalen van de kracht werden veel gelijkmatiger, waardoor de scherpe uitschieters die trillingen veroorzaken, werden geëlimineerd. Het systeem bereikte deze verbeterde staat na ongeveer negen gesimuleerde rotaties, waarna de aanpassingen zo klein werden dat de prestaties effectief waren gestabiliseerd.

Hoewel de bevindingen veelbelovend zijn, benadrukken de onderzoekers voorzichtig de grenzen van hun werk. Deze resultaten komen volledig voort uit computersimulaties, niet van een fysieke motor op een testbank. De studie bevestigt dat de methode werkt in een digitale omgeving waar variabelen perfect gecontroleerd kunnen worden, maar de echte wereld introduceert nieuwe uitdagingen zoals wrijving, hitte en fabricage-onvolkomenheden die niet aanwezig waren in de simulatie. De auteurs erkennen dat het systeem werd afgestemd op lage snelheden en dat de effectiviteit bij hogere snelheden nog moet worden vastgesteld. Bovendien heeft de studie niet gemeten hoe deze extra verwerking de algehele energie-efficiëntie van de motor of de levensduur van de elektronische componenten zou beïnvloeden.

Ondanks deze beperkingen biedt de studie een duidelijke weg voorwaarts voor het verbeteren van het rijcomfort in elektrische voertuigen. Door af te stappen van rigide, vooraf geprogrammeerde regels en toe te bewegen naar een systeem dat zich aanpast op basis van realtime prestaties, kunnen ingenieurs potentieel de ruwheid elimineren die de geschakelde reluktantiemotoren al lang teistert. De volgende stap, zoals de onderzoekers schetsen, is het bouwen van een fysiek prototype om te zien of de lessen uit de computer standhouden wanneer de motor daadwerkelijk draait. Als de fysieke tests de simulatie weerspiegelen, kan deze leerbenadering een standaardinstrument worden om elektrische voertuigen soepeler, stiller en betrouwbaarder te maken.