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

电动汽车依赖于安静、平顺且高效的电机，然而这类车辆中常用的一种电机类型却经常面临一个特定的缺陷：在低速时会出现粗糙、颤动的感。这一问题源于电机内部部件的相互作用方式。与其它实现平滑、连续旋转的电机不同，这种被称为开关磁阻电机的机器是通过在转子旋转时，向不同部分切换电流的开启与关闭来工作的。尽管这类电机因其结构的坚固简单且无需稀土材料而备受青睐，但从一个部分向下一个部分切换电流的过程会产生瞬间的不平衡。驱动电机的力无法完美地从一个部分传递到下一个部分，从而导致一种被称为“转矩脉动”的颠簸运动。对于汽车乘客而言，这感觉像是震动或顿挫；对于车辆部件而言，这则会造成不必要的磨损和噪音。

为了解决这个问题，工程师们长期以来一直使用一种称为“转矩分配函数”的方法。想象一下尝试将一个重物从一个人手中传递给另一个人：如果第一个人还没等第二个人抓稳就松手了，重物就会掉落；如果第二个人抓得太早，则可能会与第一个人发生拉扯。转矩分配函数就是一套指令，它告诉电机在交接的关键时刻，应如何在旧的部分和新的部分之间分配力量。多年来，工程师们一直使用一套基于平滑曲线的标准预设指令来管理这种转换。然而，这些固定的指令假设电机表现得非常完美，忽略了现实中的电机是具有“杂乱性”的。电机内部的磁场并不会表现得完全可预测，电流也无法瞬间上升或下降。由于这些物理现实的存在，标准指令往往无法匹配电机实际所需的动作，导致颤动问题仅得到部分解决。

河南科技大学的研究人员提出了一种新方法，让电机能够从自身的错误中学习。他们开发了一种利用“迭代学习控制”技术的系统，而不是依赖一套永不改变的固定指令。这种方法基于一个简单的原理：如果一项任务被反复执行，系统就可以观察前一次尝试中的误差，并据此调整下一次的行为。在电机的语境下，由于电机是在持续循环旋转，系统会观察在一个完整旋转周期内，理想的平滑力与实际产生的粗糙力之间的差异。然后，它利用这一特定差异，对下一次旋转的指令进行微调。

研究人员建立了一个详细的八极电机计算机仿真模型来测试这个想法。他们从标准的预设指令开始，让系统运行数百次模拟旋转。随着每一次旋转，系统都会分析转矩脉动（即颠簸的波动），并对功率切换时的特定时刻进行微调。它并没有一次性改变整个规则手册，而是优化了功率从一个部分切换到另一个部分的具体时刻。随着时间的推移，指令从一条通用的曲线演变成了一个能够完美匹配该特定电机独特非理想行为的定制剖面。系统学到了，为了获得平稳的行驶体验，它需要在某个位置请求稍大的电流，而在另一个位置请求稍小的电流，从而补偿标准规则所忽略的磁滞延迟。

仿真结果令人瞩目。当研究人员在每分钟100、200和400转的低速下测试电机时，新的学习系统显著地平滑了运动。与传统方法相比，新策略在所有测试速度下都降低了近40%的转矩粗糙度。在每分钟100转时，降幅为39.69%；在每分钟200转时，为38.86%；在每分钟400转时，为38.29%。电机不仅在平均性能上表现更好，而且力的峰值和谷值变得更加均匀，消除了引起震动的剧烈波动。系统在大约九次模拟旋转后达到了这种改进状态，此时调整已变得如此微小，以至于性能已基本趋于稳定。

尽管研究结果前景广阔，但研究人员也谨慎地指出了其工作的局限性。这些结果完全来自计算机仿真，而非实验台上的实体电机。该研究证实了该方法在变量可控的数字环境中是有效的，但在现实世界中，摩擦、热量和制造缺陷等仿真中不存在的因素会带来新的挑战。作者承认，该系统是针对低速运行进行调优的，其在高速下的有效性仍有待观察。此外，研究并未测量这种额外的处理过程是否会影响电机的整体能量效率或其电子元件的使用寿命。

尽管存在这些局限性，这项研究仍为提高电动汽车的舒适度提供了一条清晰的路径。通过从僵化的、预设的规则转向基于实时性能进行自适应的系统，工程师们有望消除长期困扰开关磁阻电机的粗糙感。正如研究人员所概述的，下一步是制造一个物理原型，以观察在电机实际旋转时，在计算机中习得的经验是否依然成立。如果物理测试能反映仿真结果，这种学习方法可能会成为让电动汽车更平顺、更安静、更可靠的标准工具。