Para melhorar o desempenho do controlador do laço de corrente no sistema de controle do motor síncrono de ímã permanente e reduzir o impacto do desalinhamento dos parâmetros do modelo no sistema de controle, foi proposta uma estratégia de controle de corrente preditiva baseada em modelo de conjunto finito do motor síncrono de ímã permanente com identificação de parâmetros baseada em processo gaussiano (FCS-GPMPC). Primeiramente, foi apresentado o modelo preditivo de corrente do motor síncrono de ímã permanente e analisado o impacto do desalinhamento dos parâmetros do modelo no desempenho do sistema; em segundo lugar, para simplificar o complexo processo de ajuste de hiperparâmetros nos algoritmos gerais de identificação de parâmetros em aprendizado de máquina, foi proposta uma metodologia de identificação de parâmetros baseada em processo gaussiano; simultaneamente, foi introduzido o intervalo de confiança dos valores previstos como referência para avaliação em tempo real da eficácia da previsão de parâmetros; por fim, a identificação de parâmetros baseada em processo gaussiano foi combinada com o controle preditivo de corrente baseado em modelo de conjunto finito (FCS-MPC), e após obter parâmetros identificados com precisão, o modelo preditivo de corrente do sistema foi atualizado para melhorar a robustez do sistema e o desempenho de rastreamento do laço de corrente. Os resultados experimentais mostram que, sob as características estatísticas dos dados de treinamento utilizados neste trabalho, o erro quadrático médio raiz RMSE nos dados de teste foi de 0,0021, atingindo <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/FCF0E2AE-9302-42f3-9DAE-797756030D23-M001.jpg"/><?fx-imagestate width="3.38666677" height="2.62466669"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/FCF0E2AE-9302-42f3-9DAE-797756030D23-M001c.jpg"/><?fx-imagestate width="3.38666677" height="2.62466669"?></graphic></alternatives></inline-formula> alcançando 0,99. Em condições de flutuação dos parâmetros, em comparação com FCS-MPC, a estratégia FCS-GPMPC reduziu a flutuação da corrente em 30,5% e a média do desvio da corrente em 19,6%; além disso, para variações degrau na corrente de referência, a FCS-GPMPC apresentou melhor resposta dinâmica. Os resultados experimentais indicam que o método de controle preditivo baseado em processo gaussiano pode suprimir efetivamente o impacto dos desalinhamentos do modelo no sistema de controle, melhorando o desempenho do controlador de corrente no sistema de controle do motor síncrono de ímã permanente.

motor síncrono de ímã permanente;controle preditivo baseado em modelo;aprendizado de máquina;processo gaussiano;desalinhamento do modelo