GRU Based Sliding Mode Controller for Permanent Magnet Synchronous Motor

No mundo industrial moderno, o motor elétrico é o cavalo de carga silencioso por trás de tudo, desde carros elétricos até robôs de fábrica. Entre estes, o motor síncrono de imãs permanentes destaca-se pela sua eficiência e potência, atuando como o motor primário em muitas máquinas de alto desempenho. No entanto, manter tal motor funcionando a uma velocidade precisa é surpreendentemente difícil. Tal como um ciclista deve ajustar constantemente a sua pedalada para manter um ritmo constante ao subir uma colina ou lutar contra uma rajada de vento repentina, um motor deve ajustar constantemente a sua entrada elétrica para lidar com mudanças de carga e perturbações imprevisíveis. Os métodos de controlo tradicionais frequentemente têm dificuldade com estas mudanças rápidas, ou reagindo demasiado lentamente, ou criando um movimento trêmulo e instável que desgasta a máquina. Durante décadas, os engenheiros procuraram uma forma de tornar estes motores robustos o suficiente para lidar com qualquer perturbação sem perder a sua suavidade, um desafio que levou ao desenvolvimento de estratégias de controlo avançadas capazes de forçar o motor a manter o curso, independentemente do caos externo.

Uma equipa de investigadores propôs agora uma nova abordagem que combina uma estratégia de controlo comprovada e robusta com uma forma moderna de inteligência artificial para resolver este problema. O seu trabalho foca-se num sistema que pode prever as forças invisíveis que atuam sobre um motor, permitindo-lhe compensar essas forças antes que elas causem problemas. No seu estudo, publicado num ambiente de simulação, os autores desenvolveram um controlador que utiliza uma técnica matemática conhecida como controlo por modo deslizante (sliding mode control) para manter a velocidade do motor constante. Este método é famoso pela sua capacidade de ignorar perturbações, mas tem uma falha conhecida: pode causar vibração ou "chattering" no motor, tal como um motor de carro que treme quando está a funcionar em marcha lenta de forma demasiado brusca. Para corrigir isto, os investigadores adicionaram uma segunda camada de inteligência: uma rede neuronal concebida para atuar como um sensor virtual. Em vez de depender de um dispositivo físico para medir a força de torção, ou torque, aplicada ao eixo do motor, este cérebro digital aprende a estimar a carga observando os sinais elétricos e a velocidade do motor.

O cerne desta investigação reside em como estes dois sistemas trabalham em conjunto. O controlador de modo deslizante atua como o músculo, pronto para empurrar com força contra qualquer desvio da velocidade alvo. A inteligência artificial atua como os olhos, observando o comportamento do motor e estimando o torque de carga em tempo real. Especificamente, os investigadores treinaram um tipo de rede neuronal chamada Unidade Recorrente de Porta (Gated Recurrent Unit, ou GRU) com dados gerados a partir de um modelo computacional do motor. Esta rede recebeu informações sobre a tensão e a corrente que fluem através do motor, juntamente com a sua velocidade de rotação, e aprendeu a inferir o torque de carga oculto que estava a ser aplicado. Uma vez treinada, esta rede conseguia estimar um torque de carga que mudava suavemente, de forma ondulatória, oscilando entre 1,0 e 3,0 Newton-metros com um erro incrivelmente pequeno, errando o valor real por apenas cerca de 0,01 Newton-metros em condições ideais. Quando esta estimativa era introduzida no controlador principal, o sistema conseguia antecipar as mudanças de carga em vez de apenas reagir a elas depois de a velocidade já ter caído.

Os resultados das simulações mostram que esta abordagem híbrida consegue domar o comportamento brusco do controlador tradicional. Os investigadores descobriram que tiveram de equilibrar cuidadosamente a força da ação corretiva do controlador. Se o controlador fosse demasiado fraco, demoraria demasiado tempo para corrigir a velocidade; se fosse demasiado forte, causaria o "chattering" no motor. Ao selecionar uma configuração de força específica, conseguiram atingir uma velocidade de 500 rotações por minuto que foi alcançada rapidamente e mantida estável com vibração mínima. Crucialmente, quando o sistema utilizou a estimativa da rede neuronal para ajudar o controlador, os erros de velocidade durante a operação estável foram significativamente reduzidos em comparação com um sistema que tivesse de adivinhar a carga por conta própria. A rede neuronal foi capaz de acompanhar a mudança de carga com alta precisão, mesmo quando o motor operava sob um padrão de carga sinusoidal continuamente variável. Isto sugere que o sistema pode substituir eficazmente um sensor de torque físico, que é frequentemente caro, frágil e difícil de instalar, por uma solução baseada em software que é tão eficaz quanto.

Embora os resultados sejam promissores, os investigadores advertem cuidadosamente que estes resultados provêm inteiramente de simulações computacionais. O modelo do motor utilizado foi uma representação matemática, e as condições de carga foram padrões específicos gerados pelo software. O estudo demonstra que o conceito funciona na teoria e num ambiente digital controlado, mostrando que um observador baseado em dados pode fornecer a informação necessária para tornar um controlador robusto mais suave e preciso. Os autores reconhecem que o próximo passo seria testar este sistema num motor físico real, onde fatores como o ruído elétrico e as imperfeições mecânicas poderiam alterar o resultado. Até lá, o trabalho permanece como uma prova de conceito sólida, mostrando que combinar um método de controlo tradicional e robusto com um observador inteligente baseado em aprendizagem oferece um caminho viável para um controlo de motor mais suave e fiável sem a necessidade de hardware adicional. O estudo confirma que, ao ensinar um computador a "sentir" a carga através de sinais elétricos, os engenheiros podem criar motores que são simultaneamente resilientes e suaves, capazes de lidar com as exigências imprevisíveis do mundo real.