Las Voces de Ingenierías

Algoritmos Bioinspirados para Optimizar Parámetros del Control del Motor Síncrono de Imanes Permanentes

El Motor Síncrono de Imanes Permanentes (MSIP) destaca en la industria por su eficiencia energética, alta densidad de par y estructura compacta. Al integrar imanes permanentes en el rotor, elimina las pérdidas Joule por excitación, que le permite obtener niveles de eficiencia IE4 según la norma IEC 60034-30 [1, 3]. Esta tecnología admite variantes constructivas según la disposición de sus imanes o la orientación del flujo [2], lo que la hace idónea para vehículos eléctricos, robótica y generación eólica [1, 2].

A pesar de las ventajas del MSIP, su desempeño dinámico óptimo depende de la estrategia de control elegida. Tradicionalmente se han empleado controladores PID (proporcional, integral y derivativo) por su simplicidad y bajo costo computacional [4, 5]. Sin embargo, el PID convencional presenta limitaciones ante no linealidades o cambios bruscos de referencia, que le hacen mostrar sobreimpulso y baja robustez ante perturbaciones de carga [1, 5, 6]. Para superar estas deficiencias, se han desarrollado diversas estrategias de control avanzado, cada una con un balance único de ventajas y desventajas:

• Control Fuzzy: Traduce reglas heurísticas y lingüísticas en leyes matemáticas sin requerir un modelo exacto [1]. No obstante, demanda una alta capacidad de memoria y depende del diseño preciso de sus funciones [7].
• Modos Deslizantes (SMC): Ofrece gran robustez y convergencia en tiempo finito [7]. Su principal desventaja es el fenómeno de chattering (vibración por conmutación discontinua), el cual provoca desgaste mecánico y pérdidas de calor [7].
• Regulador Cuadrático Lineal (LQR): Proporciona una solución óptima y analítica para reducir el sobreimpulso, pero exige linealizar el modelo del MSIP en torno a un punto de operación, perdiendo precisión fuera de este [8].
• Redes Neuronales: Actúan como observadores capaces de compensar perturbaciones y no linealidades en línea, aunque su alta complejidad computacional dificulta el entrenamiento en tiempo real [1, 9].

Debido a que el ajuste manual de estos controladores es subóptimo e inseguro, la sintonización se ha reformulado como un problema de optimización mediante algoritmos metaheurísticos [10, 11]. Estas técnicas bioinspiradas exploran espacios multidimensionales complejos [11].

A pesar de sus mejoras medibles en el tiempo de asentamiento y sobrepico, las metaheurísticas enfrentan el desafío del elevado costo computacional en hardware embebido y el riesgo de generar resultados transitorios inestables durante el proceso de búsqueda [11, 12]. Por ello, la frontera de la investigación actual se orienta al desarrollo de algoritmos de baja complejidad y esquemas híbridos adaptativos que garanticen la estabilidad del MSIP en tiempo real [11, 12].

Referencias

[1] A. Ajasa et al., arXiv:2510.18420, 2025.

[2] J. Zhao et al., Chin. J. Mech. Eng., 36(1), 2023.

[3] Y. O. Lahoucine et al., Energies, 18(17), 2025.

[4] V. M. Alfaro & R. Vilanova, Front. Control Eng., 3, 2022.

[5] K. Ullah et al., Energies, 15(3), 2022.

[6] D. Ma et al., Int. J. Robust Nonlin., 32(18), 2022.

[7] F. M. Zaihidee et al., Energies, 12(9), 2019.

[8] B. Zhang & W. Zhang, Optimal Control Appl. Met., 46(5), 2025.

[9] H. Mohan et al., Mathematics, 11(19), 2023.

[10] U. Mohammed et al., Arch. Comput. Method. E., 2024.

[11] X. Zhu et al., Sci. Rep., 14(1), 2024.

[12] M. S. Shaikh et al., Artif. Intell. Rev., 58(12), 2025.