Ein neuartiges adaptives Neuro-Fuzzy- und adaptives proportional-resonantes Regelungsschema für PMSM-basierte Anwendungen in Elektrofahrzeugen

Leiseres, sanfteres elektrisches Fahren

Elektroautos sind bereits sauberer als Fahrzeuge mit Verbrennungsmotor, doch die Art und Weise, wie ihre Motoren geregelt werden, bietet noch Verbesserungsmöglichkeiten. Ruckartige Beschleunigungen beim Gaspedal, leises Brummen des Motors und verschwendete Energie lassen sich alle auf die Frage zurückführen, wie schnell und gleichmäßig der Motor auf wechselnde Straßen- und Verkehrsbedingungen reagieren kann. Dieser Beitrag untersucht einen neuen Ansatz, den Motor von innen heraus zu „steuern“ – mit einer Kombination aus künstlicher Intelligenz und einer speziellen Form der Signalgestaltung –, um Elektrofahrzeuge sanfter beschleunigen, weniger Energie verschwenden und besser mit realen Störungen umgehen zu lassen.

Warum Motorregelung auf echten Straßen wichtig ist

Moderne Elektroautos verwenden häufig Permanentmagnetmotoren, weil sie kompakt, effizient sind und bereits aus dem Stand kräftiges Drehmoment liefern. Stadverkehr ist jedoch chaotisch: Fahrer halten an Ampeln, fahren im Stau im Zickzack und bewältigen Steigungen und wechselnde Lasten. Unter solchen Bedingungen kann die Motordrehzahl über das Ziel hinausschießen oder hinter dem gewünschten Wert zurückbleiben, und das auf die Welle übertragene Drehmoment kann wellenförmig schwanken. Diese Welligkeiten zeigen sich als Vibrationen, Geräusche und zusätzliche Belastung von Zahnrädern und Lagern. Traditionelle Regelkreise, die auf feste Einstellwerte setzen, funktionieren nur in einem engen Bereich gut und haben Schwierigkeiten, wenn sich Straße, Temperatur oder Fahrzeuglast ändern.

Lernen und Regeln verbinden für bessere Drehzahlregelung

Die Autoren ersetzen die übliche äußere Drehzahlregelung durch ein adaptives Neuro-Fuzzy-System – einen Regler, der die Wenn‑dann-Regeln der Fuzzy-Logik mit der Lernfähigkeit neuronaler Netze verbindet. Statt einmal werkseitig voreingestellt zu werden, lernt dieser Regler aus Beispieldaten, wie die Motordrehzahl auf Kommandos und Störungen reagiert. Er übersetzt den rohen Drehzahlfehler (wie weit die tatsächliche Drehzahl vom Sollwert abweicht) und dessen Änderungsrate in eine Menge überlappender „Meinungen“ und mischt diese zu einer präzisen Korrektur. Trainings‑ und Testergebnisse zeigen, dass dieser gelernte Regler schnell Einstellungen findet, die Überschwinger und Unterschwinger reduzieren, die Zeit bis zum Erreichen der Zielgeschwindigkeit verkürzen und das Verhalten stabil halten, selbst wenn das System nichtlinear ist und sich ändert.

Stromformung für ruhigen, geräuscharmen Betrieb

Während die äußere Regelung festlegt, wie schnell der Motor drehen soll, entscheidet die innere Schleife, wie viel elektrischer Strom zu jedem Zeitpunkt in die Spulen fließt. Hier führen die Autoren einen adaptiven proportional-resonanten Regler ein. Anstatt nur auf die Größe des Fehlers zu reagieren, ist dieser Regler so abgestimmt, dass er den Strömen auf der Hauptwechselstromfrequenz des Motors besondere Aufmerksamkeit schenkt, an der unerwünschte Welligkeiten am schädlichsten sind. Durch die sorgfältige Wahl einiger weniger Schlüsselparameter liefert er sehr hohe Korrekturwirkung genau bei dieser Grundfrequenz, ohne an anderen Stellen Instabilität zu verursachen. Das Ergebnis sind Ströme, die fast wie perfekte Sinuswellen aussehen, mit deutlich weniger scharfen Spitzen, die sonst als Drehmomentwelligkeit und hörbares Pfeifen auftreten würden.

Erprobung der neuen Strategie

Das Team bewertet ihr zweistufiges Design – Neuro-Fuzzy-Drehzahlregelung in der äußeren Schleife und resonante Stromregelung in der inneren Schleife – durch detaillierte Computersimulationen und Hardware-in-the-Loop‑Experimente, die einen realen Elektrofahrzeug-Antriebsstrang nachbilden. Sie vergleichen es mit drei etablierten Methoden: einem konventionellen Proportional-Integral-Regler, einem Schema, das diesen Regler mit einer resonanten inneren Schleife koppelt, und einem modellprädiktiven Ansatz. Über eine Reihe von Szenarien hinweg – Anfahren aus dem Stillstand, konstantes Fahren unter Last, schnelle Geschwindigkeitsänderungen bei konstanter Last und plötzliche Laständerungen bei konstanter Geschwindigkeit – erreicht das neue Schema konsistent schneller die Zielgeschwindigkeit mit geringeren Spitzen und Einbrüchen. Es erzeugt zudem gleichmäßigeres Drehmoment und sauberere Ströme, selbst wenn Widerstand und Induktivität des Motors künstlich verändert werden, um Erwärmung oder raue Umgebungsbedingungen zu simulieren.

Was das für zukünftige Elektroautos bedeutet

Einfach gesagt erlaubt diese hybride Regelstrategie dem Elektromotor, zu denken und sich anzupassen, statt blind einem festen Rezept zu folgen. Indem sie lernt, Störungen auf Drehzahlebene abzuwehren, und gleichzeitig die Stromwellenformen im Motor formt, reduziert der Ansatz Vibrationen, Lärm und Energieverluste. Für Fahrer bedeutet das sanfteres Anfahren, stabileres Fahren und Antriebe, die Alterung und wechselnde Wetterbedingungen besser vertragen. Auch wenn die Methode in Teilen noch von einer festen Betriebsfrequenz ausgeht, deuten die Ergebnisse darauf hin, dass das Hinzufügen von Intelligenz und frequenzbewusster Regelung zu Motorantrieben ein Schlüssel zu feineren, langlebigeren und effizienteren Elektrofahrzeugen sein könnte.

Zitation: Sangeetha, E., Ramachandran, V.P. A novel adaptive neuro-fuzzy and adaptive proportional resonant control scheme for PMSM based electric vehicle applications. Sci Rep 16, 8023 (2026). https://doi.org/10.1038/s41598-026-35363-2

Schlüsselwörter: Elektrofahrzeugmotoren, Neuro-Fuzzy-Regelung, Permanentmagnet-Synchronmotor, Drehmomentwelligkeitsreduktion, fortschrittliche Motorantriebe