Académique Documents
Professionnel Documents
Culture Documents
UNIDAD DE POSGRADOS
MAESTRA EN CONTROL Y
AUTOMATIZACIN INDUSTRIALES
Proyecto de Investigacin
y Desarrollo previa a la
Obtencin del Grado
de Magister en Control y
Automatizacin Industriales
Autor:
William Patricio Navas Cajamarca.
Director:
Dr. Julio Cesar Viola.
Obtenci on del modelo din amico de un motor
trif
asico de induccion utilizando t
ecnicas de
identificaci
on de sistemas con logica difusa
Obtenci on del modelo din amico de un motor
trif
asico de induccion utilizando t
ecnicas de
identificaci
on de sistemas con logica difusa
Autor:
Dirigido por:
Cuenca - Ecuador
Datos de catalogacin bibliogrfica
Breve rese
na de los autores e informaci
on de contacto:
AUTOR:
DIRIGIDO POR:
DR. JULIO CESAR VIOLA
Ingeniero Electr
onico
Doctor en Ingeniera
Investigador Proyecto Prometeo-SENESCYT
jcviola@gmail.com
DERECHOS RESERVADOS
2016
c Universidad Politecnica Salesiana.
CUENCA - ECUADOR - SUDAMERICA
WILLIAM PATRICIO NAVAS CAJAMARCA
Obtencion del modelo dinamico de un motor trif asico de inducci
on
utilizando t
ecnicas de identificaci
on de sistemas con l
ogica difusa
Edici
on y Producci
on:
William Patricio Navas Cajamarca.
IMPRESION EN ECUADOR - PRINTED IN ECUADOR
Indice General
Indice General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
Indice de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Indice de Tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
2. DESCRIPCION DE LA MAQUINA 5
2.1. Descripci
on del modelo de la maquina . . . . . . . . . . . . . . . . . . . . 5
2.1.1. Vectores espaciales . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.2. Transformaciones vectoriales . . . . . . . . . . . . . . . . . . . . . 8
2.1.3. Modelo de la m aquina de induccion . . . . . . . . . . . . . . . . . 9
2.2. Descripci
on de los fundamentos de logica difusa . . . . . . . . . . . . . . 13
2.2.1. Sistemas l
ogicos Difusos . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Selecci
on del modelo difuso . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.1. Estructura del ANFIS . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.2. Algoritmo de Entrenamiento Hbrido . . . . . . . . . . . . . . . . 21
3. ANALISIS DE LAS SIMULACIONES 23
3.1. Recolecci
on de datos simulados . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.1. Calculo del
angulo del vector de corrientes . . . . . . . . . . . . . . 23
3.1.2. Entrenamiento con una estructura ANFIS . . . . . . . . . . . . . 25
3.1.3. Descripcion de los datos para entrenamiento, comprobacion y
verificaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Obtenci
on del modelo difuso . . . . . . . . . . . . . . . . . . . . . . . . . . 29
v
3.3. Validaci
on del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4. ANALISIS EXPERIMENTAL 41
4.1. Recoleccion de datos experimentales . . . . . . . . . . . . . . . . . . . . . 42
4.1.1. Calculo del
angulo del vector de corriente . . . . . . . . . . . . . . 49
4.2. Validaci
on del modelo experimental . . . . . . . . . . . . . . . . . . . . . . 51
4.2.1. Adaptaci on del modelo con el conjunto de datos de entrenamiento. 51
4.2.2. Adaptaci on del modelo con los conjuntos de datos de
entrenamiento, comprobacion y verificacion. . . . . . . . . . . . . . 53
4.2.3. Implementaci on de un control voltaje-frecuencia constante (VFC)
para un modelo de motor en Simulink . . . . . . . . . . . . . . . . 59
Anexos 67
A. C
odigo de MATLAB del algoritmo de trasformaci
on, filtrado y
derivaci
on. trasnformacion.m 67
B. C
odigo de MATLAB del algoritmo para validar el modelo. validacion.m 69
Bibliografa 71
Indice de Figuras
vii
3.10. Datos de entrada de entrenamiento para la verificacion luego del
entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.11. Grafica del entrenamiento con un error = 0,0803[p.u]. . . . . . . . . . . . 34
3.12. Grafica de la comprobaci on del modelo con un error = 0,0838[p.u]. . . . . 34
3.13. Grafica de verificaci
on luego de obtener el modelo con un error = 0,0436[p.u]. 35
3.14. Funciones de pertenencia del FIS inicial. . . . . . . . . . . . . . . . . . . . 35
3.15. Error de entrenamiento y error de comprobacion. . . . . . . . . . . . . . . 37
3.16. Esquema realizado en Simulink para validar el modelo obtenido. . . . . . 38
3.17. Salida de la velocidad estimada del modelo FIS, que es comparada con la
velocidad obtenida a partir de la simulacion de la maquina. . . . . . . . . 38
3.18. Salida de la velocidad estimada del modelo FIS vs. la velocidad obtenida
a partir de la simulaci on de la maquina de induccion. . . . . . . . . . . . . 39
3.19. Salida de la velocidad estimada del modelo FIS, comparada con el nuevo
ingreso de la velocidad obtenida a partir de la simulacion de la maquina
de induccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.1. Representaci
on numerica, por su estatura y color de piel. . . . . . . . . . 14
xi
Dedicatoria
En el captulo IV, se utiliza los datos experimentales del motor de induccion trifasico,
con una configuraci on tipo doblemente alimentada y rotor bobinado, estos datos
(corrientes de estator y corrientes de rotor) se adquiere con la tarjeta de procesamiento
de se
nales ADSP-231369 disponibles en los laboratorios de maquinas electricas de la
Universidad Politecnica Salesiana (UPS). Finalmente se obtiene el modelo y se valida.
Se realiza un controlador voltaje-frecuencia constante de lazo cerrado para validar un
modelo de una m aquina en Simulink.
A todos, gracias.
William Patricio
CAPITULO 1
Y MARCO
INTRODUCCION
TEORICO
1.1. Introducci
on
Al aplicar las leyes fsicas a un sistema es posible encontrar una expresion matematica
que represente a dicho sistema. Sin embargo existen casos donde las leyes fsicas que
describen el comportamiento de un sistema no estan completamente definidas y obtener
un modelo matem atico resulta una tarea difcil y a veces hasta imposible. En estos casos
se puede usar un procedimiento experimental o tambien llamado identificacion [Patete,
2012].
1.2. Descripci
on del problema
Determinar el comportamiento de un sistema en una region especfica de operacion,
se puede utilizar una experimentacion sobre el para observar dicho comportamiento.
1
2 1.3. OBJETIVOS
Puede ser costosa para ciertas plantas y por esta razon resulta mas conveniente contar
con un modelo del sistema.
Las caractersticas de la m
aquina de induccion trifasica, hacen que su modelo sea un
sistema no lineal. Este problema dificulta obtener el modelo matematico.
1.3. Objetivos
1.3.1. Objetivo general
Dise
nar e implantar una metodologa de identificacion difusa para una maquina de
inducci
on trif
asica tipo doble alimentado (DFIG por sus siglas en ingles) que permita
estimar la velocidad a partir de las mediciones de corriente de estator y rotor. El modelo
generado ser a validado mediante simulaciones, datos experimentales y, finalmente
mediante un algoritmo de control.
1.4. Revisi
on del estado del arte
Existen trabajos de investigacion que han sido enfocados en la identificacion de
m
aquinas de inducci
on, algunos de ellos son:
[Ju
arez et al., 2014], presentan una propuesta interesante de un sistema tipo caja de
negra para un motor de corriente continua (C.C.), que es una investigacion muy cercana
a la de una m aquina de inducci on trifasica. Los parametros internos no son observables
con respecto a su relacion entrada-salida. Se desarrolla un filtro identificador adaptativo
para describirlos, que se realiza fuera de lnea. Por otra parte, dentro de la caja negra,
4 DEL ESTADO DEL ARTE
1.4. REVISION
los par
ametros internos son desconocidos; es decir, no se pueden medir directamente y
menos a un construir o usar la funci
on de transicion requerida en el identificador.
[Kai et al., 2008], este trabajo presenta una identificacion y control dinamico de
un motor de inducci on (IM) con arranque suave (Soft-Start) usando redes neuronales
artificiales (ANN). Se demuestra que utilizando cargas ligeras, sin exigencias precisas de
la velocidad y empleando dispositivos de estado solido, se obtiene un ahorro de energa
y se mejora la eficiencia. Cuando se utiliza un driver, se genera armonicos de alto
orden, y estos arm onicos contienen componentes de secuencia positiva y negativa, estos
resultados influyen en la velocidad de rotacion del campo magnetico y traen pulsaciones.
Estos an alisis requieren modelo fsico detallado y grandes calculos matematicos. Trae
dificultades para controlar las decisiones
DE LA MAQUINA
DESCRIPCION
2.1. Descripci
on del modelo de la m
aquina
El motor de inducci
on es una de las maquinas electricas mas utilizadas en aplicaciones
industriales por su simplicidad, fiabilidad, bajo costo y porque su mantenimiento es
mnimo. El motor de inducci on se esta utilizando actualmente en nuevos campos y
esto se debe al avance en la electronica de potencia y al desarrollo de algoritmos de
control [B
ocker and Mathapati, 2007].
Se tiene dos tipos de rotor para un motor de induccion, el rotor jaula de ardilla y el
rotor bobinado, siendo el primero el mas utilizado a nivel industrial. En este trabajo la
identificaci
on se realizar
a sobre una maquina disponible en los laboratorios de maquinas
electricas de la Universidad Politecnica Salesiana la cual posee una configuracion tipo
doblemente alimentada y rotor bobinado.
Las aplicaciones tpicas de estas maquinas son como motor, es decir transformando
la energa electrica en mecanica, aunque en los u ltimos a
nos el uso de maquinas de
inducci
on se han estado popularizando como generadores especialmente en su version
doblemente alimentada, la cual ofrece acceso a los terminales de rotor mediante anillos
deslizantes. Dentro de las aplicaciones mas comunes como motor se pueden mencionar:
maquinas de lavar, compresores, bombas, aire acondicionado, en la industria como servo
motores, y tambien en los automoviles electricos, etc.
5
6 DEL MODELO DE LA MAQUINA
2.1. DESCRIPCION
2
ieb (t) = Ie sin(e t e ) (2.2)
3
4
iec (t) = Ie sin(e t e ) (2.3)
3
y considerando una m aquina de induccion trifasica con un par de polos en la que existe
una diferencia espacial de 2
3 rad. entre cada eje, podemos obtener un solo vector de la
forma:
2 4
ie (t) = iea ej0 + ieb (t)ej 3 + iec (t)ej 3 (2.4)
8 DEL MODELO DE LA MAQUINA
2.1. DESCRIPCION
a
l ea
e
Figura 2.3: Espacio vectorial de las corrientes de estator de un sistema trif
asico [Viola, 2007].
r
3 j(e te )
ie = Ie e (2.5)
2
Si observamos la ecuaci
on (2.4), se trata de un vector que se encuentra en los ejes
abc asociado a cada arrollamiento del estator y cuya magnitud vara sinusoidalmente.
ie = ie + jie (2.7)
2.1.3. Modelo de la m
aquina de inducci
on
Para encontrar las ecuaciones diferenciales que rigen el comportamiento de la
maquina de inducci on tememos que analizar la malla para los circuitos de estator y rotor
que se ilustra en la Figura 2.5. Las bobinas rotoricas se encuentran en cortocircuito y al
estator se le aplica un sistema trifasico de tensiones balanceadas.
de
ve = Re ie + (2.11)
dt
dr
vr = 0 = ir Rr + (2.12)
dt
: es un vector espacial de flujo ya sea de estator o rotor.
En este punto vamos a definir los enlaces de flujo de estator e y rotor r que se
encuentran en las ecuaciones (2.11) y (2.12).
10 DEL MODELO DE LA MAQUINA
2.1. DESCRIPCION
ie ie
a
ie
Figura 2.4: Descomposici on del vector espacial de la corriente de estator en el sistema de ejes
de referencia ortogonales .
Mre ir : es el vector espacial de enlace de flujo mutuo que es debido a las corrientes de
rotor y es expresado en el marco de referencia estacionario.
Lr i0r : es la componente del enlace de auto flujo producido por la corriente de rotor y
expresado en el marco de referencia estacionario.
d
ve = Re ie + (Le ie + Mre ir ej ) (2.20)
dt
d
vr = 0 = ir Rr + (Lr ir + Mre ie ejr ) (2.21)
dt
Desarrollando primero la ecuacion (2.20) se tiene:
j 23 Ler ej 3 j
Re Le 2 Ler e
ve ie ie
= + 3 (2.25)
j 3 Ler ej Rr Ler ej Lr
ir
0 2 ir 2
3
Te = Ler =[ie (ir ej ) ] (2.27)
2
La ecuaci
on mecanica que establece la dependencia entre la aceleracion angular del
eje del motor en funci
on del par electrico, el par mecanico y la inercia del rotor [Viola,
2007] es :
Te Tm
m = (2.28)
J
Reemplazando la ecuaci
on (2.27) en (2.28) obtenemos :
3
m = Ler =[ie (ir ej ) ] Tm (2.29)
2J
Este modelo simplifica notablemente las ecuaciones al representar magnitudes
trif
asicas mediante vectores espaciales. El sistema se ha reducido a dos ecuaciones
principales (2.25) y (2.29), las cuales simulan dinamicamente el comportamiento de una
CAPITULO 2. DESCRIPCION
DE LA MAQUINA
13
m
aquina de inducci
on trif
asica.
2.2. Descripci
on de los fundamentos de l
ogica difusa
La l
ogica difusa es una tecnica de computacion flexible que le permite a un computador
clasificar informaci
on del mundo real en una escala acotada por los valores falso,
verdadero. Tiene por objetivo proporcionar un soporte matematico formal al
razonamiento basado en el lenguaje natural, el cual se caracteriza por tratarse de
un razonamiento de tipo aproximado que hace uso de proposiciones que expresan
informaci on de car
acter impreciso [Jose, 2009, DNegri and De Vito, 2006, Jang and Sun,
1995].
1. Tolera los datos imprecisos [Jose, 2009, DNegri and De Vito, 2006, Jang and Sun,
1995].
2. Modela las funciones no-lineales de complejidad arbitraria [Jose, 2009, DNegri and
De Vito, 2006, Jang and Sun, 1995].
5. Est
a basada en el lenguaje utilizado por los humanos [Jose, 2009, DNegri and
De Vito, 2006, Jang and Sun, 1995].
La raz
on es simple, durante muchos a nos la logica clasica y binaria (crisp & binary)
han sustentado que la clasificaci
on de las cosas debe ser como:
Pero no se pens
o que algo podra ser:
-medio negro
14 DE LOS FUNDAMENTOS DE LOGICA
2.2. DESCRIPCION DIFUSA
-casi verde
-escasamente amarillo
Si tomamos en cuenta las palabras medio, poco, escaso, casi, son subjetivas,
sin embargo esa subjetividadpermite que se tenga una clasificacion mas amplia y
menos excluyente [Minchala, 2013].
A : X{0, 1}
El valor de A (x) para el conjunto difuso A se le llama valor de membreca o grado
de pertenencia, donde xX. El grado de membreca es la pertenencia de x al conjunto
difuso A.
La funci
on de pertenencia aplica cada punto del universo a un valor numerico entre 0
y 1, dentro de la grafica de dominios. Como se menciono anteriormente se define con el
smbolo al grado de pertenencia. Existen varios tipos de funciones de pertenencia que
se presentan en la figura 2.7, sin embargo las dos mas comunes son, la funcion triangular
y tiene el nombre de funci on trimf, para describir esta funcion de pertenencia se necesita
tres puntos que forman un tri angulo y la funcion trapezoidal llamada tambien trapmf,
tiene una parte superior plana y realmente es solo una curva de triangulo truncado.
Estas funciones de pertenencia de lnea recta tienen la ventaja de la simplicidad. Pero
tambien tenemos funciones de pertenencia gaussmf y gbellmf se construyen sobre la
curva de distribucion de gauss con una simple curva de gauss y de dos caras gaussianas
diferentes [Minchala, 2013, Jose, 2009, Jang and Sun, 1995].
(17)Adolescentes = 0,4
(17)Jovenes = 0,6
(17)Adultos = 0
Variable ling ustica: es aquella que toma valores con palabras o descripciones
simbolicas en lugar de valores numericos, para las entras y salidas. En una funcion de
membreca los conjuntos son asociados con variables lingusticas [Passino et al., 1998]. El
ejemplo se muestra en la Figura 2.8.Adolescentes, jovenes, adultos, son variables
ling
usticas, de la funcion de pertenencia: Edad
2.2.1. Sistemas l
ogicos Difusos
En general, un Sistema l ogico Difuso (SLD) realiza una aplicacion no-lineal de un vector
de datos de entrada, con una salida escalar. Es decir aplica n umeros con n umeros. La
teora de los conjuntos difusos y la logica difusa establecen las especificaciones de esta
aplicacion no-lineal u
nica. Es capaz de manejar datos numericos y conceptos ling usticos
simultaneamente. Los SLD han sido aplicados exitosamente en campos tales como el
CAPITULO 2. DESCRIPCION
DE LA MAQUINA
17
0.6
0.4
0
17 Edad
Mecanismo de
Defusificacin
inferencia
Fusificacin
ENTRADA SALIDA
Base del
conocimiento
Defusificaci on: La salida del proceso de inferencia es hasta ahora un conjunto difuso
que indica la posibilidad de realizar una accion de control. Sin embargo, las aplicaciones
de los sistemas difusos no pueden interpretar los valores ling usticos obtenidos, por lo
que se utilizan funciones de pertenencia de salida para retransformar los valores difusos
nuevamente en valores definidos o crisp mediante la defusificacion [Efren, 2012, Jang and
Sun, 1995].
2.3. Selecci
on del modelo difuso
La l
ogica Difusa y las Redes Neuronales tienen propiedades computacionales particulares
que las hacen adecuadas para ciertos problemas especficos y no para otros. Por ejemplo,
mientras las redes neuronales ofrecen ventajas como el aprendizaje, adaptacion,
tolerancia a fallas, paralelismo y generalizacion, no son buenas para explicar como han
alcanzado sus decisiones. En cambio, los sistemas difusos, razonan con informacion
imprecisa a traves de un mecanismo de inferencia bajo incertidumbre ling ustica y son
buenos explicando sus decisiones pero no pueden adquirir automaticamente las reglas
que usan para este fin [Efren, 2012, Jang and Sun, 1995].
Existen sistemas de desarrollo que han logrado unir la logica difusa con las redes
neuronales, por ejemplo se tiene:
CAPITULO 2. DESCRIPCION
DE LA MAQUINA
19
Una red adaptativa es una estructura que consiste en nodos y enlaces direccionales
a traves de los cuales los nodos se conectan. En cada nodo puede haber un conjunto
de parametros, los cuales ejecutan una funcion particular sobre las se
nales de entrada
a ese nodo. Las formulas para las funciones de los nodos pueden variar de uno a otro.
De tal manera que se logra una relacion deseada de entrada-salida, los parametros del
nodo son actualizados de acuerdo a los datos de entrenamiento y a un procedimiento
de aprendizaje. El ANFIS o Sistema de Inferencia Neuro-Difusa Adaptativa es una
clase de red adaptativa que es funcionalmente equivalente a los sistemas de inferencia
difuso (SID). Esencialmente consiste en la utilizacion de los modelos difusos de Sugeno
o Tsukamoto y utilizando la arquitectura de una red adaptativa se actualizan los
parametros de los nodos, mediante una ley de aprendizaje hbrido o algoritmo de
adaptacion. La arquitectura del ANFIS se presenta en este proyecto con el modelo de
Sugeno de primer orden. M as adelante se presenta las 5 capas y en cada capa puede
haber varios nodos. La funci on de cada nodo dentro de una capa es la misma [Jang,
1993, Jang and Sun, 1995].
20 DEL MODELO DIFUSO
2.3. SELECCION
A1 B1
W1 f1 = p1x+q1y+r1
W1 f1 + W2 f2
Y f=
A2 X
B2 W1 + W2
W2 f2 = p2x+q2y+r2 = W1 f1 + W2 f2
x X y Y
(a)
Capa 1 Capa 4
Capa 2 Capa 3
x y
A1
Capa 5
x
W1 W1 W1 f1
A2
f
B1
y
W2 W2 W2 f2
B2
x y
(b)
Figura 2.10: (a)Un sistema de inferencia difuso tipo Sugeno con dos entradas de primer orden
modelado con dos reglas, (b)Arquitectura Equivalente ANFIS.
Capa 1: cada nodo i en esta capa es un nodo adaptativo con la funcion nodal
O1i = Ai (x),
donde x es la entrada para el nodo i y Ai es una etiqueta ling ustica, tal como
pequeno, grande, etc. Se especifica el grado al cual la entrada x satisface al conjunto
difuso A. La funci
on de pertenencia (FP) para el conjunto difuso A puede ser cualquier
funci
on parametrizada como la funcion campana generalizada [Jang, 1993, Jang and
Sun, 1995]
1
A = , (2.30)
1 + ( xci 2bi
ai )
Capa 2: Cada nodo de esta capa es un nodo fijo denominado , cuya salida es el
producto de todas las se
nales de entrada [Jang, 1993, Jang and Sun, 1995].
CAPITULO 2. DESCRIPCION
DE LA MAQUINA
21
Capa 3: cada nodo en esta capa es tambien un nodo fijo denominado N y calcula
la relaci
on de los cumplimientos de la i-esima regla a la suma de los cumplimientos de
todas las reglas.
wi
O3i = wi = , i = 1, 2.. (2.32)
w1 + w2
Para conveniencia la salida de esta capa es llamada normalizada.
Capa 4: cada nodo de esta capa es un nodo adaptativo con una funcion del tipo
Capa 5: esta constituida por un u nico nodo y este es denominado fijo O el cual
calcula la salida total como la suma de todas las se
nales de entrada.
P
X wfi
O5i = wi fi = Pi (2.34)
i i wi
A = y (2.35)
El metodo de aprendizaje hbrido converge mucho mas rapido, que el metodo original
de retropropagacion, debido a que reduce la b usqueda en el espacio dimensional. Como
regla las FP deben ser mantenidas fijas mientras dure el proceso de aprendizaje [Jang,
1993, Jang and Sun, 1995].
CAPITULO 3
ANALISIS DE LAS SIMULACIONES
3.1. Recolecci
on de datos simulados
La recolecci
on de datos simulados se realiza tomando en cuenta las variables involucradas
en las ecuaciones (2.14) y (2.18).
3.1.1. C
alculo del
angulo del vector de corrientes
Funcionamiento de la m aquina de inducci on trif
asica: La maquina de
inducci
on trif
asica tiene tres bobinados en el estator y tres bobinados en el rotor,
pudiendose alimentar mediante un sistema de voltaje trifasico a 60Hz de la lnea o
puede ser alimentado por un inversor con frecuencia variable. En cualquiera de estos
casos se genera un campo electromagnetico giratorio producido por el estator, que gira
23
24 DE DATOS SIMULADOS
3.1. RECOLECCION
ie
ie
ie
d = e r (3.3)
Datos de salida ()
Datos de ingreso
Modelo FIS
estimada
Algoritmo de
entrenamiento
Si el
angulo del rotor r empieza a acelerarse este trata de igualar en posicion al
ngulo de estator e . En el instante en que se igualan estos dos angulos el par es igual a
a
cero. El rotor disminuye la aceleracion porque el par generado por la maquina es igual a 0,
el
angulo r comienza a retrasarse respecto al angulo de estator e y nuevamente existe
par, esto sucede cuando la maquina electrica llega a su velocidad nominal. En estado
estacionario existe un peque no desfase denominado deslizamiento y se define como:
e r
s= (3.4)
s
Para trabajar con una estructura ANFIS, se necesita las siguientes variables:
entradas (input): las variables de ingreso son creadas por las corrientes de estator,
corrientes de rotor, que est
a formada por la diferencia de los angulos
Inicio
Gestin de datos
Datos de las corrientes estator y rotor: ir,ie
Datos de velocidad angular de rotor wr
Generacin de la data:
dataTRN, dataCHK, dataTST
La validacin es
correcta
no
si
Fin
ni=1 [Yi Di ]
ME = (3.5)
n
donde:
Yi = Valor medido de velocidad angular.
Di = Valor estimado de la velocidad angular por el ANFIS.
n = Numero de muestras del conjunto de datos.
3.1.3. Descripci
on de los datos para entrenamiento,
comprobacion y verificaci
on
Los diferentes modelos del motor de induccion trifasico se entrenaron con 30000 datos
y a estos datos se realiza una particion, para los conjuntos de datos de entrenamiento
(trn), verificaci
on (tst) y comprobacion (chk). Cada uno de los conjuntos de datos se
define como:
Inicio
Caga de la data:
TRNdata, CHKdata, TSTdata
Fin
Una vez que el modelo FIS ha sido entrenado, se prueba el modelo obtenido con
los conjuntos datos de verificaci
on (testing), para indagar que el modelo, provea como
resultado, la mejor estimacion de la velocidad angular m . Esta verificacion se realiza
con datos que no fueron usados durante el entrenamiento y que no han sido vistos, en
consecuencia, por el modelo ya entrenado. [Efren, 2012].
3.2. Obtenci
on del modelo difuso
La Figura 3.5 corresponde al proceso de la obtencion de los datos de las corrientes,
par electrico y la velocidad angular. Cabe aclarar que los datos del par electrico no
se est
an utilizando para los calculos y entrenamientos, estos datos se obtienen de las
simulaciones y son presentados como informacion. Luego se ingresan estos datos a la
estructura ANFIS, para los entrenamientos y la obtencion el modelo de la maquina.
ie_alpha
Angulo
_e
ie_beta
Salida velocidad
Filtrado con derivada
d=(_e _r) FIS estimada
ir_alpha
Angulo
_r
ir_beta
1. Para obtener los datos de las corrientes de estator ie , corrientes de rotor ir , par
electrico Te y la velocidad angular m se realiza las simulaciones respectivas.
La cantidad de datos que tiene cada variable es de 30000 valores. Las unidades
son por unidad (p.u). La Figura 3.6 corresponde a las se nales de corriente,
par y velocidad angular como se menciona anteriormente. A hora ingresamos un
30 DEL MODELO DIFUSO
3.2. OBTENCION
Figura 3.6: Gr aficas de las corrientes ie , ir , par electrico Te , velocidad angular m con v =
1[p.u.], = 1[p.u.].
y = [ie , ir , wm , ] (3.6)
is = ie + jie (3.7)
CAPITULO 3. ANALISIS
DE LAS SIMULACIONES 31
Figura 3.7: Gr aficas de las corrientes ie , ir , par electrico Te , velocidad angular m con v =
0,5[p.u.], = 1[p.u.].
3. Con los datos obtenidos hasta este momento, en las simulaciones mostradas en las
Figuras 3.6 y 3.7 se realiza una division en los vectores de datos de: entrenamiento,
comprobaci on y verificacion. Los datos ingresan a la estructura ANFIS para ser
entrenados y luego obtener el modelo FIS de la maquina de induccion.
A continuaci
on se presenta los subconjuntos de datos obtenidos con sus respectivas
figuras.
La Figura 3.8 se muestra los datos de entrenamiento que seran enviados al ANFIS.
La Figura 3.9 se exhibe los datos de comprobacion que seran usados en el ANFIS.
La Figura 3.10 se ilustra los datos de verificacion. Estos datos no se utilizan en
ning
un momento durante el entrenamiento ya que se desea utilizar para comprobar la
adaptaci
on lograda por el modelo cuando se le presenta datos nunca antes vistos.
En las siguientes figuras se presenta los modelos neuro-difusos que son entrenados
usando el algoritmo ANFIS hbrido. El entrenamiento consiste en un n umero predefinido
de iteraciones (epochs), se utiliz
o 20 iteraciones que fue necesaria para minimizar una
funci
on de error y ajustar los parametros del sistema difuso (funciones de pertenencia y
conjunto de reglas) en cada iteracion, con la finalidad de lograr en el modelo obtenido
una mejor estimacion de la velocidad angular.
32 DEL MODELO DIFUSO
3.2. OBTENCION
La Figura 3.14 corresponde a las funciones de pertenencia del modelo FIS inicial,
aplicando el algoritmo de Grid Partition con 5 funciones de pertenencia (MF) tipo
campana generalizada. Las funciones de pertenencia se afinan para lograr una mejor
estimaci
on de la velocidad angular.
En la tabla 3.1 se exhibe los diferentes entrenamientos, con sus respectivos errores,
funciones de pertenencia y datos. Se realizo varios entrenamientos antes de obtener
el modelo de la m aquina de induccion trifasica. Realizando un analisis de los datos
de entrenamiento, podemos decir que existe entrenamientos con diferentes funciones
de pertenencia y que el error es menor seg un vara las funciones. Si incrementamos el
n
umero de funciones de pertenencia existe un cambio mnimo de error; pero no quiere
decir que incrementar el n
umero de FP, garantice que el error disminuya en su totalidad.
Figura 3.11: Gr
afica del entrenamiento con un error = 0,0803[p.u].
Figura 3.12: Gr
afica de la comprobaci
on del modelo con un error = 0,0838[p.u].
CAPITULO 3. ANALISIS
DE LAS SIMULACIONES 35
Figura 3.13: Gr
afica de verificaci
on luego de obtener el modelo con un error = 0,0436[p.u].
3.3. Validaci
on del modelo
La Figura 3.16 corresponde a un esquema en Simulink, utilizado para validar el modelo
de la m
aquina de inducci
on trif
asica. A continuacion se describe los bloques utilizados
en Simulink:
- Primer From Workspace: en este bloque se encuentra dos datos que son datos
de la diferencia de los
angulos para ser usada en la estimacion de la velocidad y datos
de la velocidad obtenida a partir de la simulacion de la maquina.
**************************************************
0.0815
o
u
"'
,:
i3 0.081
o
i5
a,
E
o
Lb 0.0805
w
([)
2
o::
O.OS
11111111111111111111111111111111111111111111111111
o 5 10 15 20 25 30 35 40 45 50
Numero de iteraciones
simulaciones son por unidad por esa razon su amplitud llega hasta la unidad.
Se realiza una nueva validacion del modelo con otro ingreso y se observa en la Figura
3.19, que la se
nal de velocidad angular estimada le sigue a la se
nal de velocidad angular
medida de la m aquina simulada.
38 DEL MODELO
3.3. VALIDACION
Figura 3.17: Salida de la velocidad estimada del modelo FIS, que es comparada con la velocidad
obtenida a partir de la simulaci
on de la m
aquina.
CAPITULO 3. ANALISIS
DE LAS SIMULACIONES 39
Figura 3.18: Salida de la velocidad estimada del modelo FIS vs. la velocidad obtenida a partir
de la simulaci
on de la m
aquina de inducci
on.
40 DEL MODELO
3.3. VALIDACION
Figura 3.19: Salida de la velocidad estimada del modelo FIS, comparada con el nuevo ingreso
de la velocidad obtenida a partir de la simulaci
on de la m
aquina de inducci
on.
CAPITULO 4
ANALISIS EXPERIMENTAL
Este captulo aborda las pruebas experimentales realizadas sobre una maquina de
inducci
on trif
asica que se encuentra en el laboratorio de maquinas electricas de la
Universidad Politecnica Salesiana.
Figura 4.1: M
aquina de inducci
on trif
asica a ser modelado.
41
42 DE DATOS EXPERIMENTALES
4.1. RECOLECCION
VEW motors
Made in Germany
IEC/EN 60034-1
3~ Mot.Nr. / N 406724/0001 H
Typ/Type SPER 132M 4 HW
5.5 PS /4kW cos 'j 0.83
D/Y 220/380 V 15/8.8A
1435 min / rpm 50Hz
Th.Kl./ Th.cl. 155(F/B) IP 54 85 kg
Laufer : Y 130 V. 19 A.
IM B3ZZ 06/2014
4.1. Recolecci
on de datos experimentales
2 1 iea
ie 12
= 3 3 3
2 ieb (4.5)
ie 0 2 2 32 23 iec
tambien se presenta en forma matricial la corriente de rotor:
2 1 1 ira
ir
= 3 3 23 2
irb (4.6)
ir 0 2 2 32 23 i rc
En las siguientes figuras se expone las corrientes experimentales de estator en los ejes
a b c y los ejes como tambien las corrientes experimentales de rotor en los ejes
a b c y los ejes , y la velocidad del motor. Para la obtencion de estos datos se
realiz
o dos arranques de la m aquina de induccion.
La Figura 4.5 presenta las corrientes de estator en los ejes a b c con el primer
arranque de la m
aquina de induccion.
CAPITULO 4. ANALISIS
EXPERIMENTAL 45
Figura 4.5: Corrientes de estator en los ejes a b c con los datos experimentales del primer
arranque de la m
aquina de inducci
on.
La Figura 4.6 muestra las corrientes de rotor en los ejes a b c con el primer
arranque de la m
aquina de induccion.
Figura 4.6: Corrientes de rotor en los ejes a b c con los datos experimentales del primer
arranque de la m
aquina de inducci
on.
La Figura 4.7 presenta las corrientes de estator en los ejes con el primer
arranque de la m
aquina de induccion.
46 DE DATOS EXPERIMENTALES
4.1. RECOLECCION
Figura 4.7: Corrientes de estator en los ejes con los datos experimentales del primer
arranque de la m
aquina de inducci
on.
La Figura 4.8 exhibe las corrientes de rotor en los ejes con el primer arranque
de la m
aquina de induccion.
Figura 4.8: Corrientes de rotor en los ejes con los datos experimentales del primer
arranque de la m
aquina de inducci
on.
Figura 4.10: Corrientes de estator en los ejes a b c con los datos experimentales del segundo
arranque de la m
aquina de inducci
on
La Figura 4.11 presenta las corrientes de rotor en los ejes a b c con el segundo
arranque de la m
aquina de induccion.
48 DE DATOS EXPERIMENTALES
4.1. RECOLECCION
Figura 4.11: Corrientes de rotor en los ejes a b c con los datos experimentales del segundo
arranque de la m
aquina de inducci
on.
La Figura 4.12 muestra las corrientes de estator en los ejes con el segundo
arranque de la m
aquina de inducci
on.
Figura 4.12: Corrientes de estator en los ejes con los datos experimentales del segundo
arranque de la m
aquina de inducci
on.
La Figura 4.13 expone las corrientes de rotor en los ejes con el segundo
arranque de la m
aquina de inducci
on.
CAPITULO 4. ANALISIS
EXPERIMENTAL 49
Figura 4.13: Corrientes de rotor en los ejes con los datos experimentales del segundo
arranque de la m
aquina de inducci
on.
4.1.1. C
alculo del
angulo del vector de corriente
En primer lugar se realiz o el calculo de los angulos de las corrientes de estator
angulos de las corrientes rotor en el marco de referencia estacionario , este
y
an
alisis ya se describi
o en el captulo tres, sin embargo, en la Figura 4.14 se reproduce
nuevamente el esquema utilizado. A continuacion se realiza una descripcion breve del
procedimiento.
para la obtenci
on de los angulos e y r se tiene los siguientes pasos:
1. Las corrientes de estator (ie ) y rotor (ir ), se transforman con las ecuaciones (4.1),
(4.2), (4.3) y (4.4) al marco de referencia estacionario .
El
angulo que se forma entre la componente ie y la componente ie , se obtiene de
ie
la siguiente manera e = arctg ie , el mismo proceso se realiza con la corriente de
rotor ir = ir + jir .
3. Cuando se genera par motriz en una maquina electrica, existe una diferencia entre
angulos e r , es decir el angulo e esta adelantado al angulo r .
los
50 DE DATOS EXPERIMENTALES
4.1. RECOLECCION
ie_alpha
Angulo
_e
ie_beta
Salida velocidad
Filtrado con derivada
d=(_e _r) FIS estimada
ir_alpha
Angulo
_r
ir_beta
5. Por u
ltimo se disen
o un filtro que calcula la derivada de la diferencia de los angulos
de fases (d = e r ). Este c
alculo se realiza mediante un filtro derivador basado
en los coeficientes de Savitzky-Golay [Savitzky and Golay, 1964]. Que en el caso
experimental existe el ruido natural de cuantizacion y de adquisicion por lo que la
derivada numerica suele ser altamente rizada y se requiere de una herramienta mas
elaborada (como el filtro S-G) para obtener resultados que puedan ser utilizados.
Para el calculo de estos procedimientos se realizo un codigo en Matlab que se
muestra en el Anexo A.
d = e r (4.7)
Salida velocidad
d=e - r
FIS estimada
4.2. Validaci
on del modelo experimental
Esta secci
on presenta los resultados de los entrenamientos realizados para obtener el
modelo experimental de la maquina de induccion trifasica.
4.2.1. Adaptaci
on del modelo con el conjunto de datos de
entrenamiento.
Los primeros entrenamientos se realizaron sin utilizar los datos de comprobacion y
como los errores resultaron ser altos, entonces se modifico los conjuntos de datos de
entrenamiento para incluir un subconjunto que haga las veces de datos de comprobacion,
la Figura 4.16 presenta el error, error = 4,4696[rad/s], al entrenar sin los datos de
comprobacion.
Este proceso se realiza para demostrar que se necesita un conjunto de datos de
comprobacion, que generalice el entrenamiento.
del modelo, medido entre los datos comprobacion y la salida deseada, bajo las mismas
condiciones de entrada. Estos entrenamientos fueron los primeros que se realizaron, al
momento de entrenar el modelo no se utilizaron los datos de comprobacion por esta
raz
on el error es alto.
4.2.2. Adaptaci
on del modelo con los conjuntos de datos de
entrenamiento, comprobaci
on y verificaci
on.
Se realiz
o una adquisici
on de 10000 datos de las corrientes, tensiones y velocidad
angular. De acuerdo a los datos adquiridos se realizaron las respectivas divisiones de los
conjuntos de datos, luego fueron entrenados para obtener el modelo de la maquina de
inducci
on trif
asica.
La Tabla 4.1 presenta diez entrenamientos, el modelo n umero uno se entreno con
seis funciones de pertenencia (MF) tipo gaussianas, el error de comprobacion es el mas
alto. El modelo n umero dos se entreno con seis MF tipo gbell y los errores resultaron
ser altos. El modelo n umero tres se entreno con seis funciones de pertenencia y es el
que tiene el mas bajo error de todos los modelos obtenidos, los datos de entrenamiento
fueron de 9000 valores, siendo seleccionado para su respectiva validacion. Como se puede
observar en la Tabla 4.1 los entrenamientos varan seg
un las funciones de pertenencia y
en ciertos casos tienen diferentes conjuntos de datos de entrenamiento.
A continuaci
on se presentan los ingresos de los conjuntos de datos: entrenamiento,
comprobacion y verificaci
on, que a su vez se utilizan para el entrenamiento y obtencion
del modelo.
54 DEL MODELO EXPERIMENTAL
4.2. VALIDACION
datos de comprobaci
on y conjuntos de datos de verificacion vs. la salida deseada.
es la velocidad angular.
La Figura 4.25 exhibe el error medio del conjunto de datos de entrenamiento y del
conjunto de datos de comprobacion, en donde se ratifica graficamente que el error es
igual al calculado en la estructura ANFIS.
Observamos en la Figura 4.26 la estructura que forma el modelo FIS con una entrada
y seis funciones de pertenencia tipo gaussmf.
58 DEL MODELO EXPERIMENTAL
4.2. VALIDACION
Figura 4.26: Estructura del modelo FIS con una entrada y 6MF.
n
umero tres es similar a la velocidad de ingreso.
4.2.3. Implementaci
on de un control voltaje-frecuencia constante
(VFC) para un modelo de motor en Simulink
El control voltaje-frecuencia constante en lazo cerrado, nos ayuda a validar un
modelo de una m
aquina de induccion trifasico en Simulink.
El control tensi
on-frecuencia constante, permite mantener cualquier punto de
operaci on intermedio, aumentar o reducir la velocidad mecanica de la maquina.
Operando a bajas frecuencias, se incrementa el par electrico de arranque, pero el par
electrico m
aximo de la m aquina es practicamente constante, siempre y cuando las
60 DEL MODELO EXPERIMENTAL
4.2. VALIDACION
V[pu]
1
0.2
f[pu]
0.2 0.5 1
La 4.31 ense
na la velocidad de ingreso al esquema de control, que es un bloque
Repeating Sequence con los siguientes valores:
Figura 4.34: Salida de la velocidad del motor Asynchronous de Simulink comparada con la
salida de la velocidad estimada del modelo del motor de Simulink.
CAPITULO 5
CONCLUSIONES Y TRABAJOS
FUTUROS
Este captulo aborda las conclusiones determinadas a partir de la obtencion del modelo
dinamico de un motor trif asico de induccion utilizando tecnicas de identificacion de
sistemas con logica difusa y se proponen trabajos futuros que puedan ser implementados
a partir del presente trabajo de investigacion .
5.1. Conclusiones
El trabajo de investigacion se enfoco en la identificacion de un modelo dinamico de
un motor de inducci on trif
asico con logica difusa considerando los siguientes aspectos
fundamentales: la utilizaci on de las ecuaciones que modelan al motor de induccion
mediante el uso de vectores espaciales, la identificacion de las variables mas apropiadas
para ser usadas como entradas de entrenamiento del modelo basado en la estructura
ANFIS, la validaci on del modelo entrenado en pruebas simuladas y experimentales a
lazo abierto y lazo cerrado.
65
66 5.2. TRABAJOS FUTUROS
Para la obtencion del modelo se trabajo con los datos de los vectores de corrientes
de estator y de rotor en el marco de referencia estacionario ( ), sistematicamente
se calcularon los
angulos que forman los vectores de corrientes, para luego obtener la
angulos (e r ), la cual una vez derivada resulta proporcional a la
diferencia de los
velocidad que se desea estimar.
El metodo fue probado para distintas plantas simuladas y para una planta
experimental demostrando poder ser entrenado para proveer de una estimacion confiable
de la velocidad de giro.
La obtencion del modelo del motor simulado tiene menor error, comparado con
el modelo del motor con los datos experimentales, esto se debe a que los datos
experimentales tienen ruido. La validacion de los modelos con diferentes se nales de
ingreso arroj
o muy buenos resultados a la salida del modelo, que es la estimacion de la
velocidad.
Se realiz
o un control voltaje-frecuencia constante (VFC) para corroborar la validacion
del modelo del motor simulado.
67
68
69
70
% *****************Validaci
on del modelo***********************************
clc; clear; close all
fismat = readfis(modelo4.fis);% Cargamos los modelos entrenados
w_theta_est= evalfis([ddtheta_ex],fismat);%validaci
on con los datos
%experimentales de ingreso vs. el modelo
figure(1)
plot(w_m,r) % Gr
afica de la velocidad obtenida por los
% datos experimentales.
hold on;
grid on;
plot(w_theta_est,k)% Grafica de la velocidad
% estimada del modelo
legend(Velocidad angular de ingreso,Salida velocidad estimada)
xlabel(Datos Prueba);
Bibliografa
[B
ocker and Mathapati, 2007] Bocker, J. and Mathapati, S. (2007). State of the art of
induction motor control. In Proceedings of 2007 International Conference on Electric
Machines & Drives.
[Chan and Shi, 2011] Chan, T.-F. and Shi, K. (2011). Applied intelligent control of
induction motor drives. John Wiley & Sons.
[Cuce et al., 1996] Cuce, A., DAngelo, G., Di Guardo, M., Giacalone, B., Mazzaglia,
S., and Vinci, C. (1996). System identification through neuro-fuzzy methodologies.
In Neuro-Fuzzy Systems, 1996. AT96., International Symposium on, pages 129138.
IEEE.
[del Pozo Quintero, 2012] del Pozo Quintero, A. (2012). Identificacion no lineal mediante
el sistema anfis. Revista Control Cibernetica y Automatizaci
on.
[Jang, 1993] Jang, J.-S. R. (1993). Anfis: adaptive-network-based fuzzy inference system.
Systems, Man and Cybernetics, IEEE Transactions on, 23(3):665685.
71
72 BIBLIOGRAFIA
[Jang and Sun, 1995] Jang, J.-S. R. and Sun, C.-T. (1995). Neuro-fuzzy modeling and
control. Proceedings of the IEEE, 83(3):378406.
[Ju
arez et al., 2014] Ju
arez, M., de Jes
us, J., Zagaceta Alvarez, M. T., and Palma Orozco,
R. (2014). Identificaci
on con estimacion para sistemas tipo caja negra. Revista Facultad
de Ingeniera Universidad de Antioquia, (72):3546.
[Kai et al., 2008] Kai, L., Qiang, T., et al. (2008). Dynamic identification and control of
im soft-start using ann. In Industrial Technology, 2008. ICIT 2008. IEEE International
Conference on, pages 16. IEEE.
[Khemliche et al., 2004] Khemliche, M., Latreche, S., and Khellaf, A. (2004). Modelling
and identification of the asynchronous machine. In Control, Communications and
Signal Processing, 2004. First International Symposium on, pages 815818. IEEE.
[Lepka and Stekl, 2005] Lepka, J. and Stekl, P. (2005). 3-phase ac induction motor vector
control using a 56f80x, 56f8100 or 56f8300 device. Freescale Semiconductor Application
Note AN1930 Rev, 2(2).
[Obando et al., 2011] Obando, F. F., Grueso, J. A., and Torres, D. (2011). Journal de
ciencia e ingenieria.
[Passino et al., 1998] Passino, K. M., Yurkovich, S., and Reinfrank, M. (1998). Fuzzy
control, volume 20. Citeseer.
[Savitzky and Golay, 1964] Savitzky, A. and Golay, M. J. (1964). Smoothing and
differentiation of data by simplified least squares procedures. Analytical chemistry,
36(8):16271639.
[Takagi and Sugeno, 1985] Takagi, T. and Sugeno, M. (1985). Fuzzy identification of
systems and its applications to modeling and control. IEEE transactions on systems,
man, and cybernetics, (1):116132.
[Vas, 1998] Vas, P. (1998). Sensorless vector and direct torque control. Oxford University
Press, USA.
[Wai et al., 2000] Wai, R.-J., Lin, H.-H., and Lin, F.-J. (2000). Hybrid controller using
fuzzy neural networks for identification and control of induction servo motor drive.
Neurocomputing, 35(1):91112.
MAESTRA EN CONTROL Y
AUTOMATIZACIN INDUSTRIALES
Autor: Director:
William Patricio Navas Cajamarca. Dr. Julio Cesar Viola.
Es necesario obtener un modelo del sistema para su anlisis, como por ejemplo
para el control del sistema. Este proyecto de investigacin y desarrollo se plantea
una identificacin neuro-difusa (sistema de inferencia neuro- difusa adaptativa),
para obtener el modelo de un motor de induccin trifsico, con una configuracin
doblemente alimentada y rotor bobinado. Se requiere encontrar las ecuaciones
diferenciales que rigen el comportamiento correcto de la mquina de induccin en
estado estacionario. El modelo generado fue validado mediante simulaciones y
datos experimentales y, finalmente mediante un algoritmo de control voltaje-
frecuencia constante (VFC).
Se utiliz un motor para la identificacin y una tarjeta DSP modelo ADSP-21369
de Analog Devices para la recoleccin de datos experimentales de la mquina de
induccin trifsica, estos equipos se encuentran en los laboratorios de mquinas
elctricas de la Universidad Politcnica Salesiana.