Control DITC de ripple reducido basado en red neuronal wavelet para motores de reluctancia conmutada en vehículos eléctricos

Por qué importan los motores eléctricos más suaves

Los coches eléctricos prometen un desplazamiento silencioso y eficiente, pero los motores que hacen girar sus ruedas aún pueden producir vibraciones y ruido indeseados. Un tipo de motor popular para vehículos futuros, el motor de reluctancia conmutada, es resistente, económico y evita imanes de tierras raras, sin embargo padece un marcado rizado de par: pequeños picos y caídas en la fuerza de torsión que generan vibración. Este artículo explora un método de control inteligente que emplea una red neuronal especializada para atenuar esos rizados, haciendo que estos motores robustos sean más agradables y eficientes para la conducción diaria.

Un motor resistente con una marcha áspera

Los motores de reluctancia conmutada son atractivos para vehículos eléctricos por su estructura simple, alta fiabilidad y porque no dependen de materiales magnéticos escasos. Su inconveniente proviene de la forma en que generan fuerza: cuando los dientes del rotor se alinean con los dientes del estator energizados, el par tiende a pulsar. Los esquemas de control tradicionales que regulan la corriente en ondas cuadradas son fáciles de implementar pero dejan grandes variaciones de par. Controles más avanzados basados en el par pueden reaccionar más rápido, pero aún se enfrentan al comportamiento magnético fuertemente no lineal de estas máquinas, especialmente durante los breves momentos en que múltiples fases del motor se solapan y el par se transfiere de una a otra.

Enseñar al controlador a anticiparse

Los autores se basan en una estrategia conocida como control directo de par instantáneo (DITC), donde el controlador compara directamente el par deseado con el par estimado real y conmuta rápidamente la electrónica de potencia para corregir cualquier error. En su forma básica, este enfoque todavía produce rizados considerables. El estudio añade una red neuronal wavelet compacta entre el regulador de velocidad y el controlador de par. En lugar de enviar un objetivo de par fijo, este módulo inteligente analiza tanto el error de par como la rapidez con que cambia, y luego remodela sutilmente la referencia de par en tiempo real. Las wavelets, que capturan patrones en tiempo y escala, ayudan a la red a aprender el complejo comportamiento de par dependiente de la posición del motor usando solo dos neuronas ocultas y siete parámetros ajustados.

Optimizar una vez, funcionar en todas partes

Para evitar un modelo engorroso que requiera reentrenamiento constante, el equipo utiliza un algoritmo de optimización llamado Equilibrium Optimizer para afinar la red neuronal una sola vez en un punto de funcionamiento cuidadosamente elegido: ligeramente por encima de la velocidad nominal y con carga nominal, donde el rizado de par es alto pero la corriente sigue bien controlada. El algoritmo busca valores de parámetros que minimicen conjuntamente el rizado de par y el error global de par. El conjunto resultante de siete parámetros se fija y se utiliza para todas las velocidades y cargas. En paralelo, el mismo optimizador se emplea para refinar los ángulos en los que cada fase del motor se conecta y desconecta a lo largo de una rejilla de velocidades y pares, y los mejores valores se almacenan en sencillas tablas de consulta dentro del controlador.

Del modelo por ordenador al banco de pruebas

Simulaciones extensas en un motor de reluctancia conmutada trifásico 12/8 muestran que el nuevo controlador entrega mayor par medio, perfiles de par visiblemente más suaves y corrientes de pico similares en comparación con el esquema convencional. La mejora aparece en un amplio rango de velocidades y tanto con cargas ligeras como pesadas. Experimentos en un montaje real confirman estos hallazgos. En pruebas en lazo abierto y en escenarios realistas de lazo cerrado con escalones de velocidad y cambios bruscos de carga, el controlador propuesto reduce consistentemente el rizado de par medido en alrededor de un 16 por ciento para cargas ligeras y casi un 29 por ciento para cargas pesadas. El coste es una mayor frecuencia de conmutación y un modesto incremento en el tiempo de cálculo, pero ambos se mantienen dentro de los límites industriales habituales.

Qué significa esto para las futuras unidades de tracción eléctrica

En términos sencillos, el estudio muestra que una red neuronal pequeña y bien entrenada puede actuar como un filtro inteligente entre la demanda de par del conductor y el motor, remodelando la orden para cancelar gran parte del pulso inherente de un motor de reluctancia conmutada. Como la red es simple, se entrena una sola vez y se combina con ángulos de conmutación optimizados, el control global sigue siendo práctico para hardware en tiempo real. Para vehículos eléctricos y otras aplicaciones exigentes, este enfoque ofrece una vía para usar motores robustos y sin imanes, reduciendo vibraciones y mejorando la calidad de la conducción sin rediseñar el propio motor.

Cita: 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

Palabras clave: motor de reluctancia conmutada, rizado de par, tracción de vehículo eléctrico, control por red neuronal, optimización de control de motor