Implementation and validation of thermal control on an oil-cooled PMSM

This work is about thermal management of a PMSM by applying current limitation to maximize the performance of the PMSM under overload condition and not exceeding the allowed temperature. A Lumped-Parameter Thermal Network (LPTN) is utilized as the physical model which represents the thermal behavior of the PMSM. For the sake of real-time application, the LPTN model is replaced by its linearized version. Since the LPTN model has some nonlinearities, the resulting system is a Linear Parameter-Varying (LPV) model whose scheduling parameters are found by sensitivity analysis and are decided to be the rotor speed and the oil temperature. Then a Model Predictive Control (MPC) has been used to control the yoke loss of the PMSM based on the temperature of the yoke with respect to the defined threshold. Then the value of controlled yoke loss is converted to current whose value represents the maximum allowable current. The MPC relies on the state space representation of the thermal model of the PMSM. One issue of the LPV model is that since it is based on state space representation, it always requires a value as the initial state which is the same for all states. In order to address this problem, an Artificial Neural Network (ANN) is created, and it can estimate the states which are different temperatures of the PMSM. As the model starts, the state values of the ANN are used and then it gradually switches to states provided by the LPV model as it passes its transient. All the mentioned steps are carried out in MATLAB/Simulink as the main platform. Finally, the model is uploaded on the hardware to be implemented on the motor test bench. The results show the model is successful in controlling the temperature below threshold with a high accuracy and the initial value problem has been solved by using an ANN as the hardware starts operating and estimating.

Questo lavoro riguarda la gestione termica di un PMSM applicando la limitazione di corrente per massimizzare le prestazioni del PMSM in condizioni di sovraccarico e senza superare la temperatura consentita. Una rete termica a parametri concentrati (LPTN) viene utilizzata come modello fisico che rappresenta il comportamento termico del PMSM. Per motivi di applicazione in tempo reale, il modello LPTN è sostituito dalla sua versione linearizzata. Poiché il modello LPTN presenta alcune non linearità, il sistema risultante è un modello LPV (Linear Parametro Variante) i cui parametri di pianificazione vengono rilevati mediante analisi di sensibilità e vengono decisi per essere la velocità del rotore e la temperatura dell'olio. Quindi è stato utilizzato un Model Predictive Control (MPC) per controllare la perdita del giogo del PMSM in base alla temperatura del giogo rispetto alla soglia definita. Quindi il valore della perdita del giogo controllata viene convertito in corrente il cui valore rappresenta la corrente massima consentita. L'MPC si basa sulla rappresentazione dello spazio degli stati del modello termico del PMSM. Un problema del modello LPV è che, poiché è basato sulla rappresentazione dello spazio degli stati, richiede sempre un valore come stato iniziale che è lo stesso per tutti gli stati. Per affrontare questo problema, viene creata una Rete Neurale Artificiale (ANN) in grado di stimare gli stati che corrispondono alle diverse temperature del PMSM. All'avvio del modello, vengono utilizzati i valori di stato della ANN e poi passa gradualmente agli stati forniti dal modello LPV durante il periodo transitorio. Tutti i passaggi menzionati vengono eseguiti in MATLAB/Simulink come piattaforma principale. Infine, il modello viene caricato sull'hardware da implementare sul banco prova motore. I risultati mostrano che il modello riesce a controllare la temperatura al di sotto della soglia con un'elevata precisione e il problema del valore iniziale è stato risolto utilizzando una ANN non appena l'hardware inizia a funzionare e a effettuare stime.