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

电动机是现代世界的无声功臣，为从工厂的传送带到电动汽车的车轮等各种应用提供动力。在众多可用类型中，永磁同步电动机因其能在紧凑的体积内输出巨大功率并保持极高效率的能力而脱颖而出。这些机器对于需要精确控制速度和转矩的应用至关重要，例如机器人技术、航空航天以及快速增长的电动汽车车队。然而，让这些电机保持巅峰状态是一个持续的挑战。正如人体会随着温度、疲劳和年龄而变化一样，电机的内部特性也会随时间发生偏移。内部的金属线圈会发热并改变其电阻，磁性材料会略微减弱，机械部件也会发生沉降。这些细微的变化意味着，一个为“完美”电机设计的控制器，在面对实际表现不同的电机时往往会表现挣扎，导致效率低下或不稳定。

为了解决这个问题，工程师依靠复杂的控制系统，它们就像电机的神经系统一样，通过不断调整来保持性能平稳。当今使用的最先进方法之一是一种被称为模型预测控制的技术。想象一位驾驶员，他不仅是对前方的路况做出反应，而是不断地向未来几秒进行观察，在弯道出现之前就计算出最佳路径。这种控制方法对电机也做了同样的事情：预测其未来的状态，并选择最佳的电信号指令以达到期望的速度。但为了使这种预测奏效，系统需要一张关于电机当前状况的准确地图。如果因为电机内部属性发生了变化而导致地图错误，预测就会失败。正是在这里，来自埃塞俄比亚吉玛大学和亚的斯亚贝巴大学研究人员的一项新研究提供了一个全新的视角。他们探索了人工智能如何充当实时的导航员，通过不断更新电机的“地图”来应对这些变化。

研究人员重点关注了电机的五个关键内部属性：线圈的电阻、描述磁场存储能量的电感、永磁体的强度，以及描述旋转部件惯性大小的转动惯量。过去，工程师使用数学公式来推测这些数值，但这些方法在处理电机在压力下的复杂非线性行为时往往显得力不从心。该团队提出了另一种方法，测试了三种不同的利用机器学习来实时估算这些数值的方式。第一种方法使用了一种类型的人工神经网络，具体是一种旨在记忆事件序列的网络，用以学习电机输入与其内部状态之间的关系。第二种和第三种方法使用了人工智能的另一个分支——强化学习，在这种学习方式中，计算机代理通过试错来学习，通过做出正确的猜测获得奖励，并通过犯错受到惩罚。他们将这些智能估算器与两种不同的控制策略进行了对比测试：一种是前文提到的预测控制，另一种是被称为滑模控制的鲁棒方法，后者以忽略扰动的能力闻名，但有时会产生抖动。

为了观察哪种组合效果最好，研究人员构建了一个详细的电机系统数字仿真模型。他们编写程序让电机运行在各种转速下，从慢速的每分钟300转到快速的每分钟2000转，同时模拟了现实世界中发生的物理变化，例如由于发热导致的导线电阻增加。随后，他们观察了这三种智能系统追踪这些变化以及电机响应平滑度的表现。结果清晰且精确。所有三种方法都证明能够高精度地估算电机变化的参数。电学属性的估算误差保持在3.5%以下，而转动惯量的估算甚至更加精确，误差低于0.5%。这种水平的准确性意味着，即使在电机状况发生变化时，控制器所依据的也是一张近乎完美的“地图”。

当观察电机的实际表现时，不同方法之间的差异变得显而易见。使用神经网络结合预测控制的系统产生的运行过程最为平稳。它能让电机的转矩（即转动力）保持极其稳定，仅有极微小的功率波动。这对于必须最小化振动的应用场景至关重要。另一方面，使用强化学习结合预测控制的系统反应速度最快。当速度指令发生变化时，该系统仅需0.12到0.18秒即可完成调整，且几乎没有超调，这意味着电机在稳定下来之前不会过度旋转。第三种方法是将强化学习与滑模控制相结合，它在处理不确定性方面表现出强大的实力，但也带来了权衡。虽然它具有鲁棒性，但会导致电机产生更多的振荡，在速度变化时会出现约50%的较大超调，且稳定所需的时间较长。

研究还证实，这些智能估算器能够检测到现实电机中预期的特定物理变化。随着模拟电机加速并升温，系统正确识别出导线电阻增加了约3%，这是热量产生的自然结果。它还注意到永磁体的磁强度下降了约1.4%，这是另一个由温度引起的影响。此外，它还追踪了由于磁饱和（即磁路在高负载下效率降低的现象）导致的电感量轻微下降。这些发现表明，人工智能并非仅仅在猜测数字，而是在准确地模拟机器的物理现实。

最终，这项研究表明，将这些智能估算技术集成到电机控制系统中是一条可行的发展路径。通过允许控制器持续更新其对电机健康状况的理解，系统即使在机器老化或在恶劣条件下运行时，也能保持高效率和稳定性。该研究并未声称解决了电机控制中的所有问题，也没有在工厂的物理硬件上测试这些方法；所有的结果均源自严谨的计算机仿真。然而，数据表明，对于可靠性至关重要的电动汽车和工业机械领域，利用机器学习来保持电机内部地图的准确性，可以带来更平稳、响应更快且寿命更长的机器。选择哪种具体方法取决于优先级：如果目标是绝对的平稳性，神经网络方法表现卓越；如果目标是应对变化的极速反应，那么采用预测控制的强化学习方法则处于领先地位。