Implementierung und Validierung eines selbstlernenden Regelungsalgorithmus für PMSMs

  • Motivation

    Zur Regelung nichtlinearer permanentmagneterregter Synchronmaschinen (PMSMs) ist die Kenntnis des nichtlinearen elektromagnetischen Modells der zu regelnden Maschine erforderlich. Dazu werden im Regelungsalgorithmus üblicherweise Lookup-Tabellen verwendet, welche die Statorströme auf die Statorflüsse abbilden. Diese müssen jedoch zuvor aus FEM-Daten generiert oder an einem Prüfstand vermessen werden.

    Ein Austausch dieser Lookup-Tabellen durch Multilayer Perceptron Neural Networks (MLPs) ist ein vielversprechender Ansatz, welcher inhärent die Nutzung von Supervised-Learning-Verfahren zum Training der MLPs ermöglicht. Dies wurde in vorausgehenden Arbeiten bereits simulativ gezeigt.

    Aufgabenstellung

    Diese studentische Arbeit umfasst folgende Aufgaben:

    - Reproduktion von [1] auf der Future-Drives-Prüfstandsplattform.
    - Implementierung der Identifikation auf einer heterogenen SoC-Plattform.
    - Erweiterung des Ansatzes um harmonische Flussverkettungen. 
    - Validierung am Prüfstand und Bewertung der Echtzeitfähigkeit.

    Dabei ist auf folgende Herausforderungen einzugehen:

    - Unterbindung des Verlernens der Flussverkettungen an selten auftretenden Arbeitspunkten.
    - Berücksichtigung stromrichterbedingter Spannungsfehler.
    - Implementierung eines zweiten MLPs zur Schätzung der inversen Flussverkettungsabbildung.

    Die Algorithmen sollen in Simulink erstellt und mittels Codegenerierung auf der Zielhardware implementiert werden. Dabei soll ein institutseigenes Blockset für den Aufbau und das Training von MLPs verwendet werden.

    [1] A. Oerder, A. Liske und M. Hiller, Online Identification of Nonlinear Flux Linkages Using Neural Networks for Highly Utilized PMSMs, 2023.