SVILUPPO DI DIGITAL TWIN PER AZIONAMENTI ELETTRICI: IDENTIFICAZIONE PARAMETRICA DI MOTORI SINCRONI A MAGNETI PERMANENTI (PMSM)

Negli ultimi anni, la transizione digitale ed energetica ha stimolato lo sviluppo di tecnologie avanzate per l’efficienza, la sostenibilità e l’affidabilità dei sistemi industriali. In questo contesto, i Digital Twin integrati con tecniche di Machine Learning rappresentano una soluzione innovativa per il monitoraggio in tempo reale, la manutenzione predittiva e l’ottimizzazione degli azionamenti elettrici, responsabili di oltre il 50% del consumo di energia elettrica nell’UE. Questa tesi si concentra sullo sviluppo di un Digital Twin data-driven di un azionamento elettrico con un motore sincrono a magneti permanenti (PMSM), realizzato mediante reti neurali ricorrenti NARX, con l’obiettivo di sostituire le tradizionali prove di identificazione parametrica (come la prova a vuoto e la prova a rotore bloccato) con test virtuali non invasivi. Dopo una revisione dello stato dell’arte sui PMSM, sulle principali metodologie di identificazione parametrica e sull’impiego di tecniche di machine learning per l’identificazione di modelli, la tesi descrive nel dettaglio il modello matematico in coordinate dq. Successivamente, vengono analizzate le variazioni parametriche che influenzano le prestazioni del motore. Infine, l’elaborato illustra la progettazione e l’addestramento della rete neurale NARX, motivando la scelta rispetto ad altre tipologie di reti e discutendone la struttura, gli algoritmi di training, i criteri di arresto e le strategie per mitigare l’overfitting. Il meccanismo di generazione dei dati si basa su un modello numerico dell’azionamento sviluppato in Simulink, integrato con codice MATLAB per l’addestramento e l’implementazione della rete predittiva. La validazione è stata quindi effettuata tramite simulazioni di test di identificazione parametrica virtuali, comprendenti prove a vuoto e con rotore bloccato. I risultati evidenziano la capacità del Digital Twin di stimare accuratamente parametri chiave come resistenze, induttanze e flusso magnetico, dimostrando la validità dell’approccio data-driven per applicazioni di diagnostica e manutenzione predittiva in scenari industriali reali. I limiti del modello attuale, come la gestione di non-linearità complesse e rumore di misura, offrono spunti concreti per sviluppi futuri volti a realizzare Digital Twin adattivi, capaci di operare con dati reali e scenari dinamici, contribuendo così agli obiettivi di sostenibilità, efficienza e resilienza dei sistemi industriali moderni.