KIRA - KI-Methoden zur optimierten Regelung elektrischer Traktionsantriebe; Teilvorhaben: Innovative Lösungsansätze zur Kompensation von Strom- und Spannungsverzerrungen

Abstract

Das Forschungsvorhaben KIRA adressiert die ganzheitliche Optimierung des Betriebs von elektrischen Traktionsantrieben durch den Einsatz von Methoden basierend auf künstlicher Intelligenz (KI). Haupthebel sind neuartige Ansteuerungs- und Regelungskonzepte, welche eine grundlegende Überarbeitung der gängigen Methoden und Modelle voraussetzen. Mit ihrer Optimierungsmethodik setzt KIRA bei den wesentlichen Schlüsselaspekten des Elektroantriebs für Fahrzeuge an: Erhöhung des Wirkungsgrads, Erhöhung der Leistungsdichte, Reduktion störender Geräuschentwicklung und Erhöhung der Drehmomentgenauigkeit. Dieses Teilvorhaben betrachtet Ungenauigkeiten und Verzerrungen im momentbildenden Strom, die sich unmittelbar auf die Genauigkeit des Drehmoments auswirken und dadurch mittelbar auch auf Verlustleistung und Geräuschentwicklung. Eine wesentliche Störgröße der Stromregelung ist die Halbbrückentotzeit (Blanking Time), die zwischen den Schalthandlungen der Halbleiter einer Halbbrücke eingeführt werden muss, um Zwischenkreiskurzschlüsse zu vermeiden. Ihre negativen Auswirkungen auf die Stromform sind aufgrund des nichtlinearen Charakters nur schwer durch konventionelle Reglungen in den Griff zu bekommen. Daher wurde in diesem Teilvorhaben untersucht, wie weit KI-basierte Ansätze die Auswirkungen der Halbbrückentotzeit identifizieren und abschwächen können. Es wurde jeweils ein Ansatz aus den drei als geeignet identifizieren KI-Kategorien "Künstliche neuronale Netze mit Supervised Learning", "Künstliche neuronale Netze mit Reinforcement Learning" und "Fuzzy Logic" entworfen, umgesetzt und an einem für diesen Zweck aufgebauten Prüfstand evaluiert. Datei-Upload durch TIB The project KIRA addresses the holistic optimization of the operation of electric traction drives through the use of methods based on artificial intelligence (AI). The main levers are innovative control concepts, which require a fundamental revision of current methods and models. With the optimization methods developed in the project, KIRA addresses the key aspects of electric drives for vehicles: Increasing efficiency, increasing power density, reducing unwanted noise and increasing torque accuracy. This subproject addresses inaccuracies and distortions of torque-forming current, which affect accuracy of torque directly and, thus, losses and noise indirectly. A significant disturbance of current control results from the blanking time inserted between switching instances of the power semiconductors in a half-bridge topology. Blanking time is required to avoid shoot-through current resulting from dc-link short circuit. Because of its nonlinear character, conventional control approaches often cannot mitigate the deteriorating effect of blanking time on current quality well enough. Hence, this subproject analyses the ability of AI-based approaches to identify and mitigate the effects of blanking time. Three categories of AI have been identified as promising: artificial neural networks trained by supervised learning, artificial neural networks trained by reinforcement learning and fuzzy logic. From each category one AI-based approach has been designed, implemented and evaluated with a test stand particularly build for this purpose.