بهبود پروفایل سرعت در درایو کنترل سرعت موتور القایی با استفاده از ایده‌ای جدید در تولید پالس‌های کلیدزنی مبتنی بر شبکه‌های عصبی مصنوعی

نوع مقاله: مقاله علمی فارسی

نویسندگان

1 - کارشناس ارشد، دانشکده مهندسی - دانشگاه بیرجند- بیرجند- ایران

2 - استادیار، دانشکده مهندسی - دانشگاه بیرجند - بیرجند - ایران

3 استادیار، دانشکده مهندسی - دانشگاه بیرجند - بیرجند - ایران

چکیده

موتورهای القایی به علت سادگی و هزینه کم ساخت، نسبت به ماشین‌های جریان مستقیم برتری داشته، لذا کنترل این موتورها از اهمیت بالایی برخوردار است. روش‌های کنترل سرعت موتور القایی کلاسیک معمولاً برای یک دامنه محدوده‌ای از سرعت مناسب هستند و به طور مشترک برای سرعت‌های بالا، پایین و خیلی پایین استفاده نمی‌شود. مدل ولتاژ به علت افت ولتاژ بر روی مقاومت استاتور، برای سرعت‌های پایین استفاده نمی‌شود. مدل جریان هم به علت اشباع شار، در سرعت‌های بالا استفاده نمی‌شود. در این مقاله، فرمان‌های کلیدزنی توسط یک روش جدید مبتنی بر شبکه عصبی پیشخور چند لایه آشنا به سطوح جریان و ولتاژ مرجع فازها، تولید می‌شوند. همچنین برای تخمین اطلاعات شار و گشتاور مورد نیاز از یک شبکه پرسپترون چند لایه مطابق معمول کارهای قبلی استفاده شده است. با توجه به نحوه تولید پالس، مشکل اشباع شار در سرعت‌های بالا و نیز مشکل افت ولتاژ در سرعت‌های پایین، که از جمله عیوب کارهای قبلی گزارش شده است، برطرف شده است. لذا درایو پیشنهادی موتور القایی در محدوده سرعت‌های بالا و پایین رفتاری پایدار دارد. روش پیشنهادی با استفاده از اطلاعات یک ماشین القایی موجود در نرم افزار مطلب، در محیط سیمولینک شبیه‌سازی شده است که نتایج شبیه‌سازی مؤید ادعاهای ارائه شده هستند.
.

کلیدواژه‌ها


عنوان مقاله [English]

Improvement of speed profile in induction motor drive using a new idea of PWM pulses generation base on artificial neural networks

نویسندگان [English]

  • hojat moayedi rad 1
  • mohsen farshad 2
  • mohammad ali shamsi nejad 3
1 1 Department of electrical engineering, Faculty of Engineering, University of Birjand, Birjand, Iran
2 1 Department of electrical engineering, Faculty of Engineering, University of Birjand, Birjand, Iran
3 1 Department of electrical engineering, Faculty of Engineering, University of Birjand, Birjand, Iran
چکیده [English]

Due to simplicity and low cost, induction motors are more useful than direct current motors. Hence the control of these motors is important. The pervious methods are fitted normally for a limited speed range and could not be used for high, low and very low speeds. The voltage model is suitable for high speed because the voltage drop of stator resistance is not small in low speed. The current model is suitable for low speed because of the problems of flux saturation at high speed. This research presents a new method of PWM pulse generating in induction motors based on artificial neural networks in which, the switching pulses are generated by a multilayer feed-forward neural network that is trained by the voltage and current references. Also, for the estimation of required torque and flux information a multilayer perceptron is used. By application of this new method, there is no problem of stability at low and high speeds. The simulation results by matlab-simulink verify the proposed method in transient and steady-state operating modes.

کلیدواژه‌ها [English]

  • Keywords: Ac drive
  • artificial neural network
  • direct vector control
  • induction motor
  • PWM pulse

[1]

ماشین‌های القایی، عمومی‌ترین موتورهایی هستند که در سیستم‌های کنترل حرکت صنعت استفاده می‌شوند. کنترل ماشین‌های القایی بمراتب پیچیده‌تر از کنترل ماشین‌های جریان مستقیم بوده، چنانچه کارآیی بالایی نیز از ماشین انتظار رود، بر این پیچیدگی افزوده خواهد شد. در حقیقت، این پیچیدگی به علت ساختار چند متغیره و غیر‌خطی موتور القایی است. با توجه به کاربردهای این ماشین مشخصات حالت ماندگار آن حایز اهمیت است.

مهمترین سؤالی که در انتخاب نوع کنترل موتور القایی باید مد نظر قرار گیرد، این است که موتور در چه محدوده‌ای از سرعت کار خواهد کرد، زیرا روش‌های کنترل سرعت موتور القایی کلاسیک معمولاً برای یک دامنه محدوده‌ای از سرعت مناسب هستند و به طور مشترک برای سرعت‌های بالا، پایین و خیلی پایین استفاده نمی‌شود [1].

رایجترین روش کنترل سرعت در موتورهای القایی، کنترل برداری است [6] - [1]. از آن جایی که پردازش بر روی سیگنال­های فیدبکی در این‌گونه درایوها اساساً پیچیده است، استفاده از میکروکامپیوترها و یا پردازشگرهای سیگنال دیجیتال در این درایوها امری معمول است [7]. در سال‌های اخیر کاربرد شبکه‌های عصبی مصنوعی در حوزه‌های الکترونیک قدرت و درایوهای الکتریکی پیشرفت چشمگیری داشته است [7] و [8]. به هر حال، در درایوهای کنترل سرعت موتورهای القایی، دقت تخمین شار روتور اهمیت زیادی دارد.

تخمین شار روتور در مدل­های معمول جریان و ولتاژ به ترتیب به مقاومت روتور و استاتور وابسته است. در این راستا، تاکنون چندین روش کاهش حساسیت پارامتر برای روش کنترل برداری گزارش شده است. در [7] پارامترهای کنترلی درایو موتور القایی توسط یک شبکه عصبی پیشخور تولید شده است. در [9] یک روش کنترل سرعت تطبیقی مبتنی بر تابع گشتاور گزارش شده است که البته در محدوده سرعت‌های کم و خیلی کم و نیز به دلیل وقوع افت ولتاژ بر روی مقاومت استاتور کارآیی خود را از دست می‌دهد. از درایو پیشنهادی در [10] در محدوده­ی سرعت‌های زیاد، به علت وجود مقدار بزرگ نیروی محرکه الکتریکی و لذا اشباع شار، نمی‌توان استفاده کرد. در [11] از فیلتر کالمن تعمیم یافته صرفاٌ برای تخمین مقاومت روتور استفاده شده است. در [12] تنها تخمین مقاومت استاتور مورد توجه قرار گرفته است. در [15] - [13] از روش کنترل برداری برای طراحی درایو کنترل سرعت موتور القایی استفاده شده است، که در [13] تکنیک‌های مختلف تخمین تنها مقاومت روتور تشریح شده است. در [16] برای تخمین مقاومت‌های استاتور و روتور هنگام کار از دو شبکه عصبی پیشخور استفاده شده است. در [17] برای برطرف کردن مشکل کنترل سرعت موتور در محدوده‌های بسیار پایین از تخمین مقاومت استاتور استفاده شده است. در [18] از یک مدل جبران کننده شار برای سرعت‌های پایین استفاده شده است، که در سرعت‌های خیلی پایین رفتار خیلی خوبی ندارد و این موضوع در قسمت نتایج مقاله پیشرو آمده است. در [19] نشان داده شده که PI کنترلر قابل تنظیم توسط الگوریتم ژنتیک به علت سرعت پایین در مقایسه با روش‌های هوشمند دیگر چندان کارآیی مؤثری ندارد. در [20] از روش‌های هوش مصنوعی برای بهبود عملکرد درایو کنترل سرعت موتور القایی استفاده شده، که به بهبود پاسخ حالت دائمی درایو منتهی شده است، ولی با این مدل، در حل مشکل درایو برای سرعت‌های پایین توفیقی حاصل نشده است. تغییر هر چند اندک پارامترهای موتور هنگام کار ممکن است کنترلرها را با ناپایداری مواجه نکند، ولی بر کیفیت پاسخ تأثیر بسیاری می‌گذارد. در [21] یک الگوریتم تضعیف شار برای بهبود عملکرد درایو کنترل سرعت در سرعت‌های پایین ارائه شده است، که این الگوریتم برای سرعت‌های پایین رفتار نسبتاً خوبی دارد، ولی برای سرعت‌های خیلی پایین کارآیی مطلوبی ندارد. در [22] درایو کنترل سرعت موتور القایی بر اساس یک مدل هوشمند عاطفی طراحی شده است، ولی عملکرد این مدل برای سرعت­های پایین و خیلی پایین نشان داده نشده است. این مدل راهکاری برای مشکل اشباع شار در سرعت­های پایین نسبت به مدل­های مرسوم کلاسیک دیگر ارائه نکرده است.

همان طور که اشاره شد، محدوده سرعت عملیاتی یک موتور، نوع روش کنترل سرعت موتور القایی را مشخص می‌کند، اما دراین مقاله با ارائه درایو پشنهادی عصبی این مشکل کاملاً برطرف شده است.

ساختار ادامه مقاله بدین شرح است: بلوک دیاگرام درایو کنترلی پیشنهادی با تمام جزئیات همراه با خلاصه­ای از روند مدل سازی موتور القایی و نیز چگونگی تولید سیگنال‌های مرجع ولتاژ و جریان‌های مورد نیاز در بخش 2 ارائه شده‌اند. در بخش 3، ساختار و روند آموزش شبکه­های عصبی پیشخور مورد استفاده برای تخمین اطلاعات شار و گشتاور مورد نیاز و نیز تولید پالس‌های کلیدزنی واحد اینورتر معرفی شده‌اند. در بخش 4 نتایج شبیه‌سازی ارائه و بالاخره مقاله با ارائه نتیجه‌گیری در بخش 5 پایان می یابد.

 

 

 

 

شکل (1):نمایش شماتیکی کنترل برداری مدل d-q موتور القایی.

 

شکل(2): نمودار برداری مؤلفه­های de- qe و ds- qs.

 

 

2- کنترلبرداریموتورالقایی ‌

2-1- مدل موتور القایی

نمایش شماتیکی روش کنترل؛ برداری موتور القایی d-q در شکل (1) نشان داده شده است که به کمک آن می­توان ساختار کنترلر را بر اساس مدل ماشین تشریح کرد.

پارامترهای اصلی کنترل یعنی  و ، که مقادیری dc هستند، به کمک سیگنال­های  و  از روی سیگنال شار ساخته می­شوند [1]. محورهای  و  به صورت فازوری در موتور القایی در شکل (2) نشان داده شده­اند [1]. معادلات (1) تا (10) برای تولید سیگنال­های برگشتی، مورد استفاده قرار گرفته­اند [7].

 

                      (1)

 

                      (2)

 

                      (3)

 

                      (4)

 

                      (5)

 

                      (6)

 

                      (7)

 

                      (8)

 

 

                      (9)

 

                    (10)

 

پارامترهای به کار رفته در روابط (1) تا (10) و نیز پارامترهای موتور القایی عبارتند از:

 

: ولتاژ استاتور در محور مستقیم (محور متعامد)

: جریان استاتور در محور مستقیم (محور متعامد)

: شار استاتور در محور مستقیم (محور متعامد)

: شار فاصله هوایی در محور مستقیم (محور متعامد)

:  شار روتور در محور مستقیم (محور متعامد)

:   مقدار شار روتور

:   مقاومت استاتور

:   اندوکتانس نشتی استاتور

:   اندوکتانس نشتی روتور

:   اندوکتانس مغناطیس کننده

:    اندوکتانس روتور

P:       تعداد زوج قطب

Pn :     توان اسمی موتور

Vn :     ولتاژ اسمی (خط- خط)

fn :      فرکانس اسمی

J:       ضریب اینرسی

 

نمایش شماتیکی درایو پیشنهادی کنترل سرعت موتور القایی در شکل (3) نشان داده شده است. در ادامه جزئیات بلوک‌های تولید سیگنال‌های کنترلی و همچنین تولید سیگنال‌های کنترلی مورد نیاز شرح داده می‌شود.

 

2-2- تخمین سیگنال‌های برگشتی مدل ولتاژ

روش کنترل‌برداری مستقیم به تولید سیگنال‌های بردار واحد از روی فاصله هوایی بستگی دارد. همان­طور که در نمایش شماتیکی شکل (4) نشان داده شده است، شارهای شکاف هوایی  و  را می­­توان از روی مقادیر ولتاژ و جریان فازها تخمین زد. جریان­های استاتور مستقیماً از طریق حسگرهای جریان اندازه­گیری می­شوند و شار روتور، گشتاور و سیگنال­های  و  با توجه به نمایش شماتیکی شکل (4) تخمین زده می­شوند [1].

 

2-3- نحوه تولید سیگنال‌های مرجع ولتاژ

برای تولید سیگنال‌های مرجع ولتاژ، به صورت شکل (5) عمل می‌کنیم [1]. در ضمن به تولید سیگنال‌های مرجع فاز c نیازی نیست، زیرا فاز c با فازهای a و b رابطه دارد. توسط جریان‌های سه فاز اندازه‌گیری شده، جریان‌های d و q را تولید و با مقادیر مرجعشان که از طریق سیگنال‌های خطای شار و سرعت به دست آمده‌اند، مقایسه می‌کنیم. سپس سیگنال‌های خطای تولید شده را از بلوک کنترل کننده PI عبور می‌دهیم و با مقایسه مجددی که انجام می‌شود و با تبدیل اطلاعات دو فاز به سه فاز، ولتاژهای مرجع مورد نیاز بلوک تولید پالس‌ها ساخته می‌شوند.

 

3- معرفی دو شبکه عصبی پیشخور مورد استفاده جهت تخمین سیگنال‌های کنترلی و نیز تولید پالس‌های کلیدزنی مورد نیاز واحد اینورتر

 

3-1- آموزش شبکه‌های عصبی پیشخور مورد استفاده

شبکه عصبی پرسپترون چند لایه از جمله قدیمیترین و پرکاربردترین شبکه­های عصبی نوع پیشخور است که قدرت تطبیق و تعمیم بالای آن سال‌ها قبل به اثبات رسیده است [23]. متدوالترین روش آموزش شبکه عصبی پرسپترون چند لایه الگوریتم پس انتشار خطاست که نخستین بار از سوی رملهارت و همکارانش پیشنهاد شد [24].

 

شکل(3): نمایش شماتیکی درایو کنترل سرعت پیشنهادی.

 

 

شکل )4(: نمایش شماتیکی تخمین سیگنال­های برگشتی مدل ولتاژ.

 

شکل (5): نمایش شماتیکی نحوه­ی تولید سیگنال­های مرجع ولتاژ.

 

 

ماهیت این الگوریتم بدین صورت است که در ابتدا یک الگوی آموزشی به شبکه اعمال و خروجی حاصله از شبکه با خروجی مطلوب مقایسه شده و سپس وزن‌های مجهول شبکه از طریق پس انتشار خطای فوق به لایه‌های قبلی (که البته انجام این عمل مبتنی بر یکی از انواع روش‌های بهینه‌سازی کلاسیک، از جمله: گرادیان نزولی، گرادیان مزدوج، مارکوآرت- لونبرگ و ... است) چنان تنظیم می‌شوند که شبکه الگوی رفتاری مورد نظر را بدرستی تقلید کنند. در این روش، وزن‌های شبکه به طور مداوم به‌ازای همه الگوهای آموزشی بروز شده، ضمناً روند یادگیری هنگامی متوقف خواهد شد که مجموع کل خطای مربوط به همه داده‌های آموزشی از مقدار آستانه تعیین شده کمتر، یا تعداد کل دوره‌های آموزش به سرآید.

برای الگوی ورودی pام، مربع خطای خروجی برای همه نرون‌های لایه خروجی شبکه به صورت زیر خواهد شد [3]:

       (11)

 

 

که در آن  خروجی مطلوب برای  j­امین نرون در لایه خروجی و   خروجی واقعی برای jامین نرون در لایه خروجی، s بعد بردار خروجی (یا همان تعداد نرون لایه خروجی)،  بردار خروجی واقعی و بالاخره  بردار خروجی مطلوب هستند. خطای مرجع کل E برای P الگو به صورت زیر خواهد شد [3]:

 

              (12)

 

 

وزن­های شبکه با هدف کاهش تابع هزینه E به مقدار کمینه توسط روش گرادیان نزولی تنظیم می‌گردند. معادله اصلاح وزن‌ها به صورت زیر است :

 

(13)                   

 

 

که در آن  وزن جدید و  وزن قبلی است. همچنین، در این روش، وزن‌ها به طور مداوم برای همه الگوهای آموزش بروز می‌شوند. روند یادگیری فوق هنگامی متوقف می­شود که مجموع کل خطا از مقدار آستانه تعیین شده کمتر شود و یا تعداد کل دوره­های آموزش به سر­آید [3].

انتخاب مناسب مجموعه داده‌های آموزشی از جهت عملکرد موفق شبکه عصبی از اهمیت زیادی برخوردار است. این داده‌ها باید حالت‌های مختلفی را که ممکن است در سیستم رخ دهد، پوشش دهند تا شبکه عصبی شرایط مختلفی را تجربه کرده، بازای ورودی‌های متفاوت جواب مناسبی ارائه دهد. برای این منظور، درایو کنترل سرعت مورد نظر، بازای چندین سرعت مرجع و گشتاور بار مختلف شبیه­سازی و در نهایت حدود 1200 نمونه آموزشی برای آموزش شبکه انتخاب شده‌اند. سرعت‌های مرجع انتخاب شده برای استخراج داده‌های آموزشی باید رنج وسیعی از سرعت‌های کاری موتور تحت کنترل را شامل شوند. استخراج داده‌ها در یک شرایط یکسان شبیه‌سازی برای هر دو مدل کلاسیک ولتاژ و جریان انجام شده است. سرعت‌های مرجع 15/0، 5/2، 17، 43، 69 و 86 رادیان بر ثانیه از مدل کلاسیک جریان و سرعت‌های مرجع 9، 25، 48، 93، 126، 186 رادیان بر ثانیه از مدل کلاسیک ولتاژ برای تولید داده‌های مورد نیاز انتخاب شده‌اند. گشتاور بار هم متناسب با مجذور سرعت انتخاب شده است.

 

3-2- تخمین سیگنال‌های کنترلی شار و گشتاور با شبکه عصبی

شبکه عصبی پیشخور مورد استفاده برای تخمین اطلاعات شار و گشتاور مورد نیاز در شکل (6) نشان داده شده است [3]. ورودی‌های شبکه فوق، سیگنال‌های ، ،  و  و خروجی‌های آن شامل سیگنال‌های کنترلی مورد نیاز هستند. ضمناً تعداد 33 نرون در لایه مخفی شبکه فوق به کار رفته است.

روند آموزش شبکه عصبی پیشخور دو لایه مورد استفاده برای تخمین اطلاعات شار و گشتاور مورد نیاز در شکل (7) نشان داده شده است.

 

 

3-3- نحوه‌ تولید پالس برای واحد اینورتر

برای تولید پالس‌های کلیدزنی مورد نیاز بلوک اینورتر از اطلاعات ولتاژ و جریان مرجع دو تا از فازهای موتور به عنوان ورودی‌های یک شبکه عصبی پیشخور دو لایه آموزش یافته استفاده شده است. شبکه فوق در شکل (8) نشان داده شده است. شایان ذکر است که در روش‌های قبلی پیشنهاد شده برای تولید پالس‌های کلیدزنی، صرفاً از اطلاعات جریان یا ولتاژ فاز استفاده می‌شد که به علت وقوع اشباع شار در محدوده سرعت‌های بالا و نیز وقوع افت ولتاژ بر روی مقاومت استاتور در محدوده سرعت‌های پایین، درایوهای پیشنهادی تنها در محدوده باریکی حول سرعت نامی دارای رفتار پایدار بوده‌اند. این نقیصه در درایو پیشنهادی این مقاله، به علت استفاده توامان از اطلاعات ولتاژ و جریان مرجع دو فاز موتور به بهترین شکل ممکن برطرف گردیده است.

مدل کلاسیکی که بتواند مانند بلوک شکل (8) با وروری‌های جریان و ولتاژ مرجع، پالس‌های کلیدزنی را تولید کند، وجود ندارد.

 

 

 

شکل (6): شبکه عصبی پیشخور دو لایه مورد استفاده برای تخمین سیگنال‌های شار و گشتاور مورد نیاز.

 

 

 

شکل (7): روند آموزش شبکه‌ عصبی پیشخور دو لایه‌ی مورد استفاده جهت تخمین سیگنال‌های شار و گشتاور مورد نیاز.

همان طور که در بالا اشاره شد، در مدل‌های کلاسیک برای تولید پالس‌های کلیدزنی تنها از جریان مرجع و یا فقط از ولتاژ مرجع استفاده می‌شود و مدل کلاسیکی که بتواند از هردو پارامتر ولتاژ و جریان مرجع استفاده کند، در دسترس نیست. لذا در این مقاله از یک سیستم مدل‌سازی مانند شبکه عصبی برای این موضوع استفاده شده است، تا بتوان برای تولید پالس‌های کلیدزنی از اطلاعات توأمان جریان و ولتاژ مرجع استفاده کرد. در نتیجه هدف این مقاله صرفاً شبیه‌سازی‌هایی که یک مدل کلاسیک هم در آن توانایی دارد نیست، بلکه به کمک شبکه عصبی مدلی برای تولید پالس‌های کلیدزنی ارائه کرده است که مدل‌های کلاسیک در ایجاد آن ناتوان هستند.

 

 

شکل (8): شبکه عصبی پیشخور دو لایه مورد استفاده برای تولید پالس­های کلیدزنی مورد نیاز بلوک اینورتر.

 

 

شکل (9): روند آموزش شبکه عصبی پیشخور دو لایه مورد استفاده برای تولید پالس­های کلیدزنی مورد نیاز واحد اینورتر

روند آموزش شبکه عصبی پیشخور مورد استفاده برای تولید پالس‌های کلیدزنی مورد نیاز واحد اینورتر در شکل (9) نشان داده شده است.

 

4- شبیه­سازی

مشخصات نامی و مقادیر پارامترهای موتور القایی مورد استفاده در این بخش به شرح زیر هستند:

 

 

 

 

 

 

 

 

 

 P =   2

J=4/0 (kg.m2)

 

در شکل (10)، با فرض ثابت بودن پارامترهای موتور هنگام کار، درایو کنترل سرعت موتور القایی مبتنی بر مدل جریان در پاسخ به فرمان سرعت rad/s 100، به علت وقوع پدیده اشباع شار ناپایدار شده است، در حالی که مدل پیشنهادی این مقاله به علت استفاده توأمان از جریان و ولتاژ مرجع فازها برای تولید پالس، کاملاً پایدار بوده و ردیابی قابل قبولی ارائه نموده است. ارزش نتیجه شبیه‌سازی ارائه شده وقتی آشکارتر می­شود که دقت شود سرعت نامی موتور مورد استفاده حدود rad/s 190 است، در حالی که مدل جریان در حوالی سرعت‌های rad/s 100 نیز جوابگو نیست.

 

شکل (10): پایداری درایو پیشنهادی در پاسخ به فرمان سرعت rad/s 100

شکل (11): پایداری درایو پیشنهادی در پاسخ به فرمان سرعت rad/s 1، الف: مدل کلاسیک ولتاژ پیشنهادی مرجع [18]؛    ب: مدل پیشنهادی (شبکه عصبی) و ج: مدل کلاسیک ولتاژ.

 

شکل (12): نتیجه تخمین سیگنالهای فیدبکی مورد نیاز درایو کنترل سرعت موتور القایی توسط مدل پیشنهادی

شکل (13): نتیجه تخمین سیگنالهای فیدبکی مورد نیاز درایو کنترل سرعت موتور القایی توسط مدل کلاسیک

 

همچنین، در شکل (11) و با فرض ثابت بودن پارامترهای موتور هنگام کار، درایو کنترل سرعت موتور القایی مبتنی بر مدل ولتاژ بدون جبران شار در پاسخ به فرمان سرعت rad/s 1، به علت وقوع پدیده افت ولتاژ ناپایدار شده است، در حالی که مدل پیشنهادی این مقاله کاملاً پایدار بوده و ضمناً بر خلاف مدل ولتاژ با جبران کننده شار، ردیابی قابل قبولی (بدون خطای ماندگار و با سرعت پاسخ‌دهی قابل توجه) ارائه نموده است.

برای نمایش دقت تخمین مدل عصبی انتخابی، در شکل‌های (12) و (13) به ترتیب نتیجه تخمین سیگنال‌های فیدبکی مورد نیاز درایو موتور القایی به‌وسیله مدل پیشنهادی و مدل کلاسیک ولتاژ در پاسخ به فرمان سرعت rad/s 50 آورده شده­اند.

5- نتیجه‌گیری

در این مقاله، برای رفع ایرادات کارهای قبلی انجام گرفته در حوزه کنترل سرعت موتور القایی، ایده جدیدی برای تولید پالس‌های کلیدزنی مورد نیاز واحد اینورتر به کمک یک شبکه عصبی پرسپترون دو لایه پیشنهاد شده است. با توجه به مشکلات کارهای قبلی گزارش شده (یعنی اشباع شار در محدوده سرعت‌های بالا و نیز افت ولتاژ در محدوده سرعت‌های پایین)، از اطلاعات تلفیقی جریان و ولتاژ مرجع دو فاز موتور برای آموزش و سپس اجرای شبکه عصبی مولد پالس استفاده شده است. نتایج شبیه‌سازی مؤید توفیق روش پیشنهادی در تامین پایداری قابل ملاحظه و در عین حال، ردیابی قابل توجه درایو کنترل سرعت موتور القایی در محدوده سرعت‌های بالا و خیلی پایین است.

 



[1] تاریخ ارسال مقاله : 15/04/1390

تاریخ پذیرش مقاله : 16/3/1391

نام نویسنده مسؤول : حجت مویدی‌راد

نشانی نویسنده مسؤول : ایران- بیرجند - دانشگاه بیرجند

 - دانشکده مهندسی

 
 
[1]     B. K. Bose, “Modern power electronics and ac drives”, Upper Saddle River, NJ: Prentice-Hall, 2002.
[2]     F. Blaschke, “The principle of field orientation as applied to the new transvector closed-loop control system for rotating-field machines”, Siemens Rev, vol. 39, no. 3, pp. 217-220, May 1972.
[3]     P. Vas, “The control of ac machines”, Oxford Univ., 1990.
[4]        J. N. Nash, “Direct torque control, induction motor vector control without an encoder”, IEEE Transactions on Industrial Applications, vol. 33, no. 2, pp. 333–341, Mar./Apr. 1997.
[5]     D. Casadei, G. Serra, and A. Tani, “Implementation of a direct torque control algorithm for induction motor based on discrete space vector modulation”, IEEE Transactions on Power Electronics, vol. 15, no. 4, pp. 769–777, Jul. 2000.
[6]        S. Mir, M. E. Elbuluk, and D. S. Zinger, “PI and fuzzy estimators for tuning the stator resistance in direct torque control of induction machines”, IEEE Transactions on Power Electronics, vol. 13, no. 2, pp. 279–287, Mar. 1998.
[7]     M. G. Simoesand and B. K. Bose, “Neural network based estimation of feedback signals for a vector controlled induction motor drive” , IEEE Transactions on Industrial Applications, vol. 31, no. 3, pp. 620-629, May/Jun. 1995.
[8]     B. K. Bose, “Neural network applications in power electronics and motor drives - an introduction and perspective”, IEEE Transactions on Industrial Electronics, vol. 54, no. 1, pp. 14-33, Feb. 2007.
[9]     R. D. Lorenz and D. B. Lawson, “A simplified approach to continuous On-Line tuning of field oriented induction motor drives”, IEEE Transactions on Industrial Applications, vol. 26, no. 3, pp. 420–424, May/Jun. 1990.
[10]   M. P. Kazmierkowski, “A novel vector control scheme for transistor PWM inverter-fed induction motor drive”, IEEE Transactions on Industrial Electronics, vol. 38, no. 1, pp. 41-47, Feb. 1991.
[11]   L. C. Zai and T. A. Lipo, “An extended kalman filter approach in rotor time constant measurement in PWM induction motor drives”, in Proceeding conference Rec. IEEE-IAS Annual Meeting, pp. 177–183, 1987.
[12]   P. J. Chrzan and H. Klaassen, “Parameter identification of vector-controlled induction machines,” Electrical Engineering, vol. 79, no. 1, pp. 39-49, 1996.
[13]   J. Faiz and M. B. B. Sharifian, “Different techniques for real time estimation of an induction motor rotor resistance sensorless DTC for EV”, IEEE Transactions on Energy Conversion, vol. 16, no. 1,  pp. 104-109, May 2001.
[14]   T. G. Habetler, F. Profumo, M. Pastorelli, and L. M. Tolbert, “Direct torque control of induction machines using space vector modulation”, IEEE Transactions on Industrial Applications, vol. 28, no. 5, pp. 1045–1053, Sept./Oct. 1992.
[15]   I. Takahashi and Y. Ohmori, “High-performance direct torque control of an induction motor”, IEEE Transactions on Industrial Applications, vol. 25, no.2, pp. 257–264, Mar./Apr. 1989.
[16]    B. Karanayil, M. F. Rahman, and C. Grantham, “Online stator and rotor resistance estimation scheme using artificial neural networks for vector controlled speed sensorless induction motor drive”, IEEE Transactions on Industrial Electronics, vol. 54, no. 1, pp. 167-176, Feb. 2007.
[17]    H. M. Kojabadi, L. Chang, and R. Doraiswami, “A MRAS-based adaptive pseudoreduced-order flux observer for sensorless induction motor drives”, IEEE Transactions on Power Electronics, vol. 20, no. 4, pp. 930-176, Jul. 2005.
[18]    K. K. Shyu, L. J. Shang, H. Z. Chen, and K. W. Jwo, “Flux Compensated Direct Torque Control of Induction Motor Drives for Low Speed Operation”, IEEE Transactions on Power Electronics, vol. 19, no. 6, pp. 1608-1613, Nov. 2004.
[19]    S. M. Gadoue, D. Giaouris, J. W. Finch, “Artificial intelligence-based speed control of DTC induction motor drives—A comparative study”, Electric Power Systems Research, vol. 79, no. 1, pp.  210–219, Jan. 2009.
[20]   A. Dey, B. Singh, B. Dwivedi,and D. Chandra, “ Vector control of three-phase induction motor using artificial intelligent technique”, ARPN Journal of Engineering and Applied Sciences, vol. 4, no. 4, pp. 57-67, Jun. 2009.
[21]    D. Casadei, G. Serra, A. Stefani, A. Tani, and L. Zarri, “DTC Drives for Wide Speed Range Applications Using a Robust Flux-Weakening Algorithm”, IEEE Transactions on Industrial Electronics, vol. 54, no. 9, pp. 2451-2461, Oct. 2007.
[22]   G. R. Arab Markadeh, E. Daryabeigi, Caro Lucas, and M. Azizur Rahman, “Speed and Flux Control of Induction Motors Using Emotional Intelligent Controller”, IEEE Transactions on Industrial applications, vol. 47, no. 3, May/June, 2011.
[23]   K. Hornik, M. Stinchcombe, and H. White, “Multilayer feedforward networks are universal approximators”, Neural Networks, vol. 2, no. 4, pp. 303-314, 1989.
[24]   D. E. Rummelhart, G. E. Hinton, and R. J. Williams, “Learning internal representations by error propagation”, in D.E. Rummelhart and J.L. McClelland, editors, “Parallel distributed processing: explorations in the microstructure of cognition”, vol. 1, Chapter 8, pp. 318-362, MIT Press, Cambridge, MA., 1986.