Modellprädiktive Direkte Drehmomentregelung permanent erregter Synchronmotoren

• Antragsteller: Professor Dr.-Ing. Joachim Böcker
• Fachliche Zuordnung: Elektrische Energiesysteme, Power Management, Leistungselektronik, elektrische Maschinen und Antriebe ; Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung von 2016 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 316493223

• Erstellungsjahr: 2020

Zusammenfassung der Projektergebnisse

Im Rahmen des Projektes sollte untersucht werden, wie die modellprädiktive Regelung (Model Predictive Control – MPC) im Bereich permanent erregter Synchronmotoren dahingehend weiter entwickelt werden kann, dass sich die Vorteile einer konventionellen feldorientierten Regelung (PI-Regler mit Pulsweitenmodulation (PWM)) mit denen einer direkten MPC (u. a. hohe Dynamik, geringes Überschwingen) kombinieren lassen. Dabei sollte auch die Möglichkeit der direkten Drehmomentregelung untersucht werden. Unter den dazu notwendigen Voraussetzungen konnten zwei Schwerpunkte identifiziert und näher untersucht werden. Zum einen die Erweiterung der sogenannten Finite-Control-Set MPC (FCS-MPC) hin zur Nutzung variabler Umschaltzeitpunkte der Schaltvektoren und zum anderen die Adaption der von der MPC verwendeten Prädiktionsmodelle an das reale Verhalten des Antriebssystems zur Gewährleistung einer hohen Regelgüte im gesamten Betriebsbereich des Systems. Für die Nutzung variabler Umschaltzeitpunkte wurde der sonst dediziert ausgeführte Modulator der PWM mit in die MPC integriert. Somit kann ein sich ergebener Stromrippel direkt mit in die Optimierung der zukünftigen Stellgrößen einbezogen werden. Hierfür ist jedoch in jedem Reglerzyklus ein quadratisches Optimierungsproblem zu lösen. Bei der Modelladaption wurden neben Ansätzen zur Extraktion von Modellen aus aufgezeichneten Messdaten (offline) auch onlinefähige Ansätze betrachtet. Unter den offline erstellten Modellen wurden vor allem Künstliche Neuronale Netzwerke (KNN) und die Methode der kleinsten Quadrate (engl.: Least Squares – LS) untersucht. Hierfür wurden Messdaten eines Antriebssystems in verschiedenen Arbeitspunkten aufgezeichnet und als Datensatz frei zugänglich veröffentlicht. Auf Basis dieses Datensatzes lassen sich verschiedene Methoden zur datengetriebenen Modellierung evaluieren und vergleichen. Für eine Adaption von Modellen zur Laufzeit konnten mit einer echtzeitfähigen Implementierung der Methode der kleinsten Quadrate hohe Modellgenauigkeiten bei gleichzeitig geringem Rechenaufwand erreicht werden.

Projektbezogene Publikationen (Auswahl)

• A Direct Model Predictive Torque Control Approach to Meet Torque and Loss Objectives Simultaneously in Permanent Magnet Synchronous Motor Applications. IEEE International Symposium on Predictive Control of Electrical Drives and Power Electronics (PRECEDE), Pilsen, Czech Republic, 2017
  S. Hanke, O. Wallscheid, J. Böcker
  
• Koopman Operator-Based Finite-Control-Set Model Predictive Control for Electrical Drives
  S. Hanke, S. Peitz, O. Wallscheid, S. Klus, J. Böcker, M. Dellnitz
  
• Continuous-Control-Set Model Predictive Control With Integrated Modulator in Permanent Magnet Synchronous Motor Applications. IEEE International Electric Machines & Drives Conference (IEMDC), San Diego, USA, 2019
  S. Hanke, O. Wallscheid, J. Böcker
  
• Finite-Control-Set Model Predictive Control for a Permanent Magnet Synchronous Motor Application with Online Least Squares System Identification. IEEE International Symposium on Predictive Control of Electrical Drives and Power Electronics (PRECEDE), Quanzhou, China, 2019
  S. Hanke, O. Wallscheid, J. Böcker
  
• Data Set Description: Identifying the Physics Behind an Electric Motor - Data-Driven Learning of the Electrical Behavior (Part I)
  S. Hanke, O. Wallscheid, J. Böcker
  
• Data Set Description: Identifying the Physics Behind an Electric Motor - Data-Driven Learning of the Electrical Behavior (Part II)
  S. Hanke, O. Wallscheid, J. Böcker