Unser Team aus dem Forschungsbereich "Mechatronische und Regenerative Energiesysteme" hat eine neuartige, auf künstlichen neuronalen Netzen (ANN) basierende Optimal Feedforward Torque Control (OFTC)-Strategie entwickelt, die es ermöglicht, die optimalen Referenzströme (Minimierung von Kupfer- und Eisenverlusten) für den Innenraum der Permanentmagnet-Synchronmaschinen (IPMSMs) mit stark betriebspunktabhängigen nichtlinearen elektrischen und magnetischen Eigenschaften analytisch zu berechnen.

Im Gegensatz zum herkömmlichen OFTC, das entweder große Look-up-Tabellen (LUTs; mit mehr als drei Eingangsparametern) verwendet oder die optimalen Referenzströme numerisch oder analytisch, aber iterativ (aufgrund der notwendigen Online-Linearisierung) berechnet, erfordert unsere ANN-basierte OFTC-Strategie weder Iterationen noch einen Entscheidungsbaum, um die optimale Betriebsstrategie zu finden, wie z. B. maximales Drehmoment pro Verlust (MTPL), maximaler Strom (MC) oder Feldschwächung (FW). Daher ist es (viel) schneller und einfacher zu implementieren, während dennoch maschinelle Nichtlinearitäten und Nichtidealitäten wie z. B. magnetische Kreuzkopplung und Sättigung und geschwindigkeitsabhängige Eisenverluste berücksichtigt werden können und sehr genaue optimale Referenzströme erhalten werden.

Lesen Sie mehr über diese Forschung in dem veröffentlichten Artikel.