Neue adaptive MTPA-Strategie steigert Effizienz und Robustheit von EV-Antriebsmotoren unter realen Bedingungen
In einer Zeit, in der die Elektrifizierung von Fahrzeugen schneller voranschreitet denn je und jede Wattstunde zählt, sehen sich Motorsteuerungsingenieure mit einer alten, aber hartnäckigen Herausforderung konfrontiert: wie sie maximale Leistung aus elektrischen Antriebssystemen herausholen können, ohne Kompromisse bei Effizienz, Zuverlässigkeit oder Skalierbarkeit einzugehen. Der jüngste Durchbruch, der von der China University of Mining and Technology vorgestellt wurde, führt eine intelligente, selbstkorrigierende Steuerungsarchitektur für Interieur-Permanentmagnet-Synchronmotoren (IPMSM) ein – die Arbeitspferde moderner Elektrofahrzeuge –, die verspricht, einen jahrzehntealten blinden Fleck im Hochleistungsbetrieb von Motoren zu beseitigen.
Es geht nicht um rohe Kraft. Es geht um Präzision. Um Ansprechverhalten. Darum, den Motor immer an seinem optimalen Arbeitspunkt zu halten – selbst wenn sich Magnete erhitzen, Eisen sättigt und Jahre des Einsatzes seine elektromagnetische Identität subtil verändern.
IPMSM werden seit langem für ihre hohe Drehmomentdichte und Effizienz geschätzt, besonders unter Teillastbedingungen, wie sie im städtischen Alltagsverkehr üblich sind. Im Gegensatz zu oberflächenmontierten Varianten erzeugen ihre eingebetteten Permanentmagnete eine inherente magnetische Asymmetrie – was Ingenieure als Reluktanzmoment bezeichnen –, die, wenn sie richtig genutzt wird, dem Motor ermöglicht, mehr Drehmoment pro Ampere Strom zu liefern. Dies ist die Kernidee hinter der Maximum Torque per Ampere (MTPA)-Steuerung: eine Strategie, die theoretisch die Kupferverluste minimiert und gleichzeitig den Output für eine gegebene Drehmomentanforderung maximiert.
Doch Theorien, so elegant sie auch sein mögen, überstehen selten unversehrt die chaotische Realität rotierender Maschinen.
Die Achillesferse der konventionellen MTPA ist nicht das Konzept selbst – es ist die Annahme statischer Parameter. Echte Motoren verhalten sich nicht wie Lehrbuchmodelle. Wenn ein Fahrzeug an einem heißen Sommertag einen Berg hinauffährt, erhitzen sich Statorwicklungen; der Widerstand steigt. Tief im Rotorkern verändert magnetische Sättigung die effektiven Induktivitäten entlang der d- und q-Achse. Über Tausende von Ladezyklen kann sogar der Permanentmagnetfluss unmerklich nachlassen – aber enough, um fein abgestimmte Steuertabellen durcheinanderzubringen. Wenn die tatsächliche elektrische Signatur des Motors von der angenommenen abweicht, zeigt die MTPA-Trajektorie – vorab mit Nennwerten berechnet – nicht mehr auf das wahre Stromminimum. Die Effizienz sinkt. Hitze staut sich. Die Reichweite leidet.
Historisch haben Automobilhersteller und Tier-1-Zulieferer dies mit Look-up-Tabellen angegangen – riesige Gitter von vorab gemessenen (Ld, Lq, ψf, Rs)-Kombinationen, die auf Drehmoment- und Geschwindigkeitspunkte abgebildet sind. Diese Tabellen werden in mühsamer Arbeit durch Stunden von Prüfstandstests unter Dutzenden von thermischen und Lastbedingungen generiert. Aber sie sind in der Zeit eingefroren. Einmal in der Firmware des Wechselrichters eingebettet, können sie sich nicht anpassen. Ein Motor, frisch vom Fließband, folgt vielleicht perfekt der MTPA-Kurve; derselbe Motor drei Jahre später, nach wiederholten Schnellladezyklen und Hochlast-Bergfahrten, arbeitet möglicherweise 5–10 % vom Optimum entfernt – und verbraucht leise zusätzliche Energie mit jedem Kilometer.
Akademische Forscher haben seit langem nach agileren Alternativen gesucht. Signal-Injektions-Methoden beispielsweise stören den Stromvektor aktiv, um den optimalen Winkel zu „ertasten“ – aber sie führen zu hochfrequenten Oberschwingungen, hörbarem Pfeifen und parasitären Verlusten. Iterative Löser bieten mathematische Eleganz, erfordern aber übermäßige Rechenzyklen und belasten die Echtzeit-Anforderungen kostensensitiver automotive MCUs. Und während Offline-Identifikationstechniken während der Wartung neu kalibrieren können, sind sie während des täglichen Betriebs nutzlos.
Dazu kommen Zhang Xiao, Shi Junwei, Wang Yue und Liu Yezhao – ein Team, das Leistungselektronik und intelligente Steuerung an der China University of Mining and Technology verbindet. Ihre neuartige Lösung, die dieses Jahr in Electric Measurement & Instrumentation veröffentlicht wurde, versucht nicht, die Physik auszutricksen oder mit Rechenkraft zu erobern. Stattdessen hört sie – kontinuierlich, unaufdringlich – dem Motor selbst zu.
Die Kerninnovation liegt in einer eng integrierten Schleife: Online-Parameteridentifikation, direkt verschmolzen mit der MTPA-Trajektoriengenerierung. Anstatt Rs, Ld, Lq und ψf als Konstanten anzunehmen, schätzt der Controller sie in Echtzeit – im laufenden Betrieb – mit einer verfeinerten Version des Forgetting Factor Recursive Least Squares (FFRLS)-Algorithmus.
Sehen wir uns an, was diesen Ansatz sowohl elegant als auch praktisch macht.
Recursive Least Squares (RLS) ist eine ausgereifte Identifikationstechnik, die für schnelle Konvergenz bekannt ist. Aber klassisches RLS hat einen Fehler: Es behandelt alle vergangenen Daten gleich. Im Laufe der Zeit „sättigen“ ältere Messwerte – gesammelt, als der Motor kalt oder leicht belastet war – den Schätzer und machen ihn träge gegenüber aktuellen Bedingungen. FFRLS löst dies, indem es neuere Daten durch einen einstellbaren Vergessensfaktor (λ) stärker gewichtet als ältere Daten. Man kann es sich als Aufmerksamkeitsspanne des Algorithmus vorstellen: Ein niedriges λ bedeutet, dass er schnell „vergisst“ und sich schnell an schnelle Änderungen anpasst (z.B. plötzliches Lastmoment); ein hohes λ bedeutet, dass er an historischen Trends festhält und die Schätzungen im stationären Fahrzustand stabilisiert.
Zhang und Kollegen implementierten eine dynamische Vergessensstrategie: Beginne mit einem kleineren λ während Transienten (Anlauf, Lastsprünge), um schnelle Parameteränderungen zu erfassen – insbesondere durch Sättigung verursachte Induktivitätsänderungen –, und erhöhe dann λ, sobald sich das System stabilisiert, um Rauschen zu unterdrücken und die Stationärgenauigkeit zu gewährleisten. Dies ist nicht nur theoretisches Feintuning; in ihrer Simulink-basierten Validierung stellte sich der Schätzer innerhalb von 100 Millisekunden nach einem drastischen 15 Nm Drehmomentsprung ein – schnell genug, um den nächsten Steuerzyklus eines typischen 10 kHz Wechselrichters zu informieren.
Entscheidend ist, dass der Identifikationsprozess auf standardmäßigen Sensorsignalen aufsetzt – Phasenströme und Zwischenkreisspannung –, die bereits für die Vektorregelung gemessen werden. Keine zusätzliche Hardware. Keine injizierten Testsignale. Keine hörbaren Nebenwirkungen. Die d-Achsen- und q-Achsen-Spannungsgleichungen, diskretisiert mittels standardmäßiger numerischer Differentiation von Stromabtastwerten, bilden ein lineares Regressionsmodell, in dem die Unbekannten (Rs, Ld, Lq, ψf) iterativ extrahiert werden. Die d-Achsengleichung liefert zuerst Rs, Ld und Lq; dann, mit diesen Werten in der Hand, isoliert die q-Achsengleichung ψf. Es ist eine clevere Trennung der Verantwortlichkeiten, die schlechte Konditionierung vermeidet.
Sobald die Echtzeitparameter verfügbar sind, berechnet der Controller die MTPA-Strom-Sollwerte sofort neu – nicht über Kurvenanpassung oder Tabelleninterpolation, sondern durch die analytische Lösung, die sich aus der Minimierung der Statorstromstärke unter festgelegter Drehmomentbedingung ableitet. Das Ergebnis? Eine lebendige, atmende MTPA-Kurve, die sich mit dem tatsächlichen elektromagnetischen Zustand des Motors biegt und verschiebt.
Die Auswirkungen auf die Leistung von Elektrofahrzeugen sind greifbar.
In ihren Simulationen – Modellierung eines 3 kW IPMSM, repräsentativ für Neben- oder Leichtantriebsanwendungen – demonstrierte das Team einen auffälligen Übergang: Bei 0,3 Sekunden, als die Steuerung von konventionellem id = 0 (das das Reluktanzmoment ignoriert) auf ihr adaptives MTPA umschaltete, schnellte der d-Achsen-Strom auf einen negativen Wert (wie erwartet – Feldschwächung ist hier nicht nötig, aber Feldunterstützung ist), während der q-Achsen-Strom merklich sank. Noch wichtiger: Der gesamte Statorstrom sank um über 12 % bei derselben 20 Nm Last. Das ist nicht nur eine Linie in einem Diagramm – es übersetzt sich direkt in weniger I²R-Erwärmung in den Wicklungen, verlängerte Isolationslebensdauer und, entscheidend, mehr Kilometer pro Kilowattstunde.
Noch beeindruckender war das Verhalten des Systems unter Störung. Bei 0,4 Sekunden sprang das Drehmoment abrupt auf 30 Nm – ein Szenario, das schnelle Beschleunigung oder Autobahneinfädelung nachahmt. Bei festparametrigem MTPA würde ein solcher Schritt typischerweise eine temporäre Fehlausrichtung verursachen: Der Stromvektor würde über- oder unterschwingen und zum wahren Optimum führen, was zu Drehmomentwelligkeit und Effizienzeinbruch führt. Aber in diesem adaptiven Schema reagierte der Parameterschätzer fast augenblicklich. Innerhalb zweier elektrischer Zyklen aktualisierten sich Ld und Lq, um die Tiefsättigung widerzuspiegeln; Rs passte sich an die momentane Erwärmung an; ψf blieb stabil (wie bei kurzen Transienten erwartet). Die neu berechneten id und iq konvergierten sanft, mit minimaler Oszillation in Drehmoment oder Strom – ein Beweis für starke Robustheit.
Für die Automobilindustrie, in der Validierungszyklen Jahre umspannen und Sicherheitsspielräume nicht verhandelbar sind, sind Einfachheit und Robustheit ebenso wertvoll wie Spitzenleistung. Ein herausragender Vorteil dieser Methode ist ihre Skalierbarkeit über Motor designs hinweg. Anders als maßgeschneiderte Kurvenanpassung oder iterative Löser, die für einen einzelnen Prototypen optimiert sind, erfordert FFRLS-MTPA keine motorspezifische Neuentwicklung – nur die grundlegenden Spannungsgleichungen, die für jeden IPMSM universell sind. Das bedeutet, dass dieselbe Steuerungs-Firmware über die gesamte EV-Plattform eines OEMs eingesetzt werden kann, vom Kompaktstadtwagen bis zum Lieferwagen, mit nur nominaler Parameterinitialisierung. Die Kalibrierzeit schrumpft von Tagen auf Minuten.
Darüber hinaus macht der Ansatz den Antriebsstrang zukunftssicher. Man betrachte Second-Life-Batterieanwendungen oder Flottenfahrzeuge, die in extremen Klimata operieren – Szenarien, in denen Magnetalterung oder thermische Drift unvermeidbar sind. Eine statische Look-up-Tabelle wird obsolet; ein selbstjustierender Controller wird nur schlauer. Über die 15-jährige Lebensdauer eines Fahrzeugs könnten die kumulativen Energieeinsparungen durch das Verbleiben auf der wahren MTPA-Trajektorie Hunderte von Kilowattstunden betragen – equivalent zu mehreren vollen Ladungen, die still über die Zeit zurückgewonnen werden.
Natürlich wird der reale Einsatz weitere Validierung erfordern – nicht nur in der Simulation, sondern auf Hardware-in-the-Loop (HIL)-Testständen und schließlich Onroad-Prototypen. Fragen bleiben zur Empfindlichkeit des Schätzers gegenüber Messrauschen (besonders bei niedrigen Geschwindigkeiten, wo die Gegen-EMF schwach ist) und zur Rechenlast auf Legacy-Mikrocontrollern. Aber moderne automotive MCUs – wie Infineons Aurix oder NXPs S32K3 – verfügen über Floating-Point-Einheiten und dedizierte Motorsteuerungs-Peripherie, die in der Lage sind, FFRLS bei 10 kHz mit reichlich Spielraum auszuführen.
Beobachter der Industrie merken an, dass mehrere EV-Startups und Tier-2-Zulieferer bereits begonnen haben, Online-Identifikation für Fehlererkennung zu erkunden – z.B. Verfolgung von ψf-Abnahme, um Demagnetisierungsrisiko vorherzusagen. Zhangs Arbeit legt nahe, dass dieselbe Infrastruktur Doppeldienst leisten kann: nicht nur Gesundheit diagnostizieren, sondern aktiv Leistung optimieren unter Verwendung dieser diagnostischen Einsicht. Das ist eine mächtige Synergie – eine, die die Grenze zwischen Steuerung und Zustandsüberwachung verwischt.
In die Zukunft blickend könnte diese Architektur als Grundlage für noch fortschrittlichere Strategien dienen. Kombiniert man sie mit thermischen Modellen, könnte der Controller Parameteränderungen vorhersagen, bevor sie eintreten – z.B. Vorjustierung der MTPA-Kurve, wenn sich die Wicklungstemperatur während anhaltender Bergfahrt erhöht. Integriert man sie mit Batterie-Zustands- und Gesundheitsabschätzung, könnte das Fahrzeug dynamisch Effizienz gegen Ansprechverhalten basierend auf verbleibender Packlebensdauer neu austarieren. Die Möglichkeiten vervielfachen sich, wenn der Controller seinen Motor wirklich kennt – nicht als statischen Datenblatteintrag, sondern als lebendiges, atmendes System.
Kritiker mögen einwenden, dass für Massemarktfahrzeuge, bei denen Kosten König sind, eine solche Raffinesse Overkill sei. Doch man bedenke das Gegenargument: In einem EV machen Traktionswechselrichter und Motor 20–30 % der gesamten Antriebsstrangkosten aus. Ein paar zusätzliche Zeilen Firmware, die die Komponentenlebensdauer verlängern, Kühlanforderungen reduzieren und extra Reichweite herausquetschen, mögen sich vielfach amortisieren – in Garantieeinsparungen, Kundenzufriedenheit und regulatorischer Compliance (man denke an EPA- oder WLTP-Effizienzwerte).
Bereits adoptieren chinesische EV-Hersteller – die sich intensivem inländischem Wettbewerb und aggressiven Effizienzzielen gegenübersehen – zunehmend ausgefeilte Motorsteuerungstechniken. Unternehmen wie BYD und NIO haben Patente eingereicht, die adaptive MTPA und Echtzeit-Verlustminimierung abdecken. Internationale OEMs, obwohl konservativer bei der Einführung unerprobter Algorithmen, führen leise ähnliche F&E-Programme in ihren fortgeschrittenen Antriebsstranglaboren durch.
Was den Beitrag von Zhang und Kollegen auszeichnet, ist nicht rohe Neuheit – Online-Identifikation wird seit Jahrzehnten studiert –, sondern pragmatische Integration. Sie umgingen die Falle des „algorithmischen Overengineerings“. Keine neuronalen Netze. Keine genetischen Algorithmen. Keine Hochfrequenzinjektion. Stattdessen nahmen sie einen bewährten, leichtgewichtigen Schätzer – FFRLS – und verheirateten ihn sauber mit der First-Principles-MTPA-Formulierung, schlossen die Schleife mit minimal hinzugefügter Komplexität. Das ist das Markenzeichen ingenieurtechnischer Reife: schwierige Probleme mit eleganten, einsetzbaren Lösungen zu lösen.
Während sich die Batteriechemien auf einem Plateau befinden und aerodynamische Gewinne schwinden, liegt die nächste Grenze der EV-Effizienz in Intelligenz am Rand – in den Millisekundenentscheidungen, die Hunderte Male pro Sekunde im Wechselrichter getroffen werden. Der Motor ist nicht länger nur ein stupider Aktor; er ist ein sensorreiches, informationsreiches Subsystem. Die intelligentesten Fahrzeuge werden nicht nur Elektronen bewegen – sie werden sie orchestrieren.
Und in dieser Orchestrierung könnte das präzise Verbleiben auf der MTPA-Kurve – der echten, nicht der idealisierten – der leise, unbesungene Held der längerstreckigen, kühler laufenden, langlebigeren Elektroautos von morgen sein.
Diese Verschiebung spiegelt einen breiteren Trend in der Automobilsoftware wider: von statischer Kalibrierung zu dynamischer Ko-Adaptation. Genau wie adaptive Geschwindigkeitsregelung Ihren Fahrstil lernt und Batteriemanagementsysteme Kapazität in Echtzeit kalibrieren, treten Motorsteuerungen nun in die Ära der kontinuierlichen Selbstjustierung ein. Das Fahrzeug reagiert nicht nur auf den Fahrer – es kooperiert mit seiner eigenen Hardware, optimiert sich selbst vom Start bis zum Shutdown.
Für Verbraucher mögen die Vorteile unsichtbar sein – aber tief gespürt. Sanftere Beschleunigung. Leiserer Betrieb. Konsistente Reichweite, Sommer wie Winter. Für Ingenieure ist es eine Bestätigung der ersten Prinzipien: Manchmal ist die mächtigste Innovation nicht eine neue Vorrichtung, sondern eine bessere Konversation zwischen bekannten Vorrichtungen.
Der Weg zu 1000-Kilometer-EVs wird nicht allein mit größeren Batterien gepflastert sein. Er wird mit intelligenterer Steuerung gepflastert sein – Strom um Strom, Parameter um Parameter, Revolution um stille Revolution.
Zhang Xiao¹, Shi Junwei¹, Wang Yue², Liu Yezhao¹ ¹School of Electrical and Power Engineering, China University of Mining and Technology, Xuzhou 221116, China ²School of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China Electric Measurement & Instrumentation, DOI: 10.19753/j.issn1001-1390.2023.10.020