TY - JOUR
T1 - Estimación de la resistencia del rotor usando una red neuronal artificial en el control vectorial indirecto del motor de inducción
AU - Huerta González, Pedro Francisco
AU - Rodríguez Rivas, Jaime J.
AU - Torres Rodríguez, Ivone Cecilia
N1 - Funding Information:
del rotor. En los accionamientos del MI con el CVI, los valores del flujo, par, y deslizamiento se calculan a partir de las mediciones de corrientes y voltajes en los terminales del motor, o se calculan a partir de la utilización de modelos basados en los parámetros de la máquina. Es deseable que los valores de estas variables coincidan con los valores reales de la máquina en todas las condiciones de operación para lograr de esta forma el control desacoplado de la máquina. El funcionamiento del control es sensible a los parámetros del sistema, en particular a la resistencia del rotor que cambia significativamente con la temperatura y con el efecto piel. En este trabajo se realiza la estimación en línea de la resistencia del rotor para actualizar su valor en el control y mantener sintonizado el CVI.
Funding Information:
La selección de la estructura óptima de la RNA para cada aplicación es un problema difícil. En esta sección se mostrarán los resultados más significativos obtenidos durante el entrenamiento de diferentes RNA. Las tablas I, II y III muestran tres estructuras de RNA usadas como estimadores de la resistencia del rotor, además se establece que la normalización para los vectores de entrada es entre [-1, 1], y para el vector de salida se encuentra entre [0, 1].
Funding Information:
La tabla I muestra la RNA que tiene tres neuronas en la capa oculta; la estructura de la capa de entrada y de salida se determina por el número de señales de entrada y de salida respectivamente, como se estableció en las figuras 2 y 3. Las tablas II y III muestran las características de dos RNA, la primera tiene dos capas ocultas con cinco neuronas cada una y la segunda tiene una capa oculta con cinco neuronas, respectivamente. El error estimado para cada RNA se muestra en la figura 4, donde el error entre la resistencia real del rotor y la estimada por la RNA que se obtuvo con la estructura de la tabla III, es más bajo que el obtenido con las otras RNA. Considerado los resultados anteriores, la RNA que tiene tres capas, en donde la primera capa tiene catorce neuronas, la capa oculta tiene cinco y la capa de salida tiene sólo una neurona, debido a que la señal de salida es el valor de la resistencia del rotor, será usada como estimador de la resistencia del rotor en el CVI.
PY - 2008
Y1 - 2008
N2 - This paper presents a rotor resistance estimator based on an artificial neural network (ANN) used in the indirect vector control (IVC) of an induction motor (IM). Attention is focused on the dynamic performance of ANN rotor estimator, which gives superior performance over the fuzzy logic based rotor estimator reported in technical literature. The simulation was done using a 1.5 HP induction motor. The same ANN rotor estimator was proved with other IM having different rated power. The use of the same ANN was possible because the scaling and descaling (normalization) of the input and output of ANN was property done for each motor. The ANN training was done offline using the Levenberg-Marquardt algorithm. The neuronal network is a three-layer network; the first layer has fourteen neurons (or nodes), the hidden layer has five neurons and the output layer has only one neuron because the unique output signal is the rotor resistance value.
AB - This paper presents a rotor resistance estimator based on an artificial neural network (ANN) used in the indirect vector control (IVC) of an induction motor (IM). Attention is focused on the dynamic performance of ANN rotor estimator, which gives superior performance over the fuzzy logic based rotor estimator reported in technical literature. The simulation was done using a 1.5 HP induction motor. The same ANN rotor estimator was proved with other IM having different rated power. The use of the same ANN was possible because the scaling and descaling (normalization) of the input and output of ANN was property done for each motor. The ANN training was done offline using the Levenberg-Marquardt algorithm. The neuronal network is a three-layer network; the first layer has fourteen neurons (or nodes), the hidden layer has five neurons and the output layer has only one neuron because the unique output signal is the rotor resistance value.
UR - http://www.scopus.com/inward/record.url?scp=77956047094&partnerID=8YFLogxK
U2 - 10.1109/TLA.2008.4609915
DO - 10.1109/TLA.2008.4609915
M3 - Artículo
SN - 1548-0992
VL - 6
SP - 176
EP - 183
JO - IEEE Latin America Transactions
JF - IEEE Latin America Transactions
IS - 2
ER -