Nova Estratégia Adaptativa MTPA Aumenta Eficiência e Robustez de Motores de Tração em Veículos Elétricos sob Condições Reais
Num momento em que a eletrificação de veículos acelera mais do que nunca — e em que cada watt-hora conta —, os engenheiros de controle de motores enfrentam um desafio antigo, mas persistente: como extrair o máximo desempenho dos sistemas de tração elétrica sem comprometer a eficiência, a confiabilidade ou a escalabilidade. O avanço mais recente, proveniente da China University of Mining and Technology, introduz uma arquitetura de controle inteligente e autocorretiva para motores síncronos de ímanes permanentes interiores (MSIPI) — a espinha dorsal dos veículos elétricos modernos — que promete eliminar um ponto cego de décadas na operação de motores de alta eficiência.
Não se trata de potência bruta. Trata-se de precisão. De capacidade de resposta. De manter o motor operando no seu ponto ideal — mesmo quando os ímanes aquecem, o ferro satura e anos de uso remodelam subtilmente a sua identidade eletromagnética.
Os MSIPI há muito são valorizados pela sua alta densidade de binário e eficiência, especialmente sob condições de carga parcial, comuns na condução urbana diária. Ao contrário das variantes de ímanes superficiais, os seus ímanes permanentes incorporados criam uma assimetria magnética inerente — o que os engenheiros chamam de binário de relutância — que, quando aproveitada corretamente, permite ao motor entregar mais binário por ampere de corrente. Esta é a ideia central por trás do controle Maximum Torque per Ampere (MTPA): uma estratégia que, em teoria, minimiza as perdas no cobre enquanto maximiza a saída para uma determinada demanda de binário.
Mas as teorias, por mais elegantes que sejam, raramente sobrevivem intactas à realidade complexa das máquinas rotativas.
O calcanhar de Aquiles do MTPA convencional não é o conceito em si — é a suposição de parâmetros estáticos. Os motores reais não se comportam como modelos teóricos. À medida que um veículo sobe uma colina num dia quente de verão, os enrolamentos do estator aquecem; a resistência aumenta. No interior do núcleo do rotor, a saturação magnética altera as indutâncias efetivas ao longo dos eixos d e q. Ao longo de milhares de ciclos de carga, mesmo o fluxo dos ímanes permanentes pode degradar-se impercetivelmente — mas o suficiente para desviar as tabelas de controle afinadas. Quando a assinatura elétrica real do motor se afasta da assumida, a trajetória MTPA — pré-calculada usando valores nominais — já não aponta para o mínimo real de corrente. A eficiência erosiona. O calor acumula-se. A autonomia sofre.
Historicamente, os fabricantes de automóveis e fornecedores Tier-1 abordaram isto com tabelas de consulta — vastas grelhas de combinações (Ld, Lq, ψf, Rs) pré-medidas, mapeadas para pontos de binário e velocidade. Estas tabelas são geradas meticulosamente através de horas de testes em dinamómetros, frequentemente sob dezenas de condições térmicas e de carga. Mas estão congeladas no tempo. Uma vez embutidas no firmware do inversor, não se podem adaptar. Um motor acabado de sair da linha de produção pode seguir a curva MTPA perfeitamente; o mesmo motor, três anos depois, após repetidos ciclos de carga rápida e subidas de colina sob alta carga, pode estar a operar 5 a 10% abaixo do ideal — consumindo silenciosamente energia extra a cada quilómetro.
Os investigadores académicos há muito procuram alternativas mais ágeis. Os métodos de injeção de sinal, por exemplo, perturbam ativamente o vetor de corrente para “sondar” o ângulo ideal — mas introduzem ondulação de alta frequência, zumbido audível e perdas parasitas. Os solucionadores iterativos oferecem elegância matemática, mas exigem ciclos computacionais excessivos, sobrecarregando as restrições de tempo real das UCUs (Unidades de Controlo do Motor) automotivas sensíveis ao custo. E enquanto as técnicas de identificação offline podem recalibrar durante a manutenção, são inúteis durante a operação diária.
Entram em cena Zhang Xiao, Shi Junwei, Wang Yue e Liu Yezhao — uma equipa que une a eletrónica de potência e o controlo inteligente na China University of Mining and Technology. A sua nova solução, publicada este ano na Electric Measurement & Instrumentation, não tenta superar a física ou a computação por força bruta. Em vez disso, ouve — continua e discretamente — o próprio motor.
A inovação central reside num ciclo estreitamente integrado: identificação de parâmetros online fundida diretamente com a geração da trajetória MTPA. Em vez de assumir que Rs, Ld, Lq e ψf são constantes, o controlador estima-os em tempo real — em andamento — usando uma versão refinada do algoritmo Forgetting Factor Recursive Least Squares (FFRLS) — Mínimos Quadrados Recursivos com Fator de Esquecimento.
Vamos desconstruir o que torna esta abordagem elegante e prática.
Os Mínimos Quadrados Recursivos (RLS) são uma técnica de identificação madura, conhecida pela sua convergência rápida. Mas o RLS clássico tem uma falha: trata todos os dados passados igualmente. Com o tempo, medições mais antigas — recolhidas quando o motor estava frio ou pouco carregado — “saturam” o estimador, tornando-o lento para responder às condições atuais. O FFRLS resolve isto ponderando os dados recentes mais fortemente do que os dados antigos, através de um fator de esquecimento (λ) ajustável. Pense nisto como a capacidade de atenção do algoritmo: um λ baixo significa que ele “esquece” rapidamente, adaptando-se depressa a mudanças rápidas (ex.: binário de carga súbito); um λ alto significa que retém tendências históricas, estabilizando as estimativas durante a condução em regime permanente.
Zhang e os colegas implementaram uma estratégia de esquecimento dinâmico: começar com um λ menor durante transientes (arranque, degraus de carga) para captar mudanças rápidas de parâmetros — especialmente mudanças de indutância impulsionadas pela saturação — e depois aumentar λ à medida que o sistema estabiliza, suprimindo o ruído e garantindo precisão em estado estacionário. Isto não é apenas um ajuste teórico; na sua validação baseada em Simulink, o estimador estabilizou-se em menos de 100 milissegundos após um drástico degrau de binário de 15 N·m — rápido o suficiente para informar o próximo ciclo de controlo de um inversor típico de 10 kHz.
Crucialmente, o processo de identificação aproveita os sinais de sensor padrão — correntes de fase e tensão do barramento DC — já medidos para o controlo vectorial. Nenhum hardware extra. Nenhum sinal de teste injetado. Nenhum efeito secundário audível. As equações de tensão do eixo d e q, discretizadas usando diferenciação numérica padrão das amostras de corrente, formam um modelo de regressão linear onde as incógnitas (Rs, Ld, Lq, ψf) são extraídas iterativamente. A equação do eixo d produz primeiro Rs, Ld e Lq; depois, com esses em mão, a equação do eixo q isola ψf. É uma separação inteligente de preocupações que evita mau condicionamento.
Assim que os parâmetros em tempo real estão disponíveis, o controlador recalcula instantaneamente os pontos de ajuste de corrente MTPA — não através de ajuste de curvas ou interpolação de tabelas, mas através da solução analítica derivada da minimização da magnitude da corrente do estator sob restrição de binário fixa. O resultado? Uma curva MTPA viva e dinâmica que se dobra e desloca junto com o estado eletromagnético real do motor.
As implicações para o desempenho do veículo elétrico são tangíveis.
Nas suas simulações — modelando um MSIPI de 3 kW representativo de aplicações de tração auxiliar ou de baixa potência — a equipa demonstrou uma transição impressionante: aos 0,3 segundos, quando o controlo mudou do convencional id = 0 (que ignora o binário de relutância) para o seu MTPA adaptativo, a corrente do eixo d disparou para um valor negativo (como esperado — o enfraquecimento de fluxo não é necessário aqui, mas a assistência de fluxo é), enquanto a corrente do eixo q caiu visivelmente. Mais importante, a corrente total do estator caiu mais de 12% para a mesma carga de 20 N·m. Isto não é apenas uma linha num gráfico — traduz-se diretamente em menos aquecimento I²R nos enrolamentos, vida útil estendida da isolação e, crucialmente, mais quilómetros por quilowatt-hora.
Ainda mais impressionante foi o comportamento do sistema sob perturbação. Aos 0,4 segundos, o binário saltou abruptamente para 30 N·m — um cenário que imita uma aceleração rápida ou uma entrada na autoestrada. Com o MTPA de parâmetros fixos, tal degrau tipicamente causaria um desalinhamento temporário: o vetor de corrente excederia ou ficaria aquás do ótimo real, levando a ondulação de binário e queda de eficiência. Mas neste esquema adaptativo, o estimador de parâmetros reagiu quase instantaneamente. Dentro de dois ciclos elétricos, Ld e Lq atualizaram-se para refletir a saturação profunda; Rs ajustou-se para o aquecimento instantâneo; ψf manteve-se estável (como esperado em transientes curtos). Os valores recalculados de id e iq convergiram suavemente, com oscilação mínima no binário ou corrente — evidência de forte robustez.
Para a indústria automóvel, onde os ciclos de validação abrangem anos e as margens de segurança são não negociáveis, a simplicidade e a robustez são tão valiosas quanto o desempenho de pico. Uma vantagem notável deste método é a sua escalabilidade entre diferentes projetos de motor. Ao contrário de ajustes de curva sob medida ou solucionadores iterativos afinados para um único protótipo, o FFRLS-MTPA não requer redesenho específico para o motor — apenas as equações de tensão de base, que são universais para qualquer MSIPI. Isso significa que o mesmo firmware de controlo pode ser implementado em toda a plataforma de VE de um fabricante de equipamento original (OEM), desde carros citadinos compactos até furgões de entrega, com apenas inicialização nominal de parâmetros. O tempo de calibração encolhe de dias para minutos.
Além disso, a abordagem à prova de futuro o grupo motopropulsor. Considere aplicações de segunda vida da bateria ou veículos de frota operando em climas extremos — cenários onde o envelhecimento do íman ou a deriva térmica são inevitáveis. Uma tabela de consulta estática torna-se obsoleta; um controlador de autoajuste apenas fica mais inteligente. Ao longo da vida útil de 15 anos de um veículo, a poupança acumulada de energia por permanecer na trajetória MTPA real pode ascender a centenas de quilowatt-hora — equivalente a várias cargas completas recuperadas, silenciosamente, ao longo do tempo.
Claro, a implantação no mundo real exigirá mais validação — não apenas em simulação, mas em bancos de teste hardware-in-the-loop (HIL) e, eventualmente, em protótipos em estrada. Questões permanecem sobre a sensibilidade do estimador ao ruído de medição (especialmente a baixas velocidades, onde a força contraeletromotriz é fraca) e a carga computacional em microcontroladores legados. Mas as UCUs automotivas modernas — como a família Aurix da Infineon ou a S32K3 da NXP — possuem unidades de vírgula flutuante e periféricos dedicados de controlo de motor capazes de executar FFRLS a 10 kHz com ampla margem.
Observadores da indústria notam que várias startups de VE e fornecedores Tier-2 já começaram a explorar a identificação online para detecção de falhas — por exemplo, monitorizando o decaimento de ψf para prever o risco de desmagnetização. O trabalho de Zhang sugere que a mesma infraestrutura pode ter uma dupla função: não apenas diagnosticar a saúde, mas otimizar ativamente o desempenho usando essa informação de diagnóstico. Essa é uma sinergia poderosa — que desfoca a linha entre controlo e monitorização de condições.
Olhando para o futuro, esta arquitetura poderia servir como base para estratégias ainda mais avançadas. Ao emparelhá-la com modelos térmicos, o controlador poderia antecipar mudanças de parâmetros antes de elas acontecerem — por exemplo, pré-ajustando a curva MTPA à medida que a temperatura do enrolamento sobe durante uma subida sustentada. Integrando-a com a estimativa do estado de saúde da bateria, o veículo poderia reequilibrar dinamicamente a eficiência versus a capacidade de resposta com base na vida útil restante do pack. As possibilidades multiplicam-se quando o controlador realmente conhece o seu motor — não como uma entrada estática numa folha de dados, mas como um sistema vivo e dinâmico.
Os críticos podem argumentar que, para veículos de massa, onde o custo é rei, tal sofisticação é exagerada. No entanto, considere o contra-argumento: num VE, o inversor de tração e o motor constituem 20 a 30% do custo total do grupo motopropulsor. Umas linhas extra de firmware que estendam a vida útil dos componentes, reduzam os requisitos de arrefecimento e extraiam autonomia extra podem pagar-se muitas vezes — em poupanças de garantia, satisfação do cliente e conformidade regulatória (pense nas classificações de eficiência EPA ou WLTP).
Já os fabricantes chineses de VEs — enfrentando uma intensa concorrência doméstica e metas de eficiência agressivas — estão a adotar técnicas de controlo de motor cada vez mais sofisticadas. Empresas como a BYD e a NIO depositaram patentes que cobrem MTPA adaptativo e minimização de perdas em tempo real. Os OEMs internacionais, embora mais conservadores na implementação de algoritmos não comprovados, estão silenciosamente a executar programas semelhantes de P&D nos seus laboratórios avançados de grupos motopropulsores.
O que distingue a contribuição de Zhang e colegas não é a novidade bruta — a identificação online é estudada há décadas — mas a integração pragmática. Eles evitaram a armadilha do “excesso de complexidade algorítmica”. Sem redes neuronais. Sem algoritmos genéticos. Sem injeção de alta frequência. Em vez disso, pegaram num estimador leve e comprovado — o FFRLS — e ligaram-no elegantemente à formulação MTPA de primeiros princípios, fechando o ciclo com complexidade acrescida mínima. Essa é a marca da maturidade da engenharia: resolver problemas difíceis com soluções elegantes e implementáveis.
À medida que as químicas das baterias estabilizam e os ganhos aerodinâmicos diminuem, a próxima fronteira na eficiência dos VEs reside na inteligência na ponta — nas decisões de milissegundos tomadas dentro do inversor, centenas de vezes por segundo. O motor já não é apenas um atuador burro; é um subsistema rico em sensores e informação. Os veículos mais inteligentes não vão apenas mover eletrões — vão orquestrá-los.
E nessa orquestração, permanecer precisamente na curva MTPA — a real, não a idealizada — poderá ser o herói silencioso e não cantado dos carros elétricos de amanhã, com maior autonomia, funcionamento mais frio e maior durabilidade.
Esta mudança reflete uma tendência mais ampla no software automóvel: da calibração estática para a co-adaptação dinâmica. Assim como o controlo de cruzeiro adaptativo aprende o seu estilo de condução, e os sistemas de gestão de baterias calibram a capacidade em tempo real, os controladores de motor estão agora a entrar na era da autoafinação contínua. O veículo não apenas responde ao condutor — colabora com o seu próprio hardware, otimizando-se desde a partida até ao desligar.
Para os consumidores, os benefícios podem ser invisíveis — mas profundamente sentidos. Aceleração mais suave. Operação mais silenciosa. Autonomia consistente, verão ou inverno. Para os engenheiros, é uma validação dos primeiros princípios: por vezes, a inovação mais poderosa não é um novo dispositivo, mas uma melhor conversa entre dispositivos conhecidos.
O caminho para VEs de 1.000 quilómetros não será pavimentado apenas com baterias maiores. Será pavimentado com controlo mais inteligente — corrente a corrente, parâmetro a parâmetro, revolução a revolução silenciosa.
Xiao Zhang¹, Junwei Shi¹, Yue Wang², Yezhao Liu¹ 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