Data-based approximation of MPC for electrical machines

Abstract

Jüngste Trends in der Automobilindustrie erfordern eine dynamischere und effizientere Leistung elektrischer Maschinen, um den Kundenwünschen nach hoher Beschleunigung und großer Reichweite gerecht zu werden. Um diese Anforderungen zu erfüllen, müssen diese komplexen Maschinen optimal geregelt werden. Aufgrund dessen wird auf dem Gebiet der Regelung für Elektromotoren zunehmend die modellprädiktive Regelung erforscht. Es handelt sich hierbei um ein bekanntes optimales Regelungskonzept, welches ein Kostenfunktional über eine prädizierte Zustandstrajektorie minimiert, um auf diese Weise die optimalen Werte (in Bezug auf das Kostenfunktional) für den Reglereingang zu finden. Da das Optimierungsproblem in jedem Zeitschritt gelöst werden muss, muss die Lösung des Problems schnell genug sein, um innerhalb der Abtastzeit des Reglers abgeschlossen zu werden. Da die Abtastzeiten für die Stromregelung von Elektromotoren sehr gering sind, erfordert dies eine hohe Rechenleistung. Allerdings bietet das Motorsteuergerät, auf welchem die Regelung eingesetzt wird, nicht die erforderliche Rechenleistung und macht das Konzept für den Einsatz in elektrischen Maschinen unpraktikabel.Aus diesem Grund wird in dieser Arbeit ein neuartiger Ansatz zur Approximation von modellprädiktiven Reglern vorgestellt. Der Fokus liegt dabei auf der Regelung für die beiden in der Automobilindustrie am weitesten verbreiteten Elektromotoren, nämlich dem Permanentmagnet-Synchronmotor und dem Asynchronmotor. Der Ansatz für die Datengenerierung wird vorgestellt und der Rechenaufwand für die Durchführung der notwendigen Simulationen wird abgeschätzt. Die Auswahl der für die Anwendung relevanten Arbeitspunkte ist für die erzielte Regelgüte essenziell. Darüber hinaus wird der vorgeschlagene datengetriebene Ansatz für verschiedene MPC Formulierungen evaluiert und in Simulationen eingehend getestet. Außerdem wird die Approximationsgenauigkeit im Falle von Parameterabweichungen und hochdynamischen Arbeitspunktwechseln untersucht. Schließlich wird der vorgeschlagene Algorithmus auf einer SPACE Microlab Box Echtzeitplattform eingesetzt, seine Laufzeit gemessen und mit der modellprädiktiven Regelung verglichen. Dieser Vergleich zeigt, dass die vorgeschlagene Methode den größtenNachteil der modellprädiktiven Regelung, nämlich die Laufzeit, beseitigt.

Recent trends in the automotive industry require more dynamic and more efficient performance of electrical machines to satisfy the customer desire of fast acceleration and a wide range. To deal with this requirement, these complex machines must be controlled in an optimal way. For this purpose, Model Predictive Control (MPC) is increasingly researched in the field of control for electrical motors. It is a well known optimal control method, which minimizes a cost functional over a predicted state trajectory to find the optimal values (with respect to the cost functional) for the control inputs. Since the optimization problem must be solved in each timestep, solving the problem must be fast enough to be finished within the sampling time of the control concept. As thesampling times for current controllers in electrical machines are very low, this asks for high computational power. However, the motor control unit on which the control concept is deployed, offers limited performance and makes the method rather impractical.For this purpose this work introduces a novel approach of approximating an MPC for the control of electrical machines. It focuses on the control for the two most widespread electrical machine types in the automotive industry, namely the permanent magnet synchronous motor and the induction machine. The data generation step is presented and the computational effort to perform the necessary simulations is estimated. Selecting operating points relevant for the application is indispensable for the achieved control performance. Furthermore, the proposed data-driven approach is evaluated on different MPC formulations and tested thoroughly in simulations. Moreover, the approximation accuracy in the case of parameter deviations and highly dynamical setpoint changes is investigated. Finally, the proposed algorithm is deployed on a dSPACE Microlab Box real-time platform and its runtime is measured and compared to the MPC showing that the proposed method overcomes the biggest disadvantage of MPC control, the runtime.