Sieć neuronowa falkowa do ograniczania pulsacji momentu w DITC silników reluktancyjnych w pojazdach elektrycznych

Dlaczego płynniejsze silniki elektryczne mają znaczenie

Samochody elektryczne obiecują cichą, wydajną jazdę, ale silniki napędzające ich koła wciąż mogą powodować niepożądane drgania i hałas. Popularny typ silnika dla przyszłych pojazdów — silnik reluktancyjny — jest wytrzymały, tani i nie wymaga magnesów z ziem rzadkich, lecz cierpi na wyraźne pulsacje momentu, czyli drobne skoki i spadki siły obrotowej powodujące wibracje. Artykuł opisuje inteligentną metodę sterowania wykorzystującą wyspecjalizowaną sieć neuronową do wygładzania tych pulsacji, co czyni te odporne silniki przyjemniejszymi i bardziej efektywnymi w codziennej eksploatacji.

Solidny silnik z chropowatą pracą

Silniki reluktancyjne są atrakcyjne dla pojazdów elektrycznych dzięki prostej budowie, wysokiej niezawodności i niezależności od rzadkich materiałów magnetycznych. Ich wadą jest sposób generowania siły: w miarę, jak zęby wirnika ustawiają się względem zasilanych zębów stojana, moment naturalnie pulsuje. Tradycyjne schematy sterowania regulujące prąd w przebiegach prostokątnych są łatwe w implementacji, ale pozostawiają duże odchylenia momentu. Bardziej zaawansowane sterowanie w oparciu o moment może reagować szybciej, jednak nadal ma problemy ze silnie nieliniowym zachowaniem magnetycznym tych maszyn, szczególnie w krótkich chwilach nakładania się faz, gdy moment przekazywany jest z jednej fazy na drugą.

Nauczanie sterownika przewidywania

Autorzy opierają się na strategii znanej jako bezpośrednie sterowanie chwilowym momentem (direct instantaneous torque control), w której sterownik bezpośrednio porównuje pożądany moment z szacowanym momentem rzeczywistym i szybko przełącza elektronikę mocy, aby skorygować błąd. W podstawowej formie podejście to wciąż daje znaczące pulsacje. Badanie dodaje zwartą sieć neuronową falkową pomiędzy regulatorem prędkości a regulatorem momentu. Zamiast wysyłać stały cel momentu, ten inteligentny moduł obserwuje zarówno błąd momentu, jak i tempo jego zmian, a następnie subtelnie przekształca wartość zadawaną w czasie rzeczywistym. Falki, które wychwytują wzorce w domenie czasu i skali, pomagają sieci nauczyć się złożonego, zależnego od położenia zachowania momentu silnika, używając tylko dwóch neuronów ukrytych i siedmiu dostrojonych parametrów.

Optymalizacja raz, działanie wszędzie

Aby uniknąć nieporęcznego modelu wymagającego ciągłego retreningu, zespół stosuje algorytm optymalizacyjny zwany Equilibrium Optimizer do dostrojenia sieci neuronowej tylko raz w starannie wybranym punkcie pracy: nieco powyżej prędkości znamionowej i przy obciążeniu znamionowym, gdzie pulsacje momentu są wysokie, ale prąd pozostaje dobrze kontrolowany. Algorytm szuka wartości parametrów, które jednocześnie minimalizują pulsacje momentu i całkowity błąd momentu. Otrzymany zestaw siedmiu parametrów jest następnie ustalany i używany dla wszystkich prędkości i obciążeń. Równolegle ten sam optymalizator jest używany do dopracowania kątów załączania i wyłączania każdej fazy silnika na siatce prędkości i momentów, a najlepsze wartości są zapisywane w prostych tablicach odwołań w kontrolerze.

Z modelu komputerowego na stanowisko badawcze

Rozległe symulacje trójfazowego silnika reluktancyjnego 12/8 pokazują, że nowy regulator daje wyższy średni moment, wyraźnie gładsze przebiegi momentu oraz zbliżone prądy szczytowe w porównaniu ze schematem konwencjonalnym. Poprawa występuje w szerokim zakresie prędkości oraz przy lekkich i ciężkich obciążeniach. Eksperymenty na rzeczywistym stanowisku potwierdzają te wyniki. W testach otwartej pętli i realistycznych scenariuszach zamkniętej pętli z krokami prędkości i nagłymi zmianami obciążenia proponowany sterownik konsekwentnie zmniejsza zmierzone pulsacje momentu o około 16 procent przy lekkich obciążeniach i niemal 29 procent przy ciężkich. Kosztem jest wyższa częstotliwość przełączania i umiarkowany wzrost czasu obliczeń, lecz oba pozostają w granicach powszechnych wymagań przemysłowych.

Co to oznacza dla przyszłych napędów elektrycznych

Mówiąc wprost, badanie pokazuje, że mała, dobrze wytrenowana sieć neuronowa może działać jak inteligentny filtr pomiędzy żądaniem momentu a silnikiem, przekształcając polecenie tak, aby skompensować znaczną część inherentnych pulsacji w silniku reluktancyjnym. Ponieważ sieć jest prosta, trenowana tylko raz i skojarzona z zoptymalizowanymi kątami przełączania, całe sterowanie pozostaje praktyczne dla sprzętu czasu rzeczywistego. Dla pojazdów elektrycznych i innych wymagających zastosowań podejście to oferuje drogę do wykorzystania odpornych, wolnych od magnesów silników przy jednoczesnym zmniejszeniu wibracji i poprawie jakości jazdy bez konieczności przeprojektowywania samego silnika.

Cytowanie: 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

Słowa kluczowe: silnik reluktancyjny, pulsacje momentu, napęd pojazdu elektrycznego, sterowanie siecią neuronową, optymalizacja sterowania silnikiem