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, lo 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, lo que le hace 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.