Automatic Torque Ripple Reduction in Permanent Magnet Machines

Abstract

This thesis investigates the feasibility of Q-learning for torque ripple reduction with industrial permanent magnet (PM) machines. A practical Q-learning based compensator is implemented and the ripple reduction performance is compared against conventional PI speed control and iterative learning control (ILC). Performance of the Q-learning based method is evaluated by rigorous simulations and experiments. The results confirm the applicability of the Q-learning based method. The compensation performance is similar to ILC. In certain operating conditions, the Q-learning based method can outperform the ILC compensator.

Tässä työssä tutkitaan, mikäli Q-oppimista voidaan hyödyntää kestomagneettitahtikoneiden yhteydessä esiintyvien vääntömomenttivärähdysten minimointiin. Q-oppimiseen pohjautuvan kompensaattorin suorituskykyä verrataan tavanomaiseen PI-nopeussäätöön ja iteratiivisesti oppivaan säätöön (ILC). Vääntömomenttivärähdysten kompensointia testataan sekä kokeellisesti että simuloimalla. Tulokset vahvistavat menetelmän soveltuvuuden. Q-oppimiseen pohjautuvan kompensaattorin suorituskyky on verrannolinen ILC:hen ja tietyissä toimintapisteissä metodi pystyy suoriutumaan paremmin kuin ILC.