Come può una rete neurale salvare la velocità dei motori elettrici?

I motori sincroni a magneti permanenti (PMSM) sono il cuore di robot, droni e auto elettriche. Quando il carico cambia all’improvviso, la loro velocità può vacillare, soprattutto se il controllore non ha un osservatore di carico. Per risolvere, gli ingegneri hanno combinato due tecnologie: il controllo a scivolamento (SMC), noto per la sua robustezza, e una rete neurale a retropropagazione (BPNN) che si auto‑regola.

Il nuovo schema, chiamato BPNN‑ISMC, parte da un modello semplificato del motore, ignorando il termine di disturbo. Poi migliora la “legge di arrivo” tradizionale, inserendo un fattore adattivo che accelera il raggiungimento della velocità desiderata. La rete neurale è addestrata su tre indicatori: l’errore di velocità, la sua derivata e il valore massimo dell’errore, così da apprendere rapidamente le correzioni più efficaci.

Per stimare velocità e posizione, il sistema usa un osservatore a scivolamento integrato con un filtro di Kalman esteso, riducendo i tremolii tipici dei sensori. I test in simulazione mostrano risultati sorprendenti: in modalità “set‑point”, l’overshoot è quasi annullato e l’errore relativo dopo un picco di carico scende del 93,6 % rispetto al metodo ISMC tradizionale, e del 99,8 % rispetto al semplice SMC. Confrontato con il controllo ADRC, il nuovo approccio mantiene gli stessi errori stazionari ma con minori oscillazioni. In modalità “servo”, l’errore quadratico medio della velocità diminuisce del 18,8 % rispetto a ISMC, del 89,7 % rispetto a SMC e del 37,1 % rispetto a ADRC. In pratica, la rete neurale regola i parametri del controllore in tempo reale, rendendo il motore più reattivo e stabile anche sotto carichi improvvisi.

Il controllo a scivolamento (SMC) si basa su una superficie di commutazione che forza lo stato del sistema a “scivolare” verso l’equilibrio, garantendo robustezza contro incertezze e disturbi. Tuttavia, la sua risposta può soffrire di fenomeni di chattering, soprattutto quando il carico varia rapidamente. L’approccio proposto introduce una legge di arrivo migliorata:

\[ \dot{s}= -k_1 s - k_2 \operatorname{sgn}(s) + \alpha(t) \]

dove \(s\) è la variabile di scivolamento, \(k_1\) e \(k_2\) sono costanti ottimizzate, e \(\alpha(t)\) è un termine adattivo calcolato dalla BPNN. La rete neurale è strutturata con tre strati (input, hidden, output) e utilizza la funzione di attivazione ReLU per accelerare la convergenza. I dati di addestramento includono l’errore di velocità \(e_v\), la sua derivata \(\dot{e}_v\) e il valore massimo \(e_{max}\). La funzione di costo è una combinazione pesata di questi termini, minimizzata tramite algoritmo di discesa del gradiente con tasso di apprendimento adattivo.

Per la stima dello stato, il filtro di Kalman esteso (EKF) linearizza localmente il modello non lineare del PMSM, fornendo una stima ottimale di posizione e velocità. L’osservatore a scivolamento fornisce una correzione rapida dei residui, mentre l’EKF smussa le fluttuazioni dovute al rumore di misura. L’integrazione di questi due osservatori riduce il jitter di ordine \(10^{-3}\) rad/s, migliorando la precisione di tracciamento.

I risultati sperimentali mostrano che, rispetto al classico SMC, il BPNN‑ISMC riduce l’overshoot da 15 % a meno dell’1 % e diminuisce il tempo di assestamento da 0,35 s a 0,07 s. Inoltre, la risposta in frequenza evidenzia un guadagno di fase più stabile, con margine di fase superiore a 45° fino a 200 Hz, rendendo il sistema adatto a applicazioni ad alta dinamica come veicoli autonomi o bracci robotici. Questo lavoro dimostra come l’intelligenza artificiale possa potenziare i controlli classici, aprendo la strada a motori più intelligenti e resilienti.