Vous êtes sur la page 1sur 6

Volume 53, Number 2, 2012

99

Application des Réseaux de Neurones pour la Commande de la Machine Asynchrone sans capteur mécanique

Abdelhakim HAMMOUMI, Ahmed MASSOUM, Abdelkader MEROUFEL et Patrice WIRA

Résumé Dans cet article, l’application des réseaux de neurones artificiels (RNA) pour la commande d'une machine asynchrone

(MAS) est présentée. Le régulateur Proportionnel -Intégral (PI) est très utilisé dans l'industrie en raison de sa simplicité et de la robustesse. Mais dans certain cas, quand la dynamique du système change avec le temps ou avec des conditions de fonctionnement,

l’efficacité du PI diminue et la qualité du réglage se détériore.

Les réseaux de neurones artificiels utilisés dans la commande en vitesse semble être une solution pour paré ces difficultés et

assurer une bonne performance de la commande. Différents tests ont été simulés pour apprécier l'apport des RNA. Les résultats obtenus permettent d'illustrer, tant au niveau des performances que de la robustesse, l'apport d'un tel contrôleur dans les entraînements électriques utilisant la machine asynchrone.

Keywords MAS, réseaux de neurones artificiels (RNA), Capteur mécanique, Observateur Luenberger

1. INTRODUCTION

Le domaine de l’entraînement électrique à vitesse variable a connu un essor considérable. Grâce à cette évolution, la commande des machines électriques a fait des progrès énormes. En effet, les exigences accrues de

l’industrie sont à l’origine de l’utilisation de techniques

de réglage et de commande des machines de plus en

plus performantes. Ceci est dû d’une part, à l’évolution de l’Automatique par l’introduction de méthodes

intelligentes de commande des systèmes de plus en plus

complexes, et d’autre part aux progrès enregistrés dans le domaine de la microélectronique et de l’électronique

de puissance. Ce qui a permis la conception des convertisseurs statiques très rapides qui permettent la mise en pratique de ces techniques [1]. Grâce à la simplicité de la commande du flux et du couple, la machine à courant continu reste toujours très utilisée dans les domaines nécessitant des entraînements à vitesse et position variables.

Cependant, la présence du système balais-collecteur est

d’un handicape considérable.

Les machines à courant alternatif possèdent de

nombreux avantages. L’absence de collecteur leur

permet d’avoir un encombrement minimal, une fiabilité accrue, un coût de construction plus réduit et une vitesse de fonctionnement élevée [2]. Parmi ces machines, La machine asynchrone s'impose dans les applications nécessitant des performances dynamiques et statiques très élevées.

Manuscript received December 10, 2011.

Néanmoins, son utilisation exige des structures internes et des stratégies de commande plus complexes du fait de sa forte non linéarité et du couplage entre le flux et le couple.

Afin d’obtenir, avec cette machine, des

performances semblables à celle du moteur à courant continu à excitation séparée, la commande vectorielle est introduite. Cette dernière, fait appel à un découplage en vue de linéariser le comportement de la MAS, et de

pouvoir utiliser, pour le régulateur de vitesse, des techniques de commande robustes développées initialement pour les systèmes linéaires [3]. Le flux et le couple sont alors pilotés par deux courants indépendants. Les régulateurs conventionnels type PI largement utilisés dans ces structures de commande, sont insuffisants pour répondre aux performances exigées. Ils sont sujets à une détérioration des performances en présence des perturbations de charge et des variations paramétriques. Pour palier à ces dégradations, l'utilisation d'une commande intelligente est plus que nécessaire [4]. Un certain nombre de commandes intelligentes ont été déjà appliquées à la machine asynchrone tel que la commande adaptative, la

commande floue, les réseaux de neurones… les travaux

publiés dans la littérature ont montré l’efficacité de ces

méthodes à conduire les systèmes particulièrement complexes et maintenir les performances exigées [2],

[1].

L’emploi des réseaux de neurones plutôt que des techniques classiques pour commander des systèmes complexes peut se justifier par la simplicité de mise en oeuvre (peu d’analyse mathématique préliminaire), par

© 2012 Mediamira Science Publisher. All rights reserved.

100

ACTA ELECTROTEHNICA

la capacité d’approximation universelle prouvée, par la

possibilité de considérer le processus comme une boite

noire et par la possibilité de débuter la conduite avec un

minimum d’informations sur le processus. L’utilisation alors des réseaux de neurones pour l’asservissement du

moteur asynchrone est largement justifiée [2]. Dans ce travail, une structure de réseau de

neurones multicouches statiques, a été analysée et appliquée à la commande en vitesse de la machine asynchrone. Pour simplifier la synthèse de la

commande, nous adoptons la stratégie d’apprentissage supervisée. La difficulté de l’utilisation de ce régulateur

réside dans le choix de sa structure [1]. Des tests de simulation montrant les performances et la robustesse du régulateur neuronale seront présentés et discutés.

  • 2. MODELE DE LA MACHINE ASYNCHRONE

On admet que la machine est symétrique, que son

induction a une répartition sinusoïdale dans l’entrefer et qu’elle n’est pas soumise à la saturation. Dans le référentiel d’axe lié au champ tournant, les équations électriques s’écrivent

  • 2.1. Modèle mathématique de la MAS

Equations électriques

  • V ds

  • V qs

R

s

I

ds

d

ds

d

s

dt

dt

qs

R

s

I

qs

d

qs

dt

d

s

dt

ds

  • V dr

  • V qr

0

 

R

r

I

dr

d

dr

  • d

sr

dt

dt

qs

0

 

R

r

I

qr

d

qr

dt

  • d

sr

dt

ds

Avec

ds

 

 

qs

L

s

I

ds

L

s

I

qs

M I

dr

M I

qr

dr

 

 

qr

L

r

I

dr

L

r

I

qr

M I

ds

M I

qs

Equation mécanique

C

e

3

M

P

2

L

r

dr

I

qs

qr

I

ds

(1)

(2)

(3)

  • 2.2. Modèle de la MAS alimentée en tension

La

méthode

consiste

à

imposer

le

courant

statorique, c’est à dire commander le flux par

la

composante Ids et le couple par la composante Iqs.

 .  X    Y
.
 X
  Y

AX

BU

C

X

Avec

(4)

 

I

ds

 

T



V

ds

 

T



 

T

X

 

I

qs

ds

qs

2

 

,

U

 

V

qs

,

Y

I

ds

I

qs

 

2

T

r

L

r

R

;

1

 

M

L

L

;

K

M

L

L

 

;

R

s

L

R M

r

2

L

L

r

s

r

s

r

 

s

r

s

K

   

 
 

s

T

r

K

 

K

r

K

s

r

 

A

M

1

T

r

 

;

T

r

 

0

s

r

 

 
 

T

r

0

M

 

 

1

 

1

T

r

s

r

T

r

 

L

0

s

0

1

1 0 0 0

T

B

 

;

 

C

 

.

 

0

0

L

0

0

s

0 1 0

 

0

  • 3. ORIENTATION DU FLUX ROTORIQUE

L’orientation du repère dq avec l’axe d lié au

vecteur flux rotorique permet de simplifier l’expression

du couple.

qr 0 et dr r

donc

  • C e

p L

2.

3.

  • L

.

m

dr

r

.

I

qs

(5)

Pour une commande du couple et du flux, nous prenons comme entrées Ce, dr et comme sorties Iqs,

Ids et ωsl.

1 d  *  I  T r   * ds L r 
1
d
*
I
T
r
*
ds
L
r
  
dt
r
(6)
 
m
2
L
C
I
r
e
qs
3
pL
*
(7)
m
r
L
I
w
m
qs
sl
T 
. .
*
(8)
r
r
Fig. 1. Principe de l’orientation du flux rotorique (OFR).

Volume 53, Number 2, 2012

101

  • 4. OBSERVATEUR DE LUENBERGER

Cet observateur permet de reconstituer l’état d’un

système observable à partir de la mesure des entrées et des sorties. Il est utilisé lorsque tout ou une partie du

vecteur d’état ne peut être mesuré. Il permet l’estimation des paramètres variables ou inconnus d’un système. L’équation de l’observateur de Luenberger peut être exprimée par [6] :

 ˆ  X  AX ˆ  BU  ˆ   Y  CX
ˆ
 X
AX
ˆ
BU
ˆ
  Y
CX
ˆ
 Y Y ˆ
Tel que :
Y

K

Y

(9)

(10)

  • 4.1. Détermination de la matrice de gains K

La détermination de la matrice K utilise la procédure conventionnelle de placement de pôles. On

procède par l’imposition des pôles de l’observateur et

par conséquent de sa dynamique. On détermine les

coefficients de K en comparant l’équation caractéristique de l’observateur « Det (pI-A+KC) =0 » avec celle que l’on souhaite imposer. En développant

les différentes matrices A, K et C on obtient l’équation

suivante :

2

p

1

T

s

1

T

r

ˆ

  

j

r

K

p

1

T

r

ˆ

 

j

r







1

T

s

1

T

r

K



L

m

T

r

K











L

m

1

LL

s

r

T

r





ˆ

 

j

r

0

Ou K1 Tel que :

et K2 sont des gains complexes.

K K

   

K K

1

3

 

jK jK

2

4

(11)

La dynamique de l’observateur est définie selon l’équation suivante :

2

p

k

1

T

s

1

T

r

ˆ

 

j

r

p

k

2

1

T

r

ˆ

 

j

r







1

T

s

1

T

r







L

m







L

m







1

T

r

L L

s

r

T

r

ˆ

   0

j

r

(12)

Dont les racines sont proportionnelles aux pôles de la MAS ; la constante de proportionnalité k est au

moins égale à l’unité k 1.

L’identification

donne :

des

expressions (11) et (12)

 

1

1

ˆ

 

K

 

(

k

1)

 

 

 

j

 

 

T

s



 

1

T

r

1

r

L

s

L

m

L

m

k

1

L

s

L

m

1

1

ˆ

 

K

 

k

1

L

T

L

s

T

r

L

r

T

r

   

L

r

T

s

T

r

j

r

 

s

L

r

m

 

(13)

Pour avoir les coefficients de la matrice de gain de l’observateur on obtient (après identification) [18] :

K=

K

 

1

K

2

K

3

K

4

K

2

K

1

K

4

K

3

 

Où :

K

1

K

2

K

3

K

4

k

1

1

T

s

1

T

r

k

ˆ

 

1

r

k

2

1

1

1

L L

s

m

L

m

T

s

T

r

L

r

T

r

     

L L

s

m

1

1

L

r

T

s

T

r

k

1

 

k

1

L L

s

m

L

r

ˆ

r

(14)

  • 4.2. Représentation d’état de l’observateur de Luenberger de gains K

Comme l’état n’est en général pas accessible, l’objectif d’un observateur consiste à réaliser une commande par retour d’état et d’estimer cet état par une

variable que nous noterons X . Tel que :

X

 

ˆ

I

s

ˆ

I

s

ˆ

r

ˆ

r

T

D’après

l’équation

(15),

on

peut

(15)

représenter

l’observateur par le système d’équations suivant :

 ˆ ˆ I  a I  s  1 s 
ˆ
ˆ
I
a I
s
1
s

ˆ

a

2

r

a

2

p

r

K

1

I

s

ˆ

I

s

K

2

I

s

a

2

ˆ

K

1

I

s

 

 

p

ˆ

ˆ

 ˆ ˆ I  a I s  1 s  
ˆ
ˆ
I
a I
s
1
s

ˆ

a

2

r

K

2

I

s

ˆ

I

s

ˆ ˆ    a I r  2 s  
ˆ
ˆ
 a I
r
2
s

ˆ

a

4

r

K

4

I

s

ˆ

I

s

 ˆ ˆ   a I r  3 s  
ˆ
ˆ
 a I
r
3
s

K

3

I

s

ˆ

a

4

r

ˆ

I

s

p

r

p

r

ˆ

r

  • 1

  • L

s

V

s

ˆ

I

s

  • 1

  • L

s

V

s

ˆ

I

s

K

3

I

s

ˆ

I

s

K

  • 4

I

s

ˆ

I

s

(16)

102

ACTA ELECTROTEHNICA

  • 4.3. Observateur de Luenberger basé sur le mécanisme d’adaptation de vitesse de l’observateur

Supposons maintenant que la vitesse

est un

paramètre constant inconnu. Il s’agit de trouver une loi

d’adaptation qui nous permet de l’estimer. L’observateur peut s’écrire:

X A X BU K I I ˆ )

ˆ

( ˆ ) ˆ

(

s

s

 

(19)

Avec :

ˆ

a

1

0

 

ˆ

 
 

0

a

a

a

2

ˆ

 

a

2

p

a

A (

)  

1

2

p

2

(20)

a

0

3

0

a

3

 

a

p

4

ˆ

ˆ

 

p

a

4

Le

mécanisme

d’adaptation

de

la

vitesse

sera

déduit par

la

théorie

 

de

 

Lyapunov.

 

L’erreur

d’estimation sur

le

 

courant

 

statorique

 

et

le

flux

rotorique,

qui

n’est

autre

que

la

différence

entre

l’observateur et le modèle du moteur, est donnée par:

[8]

e  ( A  KC ) e  (  A ) X ˆ

e (AKC)e (A)Xˆ

 

(21)

Avec :

 

0

0

 

0

0

a

0



a p 

2

0

 

ˆ

 

A

A

(

 

)

A

(

Où :

)

0

0

0

0

2

p

p 

 

 

p

0

(22)

  ˆ

(23)

e

 

X

ˆ

X

e

I

s

e

I

s

e

s

e

s

T

(24)

Maintenant, considérons la fonction de Lyapunov suivante :

T

V e e  

(

)

2

/

(25)

Sa dérivée par rapport au temps est :

dV

  

d

(

e

T

)

dt

dt

  e

e

T

  

de

 

1

d

dt

dt

(



)

2

(26)

dV

dt

e

T

A

KC

T

A

KC

e

2

a

2



e

I

s

ˆ

e

I

s

ˆ

2



d

dt

ˆ

(27)

De

cette

équation,

on

peut

déduire

la

loi

d’adaptation pour l’estimation de la vitesse rotorique en

égalisant le deuxième terme et le troisième de

l’équation. On obtient :

ˆ

 

.

a

2

t

0

(

e

I

s

ˆ

r

e

I

s

ˆ

r

)

dt

(28)

  • 5. COMMANDE PAR RESEAUX DE NEURONES DE LA MAS

    • 5.1. Généralités

Les réseaux de neurones artificiels (RNA) peuvent être utilisés pour concevoir des contrôleurs numériques pouvant maintenir des performances dynamiques

élevées de la machine même avec le problème de déréglage. Il a été prouvé que les RNA sont des approximateurs universels des systèmes dynamiques

non linéaires [5]. Ils sont capables d’imiter le comportement de n’importe quel système dynamique

non linéaire complexe en utilisant le réseau de neurones

multicouche approprié.

Après avoir été utilisé pendant plusieurs années dans les applications de reconnaissance des formes ainsi que le traitement des signaux et des images, les RNA sont actuellement employés dans une plus large classe de discipline scientifique. Plusieurs applications

ont été reportées dans le domaine de l’électronique de

puissance à savoir la détection des défauts et le diagnostic des machines électriques, la commande des convertisseurs de puissance et la commande à haute performance des entraînements électriques [3]. Cet

intérêt grandissant dans l’utilisation des RNA dans les

différentes disciplines scientifiques est dû à leur

parallélisme inhérent qui permet le traitement à très

grande vitesse et une implémentation des applications

en temps réel. Ils sont aussi capables de fonctionner

dans des environnements à bruits et ont la capacité de généralisations qui leur permet de tolérer les erreurs ou

le manque de données [4].

  • 5.2. Régulateur neuronal

Le choix de l’architecture du réseau de neurone se

fait selon l’erreur quadratique moyenne (EQM) obtenue au court de l’apprentissage. La structure du réseau est

obtenue après étude [6], et plusieurs essais, en faisant

varier le nombre d’entrées, le nombre de couche cachée

et le nombre de neurones dans chaque couche.

L’architecture qui donne la plus petite valeur de l’erreur

quadratique moyenne avec un temps de calcul

acceptable est celle d’un réseau monocouche à quatre

entrées et à six neurones dans la couche cachée. Les neurones de la couche cachée ont une fonction de

transfert sigmoïde non linéaire et le neurone de sortie a

une fonction de transfert linéaire.

Pour l’apprentissage du réseau, il est nécessaire

d'avoir assez de couple d'entrée-sortie. Puisque notre but est d'obtenir un contrôleur neuronale de vitesse qui couvre toutes les conditions de fonctionnement du système, les vecteurs appropriés d'entrée et de sortie sont obtenus par la simulation de la commande de la MAS en utilisant un régulateur PI

synthétisé pour différents points de fonctionnement [5].

Le processus d’apprentissage est off-line

représente l’évolution de l’erreur quadratique durant l’apprentissage du réseau.

Volume 53, Number 2, 2012

103

Volume 53, Number 2, 2012 103 Fig. 3. Schéma global de la simulation de la commande

Fig. 3. Schéma global de la simulation de la commande vectorielle indirecte de la MAS avec réglage neuronal sans capteur mécanique.

L’entraînement du réseau est effectué en utilisant

l’algorithme d’apprentissage backpropagation de LevenbergMarquardt pour sa convergence rapide. L’initialisation des poids du réseau dans notre cas, est

aléatoire.

6. SIMULATION

Le schéma de la simulation de la commande vectorielle avec association onduleur et MAS et sans capteur mécanique avec un régulateur neuronale est représenté par la figure 2 ci-dessus. Pour un test de robustesse, nous avons jugé utile de faire une simulation pour une résistance R=1.5*Rn

Volume 53, Number 2, 2012 103 Fig. 3. Schéma global de la simulation de la commande

Fig. 4. Commande vectorielle indirecte de la MAS par réseaux de neurones sans capteur mécanique.

et

une

inertie

J=2*Jn

de

la

MAS

commandé

vectoriellement sans capteur mécanique.

7. CONCLUSION

Dans cet article, nous avons développé et appliqué une méthode de réglage par réseau de neurones

artificiel pour l’asservissement de la vitesse d’une MAS

alimentée par un onduleur à deux niveaux et où le flux

et couple sont découplés par la technique de la commande vectorielle. Le découplage, la stabilité et la

convergence vers l’équilibre sont assurés sur toute la

plage de variation. Les différents résultats obtenus en simulation

Volume 53, Number 2, 2012 103 Fig. 3. Schéma global de la simulation de la commande
Volume 53, Number 2, 2012 103 Fig. 3. Schéma global de la simulation de la commande

Fig. 2. Commande vectorielle indirecte de la MAS par réseaux de neurones sans capteur mécanique (R=1.5*Rn).

104

ACTA ELECTROTEHNICA

montrent la robustesse du régulateur neuronal vis à vis

des perturbations des paramètres du système et de la

charge. D’autre part la poursuite en vitesse est sans

dépassement et sans erreur statique.

ANNEXE

Paramètres du moteur utilisé:

P=1.5kw, U=220v, Rs=4.85 Ω, Rr=3.81 Ω, Ls=Lr=.274H, M=.258H, J=.031kgm2, fr=.00114Nms/rd, p=2

REFERENCES

  • 1. B.K. Bose « Power electronics and AC drives » Prentice.

  • 2. Y.Fu “commandes découplées et adaptatives des machines

asynchrones triphasées” thèse de doctorat Montpellier II Mars

  • 3. M. Solazzi and A. Uncini, “On-line Quality Control of Permanent Magnet Motor Using Neural Networks”, IEEE

Trans. on Industry Applications, Vol. 36, No. 3, May/June. 2000, pp. 265-273

  • 4. B.M.A. Rahman and M.A. Hoque, “On-Line Adaptive Artificial Neural Network Based Vector Control of permanent Magnet

Synchronous Motors”, IEEE Trans. on Energy Conversion, Vol.

13, No. 4, December. 1998, pp. 311-318.

  • 5. J.M. Renders, « Algorithme Génétique et Réseaux de Neurones, Application à la Commande des Processus », Hermes, Paris, 1995 .

  • 6. W.T. Miller, R.S. Sutton, and P.J. Werbos, “Neural Networks for

Control”, MIT Press, 1992.

  • 7. S. Peresada, A. Tilli and A. Tonielli, ‘’Theoretical and Experimental Comparison of Indirect Field-Oriented Controllers

for Induction Motors’’, IEEE Trans on Power Electronics, Vol.

18, No, 1. pp. 151-163, Jan 2003.

  • 8. Jooho Song, Kyo-Beum Lee, Joong-Ho Song, Ick Choy, and Kwang-Bae Kim, "Sensorless vector control of induction Motor Using A Novel Reduced order Extended Luenberger observer".

Abdelhakim HAMMOUMI Ahmed MASSOUM Abdelkader MEROUFEL

Laboratoire ICEPS Département d'électrotechnique Université Djillali Liabes de Sidi Bel-Abbès, Algeria E-mail: ahmassoum@yahoo.fr

Patrice WIRA

Laboratoire MIPS-TROP, Mulhouse Université de Haute Alsace, France