Wavelet-neuraal netwerk voor gereduceerde ripple DITC van switched reluctance-motoren in elektrische voertuigen

Waarom soepelere elektromotoren ertoe doen

Elektrische auto's beloven stil en efficiënt vervoer, maar de motoren die hun wielen aandrijven kunnen nog steeds ongewenste trillingen en geluid veroorzaken. Een populaire motortype voor toekomstige voertuigen, de switched reluctance-motor, is robuust, goedkoop en vermijdt schaars zeldzaam-aardemateriaal, maar lijdt onder uitgesproken koppelripple, de kleine pieken en dalen in draaimoment die trillingen veroorzaken. Dit artikel onderzoekt een slimme regelmethode die een gespecialiseerd neuraal netwerk gebruikt om die ripples af te vlakken, waardoor deze robuuste motoren aangenamer en efficiënter worden voor dagelijks gebruik.

Een robuuste motor met een ruwe rit

Switched reluctance-motoren zijn aantrekkelijk voor elektrische voertuigen omdat ze een eenvoudige constructie hebben, zeer betrouwbaar zijn en niet afhankelijk zijn van schaarse magnetische materialen. Hun nadeel komt voort uit de manier waarop ze kracht genereren: zodra de rotor-tanden uitlijnen met geëlektrificeerde stator-tanden, pulseert het koppel van nature. Traditionele regeling die de stroom in vierkante golven aanstuurt is eenvoudig te implementeren maar laat grote koppelvariaties achter. Geavanceerdere koppelgebaseerde regelingen kunnen sneller reageren, maar worstelen nog steeds met het sterk niet-lineaire magnetische gedrag van deze machines, vooral tijdens de korte momenten waarin meerdere fasen overlappen en het koppel van de ene fase naar de andere overgaat.

De regelaar leren vooruit te denken

De auteurs bouwen voort op een strategie die bekendstaat als direct instantaneous torque control, waarbij de regelaar het gewenste koppel direct vergelijkt met het geschatte werkelijke koppel en snel de vermogenselektronica schakelt om fouten te corrigeren. In zijn basale vorm produceert deze aanpak nog steeds aanzienlijke ripples. De studie voegt een compact wavelet-neuraal netwerk toe tussen de snelheidsregelaar en de koppelregelaar. In plaats van een vast koppeldoel te verzenden, kijkt deze slimme module naar zowel de koppelafwijking als de snelheid waarmee die verandert, en vormt dan subtiel het referentiekoppel in real-time om. Wavelets, die patronen in zowel tijd als schaal vastleggen, helpen het netwerk het complexe, positieafhankelijke koppelgedrag van de motor te leren met slechts twee verborgen neuronen en zeven afgestemde parameters.

Eénmaal optimaliseren, overal toepassen

Om een onhandelbaar model dat constant opnieuw getraind moet worden te vermijden, gebruikt het team een optimalisatie-algoritme dat de Equilibrium Optimizer wordt genoemd om het neuraal netwerk één keer af te stemmen op een zorgvuldig gekozen bedrijfs-punt: iets boven de nominale snelheid en bij nominale belasting, waar koppelripple hoog is maar de stroom goed beheersbaar blijft. Het algoritme zoekt parameterwaarden die gezamenlijk zowel koppelripple als de totale koppelafwijking minimaliseren. De resulterende set van zeven parameters wordt vervolgens vastgezet en voor alle snelheden en belastingen gebruikt. Parallel daaraan wordt dezelfde optimizer gebruikt om de hoeken waarop elke motorfase in- en uitgeschakeld wordt te verfijnen over een raster van snelheden en koppels, en de beste waarden worden opgeslagen in eenvoudige look-up-tabellen binnen de regelaar.

Van computermodel naar testbank

Uitgebreide simulaties op een driefasige 12/8 switched reluctance-motor tonen aan dat de nieuwe regelaar een hoger gemiddeld koppel, merkbaar soepelere koppelprofielen en vergelijkbare piekstromen levert vergeleken met het conventionele schema. De verbetering blijkt over een breed snelheidsbereik en zowel bij lichte als zware belastingen. Experimenten op een echte motoropstelling bevestigen deze bevindingen. Bij open-loop testen en realistische gesloten-lus rijsituaties met snelheidsstappen en plotselinge belastingveranderingen reduceert de voorgestelde regelaar consequent de gemeten koppelripple met ongeveer 16 procent bij lichte belastingen en bijna 29 procent bij zware belastingen. De prijs is een hogere schakelfrequentie en een bescheiden toename van rekentijd, maar beide blijven binnen gangbare industriële grenzen.

Wat dit betekent voor toekomstige elektrische aandrijvingen

Simpel gezegd toont de studie aan dat een klein, goed getraind neuraal netwerk kan functioneren als een slimme filter tussen de koppelvraag van de bestuurder en de motor, waarbij het commando zodanig wordt gevormd dat veel van de inherente pulsering in een switched reluctance-motor wordt opgeheven. Omdat het netwerk eenvoudig is, slechts éénmaal wordt getraind en gepaard gaat met geoptimaliseerde schakelhoeken, blijft de totale regeling praktisch voor real-time hardware. Voor elektrische voertuigen en andere veeleisende toepassingen biedt deze aanpak een weg om robuuste, magnetenvrije motoren te gebruiken terwijl trillingen worden verminderd en de rijsensatie wordt verbeterd zonder de motor zelf te herontwerpen.

Bronvermelding: 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

Trefwoorden: switched reluctance motor, koppelripple, aandrijving elektrische voertuigen, neurale netwerkinsturing, optimalisatie motorregeling