Neural Network Tuning of FSMPC for Drives

Este artigo apresenta um afinador baseado em redes neurais para o controle preditivo de estado finito (FSMPC) de motores de indução, capaz de ajustar os parâmetros dos controladores de velocidade e corrente estatórica, com resultados validados experimentalmente em uma máquina de cinco fases.

O essencial

Imagine que você tem um carro de corrida muito sofisticado, mas ele é um pouco "teimoso". Se você apertar o acelerador bruscamente, ele pode tremer, gastar muita energia ou até mesmo superaquecer o motor. O objetivo dos autores deste artigo é criar um "piloto automático inteligente" que saiba exatamente como dirigir esse carro em qualquer situação, seja em uma estrada reta, numa curva fechada ou subindo uma ladeira.

Aqui está a explicação do que eles fizeram, traduzida para uma linguagem do dia a dia:

1. O Problema: O Motor "Cinco-Cilindros"

Os cientistas estão trabalhando com um motor elétrico especial que tem 5 fases (como se tivesse 5 cilindros em vez dos 3 ou 4 comuns). Esse motor é controlado por um sistema chamado FSMPC.

• A Analogia: Pense no FSMPC como um maestro de orquestra que tem que escolher, a cada milésimo de segundo, qual das 25 combinações possíveis de interruptores ligar para fazer o motor girar. É uma decisão extremamente rápida e complexa.
• O Desafio: Para que esse maestro toque a música perfeita, ele precisa de "afinações" (parâmetros). Se a afinação estiver errada, o motor treme, gasta muita energia ou demora para acelerar. Tradicionalmente, os engenheiros tinham que "chutar" essas afinações e testar até ficar bom, o que é demorado e difícil.

2. A Solução: O "Cérebro" Neural (A Rede Neural)

Em vez de deixar o engenheiro chutar os valores, os autores criaram um cérebro artificial (uma Rede Neural).

• Como funciona: Imagine que esse cérebro é um cozinheiro experiente. Antes de cozinhar para você, ele já provou milhares de pratos.
• O que ele faz: Quando você diz ao motor "quero ir a 100 km/h" (velocidade de referência) e o motor está a 20 km/h (velocidade atual), o cérebro olha para a situação e diz: "Ah, nessa situação específica, eu preciso ajustar o acelerador para X e o freio para Y".
• O Resultado: O cérebro ajusta automaticamente os controles de velocidade e de corrente elétrica do motor, garantindo que ele acelere rápido, sem tremer e sem gastar energia à toa.

3. Como eles ensinaram o Cérebro? (O Treinamento)

Você não pode ensinar um cérebro artificial apenas com livros; ele precisa de experiência prática.

• O Processo: Os pesquisadores montaram um laboratório com o motor real. Eles fizeram o motor acelerar e desacelerar (como se fosse um teste de "pé no chão") milhares de vezes.
• A Estratégia Inteligente: Testar todas as combinações possíveis de ajustes levaria anos. Então, eles usaram um truque:
  1. Começaram com uma "adivinhação" baseada em regras básicas (como um piloto iniciante).
  2. Usaram um algoritmo que ajustava os controles levemente a cada teste, como se o motor estivesse "aprendendo" sozinho qual era o melhor ajuste para não tremer e não superaquecer.
  3. Coletaram esses dados de sucesso e os deram para a Rede Neural estudar.

4. O Que Eles Mediram? (Os Critérios de Sucesso)

Para saber se o "piloto automático" estava bom, eles olharam para 6 coisas principais:

1. Overshoot (Excesso): O carro passou do ponto desejado antes de parar? (Não queremos que o motor "passe da conta").
2. Tempo de Resposta: Quão rápido ele acelerou?
3. Suavidade: O motor tremeu muito?
4. Ruído Elétrico: O motor fez barulho ou vibração indesejada?
5. Gasto de Energia: Os interruptores do motor estavam ligando e desligando rápido demais (o que gera calor e gasta energia)?

5. Conclusão: Por que isso é legal?

O grande feito deste trabalho é que eles conseguiram criar um sistema que se adapta sozinho.

• Antes: Se você mudasse a carga do motor (por exemplo, puxar um peso mais pesado), o engenheiro teria que parar tudo e recalcular os ajustes manualmente.
• Agora: Com a Rede Neural, o sistema percebe que a situação mudou e ajusta os parâmetros instantaneamente, como um piloto experiente que sabe dirigir na chuva ou no sol sem precisar de um manual.

Resumo da Ópera:
Os autores criaram um "piloto automático" baseado em inteligência artificial para motores elétricos de alta performance. Em vez de deixar humanos tentarem adivinhar os melhores ajustes, eles treinaram um computador com dados reais de testes para que ele saiba, instantaneamente, como dirigir o motor de forma suave, rápida e eficiente, seja qual for a situação.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Neural Network Tuning of FSMPC for Drives", apresentado em português:

Título: Ajuste de Rede Neural para FSMPC em Acionamentos

Autores: Juana M. Martínez-Heredia e José L. Mora
Data: 11 de março de 2026 (Pré-impressão)

---

1. Problema Abordado

O artigo foca no desafio de sintonizar os parâmetros de controladores em sistemas de acionamento de motores de indução (MI) de fase múltipla (especificamente de 5 fases) que utilizam Controle Preditivo por Modelo de Estado Finito (FSMPC).

• Contexto: O FSMPC oferece flexibilidade e maior largura de banda no controle de corrente ao eliminar o bloco de modulação. No entanto, seu desempenho depende criticamente da escolha adequada dos parâmetros de sintonia, especificamente:
  • Os ganhos do controlador PI no laço de velocidade.
  • Os fatores de ponderação (pesos) na função de custo do FSMPC no laço de corrente estatórica.
• Desafio: A sintonia manual ou baseada em tabelas é complexa devido à não linearidade do sistema e à vasta quantidade de combinações de parâmetros possíveis. Métodos adaptativos anteriores (baseados em modelo de referência ou Lyapunov) existem, mas o artigo propõe uma abordagem baseada em Inteligência Artificial para otimizar esses parâmetros em tempo real.

2. Metodologia

A solução proposta utiliza uma Rede Neural Artificial (RNA) como um sintonizador on-line que mapeia as condições operacionais para os parâmetros ótimos do controlador.

Arquitetura do Sistema de Controle

• Motor: Máquina de indução de 5 fases.
• Estratégia: Combinação de Controle Vetorial Indireto (IFOC) e FSMPC.
• Inversor: Um inversor de fonte de tensão (VSI) capaz de gerar 25 estados de tensão possíveis.
• Função de Custo (FSMPC): Minimiza um custo $J$ que inclui:
  • Erro quadrático de previsão no plano $\alpha-\beta$ (torque/fluxo).
  • Erro quadrático de previsão no plano $x-y$ (harmônicos).
  • Número de comutações do inversor (para reduzir perdas e ruído).
  • A função de custo é ponderada por fatores $\lambda_{xy}$ e $\lambda_{sc}$.

Abordagem de Sintonia com Rede Neural (ANN)

• Objetivo da ANN: Calcular o vetor de parâmetros ótimos $\theta^* = (k_p, k_i, \lambda_{xy}, \lambda_{sc})$ com base na velocidade atual ($\omega$) e na velocidade de referência ($\omega^*$).
• Arquitetura da Rede: Um Perceptron Multicamadas (MLP) com:
  • Ativação sigmoide nas unidades ocultas.
  • Ativação linear nas unidades de saída.
  • Bias conectado a todas as unidades.
• Treinamento e Coleta de Dados:
  • Os dados de treinamento são obtidos experimentalmente, não apenas por simulação.
  • Realizam-se testes de degrau na velocidade de referência em vários pontos de operação.
  • Para cada ponto, os parâmetros são ajustados iterativamente para minimizar um índice de desempenho composto ($\Xi$), que prioriza:
    • Minimização de overshoot (sobressinal) e tempo de subida.
    • Minimização de ripple de torque e conteúdo harmônico.
    • Restrições: O sobressinal ($\pi_1$) e a frequência média de comutação ($\pi_6$) devem permanecer abaixo de limites máximos ($U_{PO}$ e $U_{ASF}$) para garantir segurança e evitar superaquecimento do inversor.
  • Estratégia de Eficiência: Para evitar a exploração exaustiva de todas as combinações de parâmetros (que seria proibitiva experimentalmente), utiliza-se uma abordagem híbrida:
    1. Sintonia inicial grosseira baseada em modelos simplificados e literatura.
    2. Uso de descida de gradiente para refinar os parâmetros experimentalmente, permitindo que o próprio setup de teste "dirija" a coleta de dados de forma eficiente.

3. Contribuições Principais

1. Sintonia On-line Adaptativa: Propõe o uso de uma RNA para ajustar dinamicamente tanto o controlador de velocidade (PI) quanto os pesos do FSMPC, adaptando-se a diferentes regimes de operação de velocidade.
2. Validação Experimental Rigorosa: Diferente de muitos trabalhos que dependem apenas de simulação, os dados de treinamento e validação foram obtidos em um setup experimental real com uma máquina de 5 fases.
3. Otimização Multi-objetivo com Restrições: Define um problema de otimização claro que equilibra desempenho dinâmico (tempo de resposta, overshoot) com restrições físicas do hardware (frequência de comutação e limites térmicos).
4. Eficiência na Coleta de Dados: Apresenta uma metodologia inovadora para reduzir o tempo de coleta de dados de treinamento experimental, utilizando descida de gradiente para convergir rapidamente para os parâmetros ótimos em cada ponto de operação.

4. Resultados e Avaliação

• Setup Experimental: Utilizou-se uma máquina de indução de 5 fases, um inversor com módulos SEMIKRON, e um DSP (TMS320F28335) para execução em tempo real.
• Métricas de Desempenho: O sistema foi avaliado com base em:
  • Sobressinal de velocidade ($\pi_1$).
  • Tempo de subida ($\pi_2$).
  • Erro Absoluto Integrado no Tempo (ITAE) ($\pi_3$).
  • Ripple de torque ($\pi_4$).
  • Conteúdo harmônico no plano $x-y$ ($\pi_5$).
  • Frequência média de comutação ($\pi_6$).
• Desempenho: A rede neural conseguiu fornecer parâmetros que garantiram a estabilidade do sistema, mantendo o overshoot e a frequência de comutação dentro dos limites de segurança, enquanto minimizava o erro de rastreamento e o ripple de torque em diferentes pontos de operação.

5. Significância

Este trabalho é significativo porque demonstra a viabilidade prática de integrar aprendizado de máquina (Redes Neurais) com controle predivo avançado (FSMPC) em acionamentos elétricos de alta performance.

• Flexibilidade: Permite que o controlador se adapte automaticamente a diferentes condições de carga e velocidade sem a necessidade de re-sintonia manual complexa.
• Aplicabilidade Industrial: A arquitetura da rede (Perceptron simples) é computacionalmente leve, facilitando sua implementação em hardware de controle comum, como FPGAs ou DSPs, tornando a solução viável para aplicações industriais reais.
• Avanço em Máquinas Polifásicas: Contribui para o estado da arte no controle de máquinas de fase múltipla (5 fases), que são conhecidas por sua tolerância a falhas e alta densidade de potência, mas cujos controladores são notoriamente difíceis de sintonizar.

Em resumo, o artigo valida que uma abordagem baseada em dados experimentais e redes neurais pode superar as limitações dos métodos de sintonia tradicionais em sistemas de controle preditivo complexos.