Wavelet-neuralt nätverk för minskad vridmomentvågning i DITC av växlande reluctansmotorer i elfordon

Varför mjukare elmotorer spelar roll

Elbilar lovar tyst och effektiv körning, men motorerna som driver hjulen kan fortfarande orsaka oönskade skakningar och ljud. En populär motortyp för framtida fordon, den växlande reluctansmotorn, är robust, billig och undviker sällsynta jordartsmetaller, men lider av uttalad vridmomentvågning — små toppar och dalar i vridkraften som orsakar vibrationer. Denna artikel utforskar en smart styrmetod som använder ett specialiserat neuralt nätverk för att jämna ut dessa vågor och göra dessa robusta motorer trevligare och mer effektiva i vardagsanvändning.

En robust motor med grov gång

Växlande reluctansmotorer är attraktiva för elfordon eftersom de har en enkel konstruktion, hög tillförlitlighet och inte är beroende av sällsynta magnetiska material. Nackdelen ligger i hur de genererar kraft: när rotorns tänder linjerar med de uppvärmda statortänderna pulserar vridmomentet naturligt. Traditionella styrscheman som reglerar strömmen i fyrkantsvågor är enkla att implementera men lämnar stora variationer i vridmomentet. Mer avancerade vridmomentbaserade styrningar kan reagera snabbare, men de kämpar fortfarande med den starkt icke-linjära magnetiska beteendet i dessa maskiner, särskilt under de korta ögonblick när flera motorfaser överlappar och vridmomentet förflyttas från en fas till en annan.

Lära styrningen att tänka före

Författarna bygger vidare på en strategi känd som direkt ögonblicklig vridmomentstyrning (direct instantaneous torque control), där styrningen direkt jämför önskat vridmoment med uppskattat faktiskt vridmoment och snabbt växlar effelektroniken för att korrigera fel. I sin grundform ger detta fortfarande betydande vågningar. Studion adderar ett kompakt wavelet-neuralt nätverk mellan hastighetsregulatorn och vridmomentstyrningen. Istället för att skicka ett fast vridmomentsmål tittar denna smarta modul både på vridmomentfelet och hur snabbt det förändras, och omformar sedan referensvridmomentet subtilt i realtid. Wavelets, som fångar mönster både i tid och skala, hjälper nätverket att lära sig det komplexa, positionsberoende vridmomentbeteendet hos motorn med endast två dolda neuroner och sju ställda parametrar.

Optimera en gång, fungera överallt

För att undvika en otymplig modell som ständigt måste tränas använder teamet en optimeringsalgoritm kallad Equilibrium Optimizer för att finjustera det neurala nätverket endast en gång vid en noggrant vald driftpunkt: något över märkvarvtalet och vid märklast, där vridmomentvågning är hög men strömmen fortfarande är välkontrollerad. Algoritmen söker parametrar som gemensamt minimerar vridmomentvågning och totalt vridmomentsfel. Den resulterande uppsättningen av sju parametrar fixeras sedan och används för alla hastigheter och laster. Parallellt används samma optimizer för att förfina vinklarna då varje motorfas slås på och av över ett rutnät av hastigheter och vridmoment, och de bästa värdena lagras i enkla uppslagningstabeller i styrningen.

Från datormodell till testbänk

Utförliga simuleringar på en trefasig 12/8 växlande reluctansmotor visar att den nya styrningen levererar högre genomsnittligt vridmoment, märkbart jämnare vridmomentprofiler och liknande topplacurrents jämfört med det konventionella schemat. Förbättringen syns över ett brett hastighetsområde och vid både lätta och tunga laster. Experiment på en verklig motoruppställning bekräftar dessa resultat. Under öppna slinga-tester och realistiska slutna slinga-körscenarier med hastighetssprång och plötsliga laständringar minskar den föreslagna styrningen konsekvent uppmätt vridmomentvågning med omkring 16 procent för lätta laster och nästan 29 procent för tunga laster. Priset är en högre växelfrekvens och en måttlig ökning i beräkningstid, men båda förblir inom vanliga industriella gränser.

Vad detta betyder för framtida eldrifter

Enkelt uttryckt visar studien att ett litet, vältränat neuralt nätverk kan fungera som ett smart filter mellan förarens vridmomentkrav och motorn, och omforma kommandot för att ta bort stora delar av den inneboende pulseringen i en växlande reluctansmotor. Eftersom nätverket är enkelt, endast tränat en gång och kombinerat med optimerade switchvinklar, förblir den övergripande styrningen praktisk för realtidsimplementering i hårdvara. För elfordon och andra krävande tillämpningar erbjuder detta tillvägagångssätt en väg att använda robusta, magnetfria motorer samtidigt som vibrationer minskas och körupplevelsen förbättras utan att behöva redesigna själva motorn.

Citering: 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

Nyckelord: switched reluctance motor, torque ripple, electric vehicle drive, neural network control, motor control optimization