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

Os motores elétricos são os cavalos de carga silenciosos do mundo moderno, impulsionando tudo, desde as esteiras transportadoras em fábricas até as rodas de veículos elétricos. Entre os muitos tipos disponíveis, o motor síncrono de imãs permanentes destaca-se pela sua capacidade de entregar uma potência imensa a partir de um tamanho compacto, operando com uma eficiência excepcional. Estas máquinas são essenciais para aplicações onde a velocidade e o torque devem ser precisos, como na robótica, aeroespacial e na crescente frota de carros elétricos. No entanto, manter estes motores funcionando no seu auge é um desafio constante. Tal como o corpo humano muda com a temperatura, fadiga e idade, as características internas de um motor alteram-se ao longo do tempo. As bobinas metálicas no interior aquecem e alteram a sua resistência elétrica, os materiais magnéticos enfraquecem ligeiramente e as partes mecânicas assentam. Estas mudanças subtis significam que um controlador desenhado para um motor "perfeito" muitas vezes tem dificuldades quando o motor real se comporta de forma diferente, levando à ineficiência ou instabilidade.

Para resolver isto, os engenheiros dependem de sistemas de controlo sofisticados que atuam como um sistema nervoso para o motor, ajustando-se constantemente para manter o desempenho suave. Um dos métodos mais avançados utilizados hoje é uma técnica chamada controlo preditivo de modelo. Imagine um condutor que não se limita a reagir à estrada à frente, mas que olha constantemente vários segundos no futuro, calculando o melhor caminho a tomar antes mesmo de uma curva aparecer. Este método de controlo faz o mesmo pelo motor, prevendo o seu estado futuro e escolhendo os melhores comandos elétricos para atingir a velocidade desejada. Mas, para que esta previsão funcione, o sistema precisa de um mapa preciso da condição atual do motor. Se o mapa estiver errado porque as propriedades internas do motor mudaram, as previsões falham. É aqui que um novo estudo de investigadores da Universidade de Jimma e da Universidade de Addis Ababa, na Etiópia, oferece uma nova perspetiva. Eles exploraram como a inteligência artificial pode atuar como um navegador em tempo real, atualizando constantemente o mapa do motor para contabilizar estas mudanças.

Os investigadores focaram-se em cinco propriedades internas críticas do motor: a resistência das bobinas de fio, a indutância, que descreve como os campos magnéticos armazenam energia, a força dos imãs permanentes e a inércia, que descreve quão pesadas as partes giratórias parecem ser. No passado, os engenheiros usavam fórmulas matemáticas para adivinhar estes valores, mas estes métodos frequentemente tinham dificuldade com a forma complexa e não linear como o motor se comporta sob tensão. A equipa propôs uma abordagem diferente, testando três formas distintas de utilizar o aprendizagem automática para estimar estes valores em tempo real. O primeiro método utilizou um tipo de rede neuronal artificial, especificamente uma concebida para memorizar sequências de eventos, para aprender a relação entre os inputs do motor e o seu estado interno. O segundo e o terceiro métodos utilizaram um ramo diferente da inteligência artificial chamado aprendizagem por reforço, onde um agente computacional aprende através de tentativa e erro, recebendo recompensas por fazer bons palpites e penalizações por erros. Eles testaram estes estimadores inteligentes contra duas estratégias de controlo diferentes: o controlo preditivo mencionado anteriormente, e um método robusto conhecido como controlo de modo deslizante, que é famoso pela sua capacidade de ignorar perturbações, mas que pode ser por vezes instável.

Para ver qual combinação funcionava melhor, os investigadores construíram uma simulação digital detalhada de um sistema de motor. Programaram o motor para funcionar através de uma variedade de velocidades, desde 300 rotações por minuto lentas até 2000 rotações por minuto rápidas, enquanto também simulavam as mudanças físicas que acontecem no mundo real, como o aumento da resistência dos fios à medida que o motor aquece. Depois, observaram quão bem cada um dos três sistemas inteligentes conseguia acompanhar estas mudanças e quão suavemente o motor respondia. Os resultados foram claros e precisos. Todos os três métodos provaram ser capazes de estimar os parâmetros variáveis do motor com alta precisão. Os erros na estimativa das propriedades elétricas mantiveram-se abaixo de 3,5 por cento, e as estimativas para a inércia mecânica foram ainda mais precisas, com erros abaixo de 0,5 por cento. Este nível de precisão significa que os controladores estavam a trabalhar com um mapa quase perfeito da condição do motor, mesmo quando essa condição mudava.

Ao observar como o motor realmente desempenhava, as diferenças entre os métodos tornaram-se aparentes. O sistema utilizando a rede neuronal com controlo preditivo produziu a operação mais suave. Manteve o torque do motor, ou força de rotação, incrivelmente estável, com apenas minúsculas ondulações na entrega de potência. Isto é crucial para aplicações onde a vibração deve ser minimizada. Por outro lado, o sistema utilizando aprendizagem por reforço com controlo preditivo foi o mais rápido a reagir. Quando o comando de velocidade mudava, este sistema ajustava-se em apenas 0,12 a 0,18 segundos, com quase nenhum sobre-sinal (overshoot), o que significa que o motor não girava demasiado depressa antes de estabilizar. O terceiro método, que combinou a aprendizagem por reforço com o controlo de modo deslizante, mostrou grande força no tratamento da incerteza, mas veio com uma compensação. Embora fosse robusto, causou mais oscilações no motor, com um sobre-sinal muito maior de cerca de 50 por cento quando as velocidades mudavam, e demorou mais tempo a estabilizar.

O estudo também confirmou que os estimadores inteligentes podiam detetar as mudanças físicas esperadas num motor real. À medida que o motor simulado acelerava e aquecia, o sistema identificou corretamente que a resistência do fio tinha aumentado cerca de 3 por cento, um resultado natural do calor. Também notou que a força magnética dos imãs permanentes tinha caído cerca de 1,4 por cento, outro efeito esperado da temperatura. Além disso, acompanhou a ligeira diminuição da indutância causada pela saturação magnética, um fenómeno onde o circuito magnético se torna menos eficiente sob alta carga. Estas descobertas demonstram que a inteligência artificial não estava apenas a adivinhar números, mas estava a modelar com precisão a realidade física da máquina.

Em última análise, a investigação sugere que integrar estas técnicas de estimativa inteligente nos sistemas de controlo de motores é um caminho viável para o futuro. Ao permitir que o controlador atualize continuamente a sua compreensão sobre a saúde do motor, o sistema pode manter uma alta eficiência e estabilidade, mesmo quando a máquina envelhece ou opera em condições adversas. O estudo não afirmou ter resolvido todos os problemas do controlo de motores, nem testou estes métodos em hardware físico num ambiente de fábrica; os resultados foram derivados inteiramente de simulações computacionais rigorosas. No entanto, os dados mostram que para veículos elétricos e maquinaria industrial, onde a fiabilidade é primordial, usar a aprendizagem automática para manter o mapa interno do motor preciso poderá levar a máquinas mais suaves, responsivas e duradouras. A escolha de qual método específico utilizar depende da prioridade: se o objetivo é a suavidade absoluta, a abordagem de rede neuronal destaca-se, enquanto se o objetivo é a reação mais rápida possível às mudanças, a aprendizagem por reforço com controlo preditivo assume a liderança.