Diagnosi dei guasti e controllo tollerante ai guasti nei veicoli elettrici distribuiti
Nel panorama in rapida evoluzione della mobilità elettrica, i veicoli elettrici a trazione distribuita (DEV) stanno emergendo come una delle architetture più promettenti per il futuro dell’automotive. Sfruttando motori elettrici montati direttamente sulle ruote, questi veicoli eliminano la necessità di complessi alberi di trasmissione, differenziali e sistemi di trasmissione meccanica, ottenendo vantaggi significativi in termini di efficienza energetica, dinamica di guida e flessibilità di design. Questa configurazione, tuttavia, introduce una nuova sfida fondamentale: con l’aumento del numero di attuatori indipendenti, cresce esponenzialmente anche la probabilità di guasti nei singoli motori, nella loro elettronica di potenza o nei sensori associati. Un singolo motore che perde potenza o si blocca non è più un inconveniente marginale; può alterare drammaticamente l’equilibrio del momento torcenti, generando instabilità di imbardata, perdita di trazione e mettendo a repentaglio la sicurezza del veicolo, specialmente durante manovre critiche come il frenata di emergenza o l’ingresso in curva. La risposta a questa sfida non può essere solo reattiva; richiede un approccio proattivo e sofisticato basato su sistemi di diagnosi dei guasti e controllo tollerante ai guasti (FTC) che garantiscano la massima sicurezza e affidabilità, anche in condizioni operative degradate.
In questo contesto, una ricerca pionieristica condotta da Qiang Wang del College of Transportation della Shandong University of Science and Technology, in collaborazione con i colleghi Kui Liang, Zhiyong Wang, Zeming Shang, Ze Ren, Ziliang Zhao e Song Liu, ha fornito un’analisi esaustiva e una visione strategica del campo. Pubblicato sulla rivista Journal of Chongqing University of Technology (Natural Science), il loro lavoro rappresenta una pietra miliare nella comprensione e nello sviluppo delle tecnologie chiave per i veicoli elettrici del futuro. La ricerca, sostenuta da importanti finanziamenti del National Natural Science Foundation of China e della China Postdoctoral Science Foundation, non si limita a un semplice riepilogo; offre una mappatura dettagliata dello stato dell’arte, identificando le lacune critiche e tracciando le linee guida per le prossime generazioni di sistemi di controllo elettrico.
Il nucleo della ricerca di Wang e del suo team si concentra su due tipi di guasti critici che affliggono i motori sincroni a magneti permanenti (PMSM), la tecnologia di trazione dominante nei DEV: i cortocircuiti nei circuiti di avvolgimento dello statore e la demagnetizzazione dei magneti permanenti. Questi due fenomeni, sebbene di natura diversa, condividono un impatto devastante sulle prestazioni e sulla vita utile del motore.
I guasti agli avvolgimenti, in particolare i cortocircuiti tra spire (inter-turn short circuit), sono tra i più comuni. Spesso iniziano in modo subdolo, con un degrado graduale dell’isolamento tra le spire del filo di rame, che genera un riscaldamento localizzato e un aumento delle armoniche di corrente. Se non rilevati, possono rapidamente evolvere in cortocircuiti di fase a fase, causando un incremento esponenziale delle perdite, un surriscaldamento pericoloso e, infine, un guasto catastrofico. Il cuore della diagnosi di questi guasti risiede nell’estrazione e nell’analisi dei segnali. Questa metodologia si basa sull’analisi di parametri elettrici e meccanici come corrente, tensione, forza controelettromotrice (back-EMF), vibrazioni e rumore acustico. La Fast Fourier Transform (FFT) è stata a lungo lo strumento principale, in grado di identificare componenti armoniche caratteristiche nel segnale di corrente dello statore che indicano un cortocircuito. Tuttavia, la FFT ha un limite fondamentale: presuppone che il segnale sia stazionario. In un veicolo in movimento, dove velocità e carico cambiano costantemente, i segnali elettrici sono intrinsecamente non stazionari. In queste condizioni, la capacità della FFT di fornire una diagnosi precisa e tempestiva può essere compromessa.
Per superare questa limitazione, la ricerca ha fatto grandi passi avanti con l’adozione di tecniche di analisi nel dominio tempo-frequenza. La Wavelet Packet Transform e, soprattutto, la Hilbert-Huang Transform (HHT) si sono dimostrate estremamente potenti. L’HHT è in grado di decomporre un segnale complesso in funzioni di modo intrinseco (IMF) ed estrarre la sua frequenza istantanea. Questo permette di catturare con precisione come le “firme” di un guasto evolvono nel tempo, rendendolo ideale per la rilevazione di guasti iniziali che si sviluppano lentamente. Tuttavia, anche l’HHT non è immune da problemi. Il “mixing modale”, un fenomeno in cui diversi modi di vibrazione si sovrappongono in una singola IMF, può distorcere l’analisi e ridurre la precisione della diagnosi. Nonostante la sua potenza, la complessità computazionale di questi metodi rimane una barriera per la loro implementazione in tempo reale nei sistemi di controllo del veicolo.
È qui che entra in gioco un paradigma rivoluzionario: l’identificazione intelligente basata sull’intelligenza artificiale. Questi metodi, che sfruttano il machine learning e il deep learning, non richiedono un modello fisico dettagliato del motore. Invece, imparano a riconoscere i modelli di guasto direttamente dai dati. Le Reti Neurali Convoluzionali (CNN) si sono dimostrate particolarmente efficaci nell’estrarre caratteristiche spaziali dai segnali di tensione, corrente e velocità, permettendo non solo di rilevare un guasto, ma anche di localizzare con precisione la spira o la sezione dell’avvolgimento in cortocircuito. D’altra parte, le architetture ricorrenti come le reti LSTM (Long Short-Term Memory) sono ideali per modellare l’evoluzione temporale di un guasto. Ottimizzate con algoritmi metaeuristici come l’ottimizzazione della balena, possono stimare con un’elevata precisione il numero di spire in cortocircuito, fornendo una misura quantitativa della gravità del guasto.
Un approccio ibrido, che combina il meglio dei due mondi, sta guadagnando terreno. Ad esempio, le Reti Generative Avversarie (GAN) possono essere utilizzate per generare dati sintetici di guasto, un processo noto come data augmentation. Questo è cruciale perché nel mondo reale i dati di motori sani sono abbondanti, mentre i dati di guasto sono rari, creando un forte sbilanciamento nei dataset che può compromettere i modelli di machine learning. Una volta ottenuto un dataset più bilanciato, tecniche come i codificatori automatici sparsi possono essere applicate per estrarre caratteristiche di alto livello e migliorare la precisione della classificazione. L’uso di Macchine a Vettori di Supporto (SVM), alimentate con componenti di corrente simmetrici derivati dall’analisi di Fourier, ha anche dimostrato una notevole affidabilità nel distinguere tra stati sani e difettosi.
Nonostante i progressi nella diagnosi dei cortocircuiti inter-spire, lo studio di Wang e del suo team sottolinea una lacuna critica: la scarsa ricerca sui cortocircuiti di fase a fase. Questi guasti, sebbene meno frequenti, sono estremamente gravi e possono portare a un collasso immediato del sistema. Un numero limitato di studi, come quello di Daizong Tian, ha tentato di modellare questi guasti utilizzando l’analisi del campo termico, ma manca ancora un framework diagnostico sistematico e robusto. Questa carenza rappresenta un’area prioritaria per future ricerche, specialmente man mano che i motori vengono progettati per operare a densità di potenza e temperature sempre più elevate.
La demagnetizzazione dei magneti permanenti è un altro guasto specifico dei PMSM e presenta una sfida diversa. Causata da alte temperature, campi magnetici inversi, vibrazioni meccaniche o corrosione chimica, la demagnetizzazione può essere parziale o totale. La sua insidia maggiore è che spesso è un processo graduale, che può passare inosservato per molto tempo fino a quando la perdita di prestazioni del motore non diventa evidente. A differenza di un cortocircuito, che può causare un guasto immediato, la demagnetizzazione è un “assassino silenzioso” che erode lentamente la capacità del veicolo.
La diagnosi della demagnetizzazione si basa sulla rilevazione di armoniche anomale nella corrente e nella tensione del motore. La FFT rimane uno strumento di base, con i ricercatori che analizzano le armoniche nella back-EMF, nella tensione di sequenza zero e nella corrente dello statore per inferire il grado di demagnetizzazione. L’HHT viene anche applicata per estrarre componenti di frequenza che variano nel tempo, legate all’indebolimento del flusso magnetico. Inoltre, l’analisi dell’inviluppo della densità del campo magnetico tra statore e rotore, utilizzando tecniche basate sulle wavelet, fornisce un metodo efficace per identificare i modelli di demagnetizzazione, specialmente nei motori lineari.
I metodi basati su modelli offrono una prospettiva quantitativa. Il filtro di Kalman, ad esempio, permette un monitoraggio in tempo reale del ripple di coppia, che è direttamente correlato all’asimmetria del flusso causata dalla demagnetizzazione. I metodi dei minimi quadrati sono stati utilizzati per stimare il livello di demagnetizzazione analizzando le variazioni nel raggio della back-EMF. L’analisi strutturale dell’induttanza del motore, come proposto da Seungmok Moon, offre un indicatore indiretto ma affidabile dei cambiamenti nel flusso magnetico.
Il machine learning sta trasformando anche questo settore. Le reti neurali addestrate con dati di simulazione agli elementi finiti possono classificare la severità della demagnetizzazione in base a profili di corrente e temperatura. I modelli di deep learning, inclusi i reti convoluzionali, hanno dimostrato un’elevata precisione nel distinguere tra stati normali e demagnetizzati sotto diverse condizioni di carico. La teoria dei sistemi grigi e le reti bayesiane dinamiche sono state integrate con l’elaborazione dei segnali per migliorare la robustezza della rilevazione dei guasti in ambienti rumorosi.
Una delle conclusioni principali del documento è l’importanza crescente della demagnetizzazione locale. Sebbene la demagnetizzazione totale sia più facile da modellare, quella parziale è molto più comune e difficile da rilevare. Una perdita di flusso localizzata crea campi magnetici asimmetrici, generando firme armoniche complesse che possono sovrapporsi a quelle di altri guasti, come l’eccentricità del rotore. Quando coesistono più guasti, come demagnetizzazione ed eccentricità, la diagnosi diventa estremamente complessa. Gli autori enfatizzano la necessità di strategie di fusione di segnali multipli che combinino dati elettrici, magnetici e meccanici per migliorare la discriminazione dei guasti.
Passando dalla diagnosi al controllo, l’articolo analizza due strategie principali di FTC: passivo e attivo. Il controllo passivo utilizza leggi di controllo fisse progettate per essere intrinsecamente robuste rispetto a un insieme predefinito di guasti. Non richiede la rilevazione in tempo reale dei guasti né la riconfigurazione del sistema, rendendolo più semplice. Esempi includono controller PI robusti e controller a modi di scorrimento (sliding mode) sintonizzati per mantenere la stabilità in caso di guasti noti, come la perdita di un motore.
Tuttavia, i metodi passivi hanno una capacità adattativa limitata. Non possono rispondere a guasti inaspettati o in evoluzione e spesso sacrificano le prestazioni per garantire la stabilità. In contrasto, il controllo attivo riconfigura dinamicamente il sistema di controllo basandosi sulle informazioni diagnostica in tempo reale. Questo approccio utilizza le informazioni sul guasto per ridistribuire la coppia, riallocare gli obiettivi di controllo e mantenere la dinamica del veicolo entro limiti sicuri.
L’architettura del FTC attivo è tipicamente gerarchica. Il livello superiore, o livello di controllo del movimento, determina la forza longitudinale desiderata e il momento di imbardata basandosi sugli input del guidatore e sullo stato del veicolo. Questo viene realizzato mediante modelli di riferimento, come il modello a bicicletta a due gradi di libertà (2DOF), che predice la velocità di imbardata e l’angolo di deriva ideale. Tuttavia, sotto un’elevata accelerazione laterale, la saturazione degli pneumatici può invalidare le assunzioni del modello lineare. Per affrontare questo problema, le strategie di controllo avanzate incorporano la stima del coefficiente di aderenza della strada per modificare i valori di riferimento e prevenire l’instabilità.
Il Controllo Predittivo Modello (MPC) e il Controllo a Modi di Scorrimento (SMC) sono le tecniche dominanti nel livello di controllo del movimento. Il MPC utilizza un modello dinamico del veicolo per prevedere gli stati futuri e ottimizzare le uscite di controllo su un orizzonte di tempo finito. La sua capacità di gestire vincoli e ottimizzare obiettivi multipli lo rende ideale per le applicazioni FTC. Il SMC, noto per la sua robustezza rispetto all’incertezza dei parametri e alle perturbazioni esterne, è efficace nel mantenere le prestazioni di inseguimento nonostante i guasti degli attuatori. Tuttavia, il “chattering” o ronzio, un problema comune nel SMC, deve essere mitigato attraverso tecniche di strato limite o guadagni adattivi.
Il livello inferiore, o livello di allocazione della coppia, traduce le forze e i momenti desiderati in coppie individuali per ogni ruota. Questo è un problema di ottimizzazione con vincoli, specialmente in condizioni di guasto. I metodi di pseudoinversa, comunemente usati nei sistemi sovra-attuati, calcolano la distribuzione della coppia invertendo la matrice di efficacia del controllo. Tuttavia, le soluzioni di pseudoinversa standard non considerano i limiti degli attuatori né le asimmetrie indotte dal guasto. Gli approcci di pseudoinversa pesata, che assegnano una priorità più bassa ai motori degradati, migliorano la fattibilità e la convergenza.
La Programmazione Quadratica (QP) è emersa come un’alternativa più flessibile e potente. Formulando l’allocazione della coppia come un problema di minimizzazione dei costi con vincoli di disuguaglianza—come i limiti di coppia del motore, l’utilizzo dell’aderenza degli pneumatici e l’esclusione dei guasti—la QP garantisce soluzioni ottimali e fisicamente realizzabili. Algoritmi come il metodo del set attivo e il metodo primal-dual di punto interno offrono una convergenza rapida, fondamentale per l’implementazione in tempo reale. Integrare metriche di utilizzo degli pneumatici nella funzione di costo aiuta a mantenere la stabilità prevenendo che un singolo pneumatico superi il suo limite di aderenza, specialmente durante la curva.
Oltre al controllo convenzionale, stanno emergendo metodi di FTC intelligente. Questo include il controllo adattativo, il controllo backstepping e le strategie di commutazione di modelli multipli. Il controllo adattativo aggiusta i parametri del controller in tempo reale basandosi sulla stima del guasto, compensando le dinamiche sconosciute. Il design backstepping, un metodo ricorsivo per sistemi non lineari, permette la costruzione sistematica di controller stabilizzatori anche in presenza di guasti variabili nel tempo.
I sistemi FTC a modelli multipli mantengono una serie di controller, ognuno sintonizzato per una modalità operativa specifica—normale, guasto di un motore, guasto di due motori. Basandosi sulla classificazione del guasto, il sistema combina le uscite dei controller utilizzando una media pesata, garantendo transizioni fluide tra le modalità. Sono in corso esplorazioni di approcci di apprendimento per rinforzo e meta-apprendimento, dove le politiche di controllo vengono addestrate offline su scenari di guasto e distribuite per l’adattamento in linea.
Le strategie ibride che combinano elementi passivi e attivi sono sempre più comuni. Ad esempio, un sistema può utilizzare un controller a modi di scorrimento robusto come base, integrando contemporaneamente la stima del guasto per regolare i guadagni di controllo o riconfigurare la distribuzione della coppia. Questo approccio ibrido bilancia affidabilità e adattabilità, fornendo meccanismi di fallback quando la diagnosi del guasto è incerta.
Gli autori identificano diverse tendenze e sfide emergenti. In primo luogo, la natura dinamica dei guasti—come il degrado progressivo degli avvolgimenti o la demagnetizzazione evolutiva—richiede sensori virtuali e monitoraggio della salute in tempo reale. Il rilevamento binario tradizionale dei guasti è insufficiente; è necessaria una stima continua della gravità del guasto per consentire aggiustamenti predittivi del controllo.
In secondo luogo, l’integrazione della diagnosi dei guasti e del FTC in un framework unificato rimane frammentata. Mentre molti studi affrontano la diagnosi o il controllo in modo isolato, pochi offrono soluzioni co-progettate in cui la fiducia nella diagnosi informa direttamente la riconfigurazione del controllo. I futuri sistemi potrebbero impiegare stime probabilistiche dei guasti—utilizzando reti bayesiane o filtri di particelle—per quantificare l’incertezza e modulare di conseguenza l’aggressività del controllo.
In terzo luogo, la validazione nel mondo reale rimane un collo di bottiglia. La maggior parte degli studi si basa su simulazioni o test su banco in condizioni controllate. I test in tempo reale con hardware nel loop (HIL) e test a livello di veicolo in diversi scenari di guida sono essenziali per valutare la robustezza e la sicurezza. Gli autori chiedono protocolli standardizzati di iniezione di guasti e dataset di benchmark per facilitare la valutazione comparativa.
Infine, la crescente complessità dei DEV—soprattutto con l’integrazione di funzioni di guida autonoma—richiede architetture di sicurezza olistiche. La tolleranza ai guasti deve essere considerata insieme alla sicurezza funzionale (ISO 26262), alla cybersecurity e all’interazione uomo-macchina. Un guasto in un sottosistema non deve propagarsi in un guasto di sistema, il che richiede ridondanza a più livelli e una progettazione operativa in caso di guasto.
In conclusione, la ricerca di Qiang Wang e del suo team sottolinea che la diagnosi dei guasti e il controllo tollerante ai guasti non sono più caratteristiche opzionali, ma componenti centrali della prossima generazione di veicoli elettrici. Man mano che i sistemi di trazione distribuita diventano la norma, la capacità di rilevare, isolare e compensare i guasti nei motori definirà la sicurezza, l’affidabilità e la fiducia dell’utente nella mobilità elettrica. Il percorso da seguire passa attraverso l’integrazione del processamento avanzato dei segnali, dell’intelligenza artificiale e del controllo adattivo in sistemi coerenti e in tempo reale capaci di mantenere la stabilità del veicolo in tutte le condizioni.
Qiang Wang, Kui Liang, Zhiyong Wang, Zeming Shang, Ze Ren, Ziliang Zhao, Song Liu, College of Transportation, Shandong University of Science and Technology; Journal of Chongqing University of Technology (Natural Science), DOI: 10.3969/j.issn.1674-8425(z).2024.05.001