Wellenletzten-Neuronales Netz für reduziertes Drehmomentripple DITC von Schaltreluktanzmotoren in Elektrofahrzeugen

Warum sanftere Elektromotoren wichtig sind

Elektroautos versprechen leises, effizientes Fahren, doch die Motoren, die ihre Räder antreiben, können weiterhin unerwünschtes Vibrieren und Geräusche erzeugen. Ein für künftige Fahrzeuge beliebter Motortyp, der Schaltreluktanzmotor, ist robust, kostengünstig und kommt ohne Seltene‑Erden‑Magnete aus, leidet jedoch unter ausgeprägtem Drehmoment­ripple — den kleinen Spitzen und Einbrüchen in der Drehkraft, die Vibration verursachen. Diese Arbeit untersucht eine intelligente Regelungsmethode, die ein spezialisiertes neuronales Netz verwendet, um diese Ripples zu glätten und diese robusten Motoren im Alltagsbetrieb angenehmer und effizienter zu machen.

Ein robuster Motor mit rauer Fahrt

Schaltreluktanzmotoren sind für Elektrofahrzeuge attraktiv, weil sie eine einfache Struktur haben, sehr zuverlässig sind und nicht auf knappe magnetische Materialien angewiesen sind. Ihr Nachteil ergibt sich aus der Art und Weise, wie sie Kraft erzeugen: Wenn die Rotorzähne mit den erregten Statorzähnen ausgerichtet werden, pulsiert das Drehmoment naturgemäß. Traditionelle Regelungsschemata, die Ströme in Rechteckwellen steuern, sind leicht umsetzbar, hinterlassen aber große Drehmomentschwankungen. Fortgeschrittenere drehmomentsbasierte Regelungen können schneller reagieren, haben jedoch weiterhin Probleme mit dem stark nichtlinearen magnetischen Verhalten dieser Maschinen, besonders in den kurzen Momenten, in denen mehrere Motorphasen überlappen und das Drehmoment von einer Phase zur anderen übergeben wird.

Dem Regler beibringen, vorauszudenken

Die Autoren bauen auf einer Strategie auf, die als direkte instantenöse Drehmomentregelung (Direct Instantaneous Torque Control, DITC) bekannt ist, bei der der Regler das gewünschte Drehmoment direkt mit dem geschätzten tatsächlichen Drehmoment vergleicht und die Leistungselektronik schnell schaltet, um Abweichungen zu korrigieren. In ihrer Grundform erzeugt diese Methode jedoch weiterhin beträchtliche Ripples. Die Studie fügt ein kompaktes Wellenletzten‑Neuronales Netz zwischen dem Geschwindigkeitsregler und dem Drehmomentregler ein. Anstatt ein festes Drehmomentziel zu senden, betrachtet dieses intelligente Modul sowohl den Drehmomentfehler als auch dessen Änderungsrate und formt die Referenzdrehmomentvorgabe in Echtzeit dezent um. Wellenletzten, die Muster sowohl in Zeit als auch in Skala erfassen, helfen dem Netz, das komplexe, positionsabhängige Drehmomentverhalten des Motors mit nur zwei versteckten Neuronen und sieben abgestimmten Parametern zu erlernen.

Einmal optimieren, überall einsetzen

Um ein unhandliches, ständig nachtrainiertes Modell zu vermeiden, verwendet das Team einen Optimierungsalgorithmus namens Equilibrium Optimizer, um das neuronale Netz nur einmal an einem sorgfältig gewählten Betriebspunkt zu kalibrieren: leicht oberhalb der Nenn‑Drehzahl und bei Nennlast, wo das Drehmoment­ripple hoch ist, der Strom jedoch gut kontrolliert bleibt. Der Algorithmus sucht Parameterwerte, die sowohl das Drehmomentripple als auch den Gesamtdrehmomentfehler gemeinsam minimieren. Der resultierende Satz von sieben Parametern wird dann fixiert und für alle Drehzahlen und Lasten verwendet. Parallel dazu wird derselbe Optimierer eingesetzt, um die Schaltwinkel zu verfeinern, bei denen jede Motorphase über ein Gitter aus Drehzahlen und Drehmomenten ein- und ausgeschaltet wird; die besten Werte werden in einfachen Nachschlagetabellen im Regler gespeichert.

Vom Computermodell zum Prüfstand

Ausgiebige Simulationen an einem dreiphasigen 12/8‑Schaltreluktanzmotor zeigen, dass der neue Regler ein höheres mittleres Drehmoment, merklich glattere Drehmomentverläufe und ähnliche Spitzenströme im Vergleich zum konventionellen Schema liefert. Die Verbesserung zeigt sich über einen weiten Drehzahlbereich und bei sowohl leichten als auch schweren Lasten. Versuche an einem realen Motorprüfstand bestätigen diese Ergebnisse. Unter Open‑Loop‑Tests und realistischen Closed‑Loop‑Fahrbedingungen mit Drehzahlsprüngen und plötzlichen Lastwechseln reduziert der vorgeschlagene Regler das gemessene Drehmomentripple konstant um etwa 16 Prozent bei leichten Lasten und nahezu 29 Prozent bei schweren Lasten. Der Preis dafür ist eine höhere Schaltfrequenz und ein moderater Anstieg der Rechenzeit, doch beide bleiben innerhalb üblicher industrieller Grenzen.

Was das für künftige elektrische Antriebe bedeutet

Einfach gesagt zeigt die Studie, dass ein kleines, gut trainiertes neuronales Netz wie ein intelligenter Filter zwischen der Drehmomentanforderung des Fahrers und dem Motor wirken kann, indem es das Kommando so umformt, dass ein Großteil der inhärenten Pulsation eines Schaltreluktanzmotors ausgeglichen wird. Da das Netz einfach ist, nur einmal trainiert wird und mit optimierten Schaltwinkeln gepaart ist, bleibt die Gesamtregelung praktisch für Echtzeithardware. Für Elektrofahrzeuge und andere anspruchsvolle Anwendungen bietet dieses Vorgehen einen Weg, robuste, magnetfreie Motoren zu nutzen und dabei Vibrationen zu verringern sowie die Fahrqualität zu verbessern, ohne den Motor selbst neu zu konstruieren.

Zitation: Saleh, A.L., Hamouda, M., Számel, L. et al. Wavelet neural network based reduced-ripple DITC of switched reluctance motors in electric vehicles. Sci Rep 16, 15564 (2026). https://doi.org/10.1038/s41598-026-46371-7

Schlüsselwörter: Schaltreluktanzmotor, Drehmomentripple, Antrieb von Elektrofahrzeugen, Neuronale Netzregelung, Optimierung der Motorregelung