Uso de métodos de aprendizado de máquina para criação de modelo substituto de motor síncrono de relutância

Abstract

Opresente Trabalho de Conclusão de Curso trata do desenvolvimento de um modelo dinâmico substituto, baseado em redes neurais, para sistemas do tipo motores síncronos de relutância. A criação de um modelo substituto para um exemplar desse tipo de motor permite a execução de simulações do comportamente do motor de forma mais rápida que os métodos tradicionais (Simulink ou Ansys), permitindo o teste de desempenho do motor e de métodos de controle dele de forma mais rápida. No trabalho, são propostas diferentes arquiteturas de redes neurais e diferentes hiperparâmetros que definem o treinamento delas. A melhor arquitetura para um modelo substituto é encontrada através de um Random Search, e ela é testada com diferentes sinais de entrada para gerar o comportamento simulado de um motor síncro de relutância em termos de torque. O resultado da estimação do torque pelo modelo substituto é então comparado com o torque esperado através de gráficos e de métricas envolvendo os dois sinais. Finalmente, são propostas melhorias e modificações nos métodos de treinamento para trabalhos futuros, de forma a poder melhorar a capacidade de utilização de um modelo substituto em aplicações reais de desenvolvimento de métodos de controle e em outras aplicações.

This Undergraduate Thesis deals with the development of a surrogate dynamic model, based on neural networks, for systems consisting of synchronous reluctance motors. The creation of a surrogate model for an example of this type of motor allows the execution of simulations of the motor’s behavior faster than traditional methods (Simulink or Ansys), allowing the testing of the motor’s performance and control methods more quickly. In this work, different neural network architectures and different hyperparameters that define their training are proposed. The best architecture for a substitute model is found through a Random Search, and it is tested with different input signals to generate the simulated behavior of a synchronous reluctance motor in terms of torque. The result of the torque estimation by the surrogate model is then compared with the expected torque through graphs and metrics involving the two signals. Finally, improvements and modifications to the training methods are proposed for future works, in order to improve the usability of a surrogate model in real-world applications of control method development and other applications.