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

Os veículos elétricos dependem de motores que são silenciosos, suaves e eficientes, mas um tipo comum de motor usado nesses veículos frequentemente sofre com uma falha específica: uma sensação de aspereza e sobressalto em baixas velocidades. Esse problema decorre da forma como as partes internas do motor interagem. Diferente de outros motores que possuem uma rotação suave e contínua, este tipo de máquina, conhecido como motor de relutância comutada, opera alternando a potência elétrica ligando e desligando diferentes seções conforme o rotor gira. Embora esses motores sejam valorizados por sua simplicidade robusta e pela ausência de materiais de terras raras, o ato de alternar a potência de uma seção para a próxima cria um desequilíbrio momentâneo. A força que gira o motor não se transfere perfeitamente de uma seção para a outra, resultando em um movimento brusco conhecido como oscilação de torque (torque ripple). Para um passageiro em um carro, isso é sentido como uma vibração ou hesitação; para os componentes do veículo, cria desgaste e ruído desnecessários.

Para resolver isso, engenheiros há muito utilizam um método chamado função de compartilhamento de torque. Imagine tentar passar uma carga pesada de uma pessoa para outra; se a primeira pessoa soltar antes que a segunda tenha um aperto firme, a carga cai. Se a segunda pessoa agarrar cedo demais, ela pode puxar contra a primeira. Uma função de compartilhamento de torque é um conjunto de instruções que diz ao motor exatamente como dividir o esforço entre a seção antiga e a nova seção durante essa transferência crítica. Por anos, engenheiros usaram um conjunto padrão de instruções pré-escritas baseado em uma curva suave para gerenciar essa transição. No entanto, essas instruções fixas assumem que o motor se comporta perfeitamente, ignorando o fato de que motores reais são desordenados. Os campos magnéticos dentro do motor não se comportam de uma forma perfeitamente previsível, e as correntes elétricas não podem subir ou cair instantaneamente. Devendo a essas realidades físicas, as instruções padrão muitas vezes falam em falhar em corresponder ao que o motor realmente precisa fazer, deixando o problema do sobressalto apenas parcialmente resolvido.

Pesquisadores da Universidade de Ciência e Tecnologia de Henan propuseram uma nova abordagem que permite ao motor aprender com seus próprios erros. Em vez de depender de um conjunto de instruções fixas que nunca muda, eles desenvolveram um sistema que utiliza uma técnica chamada controle de aprendizado iterativo. Este método baseia-se num princípio simples: se uma tarefa é repetida repetidamente, o sistema pode observar o erro cometido na tentativa anterior e ajustar seu comportamento para a próxima. No contexto do motor, que gira em um ciclo contínuo, o sistema observa a diferença entre a força suave e ideal que desejava produzir e a força bruta e real que gerou durante uma rotação completa. Ele então usa essa diferença específica para ajustar as instruções para a rotação seguinte.

Os pesquisadores construíram uma simulação computacional detalhada de um motor de oito polos para testar essa ideia. Eles começaram com as instruções padrão pré-escritas e deixaram o sistema rodar por centenas de rotações simuladas. A cada volta, o sistema analisava a oscilação de torque — as flutuações bruscas — e fazia pequenos ajustes na função de compartilhamento. Ele não mudou toda a regra de uma só vez; em vez disso, refinou os momentos específicos onde a potência alternava de uma seção para outra. Com o tempo, as instruções evoluíram de uma curva genérica para um perfil personalizado que correspondia perfeitamente ao comportamento não ideal único daquele motor específico. O sistema aprendeu que, para obter uma condução suave, precisava pedir um pouco mais de corrente em um ponto e um pouco menos em outro, compensando os atrasos magnéticos que as regras padrão ignoravam.

Os resultados dessas simulações foram impressionantes. Quando os pesquisadores testaram o motor em baixas velocidades de 100, 200 e 400 rotações por minuto, o novo sistema de aprendizado suavizou significamente o movimento. Comparado ao método tradicional, a nova estratégia reduziu a aspereza do torque em quase 40 por cento em todas as velocidades testadas. A 100 rotações por minuto, a redução foi de 39,69 por cento; a 200 rotações por minuto, foi de 38,86 por cento; e a 400 rotações por minuto, foi de 38,29 por cento. O motor não apenas teve um desempenho melhor em média; os picos e vales da força tornaram-se muito mais uniformes, eliminando os picos agudos que causam vibração. O sistema atingiu esse estado melhorado após cerca de nove rotações simuladas, ponto em que os ajustes tornaram-se tão pequenos que o desempenho havia efetivamente se estabilizado.

Embora os resultados sejam promissores, os pesquisadores são cuidadosos ao notar os limites de seu trabalho. Estes resultados vêm inteiramente de simulações computacionais, não de um motor físico em uma bancada de testes. O estudo confirma que o método funciona em um ambiente digital onde as variáveis podem ser controladas perfeitamente, mas o mundo real introduz novos desafios como fricção, calor e imperfeições de fabricação que não estavam presentes na simulação. Os autores reconhecem que o sistema foi ajustado para operação de baixa velocidade, e sua eficácia em velocidades mais altas permanece a ser vista. Além disso, o estudo não mediu como esse processamento extra pode afetar a eficiência energética geral do motor ou a vida útil de seus componentes eletrônicos.

Apesar dessas limitações, o estudo oferece um caminho claro para melhorar o conforto dos veículos elétricos. Ao se afastar de regras rígidas e pré-programadas e avançar em direção a um sistema que se adapta com base no desempenho em tempo real, engenheiros podem potencialmente eliminar a aspereza que há muito assombra os motores de relutância comutada. O próximo passo, conforme delineado pelos pesquisadores, é construir um protótipo físico para ver se as lições aprendidas no computador se sustentam quando o motor está realmente girando. Se os testes físicos espelharem a simulação, esta abordagem de aprendizado poderá se tornar uma ferramenta padrão para tornar os veículos elétricos mais suaves, silenciosos e confiáveis.