Réseau de neurones par ondelettes pour réduire les oscillations de couple dans le contrôle DITC des moteurs à réluctance commutée pour véhicules électriques

Pourquoi des moteurs électriques plus lisses sont importants

Les voitures électriques promettent des trajets silencieux et efficaces, mais les moteurs qui entraînent leurs roues peuvent encore produire des vibrations et du bruit indésirables. Un type de moteur prometteur pour les véhicules futurs, le moteur à réluctance commutée, est solide, peu coûteux et évite les aimants de terres rares, mais il souffre d’une forte ondulation de couple, ces petites poussées et baisses de force de torsion qui provoquent des vibrations. Cet article explore une méthode de commande intelligente qui utilise un réseau de neurones spécialisé pour lisser ces ondulations, rendant ces moteurs robustes plus agréables et plus efficients pour la conduite quotidienne.

Un moteur robuste mais au comportement rugueux

Les moteurs à réluctance commutée sont attractifs pour les véhicules électriques parce qu’ils ont une structure simple, une grande fiabilité et ne dépendent pas de matériaux magnétiques rares. Leur inconvénient vient de la façon dont ils génèrent la force : lorsque les dents du rotor s’alignent avec les dents du stator alimentées, le couple se produit par à-coups. Les schémas de commande traditionnels qui régulent le courant en créneaux sont faciles à mettre en œuvre mais laissent de grandes variations de couple. Des commandes plus avancées basées sur le couple peuvent réagir plus vite, mais elles peinent encore face au comportement magnétique fortement non linéaire de ces machines, surtout lors des brefs instants où plusieurs phases du moteur se chevauchent et se transmettent le couple.

Apprendre au contrôleur à anticiper

Les auteurs s’appuient sur une stratégie connue sous le nom de commande directe du couple instantané (Direct Instantaneous Torque Control), où le contrôleur compare directement le couple souhaité au couple estimé réel et commute rapidement l’électronique de puissance pour corriger toute erreur. Dans sa forme basique, cette approche produit encore des ondulations importantes. L’étude ajoute un réseau de neurones par ondelettes compact entre le régulateur de vitesse et le contrôleur de couple. Plutôt que d’envoyer une consigne de couple fixe, ce module intelligent examine à la fois l’erreur de couple et sa vitesse de variation, puis remodèle subtilement la consigne de couple en temps réel. Les ondelettes, qui captent des motifs à la fois dans le temps et à différentes échelles, aident le réseau à apprendre le comportement complexe et dépendant de la position du couple du moteur en n’utilisant que deux neurones cachés et sept paramètres ajustés.

Optimiser une fois, fonctionner partout

Pour éviter un modèle lourd et constamment réentraîné, l’équipe utilise un algorithme d’optimisation appelé Equilibrium Optimizer pour régler le réseau neuronal une seule fois à un point de fonctionnement soigneusement choisi : légèrement au-dessus de la vitesse nominale et à la charge nominale, où l’ondulation de couple est élevée mais où le courant reste bien maîtrisé. L’algorithme recherche des valeurs de paramètres qui minimisent conjointement l’ondulation de couple et l’erreur globale de couple. L’ensemble résultant de sept paramètres est ensuite figé et utilisé pour toutes les vitesses et charges. En parallèle, ce même optimiseur est employé pour affiner les angles d’excitation et d’arrêt de chaque phase du moteur sur une grille de vitesses et de couples, et les meilleures valeurs sont stockées dans de simples tables de correspondance au sein du contrôleur.

Du modèle informatique au banc d’essai

Des simulations étendues sur un moteur à réluctance commutée triphasé 12/8 montrent que le nouveau contrôleur fournit un couple moyen plus élevé, des profils de couple sensiblement plus lisses et des courants de crête similaires par rapport au schéma conventionnel. L’amélioration apparaît sur une large plage de vitesses et sous charges légères comme lourdes. Des expériences sur un banc moteur réel confirment ces résultats. Lors de tests en boucle ouverte et de scénarios réalistes en boucle fermée avec des sauts de vitesse et des variations de charge soudaines, le contrôleur proposé réduit de manière constante l’ondulation de couple mesurée d’environ 16 % pour les faibles charges et près de 29 % pour les fortes charges. Le prix à payer est une fréquence de commutation plus élevée et une légère augmentation du temps de calcul, mais les deux restent dans des limites industrielles courantes.

Ce que cela signifie pour les futures transmissions électriques

Concrètement, l’étude montre qu’un petit réseau neuronal bien entraîné peut agir comme un filtre intelligent entre la demande de couple du conducteur et le moteur, remodelant la commande pour annuler une grande partie des pulsations inhérentes à un moteur à réluctance commutée. Parce que le réseau est simple, entraîné une seule fois et associé à des angles de commutation optimisés, le contrôle global demeure pratique pour du matériel temps réel. Pour les véhicules électriques et d’autres applications exigeantes, cette approche offre une voie pour utiliser des moteurs robustes sans aimants tout en réduisant les vibrations et en améliorant la qualité de conduite sans redessiner le moteur lui‑même.

Citation: 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

Mots-clés: moteur à réluctance commutée, ondulation de couple, traction de véhicule électrique, commande par réseau neuronal, optimisation de contrôle moteur