El control por IA supera a los métodos PI: ganancia del 17,6 % en eficiencia para sistemas PMSM no lineales

Basilea, Suiza. Fuente:

Los motores síncronos de imanes permanentes impulsan el mundo moderno. Desde la robótica industrial hasta los vehículos eléctricos, estos dispositivos son fundamentales. Sin embargo, representan un rompecabezas complejo para los ingenieros. Los motores reales presentan comportamientos no lineales debido a la saturación magnética y a efectos de acoplamiento cruzado. Los modelos estándar suelen pasar por alto estos detalles. Esta brecha entre la teoría y la realidad provoca problemas de rendimiento. Esto es especialmente cierto al usar controladores proporcionales e integrales convencionales dentro de marcos de control orientado al campo.

Una investigación reciente publicada en Electronics ofrece una solución convincente. La propuesta combina el aprendizaje por refuerzo con modelos de motor de alta fidelidad. El estudio titulado "Evaluación del rendimiento electromagnético y control de corriente TD3 basado en tablas de búsqueda de un PMSM no lineal" compara controladores PI tradicionales contra un algoritmo de política determinista profunda de doble retraso (TD3). La innovación se centra en tablas de búsqueda generadas mediante análisis de elementos finitos usando software JMAG. Estas tablas mapean con precisión las características de flujo, par e inductancia antes de implementarse en MATLAB/Simulink para la simulación.

Los resultados trazan un camino claro hacia una mayor precisión en el control. Mientras que los controladores PI enfrentan dificultades con las oscilaciones de velocidad bajo condiciones magnéticas complejas, el controlador basado en TD3 mantiene una precisión de seguimiento superior. Los datos muestran una reducción del 17,6 % en el error absoluto integral de velocidad en comparación con los métodos PI que utilizan parámetros no lineales. Aunque la mejora en la corriente del eje q fue modesta, con solo un 0,4 %, la estabilidad general marca un paso significativo hacia una mejor eficiencia en los accionamientos eléctricos.

Este desarrollo ilustra el valor práctico de combinar la inteligencia artificial con la ingeniería eléctrica. Ir más allá de los modelos lineales simplificados permite a los ingenieros adoptar estrategias basadas en datos que mejoran la fiabilidad. A medida que las industrias buscan un control de movimiento preciso y ahorros energéticos, los algoritmos de aprendizaje por refuerzo profundo como TD3 proporcionan un marco robusto para optimizar los futuros sistemas PMSM.