Aplicaciones Maquina Sincronica PDF

Chapitre II : Application la commande de la machine asynchrone
Chapitre II
Application la commande de la
machine asynchrone
Chapitre II : Application la
commande de la machine asynchrone
41
42
1. Introduction
On ne prsente plus la machine asynchrone, c'est le moteur utilis au quotidien dans les
applications domestiques ( machine laver ), l'atelier, l'usine ( machinerie d'entranement )
ainsi que dans les domaines spcialiss ( traction ferroviaire, maritime, auxiliaires dans les
centrales ). Sa robustesse et son cot d'achat et d'entretien lui ont permis de conqurir un
espace de plus en plus grand au dtriments des machines synchrones et courant continu.
De faon gnrale, il est incontestable que la motorisation lectrique commande prend une
place de plus en plus large. Il ne faut cependant pas non plus ngliger l'immense parc de
moteurs asynchrones utiliss des fins d'entranement non command mais la vitesse variable
est en plein essor et tout porte croire que la demande va s'accentuer surtout avec la baisse
continuelle des prix de l'lectronique de puissance et de commande.
Pour effectuer les diffrentes commandes, il est ncessaire de connatre un certain nombre de
paramtres. La premire partie de ce chapitre va nous permettre de confronter les rsultats
issus des diverses mthodes de dtermination de ces paramtres et tout particulirement celles
s'appuyant sur les algorithmes gntiques.
Nous prsenterons ensuite la modlisation adopte en vue de la commande de la machine
ainsi que la commande vectorielle classique utilise comme base de comparaison. Nous
verrons alors l'utilisation des mthodes de commande bases sur les rgulateurs flous et
neuronaux.
2. Identification des paramtres de la machine asynchrone

Les paramtres ncessaires la simulation du fonctionnement de la machine se divisent en
paramtres lectromagntiques et mcaniques. Nous montrons plus loin que les paramtres
lectromagntiques requis sont ( Rs, s, r et ). Une machine asynchrone, vu de la source,
n'est pas en mesure de nous fournir des informations sur la valeur de sa rsistance rotorique
quivalente. On ne peut alors dterminer que sa constante de temps rotorique.
Dans le cadre de ce travail, nous mettons en uvre les algorithmes gntiques pour
l'identification des paramtres de la machine asynchrone.
Les essais sont effectus sur les deux machines dcrites en Annexe 1. Nous avons retenu les
mthodes qui tiennent compte du comportement transitoire aussi bien lectrique que
mcanique de la machine. Ainsi, nous avons utilis les mthodes d'essais dcrites dans
[KHE 95].
2.1. Essai 1 : dmarrage

L'essai consiste en un dmarrage de la machine, vide, sous pleine tension. On relve la
vitesse, la tension ainsi que le courant de la phase "a". Nous dterminons, la phase initiale de
la tension afin de l'introduire au niveau de la simulation. Nous observons une chute de tension
au dmarrage ( figure 2.3 ) que nous modlisons travers une fonction sigmode. Cette baisse
de tension est due la prsence d'un autotransformateur en amont.
L'algorithme gntique labor pour optimiser les paramtres du modle de la machine est
intgr au logiciel de simulation "MASVECT" ( Annexe 2 ).
La fonction d'adquation utilise est la suivante :
43
1
Fitness = ( 2.1 )
Erreur
F ( sim exp ) + FI as (I as sim I as exp )
2 2
Erreur = ( 2.2 )
A( t0 t )
1+ e
Avec F = 1 et FI as = 5 . Ce sont les facteurs qui permettent de pondrer l'importance d'une

grandeur par rapport l'autre. Dans ce cas, nous accordons plus d'importance l'ajustement
de la courbe du courant statorique relev qu' celle de la vitesse. De mme, afin d'acclrer la
convergence de l'algorithme nous avons favoris, l'aide d'une fonction sigmode
( paramtres A et t0 dans la formule 2.2 ), le rgime permanent par rapport au dbut du rgime
transitoire.
Nous utilisons la fonction sigmode lorsque l'on dsire obtenir le passage d'un tat un autre
de faon non-linaire, trs prononce mais continue.
Les rsultats suivants concernent l'identification de la machine 2 ( annexe 1 ). En figures 2.1,

2.2 et 2.3 sont reprsents les rsultats exprimentaux et de simulation. Ces figures sont
suivies d'un agrandissement de l'volution de la vitesse et du courant au dmarrage.
3000.00
2500.00
2000.00
Wm Exprimental
Vitesse (tr/mn)
Wm Simulation
1500.00
1000.00
500.00
0.00
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70

temps (s)
Figure 2.1 Optimisation par algorithme gntique sur un dmarrage,

Vitesse mcanique
44
20.00
Ias Exprimental
Ias Simulation
10.00
Ias (A)
0.00
-10.00
-20.00
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70

temps (s)

Courant statorique
400.00
Vas Simulation
Vas Exprimental
300.00
200.00
100.00
Vas (V)
0.00
-100.00
-200.00
-300.00
-400.00
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70

temps (s)

Tension d'alimentation utilise
45
3000.00 15.00
10.00 Ias Exprimental

2750.00
Ias Simulation
5.00
Wm Exprimental
Vitesse (tr/mn)
2500.00
Wm Simulation
Ias (A)
0.00
2250.00
-5.00
2000.00
-10.00
1750.00 -15.00
0.20 0.24 0.28 0.32 0.36 0.40 0.20 0.24 0.28 0.32 0.36 0.40
temps (s) temps (s)
Vitesse Courant

( Agrandissement )
Nous prsentons maintenant quelques rsultats traduisants graphiquement l'volution du

"fitness" en fonction du nombre de gnrations ainsi que la provenance du meilleur individu.
1.20E-4 55
50
1.00E-4 45
40
8.00E-5
35
Individu
Fitness
30
6.00E-5
25
20
4.00E-5
15
2.00E-5 10
0.00E+0 0
0 10000 20000 30000 40000 50000 60000 0 10000 20000 30000 40000 50000 60000
Gnrations Gnrations
Figure 2.5 Evolution du "Fitness" Figure 2.6 Position du meilleur individu
Par suite, sont reprsents les volutions de la rsistance statorique ( figure 2.7 ), la constante
de temps statorique ( figure 2.8 ), la constante de temps rotorique ( figure 2.9 ), le coefficient
de dispersion ( figure 2.10 ), le moment d'inertie ( figure 2.11 ) ainsi que les coefficients de
frottement ( figure 2.12 ).
46
8.00 0.40
6.00 0.30
Rs (Ohm)
Ts (s)
4.00 0.20
2.00 0.10
0.00 0.00
0 10000 20000 30000 40000 50000 60000 0 10000 20000 30000 40000 50000 60000
Gnrations Gnrations
Figure 2.7 Evolution de Rs Figure 2.8 Evolution de s
0.90 0.05
0.80
0.70 0.04
0.60
sigma
Tr (s)
0.50 0.03
0.40
0.30 0.02
0.20
0.10 0.01
0 10000 20000 30000 40000 50000 60000 0 10000 20000 30000 40000 50000 60000
Gnrations Gnrations
Figure 2.9 Evolution de r Figure 2.10 Evolution de
47
0.08 0.10
0.08
0.06 a2 (Nm s/rd)
Coefficients de frottement
a3 (Nm)
0.06
J (kg m2)
0.04
0.04
0.02
0.02
0.00 0.00
0 10000 20000 30000 40000 50000 60000 0 10000 20000 30000 40000 50000 60000
Gnrations Gnrations
Figure 2.11 Evolution de J Figure 2.12 Evolution des coefficients de

frottement
On peut constater une convergence des diffrents paramtres estims qui ncessite un grand
nombre de gnrations.
2.1.1. Evolution des paramtres au cours des 1000 premires gnrations
1.00E-4 55
50
45
8.00E-5
40
35
6.00E-5
Individu
Fitness
30
25
4.00E-5
20
15
2.00E-5
10
0.00E+0 0
0 200 400 600 800 1000 0 200 400 600 800 1000
Gnrations Gnrations
Figure 2.13 Evolution du "Fitness" Figure 2.14 Position du meilleur individu

( Agrandissement ) ( Agrandissement )
48
6.00 0.40
4.00 0.30
Rs (Ohm)
Ts (s)
2.00 0.20
0.00 0.10
0 200 400 600 800 1000 0 200 400 600 800 1000
Gnrations Gnrations
Figure 2.15 Evolution de Rs Figure 2.16 Evolution de s

0.90
0.05
0.80
0.70 0.04
Tr (s)
0.60
sigma
0.03
0.50
0.40 0.02
0.30
0 200 400 600 800 1000 0.01

Gnrations
0 200 400 600 800 1000
Gnrations
Figure 2.17 Evolution de r Figure 2.18 Evolution de

49
0.08 0.08
0.06 0.06 a2 (Nm s/rd)
Coefficients de frottement
a3 (Nm)
J (kg m2)
0.04 0.04
0.02 0.02
0.00 0.00
0 200 400 600 800 1000 0 200 400 600 800 1000
Gnrations Gnrations
Figure 2.19 Evolution de J Figure 2.20 Evolution des coefficients de

( Agrandissement ) frottement ( Agrandissement )
Les rsultats issus de cette optimisation sont aprs 60000 gnrations :

Fitness = 1,00213 10-4
( Extrait de l'annexe 1 ) 5
Rs=7,828
s=0,0833 s
r=0,1415 s
=0,0466
J=0,006093 kg m2
a2=0,000725 Nm s/rd
a3=0 Nm
Ce vecteur de paramtres, issu d'une optimisation globale sur tout le dmarrage, est un vecteur
de paramtres "moyen". C'est dire qu'il convient pour simuler aussi bien le rgime
permanent que le rgime transitoire.
Les rsultats suivants concernent l'identification de la machine 1 ( Annexe 1 ) :

Pour cette machine, nous avons spar l'identification de la partie mcanique de celles des
paramtres lectromagntiques.
Nous avons procd un essai de ralentissement de l'ensemble machine-frein poudre qui a
permis de calculer :
J=0,059 kg m2
a2=0,01438 Nm s/rd
a3=0,5012 Nm
5
Il est vident que les valeurs donnes ici sont le rsultat numrique de l'optimisation. Les paramtres ne
peuvent pas tre connus avec une telle prcision.
50
En ce qui concerne cette machine, la large plage de variation des courants mis en jeu a rendu
la procdure d'acquisition plus difficile. Nous n'avons utilis que la fin du rgime transitoire
ainsi que le rgime permanent suite un dmarrage sous tension nominale. Nous obtenons un
jeu de paramtres ( tableau 2.1 ), qui non seulement convient au dmarrage, mais donne les
courants et les vitesses qui correspondent diffrentes charges de la machine ( tableau 2.2 ).
Rs=2,2513 J=0,059 kg m2
s=0,06526 s a1=0 Nm s2/rd2
r=0,1975 s a2=0,01438 Nm s/rd
=0,0423 a3=0,5012 Nm
Tableau 2.1
Exprimental Simulation
Charge Ias eff (A) (tr/mn) Ias eff (A) (tr/mn)
A vide 4,6 1495,4 4,78 1496,6
Cr=10 Nm 5,8 1483 5,66 1482,8
Cr=20 Nm 7,9 1465 7,50 1467,5
Cr=37 Nm 12,7 1430 11,9 1436
Tableau 2.2
La figure 2.6 reprsente, d'une gnration la suivante, de quelle population provient le

meilleur individu. Nous pouvons remarquer qu'au dbut, ( figure 2.14 ), c'est un petit peu de
partout qu'il est slectionn, avec une prdominance de la sous-population "faible mutation au
hasard d'un seul gne". Plus la slection devient pointue, plus la sous-population issue des
croisements contribue placer en tte de liste ses individus. Enfin, quand le systme a
converg vers la solution optimale, l'individu issu de la recopie reste trs souvent comme
meilleur individu au sens du critre d'adquation.
A travers les figures 2.13 2.20, pendant les 1000 premires gnrations, nous constatons
souvent une augmentation de l'adquation ( fitness ) ainsi que des changements de paramtres
( gnes ) qui s'oprent par sauts. Ce rsultat, on le doit au caractre alatoire de la cration de
certains individus de la population. Il permet l'algorithme, outre l'acclration de la
convergence au dbut du processus, d'avoir une meilleure robustesse vis vis des maximums
locaux.
2.2. Essai 2 : chelon

Cet essai est ralis en branchant la machine, connecte en toile, sur une source de tension
continue de sorte que les trois phases soient parcourues respectivement par I, -I/2 et I/2.
Un chelon positif de la tension conduit l'apparition d'un courant de la forme :

t

t

I as (t ) = I 0 1 + Ae + Be
T1 T2
( 2.3 )

51
Un chelon ngatif ( court-circuit de la source ) donne une dcroissance du courant de la

forme :
Tt
t

I as (t ) = I 0 Ae + Be
1 T2
( 2.4 )

Un calcul simple partir du modle dq de la machine ramene au stator montre que les
paramtres sont donns dans les deux cas par :
T + T2
r = 1
1+
s = T1 + T2 r
T1 T2
= ( 2.5 )
s r
A
avec =
B
Les constantes de temps T1 et T2 sont trs loignes l'une de l'autre comme le montrent les
figures 2.21 2.23, ce qui rend l'identification difficile. Nous avons galement remarqu
qu'utiliser les gnes ( , s, r et ) au lieu de ( A, B, T1 et T2 ) pour caractriser l'individu,
ralentissait la convergence de l'algorithme gntique. Il faut donc viter l'introduction de
formules intermdiaires.
2.2.1. Croissance du courant

Nous reprsentons ici le rsultat de l'identification pour une croissance du courant statorique.
Il correspond la rponse un chelon de tension continue fournie par une alimentation
stabilise.
5.00
4.00
3.00
Ias Exprimental
Ias (A)
Ias Simulation
2.00
1.00
0.00
0.00 0.40 0.80 1.20 1.60
temps (s)
Figure 2.21 Identification par algorithme gntique sur une croissance du courant
52
Dans ce cas, une caractristique supplmentaire ( I0 ) doit tre ajoute aux individus de la
population. Elle correspond la valeur du courant Ias en rgime permanent.
2.2.2. Dcroissance du courant

Lors d'un chelon ngatif de tension ( court-circuit ), la rponse du courant statorique est la
suivante :
5.00
4.00
3.00
Ias Exprimental
Ias (A)
Ias Simulation
2.00
1.00
0.00
0.00 0.40 0.80 1.20 1.60

temps (s)
Figure 2.22 Identification par algorithme gntique sur une dcroissance du courant
2.2.3. Croissance du courant, chelon MLI

Cet essai a t effectu en utilisation une alimentation en MLI pour appliquer une tension (
valeur moyenne sur une priode MLI ) continue la machine.
53
8.00
6.00
Ias (A)
4.00
Ias Exprimental
2.00 Ias Simulation
0.00
0.00 0.20 0.40 0.60

temps (s)
Figure 2.23 Identification par algorithme gntique sur une croissance du courant,
Cas d'une alimentation par un onduleur MLI
2.2.4. Comparaisons des rsultats

Le tableau ci-dessous montre une grande disparit des rsultats ainsi que des paramtres qui
s'loignent des valeurs couramment rencontres pour ce type de machines.
Essai s r
Croissance de Ias 0,215 0,214 0,115
Dcroissance de Ias 0,195 0,248 0,144
Croissance, alim. MLI 0,434 0,288 0,055
Tableau 2.3
En fait, ce n'est pas l'algorithme gntique qui est en faute, puisqu'il y a une trs bonne
concordance entre les rsultats de simulation et ceux d'exprimentation. La mthode de
l'chelon de tension est peu prcise cause de la grande diffrence entre les deux constantes
de temps T1 et T2. On arrive trouver des jeux de paramtres compltement diffrents qui
donnent des rponses similaires. Elle reste, nanmoins, plus rapide 6 et plus simple mettre en
uvre que celle base sur le dmarrage de la machine.
6
Par rapidit, nous faisons allusion la convergence de l'algorithme et au temps de calcul requis.
54
8.00
Ias (A) 6.00
4.00
Ias Exprimental
Ias Identification 1
2.00
Ias Identification 2
0.00
0.00 0.20 0.40 0.60
temps (s)
Figure 2.24 Sensibilit de l'identification sur une croissance du courant
L'identification 1 correspond :

t

t

I as (t ) = 10,57341 0,553212e 0,712686 0.363481e 0,009717 ( 2.6 )

s=0,434, r =0,288, =0,055
Alors que l'identification 2 correspond :

t

t

I as (t ) = 8,52 1 0,482477e 0 , 33828
0.438111e 0 , 007683
( 2.7 )

s=0,181, r =0,165, =0,087
On voit qu'une faible diffrence entre les courbes conduit un rsultat trs diffrent.
2.3. Discussion
Il existe peu de travaux sur l'utilisation des algorithmes gntiques pour l'identification des
paramtres de la machine asynchrone. Citons [PIL 97], dans lequel les auteurs utilisent les
donnes de la plaque signaltique pour identifier les paramtres du schma quivalent
monophas de la machine. Dans [BEL 98], les auteurs comparent plusieurs mthodes
d'identification. Ils utilisent, toutefois, les rsultats exprimentaux du fonctionnement en
rgime permanent.
55
Les mthodes bases sur des chelons de tension sont peu prcises. Cependant, l'algorithme
gntique a convenablement converg vers ce qu'il lui est apparut comme le maximum global.
Nous retenons donc la mthode d'identification base sur le dmarrage de la machine.
Partant d'une population alatoire et loigne du vecteur optimum ( le meilleur des individus
slectionns ), nous observons une slection rapide vers ce qui semble tre un maximum
( figure 2.13 ).
Il s'ensuit alors une convergence beaucoup plus lente vers le maximum absolu. Remarquons
que ce sont tous les paramtres qui changent quand le point se dplace vers ce maximum et
notamment le triplet (s, r, ).
Sur la figure 2.25, nous avons trac l'volution des produits s et r. Ces courbes sont quasi
stationnaires durant cette phase bien que le triplet (s, r, ) continue de varier.
0.010
sigma Ts
sigma Tr
0.008
0.006
fuites
0.004
0.002
0.000
0 10000 20000 30000 40000 50000 60000

Gnrations
Figure 2.25 Evolution de s et r
Ceci s'explique par le fait que les fuites caractrisent beaucoup plus la machine que ne le font
ses paramtres pris sparment.
Cette forte liaison entre les paramtres lectromagntiques suggre deux choses :
Premirement, on doit tre capable d'crire un modle de la machine qui ne tienne compte que
des fuites ramenes au stator et au rotor ( s et r ).
En effet, si l'on reprend le modle de la machine crit dans le repre statorique ( 2.17 ) et que
l'on pose :

ds = ds , qs = qs ( 2.8 )
R s R s
Vds V ( 2.9 )
Vds = , Vqs = qs
Rs Rs
Alors le modle peut tre mis sous la forme :
56
dI ds 1 1 1 1
= + I ds pI qs + ds + p qs + Vds
dt s r s r
dI 1 1 1 1
qs = pI ds + I qs + p ds + qs + Vqs
dt s r s r

d ds
= Vds I ds ( 2.10 )
dt
d qs
dt = Vqs I qs
d 1 3 pR ( I
dt = J 2 s ds qs qs I ds ) a1 a 2 a3
2
1
On voit bien que pour des vitesses peine leves, on a p >> et puisque les grandeurs
r
varient avec une pulsation s, le modle ne dpend alors que de Rs, s et r.
Deuximement, tout algorithme d'optimisation des fins d'identification du modle de la

machine doit pouvoir faire varier au moins les trois paramtres ( s, r, ) en mme temps.
Par rapport des mthodes classiques, nous avons essay une mthode base sur le calcul
approch du gradient. Nous avons relev, outre la lenteur, un comportement incertain de
l'algorithme ds que l'on dpasse deux paramtres optimiser. Il faut galement choisir
convenablement le facteur d'acclration ainsi que le pas de drivation pour chaque
paramtre. De plus, cet algorithme, s'il converge vers un maximum local, ne peut plus s'en
sortir.
Ces contraintes n'existent pas dans le cas de l'algorithme gntique qui montre sa supriorit
pour ce type d'application.
2.4. Conclusion
On peut classer les mthodes d'optimisation, suivant la manire dont s'opre l'exploration, en
trois catgories. La premire exploite partir d'un point unique les informations locales pour
progresser vers un meilleur point. C'est le cas des mthodes du gradient, de Newton-Raphson,
de Levenberg-Marquardt
La deuxime utilise une famille de points pour explorer le domaine et exploite l'ordre relatif
des diverses solutions potentielles pour trouver la meilleure direction ( mthode du Simplex ).
Ces deux stratgies sont habituellement qualifies de "grimpeurs" [REN 95] car elles
emploient uniquement les informations locales pour trouver une nouvelle solution. La
convergence vers l'optimum global n'est alors pas garantie.
Les algorithmes gntiques se classent dans la troisime catgorie. Ils dmarrent avec des
individus parpills sur tout l'espace de recherche et identifient rapidement les sous domaines
susceptibles de contenir le maximum global. Ils offrent l'avantage de continuer explorer le
domaine d'optimisation tout en assurant la convergence.
Le problme d'optimisation n'est pas un problme simple et il n'existe pas de mthode

universelle qui marche pour tous les cas de figure. Souvent, une connaissance approfondie du
problme conduit l'adoption ou au rejet de telle ou telle mthode. Cette connaissance vient
57
surtout parfaire la manire dont est implant l'algorithme de minimisation et son rglage avec
pour consquence une convergence plus sre et plus rapide vers l'optimum global.
Par rapport aux travaux dj effectus au sein de notre laboratoire et qui ont surtout utilis la
mthode de Levenberg-Marquardt, nous avons explor la voie qu'offrent les algorithmes
gntiques appliqus l'identification des paramtres de la machine asynchrone. Ce sont des
mthodes lourdes en temps de calcul, quand on les utilise en vue d'une optimisation sur un
dmarrage. Elles ont cependant l'avantage d'tre beaucoup moins sensibles au point de dpart
et aux autres contraintes lies la drivation de la fonction optimiser et qui sont propres aux
algorithmes du type gradient.
3. Contrle vectoriel classique
3.1. Introduction
La machine asynchrone cage dont le rotor ne tourne pas la vitesse du champ tournant et
dont la seule entre lectrique est au stator, pose des problmes difficiles pour sa commande.
La communaut scientifique et industrielle a imagin bien des mthodes de commande afin de
pouvoir la contrler en couple, en vitesse ou en position. Les mthodes scalaires sont trs
prises pour leur simplicit de mise en uvre. Cependant, elles ne peuvent pas garantir du
couple l'arrt ni d'obtenir la dynamique et la prcision des mthodes dites vectorielles
[BOS 86][LEO 96].
La commande vectorielle est apparue avec les travaux de Blaschke [BLA 72]. Elle n'a
cependant pas eu tout de suite un grand essor car les rgulations, l'poque, reposaient sur des
composants analogiques, l'implantation de la commande tait alors difficile. Avec
l'avnement des micro-contrleurs et des dispositifs permettant le traitement du signal ( DSP )
[LEO 91a], [LEO 91b], il est devenu possible de raliser une telle commande un cot
raisonnable. Cela a conduit une explosion des recherches et des applications relatives la
commande vectorielle de la machine asynchrone. Le nombre des publications, des
applications et des brevets en tmoigne.
Si beaucoup de problmes sont rsolus, certains autres font encore l'objet de recherche. Quand
on ne cherche pas obtenir des performances leves, mme si l'identification n'est pas bien
faite et que les rgulateurs du schma de contrle vectoriel ne sont pas rgls l'optimum, le
comportement global du systme commande-convertisseur-machine parat satisfaisant.
Cependant, les problmes ne surgissent que lorsque la machine est pousse dans ses
retranchements.
3.2. Modle de la machine asynchrone

Dans le cadre de ce travail, nous nous sommes intresss aux modles de la machine
asynchrone qui permettent de simuler son fonctionnement en rgimes transitoires ainsi qu'
ceux qui dbouchent sur une commande suivant un schma de contrle vectoriel par
orientation du flux rotorique ou statorique. Nous verrons par la suite d'autres variantes de
contrle vectoriel ainsi qu'un modle qui permet de tenir compte de dfaillances au rotor
( rupture de barre ).
58
3.2.1. Hypothses de travail

Pour cette mise en quation, nous supposons que le bobinage est rparti de manire donner
une f.m.m. sinusodale s'il est aliment par des courants sinusodaux.
Nous supposerons galement que nous travaillons en rgime non satur. Nous ngligeons le
phnomne d'hystrisis, les courants de Foucault et l'effet de peau.
Enfin, le rgime homopolaire est nul puisque le neutre n'est pas reli.
3.2.2. Les quations de la machine asynchrone en rgime quelconque

La mise en quation de la machine asynchrone avec les hypothses que nous avons retenues
tant classique, nous ne mentionnerons que les points qui nous semblent essentiels et les
choix qui nous sont propres par rapport ce qui ce fait habituellement. Pour plus de dtail, le
lecteur pourra se rfrer [LES 81], [BOS 86], [VAS 90], [LEO 96], [BAG 95b].
Prcisons tout d'abord que nous prfrons utiliser la transformation de Clarke plutt que celle
de Concordia pour passer des grandeurs triphases ( a, b, c ) aux grandeurs diphases ( , ).
Ce choix de matrice de passage non norme est bien pratique en commande o l'on traite des
grandeurs dq ( Ids, Iqs ). En effet, cela nous permet, par exemple, d'apprcier directement le
module du courant qui est absorb par le moteur, sans avoir passer par un coefficient
multiplicateur.

xa 1 1
1 b
x x 2 2 2
x avec C23 = 3
C23
b
3 3
xc 0
2 2

1 0
xa
3
a
C32
x 1
x x avec C =
b 32
2 2
xc 1 3
2 2 c
Il apparat clairement ensuite que les repres de la transformation de Park des grandeurs
statoriques et celle des grandeurs rotoriques doivent concider pour simplifier les quations.
Ceci se fait en liant les angles s et r par la relation :
r s
q d
s = + r ( 2.11 ) r
r
Les flux dans ce systme d'axes s'crivent : s
s
ds = Ls I ds + MI dr
= Ls I qs + MI qr
qs ( 2.12 )
dr = MI ds + Lr I dr
qr = MI qs + Lr I qr
et le couple lectromagntique :
59
3
Ce = p( ds I qs qs I ds ) ( 2.13 )
2
3.2.2.1. Dans un rfrentiel li au champ tournant

Notons s = ! s que nous appellerons pulsation statorique, bien que le rgime puisse tre
quelconque ( transitoire non sinusodal ).
De mme, nous noterons r = ! r la pulsation rotorique et
= s r = ! = p la pulsation mcanique.
Nous pouvons alors crire :

d ds
Vds = Rs I ds + dt s qs
V = R I + d qs +
qs s qs
dt
s ds
( 2.14 )
0 = Rr I dr + d dr r qr
dt
d
0 = Rr I qr + qr + r dr
dt
L'avantage d'utiliser ce rfrentiel, est d'avoir des grandeurs constantes en rgime permanent.
Il est alors plus ais d'en faire la rgulation.
3.2.2.2. Dans un rfrentiel li au stator

Dans ce cas les repres ( s, s ) et ( d, q ) sont confondus :
!s = 0
! ( 2.15 )
r = ! = p
Nous pouvons alors crire :

d ds
Vds = Rs I ds + dt
V = R I + d qs
qs s qs
dt ( 2.16 )
0 = Rr I dr + d dr + p qr
dt
d
0 = Rr I qr + qr p dr
dt
d
En ajoutant l'quation mcanique: Ce Cr = J , et en rarrangeant les quations de faon
dt
[
faire apparatre comme vecteur d'tat I ds ]
I qs ds qs t , on obtient :
60
dI ds 1 11 1 1 1
= Vds + I ds pI qs + ds + p qs
dt Ls s r Ls r Ls
dI 1 11 1 1 1
qs = Vqs + pI ds + I qs p ds + qs
dt Ls s r Ls Ls r
d ds
= Vds Rs I ds ( 2.17 )
dt
d qs
dt = Vqs Rs I qs
d 1 3 p( I
dt = J 2 ds qs qs I ds ) a1 a 2 a 3
2
Modliser la machine de cette manire permet de rduire le nombre de grandeurs qu'on a

besoin de connatre pour pouvoir simuler le fonctionnement de la machine. En effet, seules les
valeurs instantanes des tensions statoriques et du couple rsistant doivent tre dtermines
pour les imposer la machine. On n'a donc pas besoin de savoir ce que vaut la pulsation
statorique ou le glissement comme dans le cas du modle dont les quations sont crites dans
le rfrentiel tournant au synchronisme.
Pour le logiciel de simulation que nous avons dvelopp ( Annexe 2 ), nous avons voulu
sparer la partie "modle de la machine" de celle du "contrle et rgulation". Il nous a paru
judicieux d'essayer de calquer aussi fidlement que possible la maquette exprimentale, de
manire ce que la simulation soit proche de la ralit.
De ce fait, les seules donnes d'change entre les deux parties du logiciel sont, en entre du
modle, les tensions Vas, Vbs, Vcs et le couple rsistant alors qu'en sortie, on retrouve les
courants Ias, Ibs et la vitesse mcanique.
De plus, ce modle n'introduit que quatre paramtres ( Rs, s, r, ). Si l'on souhaite obtenir la
valeur des courants rotoriques, il faudra rajouter un cinquime paramtre. A dfaut de
connatre les paramtres par un calcul de champs, une hypothse souvent utilise fixe Lr=Ls,
elle est appele hypothse d'Alger [KHE 95].
3.3. Mthodes de commande vectorielle des moteurs asynchrones

Le but de la commande vectorielle est d'arriver commander la machine asynchrone comme
une machine courant continu excitation indpendante o il y a un dcouplage naturel entre
la grandeur commandant le flux, le courant d'excitation, et celle lie au couple, le courant
d'induit. Ce dcouplage permet d'obtenir une rponse trs rapide du couple.
En parlant d'orientation du flux, c'est plutt le systme d'axe d-q que l'on oriente de manire
ce que l'axe d soit en phase avec le flux, c'est dire :
d =
( 2.18 )
q = 0
61
La commande vectorielle orientation du flux rotorique est la plus utilise car elle limine
l'influence des ractances de fuite rotorique et statorique et donnent de meilleurs rsultats que
les mthodes bases sur l'orientation du flux statorique ou d'entrefer [BOS 86][FAI 95].
En imposant, qr = 0 , les quations de la machine dans un rfrentiel li au champ tournant

deviennent :
r = dr
dI M d r
Vds = Rs I ds + Ls ds + sLs I qs
dt Lr dt
dI qs M
Vqs = Rs I qs + Ls + s r + sLs I ds
dt Lr
d r ( 2.19 )
r + r = MI ds
dt
M
r = I qs
r r
M
Ce = p r I qs
Lr
Aprs passage par une transformation de Laplace nous obtenons :

M
Vds = ( Rs + pLs ) I ds + p r sLs I qs
Lr
M
Vqs = ( Rs + pLs ) I qs + s r + sLs I ds
Lr ( 2.20 )
M
r = I ds , ainsi r = MI ds en rgime permanent
1 + p r
M
r = I qs
r r
Il existe des mthodes de commande vectorielle directe et indirecte :

Dans la commande indirecte, l'angle de Park s est calcul partir de la pulsation statorique,
elle-mme reconstitue l'aide de la vitesse de la machine et de la pulsation rotorique r.
En ce qui concerne la commande directe, l'angle de Park est calcul directement l'aide des
grandeurs mesures ou estimes.
La commande vectorielle est dite boucle ouverte s'il n'y a pas de rgulation de flux
[CAR 95]. Le flux est impos dans ce cas par Ids, de plus la pulsation statorique peut
uniquement tre estime par la relation 2.21. Dans la version boucle ferme, cette pulsation
est estime partir de la valeur du flux rotorique ou du courant magntisant. Dans ce cas, on
tient compte de la constante de temps rotorique r.
3.3.1. Commande vectorielle indirecte par orientation du flux rotorique ( IRFO )

Dans ce type de commande, l'angle s utilis pour la transformation directe et inverse est
calcul partir de la formule suivante :
62
I qs* r*
s = ( p + )dt o I = *
( 2.21 )
r I ds*
ds
M
C e* Iqs*+ Vqs*
+ 2 Lr Vas*
Reg Reg
3pM r* -
-
P(s) Vbs*
Ond
MAS
MLI
C32
r* Ids* + Vds* Vcs*
1
Reg
M -

MI qs* r Iqs Ias
r r* C22
Ids Ibs
+
s s P(-s)
+

p
Figure 2.26 Rgulation de vitesse par la commande vectorielle indirecte
La figure 2.26 reprsente le schma bloc d'une rgulation de vitesse du moteur asynchrone
command par orientation du flux rotorique.
Les principaux constituants dans ce type de commande sont la boucle de rgulation de vitesse,
celles des courants Ids et Iqs, le bloc de calcul de s et les transformations directe et inverse.
La vitesse est rgule travers la boucle externe du bloc. La sortie de son rgulateur est le
couple lectromagntique de rfrence Ce* ou le courant de rfrence Iqs*. Il est limit de
manire tenir compte des caractristiques des IGBT de l'onduleur et de la surcharge de la
machine. Iqs* est compar la valeur Iqs issue de la mesure des courants rels. L'erreur
sollicite l'entre du rgulateur dont la sortie est la tension de rfrence Vqs* qui son tour est
E
limit .
2
En parallle avec cette boucle interne, on trouve une boucle de rgulation de Ids. Le courant Ids
de rfrence est calcul partir du flux imposer. Ce flux correspond sa valeur nominale
pour la zone de vitesse infrieure la vitesse de base. Au del de cette zone, on procde au
"dfluxage" de la machine de manire pouvoir atteindre des vitesses suprieures. Le couple
maximal que l'on peut imposer devient alors plus faible. Le procd de dfluxage en grande
vitesse est utilis en particulier en traction lectrique o l'on a besoin d'un fort couple pendant
la phase de dmarrage et d'un couple plus faible ( qui ne sert lutter que contre les
frottements ) pendant la marche normale.
La sortie du rgulateur de Ids donne la tension de rfrence Vds*. Les deux tensions de
rfrence Vds* et Vqs* sont alors transformes en grandeurs statoriques Vs* et Vs*, l'aide
d'une rotation d'angle s, puis en grandeurs triphases l'aide d'une transformation de Clarke.
63
L'onduleur MLI applique des crneaux de tensions la machine dont les valeurs moyennes
sur une priode de MLI correspondent aux valeurs Vas*, Vbs*, Vcs*.
Les courants Ias et Ibs sont mesurs puis transforms dans le rfrentiel tournant et donnent Ids
et Iqs qu'on utilise pour la rgulation des courants.
En parallle, la "pulsation statorique" puis l'angle s sont calculs partir d'une mesure de
vitesse mcanique et du calcul de la "pulsation de glissement". C'est cet angle qui sera utilis
dans les transformations directe et inverse.
En analysant ce schma de commande et les quations associes, on voit apparatre

principalement deux paramtres : M et r. Ils lient le flux rotorique et le courant Ids qui le
contrle, mais ils apparaissent surtout dans la formule qui permet de calculer s.
Une surestimation ou une sous-estimation de la constante de temps rotorique conduisent
respectivement une surexcitation ou une sous-excitation de la machine.
Dans les deux cas, l'amplitude et la phase du flux rotorique ne sont pas celles que l'on
voudrait imposer, il en rsulte une dgradation des performances, voire une instabilit du
systme. On perd alors le contrle vectoriel.
Cette dpendance vis--vis des paramtres de la machine peut tre rduite en utilisant une
commande directe. Nous aborderons ce point dans le chapitre 5.
64
4. Rgulation, mthodes classiques
4.1. Introduction
La commande vectorielle utilise dans cette partie de la thse est une commande indirecte par
orientation du flux rotorique.
Par rapport au schma introduit au paragraphe prcdent ( figure 2.26 ), il est intressant
d'ajouter des termes de dcouplage afin de rendre les axes d et q compltement indpendants.
Les performances qu'apporte ce dcouplage additionnel ont t montres dans [DAK 91] et
[BAG 96a]. Ce dcouplage permet surtout d'crire les quations de la machine et de la partie
rgulation d'une manire simple et ainsi de calculer les coefficients des rgulateurs.
4.2. Dcouplage
Les quations du moteur asynchrone command par orientation du flux rotorique, en
supposant que son module ne varie que trs lentement 7 par rapport Ids et Iqs, s'crivent :
Vds = ( Rs + pLs ) I ds sLs I qs

M
Vqs = ( Rs + pLs ) I qs + s r + sLs I ds
Lr
M ( 2.22 )
r = I ds
1 + p r
M
r = I qs
r r
Nous pouvons alors reprsenter la machine par le schma bloc suivant :
Ls s I qs
+ 1 1 I ds
Vds +
Rs 1 + s p
M
- s r
Lr 1 1 I qs
Vqs +
Rs 1 + s p
-
Ls s I ds
Figure 2.27 Modle de la machine
7
Hypothse que l'on vrifie aussi bien en simulation qu'exprimentalement.
65
M
Les termes sLsIqs, s r et sLsIds correspondent aux termes de couplage entre les
Lr
axes d-q.
Une solution consiste ajouter des tensions identiques mais de signes opposs la sortie des
rgulateurs de courant de manire sparer les boucles de rgulation d'axe d et q comme le
montre la figure 2.28.
Ls s I qs Ls s I qs
- + I ds
I ds* + Vds* Vds* 1 1
Reg
+ +
Rs 1 + s p
-
I ds M
s r M
Lr + * - s r
V Lr I qs
Vqs*
*
I + qs 1 1
qs
Reg + +
Rs 1 + s p
- - -
Ls s I ds Ls s I ds
I qs
Rgulation Modle de la machine
Figure 2.28 Dcouplage par addition des termes de compensation
On aboutit alors au schma bloc simple et identique pour les deux axes :
Vqs* 1 1
I qs* + Reg I qs
Rs 1 + s p
-
Figure 2.29 Boucle Iqs aprs dcouplage
Ce type de dcouplage est dit "statique" par opposition un dcouplage "dynamique" qui
introduit une matrice de dcouplage la sortie des rgulateurs, ne faisant donc intervenir que
les termes ( Vds* , Vqs* et s ). Cette mthode est dcrite dans [FAI 95]. Si d'un point de vue
purement mathmatique, les deux dcouplages se valent, le dcouplage retenu utilise les
valeurs des courants acquis la priode d'chantillonnage considre mais, par la mme
occasion, reporte leur bruit sur les rfrences de tension.
66
4.3. Rgulation des courants

Partant des paramtres issus de l'identification de la machine, nous avons voulu mettre au
point une mthode systmatique de calcul des coefficients des rgulateurs de la chane de
commande pour ce type de contrle.
Ce travail a une double vocation,

Il permet de prdterminer les paramtres de rglage des diffrents rgulateurs, vitant
ainsi une phase trop longue de mise au point.
Il propose une mthode systmatique de calcul des rgulateurs.
Le systme tant un systme discret, les coefficients du rgulateur quivalent dans un systme
continu ne correspondent pas directement celui qu'il faut implanter dans les programmes de
rgulation, que ce soit pour la simulation ou pour l'exprimentation.
Une des approches pour le dimensionnement des rgulateurs des systmes chantillonns
consiste concevoir le rgulateur en considrent le systme comme continu, mais en y
introduisant les retards inhrents la rgulation numrique, puis calculer le rgulateur
quivalent discret.
Nous reprsentons les retards du convertisseur statique ( onduleur MLI ), de la boucle de

pT
rgulation et du temps de conversion analogique/digitale par un retard pur : e qd .
Tqd reprsente le dlai sur l'axe q ; Tqd =TMLI+TReg_Iqs.
pT 1
Ce retard sera approxim par une fonction de transfert du premier ordre : e qd .
1 + pTqd
Pour nous permettre de trouver une formulation explicite des gains des rgulateurs, nous
n'avons pas modlis le retard introduit par le filtre de courant dont la constante de temps
Tqf=55 s est plus petite que Tqd=300 s.
Pour chacune des boucles de courant, nous avons adopt classiquement un rgulateur
proportionnel-intgral ( PI ). Il comporte une action proportionnelle qui sert rgler la
rapidit avec laquelle la rgulation doit avoir lieu et une action intgrale qui sert liminer
l'erreur statique entre la grandeur rgule et la grandeur de consigne.
Un rgulateur proportionnel-intgral-drive ( PID ) est carter car, bien qu'une action

drive permette d'anticiper et d'acclrer la rgulation, elle amplifie nanmoins le moindre
bruit.
Le schma bloc devient :
I qs* + 1 1 1 1
K q 1 + I qs
pTq 1 + pTqd Rs 1 + s p

-
Figure 2.30 Boucle de rgulation du courant Iqs
67
La fonction de transfert en boucle ouverte ( B.O. ) est :
1 + pTq 1 1 Rs
Goi = K q ( 2.23 )
pTq 1 + pTqd 1 + p s
On dispose de deux degrs de libert pour rguler le systme. Nous avons choisi d'utiliser Tq
afin d'liminer le ple le plus lent, puis calculer Kq selon le critre sur la rponse "harmonique
mplate" [BUH 88]. Cela permet d'avoir une rponse rapide avec un minimum de
dpassement et une bonne stabilit du systme.
Tq = s ( 2.24 )
Kq 1
Goi = ( 2.25 )
Rs p s (1 + pTqd )
La fonction de transfert en boucle ferme ( B.F. ) devient :
Kq 1 02
G fi = = 2 ( 2.26 )
Rs sTqd 1 Kq p + 2 p 0 + 02
p2 + 2 p +
2Tqd Rs sTqd
avec :
1 Rs s
= ( 2.27 )
2 K qTqd
= Kq
0 Rs sTqd
Amplitude
1
Pour un amortissement =
1.2
, lors d'un
2 1
chelon sur la consigne, on a un dpassement
de 4,3 %. 0.8
0.6
D'o :
Rs s Ls 0.4
Kq = =
2Tqd 2Tqd 0.2
( 2.28 )
Ls
Tq = s = 0
0 1 2 3 4 5 6 7 8
Rs temps (s) -3
x 10
Figure 2.31 Rponse de Gfi un chelon

( systme continu )
Nous obtenons une marge de gain de prs de 79 dB et une marge de phase de 65.3, ce qui
nous garanti une bonne stabilit du systme [BAG 95b]. Les boucles de courant jouent un rle
primordial puisque, tout en assurant le contrle vectoriel, elles garantissent les protections
ncessaires l'ensemble convertisseur-machine. Ainsi, l'introduction de limitations sur les
68
rfrences de courant Ids* et Iqs* assure la matrise des courants mme s'il apparat un problme
sur les boucles de rgulation externes.
La forme incrmentale du rgulateur PI discret que nous retenons est :

y ( k ) y ( k 1) = K p ( e( k ) e( k 1)) + K i e( k ) ( 2.29 )
avec :
K p = Kq
( 2.30 )
K
Ki = q Te
Tq
Les mmes valeurs de coefficients sont adopts pour les deux boucles de courant.
Les contrleurs de courant ayant t rgls en se servant du premier jeu de paramtres de la

machine 1 ( Annexe 1 ). Nous prsentons les courbes de simulation et d'exprimentation de
l'volution du courant Ids suite un chelon sur sa rfrence ( figures 2.32 2.35 ). La
simulation (1) indique qu'elle a t effectue avec le premier jeu de paramtres tandis que la
simulation (2) a t conduite avec le deuxime jeu.
Les simulations ont t ralises en tenant compte de la MLI 10 kHz du convertisseur.
10.00
9.00
Reg PI de courant
8.00
Echelon de 5 10 A
Ids (A)
Ids ref Exprimental

Ids ref Exprimental
7.00
Ids Simulation (1)
6.00
5.00
-0.0100 0.0000 0.0100 0.0200 0.0300 0.0400
temps (s)
Figure 2.32 Echelon sur Ids*, passage de 5 10 A
69
10.00
9.00
Reg PI de courant
8.00
Echelon de 5 10 A
Ids (A)
Ids ref Exprimental

Ids ref Exprimental
7.00
Ids Simulation (2)
6.00
5.00
-0.0100 0.0000 0.0100 0.0200 0.0300 0.0400

temps (s)
6.00
5.00
4.00
Reg PI de courant
Echelon de 0 6 A
Ids (A)
3.00 Ids ref Exprimental

Ids ref Exprimental
2.00 Ids Simulation (1)
1.00
0.00
-0.0100 0.0000 0.0100 0.0200 0.0300 0.0400

temps (s)
70
6.00
5.00
4.00
Reg PI de courant
Echelon de 0 6 A
Ids (A)
3.00 Ids ref Exprimental

Ids ref Exprimental
2.00 Ids Simulation (2)
1.00
0.00
-0.0100 0.0000 0.0100 0.0200 0.0300 0.0400
temps (s)
Nous remarquons une assez bonne concordance entre les rsultats de simulation et ceux issus
de l'exprimentation. La rponse en courant lors de la simulation (2) avec le deuxime jeu de
paramtres est plus rapide que celle de la simulation (1) en raison de la valeur plus faible de
s. Il est intressant de constater que c'est plutt le jeu de paramtres (1) qui semble le mieux
adapt. Ce qui signifie que l'identification (1) est meilleure. De plus, l'cart entre
l'identification (1) et (2), travers les rsultats de simulation, n'a pas engendr de perte de
performances du systme.
On note un temps de monte de l'ordre de 2 ms, similaire celui prvu par les calculs.
Cependant, on ne retrouve pas toujours le dpassement de 4,3 %. Ce dernier apparat
exprimentalement quand la machine est dj "fluxe" et lors d'une variation moindre du flux.
Ceci est certainement d l'hypothse de simplification faite sur l'quation d'axe d lors de
l'introduction du dcouplage. Rappelons que l'effet de ce dernier est compens en rgime
permanent ( quand le courant a atteint sa rfrence ) par l'action intgrale du rgulateur.
Ce rsultat se retrouve galement sur des chelons de Iqs*, que nous avons effectus en
bloquant la machine l'arrt l'aide du frein poudre afin de minimiser l'action des termes de
couplage en s.
4.4. Rgulation de la vitesse

Le schma de rgulation en cascade retenu ncessite, pour un bon fonctionnement, que la
boucle interne soit plus rapide que la boucle externe. Dans notre cas, le rgulateur de vitesse
est sollicit toutes les 1 ms alors que les boucles de courant le sont toutes les 200 s.
Il est clair que le rglage du couple se fera par l'action sur le courant Iqs plutt que par une
action sur le flux. Par consquent, la sortie du rgulateur de la boucle externe ( vitesse )
constitue la rfrence ( l'entre ) de la boucle interne ( courant Iqs ).
71
Le schma bloc de rgulation de la vitesse est le suivant :
Cr
* -
* + 1 1 I qs I qs Ce 1
K v 1 + Gfi Kt
pTv 1 + pTvd + a2 + pJ
-
mes
1
1 + pTvf
Figure 2.36 Boucle de rgulation de la vitesse, structure PI
avec :
Kv, Tv : coefficients du PI.
Tvd : dlai dans la boucle de vitesse.
Tvf : dlai introduit par le filtrage de la vitesse.
3 M
K t = p r* : constante du couple lectromagntique.
2 Lr
La fonction de transfert en boucle ouverte par rapport la consigne :
1 + pTv 1 02 1 Kt
Gov = K v 2 ( 2.31 )
pTv 1 + pTvd p + 2 p 0 + 0 1 + pTvf a 2 + pJ
2
Et en boucle ferme :
Gov
G fv = (1 + pTvf )
1 + Gov ( 2.32 )
Avec cette structure du rgulateur, il n'a pas t possible d'obtenir de bonnes performances
la fois pour l'asservissement de la vitesse ( rponse par rapport la consigne ) et pour la
rgulation ( rponse par rapport la perturbation ).
Ceci nous a amen prendre une structure IP [BAG 96a]. De plus, au lieu de bloquer tout
simplement l'intgrale ds que la sortie sature, il est intressant d'observer la structure anti-
saturation ( anti-windup ) [BAG 96b]. Le schma de cette boucle de rgulation prend alors la
forme reprsente par la figure 2.37.
Comme ces expressions sont trs compliques, il n'est plus possible de trouver explicitement
les coefficients du rgulateur adquat. D'autant plus que les diffrentes limitations sur les
tensions et les courants entrent en jeu ds lors que l'on procde des chelons de consigne.
Nous passons alors par des simulations l'aide du logiciel MASVECT mis au point
( Annexe 2 ) afin rgler le contrleur de vitesse. La mthode utilise est du type essai-erreur.
Nous avons galement essay de trouver les coefficients en utilisant un algorithme gntique
pour optimiser la rponse du systme soumis deux chelons de vitesse de rfrence ( -400
tr/mn puis 400 tr/mn ) et un chelon de couple rsistant ( 20 Nm ).
72
1
Tt -
+
Cr
- -
+
*
1 I qs* 1 I qs Ce 1
+ Kv Gfi Iqs Kt
pTv 1 + pTvd + a2 + pJ
- -
mes
1
1 + pTvf
Figure 2.37 Boucle de rgulation de la vitesse, structure IP anti-saturation
Le tableau suivant rsume les diffrents rglages obtenus ( rgulateur discrtis ) :
Rgulateur Mthode d'optimisation Kp Ki Tt

IP Essai-erreur ( sim/exp ) 3 0,06 -
IP anti-saturation (1) Essai-erreur ( sim/exp ) 2 0,1 1
IP anti-saturation (2) Algorithme 2,87 0,337 0,174
gntique( sim )
Tableau 2.4 Rglage des contrleurs de vitesse
Les figures 2.38 et 2.39 prsentent les simulations effectues l'aide de ces rgulateurs de
vitesse. Aprs tablissement du flux, nous imposons une vitesse de rfrence de -400 tr/mn
0,8 s puis de 400 tr/mn 1,3 s et une charge de 20 Nm vient s'ajouter 1,8 s. Nous n'avons
prsent que l'volution de la vitesse et le courant Iqs*. Ce dernier reprsente la sortie du
rgulateur de vitesse.
Nous attirons l'attention sur le fait que le rglage obtenu pour le rgulateur IP peut tre utilis
pour un rgulateur IP anti-saturation, la monte en vitesse prsente alors le mme
ralentissement quand la vitesse approche de sa consigne.
L'anti-saturation ne rentre en jeu que lorsque le rgulateur se retrouve en bute de courant
Iqs ref, pendant les longues phases de freinage ou d'acclration.
Le rglage (2) obtenu l'aide de l'algorithme gntique conduit pratiquement au mme temps
de monte que le rglage (1). Par contre, il est plus rapide et sollicite beaucoup plus
l'actionneur pour rejeter plus vite la perturbation. Ce qui provoque exprimentalement un
dpassement important et des oscillations. L'optimisation n'a cependant t faite qu'avec un
modle comprenant une fonction de transfert en courant idalise cause du temps de calcul
que l'algorithme gntique ncessite. Nous avons toutefois tenu compte, l'aide d'une entre
supplmentaire dans la fonction d'adquation de l'algorithme gntique, de la saturation la
sortie du rgulateur de vitesse.
73
400.00
300.00
200.00
Vitesse (tr/mn)
100.00
0.00
0.80 1.00 1.20 1.40 1.60 1.80 2.00
-100.00 temps (s)
-200.00
IP
-300.00 IP anti-saturation 1
IP anti-saturation 2
-400.00
Figure 2.38 Evolution de la vitesse pendant son inversion de -400 +400 tr/mn,
Simulation, comparaison des diffrents rgulateurs
20.00
15.00
10.00
5.00
Iqs ref (A)
0.00
-5.00
IP
-10.00
-15.00
-20.00
0.80 1.00 1.20 1.40 1.60 1.80 2.00
temps (s)
Figure 2.39 Evolution de Iqs* pendant une inversion de vitesse de -400 +400 tr/mn,
Simulation, comparaison des diffrents rgulateurs
74
La confrontation des rsultats thoriques et exprimentaux en utilisant le rgulateur IP anti-

saturation (1) ( figures 2.40 2.43 ) montre que la modlisation est suffisament prcise pour
reflter les temps de rponses et les valeurs des diffrentes grandeurs exprimentales.
Ces figures reprsentent une inversion de vitesse de -400 +400 tr/mn vide. On observe sur
la figure 2.40, le mme temps de monte avec un lger dpassement dans le cas de la
simulation. Ceci se reflte bien sr par l'allure des courants Iqs ref et Iqs ( figure 2.41 ). Aprs
une priode pendant laquelle Iqs est en limitation 16,5 A, la rfrence du courant descend
plus vite dans le cas de la simulation pour atteindre une valeur en rgime permanent gale
celle du courant Iqs exprimental.
Le courant Ids est trs peu perturb pendant la phase d'inversion de vitesse ce qui montre
l'efficacit du dcouplage ( figure 2.42 ). Les courants suivent leur rfrence avec prcision
grce l'action de leur correcteur dont on apperoit les sorties sur la figure 2.43. On notera
que Vqs ref prend l'allure de la vitesse en rgime permanent du courant. Il existe cependant un
cart sur Vds ref d probablement une erreur d'identification sur Rs puisque Iqs est proche de
zro avant et aprs l'inversion ( Vds/Rs=Ids ) et galement une sensibilit qr ( de l'ordre de
0,01 0,03 Wb ) qui introduit une diffrence de quelques volts.
400.00
300.00
IP anti-saturation (1)
Wm ref Exprimental
200.00
Wm Exprimental
Vitesse (tr/mn)
100.00 Wm Simulation
0.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
-100.00 temps (s)
-200.00
-300.00
-400.00
Figure 2.40 Evolution de la vitesse pendant

son inversion de -400 +400 tr/mn
75
20.00
15.00
Iqs ref Exprimental
Iqs Exprimental
Iqs ref Simulation
10.00
Iqs Simulation
I (A)
5.00
0.00
-5.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
Figure 2.41 Evolution du courant Iqs pendant une inversion

de vitesse de -400 +400 tr/mn
10.00
8.00
6.00
I (A)
Ids ref Exprimental

4.00
Ids Exprimental
Ids Simulation
2.00
0.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
Figure 2.42 Evolution du courant Ids pendant une inversion

de vitesse de -400 +400 tr/mn
76
150.00
100.00
50.00
V (V)
0.00
-50.00
Vds ref Exprimental
Vqs ref Exprimental
-100.00 Vds ref Simulation
Vqs ref Simulation
-150.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
Figure 2.43 Evolution des tensions de rfrence pendant

une inversion de vitesse de -400 +400 tr/mn
L'essai suivant montre la rponse du systme quand on applique un chelon de couple

rsistant de 20 Nm alors que la vitesse est rgule 400 tr/mn. Prcisons tout de suite que le
frein poudre coupl notre machine, pour appliquer ce couple, utilise une rgulation de
flux. Le temps de monte du couple rsistant dpend donc de la dynamique de son propre
rgulateur. Laquelle n'est pas instantane comme l'est celle de la simulation. La chute de la
vitesse est moins importante dans le cas exprimental ( figure 2.44 ). Dans les deux cas, elle
reste infrieure 5 % de la vitesse de consigne. Notons cependant que puisque le courant Iqs ref
n'a pas atteint la limite de scurit ( figure 2.45 ), il serait possible de rendre plus rapide
l'action de ce rgulateur par rapport la perturbation. On perdra alors en rponse par rapport
la rfrence de vitesse.
77
420.00
410.00
400.00
Vitesse (tr/mn)
390.00
380.00
370.00 Wm ref Exprimental
Wm Exprimental
360.00 Wm Simulation
350.00
0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
Figure 2.44 Evolution de la vitesse suite un chelon de couple de 20 Nm
15.00
10.00
I (A)
5.00
Iqs ref Exprimental

0.00 Iqs Exprimental
Iqs ref Simulation
Iqs Simulation
-5.00
0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
Figure 2.45 Evolution du courant Iqs suite un chelon de couple de 20 Nm
78
4.5. Conclusion
Nous avons prsent dans cette partie les diffrents rgulateurs classiques utiliss pour le
contrle vectoriel retenu. Il est intressant de remarquer que les rsultats de simulation
concordent avec ceux issus des essais exprimentaux. Toutefois, il n'a pas t possible
d'aboutir une mthode de calcul analytique du contrleur de vitesse. Nous avons observ
que lorsqu'on essayait de rendre ce rgulateur plus rapide, on aboutissait des dpassements
plus important exprimentalement qu'en simulation. Les signaux sont bien sr plus bruits
mais il est vraisemblable qu'il y ait un retard pur qui chappe au modle. L'identification
n'tant pas parfaite, nous pensons que ces rsultats sont trs satisfaisants et vont nous servir de
base pour les comparaisons avec les autres types de rgulateurs.
5. Rgulation par logique floue
5.1. Introduction
Dans cette partie, nous allons nous intresser au remplacement du rgulateur classique de
vitesse du schma de commande vectorielle prcdent par un rgulateur flou. Comme
mentionn au chapitre 1, le nombre de combinaisons et de variantes est quasiment infini.
Devant ce large ventail, notre choix sera d'abord dict par la simplicit de mise en uvre.
Nous recherchons un rgulateur flou que l'on peut implanter au sein de la commande
numrique que nous avons dveloppe autour d'un couple de DSP, TMS 320C31 et 320P14,
( Annexe 3 ). Une des contraintes est la limitation du temps de calcul tout en conservant les
proprits de rgulateur flou.
Compte tenu de ce qui vient d'tre dit, nous avons retenu pour le contrleur :
Une structure PI incrmentale ( matrice d'infrence deux dimensions ).
Un nombre limit trois ou cinq ensembles flous pour chaque variable.
Des variables d'entre dont les fonctions d'appartenance des ensembles flous sont de
formes triangulaires et trapzodales.
Des singletons pour les fonctions d'appartenance de la variable de sortie.
Des gains variables l'entre et la sortie du rgulateur permettant d'ajuster son
fonctionnement et de varier sa plage de sensibilit.
5.2. Rgulateur flou trois ensembles

Le rgulateur admet pour chaque variable les trois ensembles flous N ( ngatif ), Z ( zro ) et
P ( positif ). Les fonctions d'appartenance des variables floues de l'entre se recouvrent 1
( figure 2.46 ).
La figure 2.47 reprsente la sortie dU du rgulateur flou en fonction de ses entres E et dE.
Elle n'est pas normalise, et on peut voir les fortes non-linarites de rupture de pente. On
remarque surtout deux zones :
Une zone priphrique, plate ou de pente parallle un des deux axes E ou dE, qui correspond
la plage o une des variables d'entre est sature. En coordonnes normalises En ou
dEn ] 1, 1 [ . C'est dans cette zone que le moteur d'infrence ne va valuer qu'une ou deux
rgles au maximum.
Une deuxime zone, centrale qui peut tre dcompose en quatre quadrants. Elle est mise en
vidence sur la figure 2.52 qui reprsente la surface de contrle du rgulateur normalis.
79
N Z P N Z P N Z P
P
Z En dEn dUn
-1 0 1 -1 0 1 -1 0 1
Z +P =1
Figure 2.46 Formes des fonctions d'appartenance
Figure 2.47 Surface caractristique du rgulateur flou
Sur les figures qui suivent, nous prsentons les rsultats obtenus avec ce rgulateur pour
contrler la vitesse au sein du schma de commande vectoriel. L'essai reprsente une
inversion de vitesse de -600 600 tr/mn ( figures 2.48 et 2.49 ) vide et ( figures 2.50 et
2.51 ) sous une charge de 20 Nm. Les rsultats exprimentaux et de simulation sont
superposs. Seules la rfrence et la valeur de la vitesse et du courant Iqs sont reprsentes.
On observe un temps de mont de la vitesse similaire en simulation par rapport celui de
l'essai exprimental de mme que la valeur en rgime permanent ( courant Iqs , figure 2.49 ).
En ce qui concerne l'essai en charge, une diffrence se creuse pendant le transitoire de vitesse
( figure 2.50 ), o la simulation donne une rponse plus rapide. Cela est certainement d la
manire dont le frein impose son couple. En effet, ce dernier n'est pas constant quand la
vitesse varie sur une large plage, lorsque l'on est en rgulation de flux ( celle du frein
poudre ).
Si nous analysons, sur le plan de phase, l'volution du systme pendant l'inversion vide par
exemple, nous constatons que la phase d'inversion occupe surtout les quadrants 2 et 4 du plan
( figure 2.55 et 2.56 ). Or un examen attentif du trac en 3-dimension des surfaces de contrle
80
des rgulateurs flou et PI classique ( figure 2.52 et 2.53 ) ainsi que de leur diffrence ( figure
2.54 ), montre que c'est prcisment sur ces deux quadrants que la diffrence est pratiquement
nulle.
Ainsi, on devrait s'attendre ce que le rgulateur flou se comporte comme un rgulateur PI s'il
n'y a que ces deux quadrants qui sont sollicits.
Dans [GAL 93] et [GAL 95] les auteurs ont montr qu'on pouvait construire un contrleur
flou de type Sugeno qui donne exactement la mme rponse qu'un contrleur PI en des points
dits "modaux". Ceci est ralis en prenant une distribution rgulire de fonctions
d'appartenance triangulaires en entre et autant d'ensembles flous qu'il y a de points modaux 8.
La matrice d'infrence, qui dans le cas d'un contrleur de type Sugeno, donne directement les
valeurs numriques de la sortie, est une matrice symtrique par rapport la diagonale. Elle
devient nanmoins de dimension trs importante suivant le nombre de points modaux choisis.
Dans le cas d'un contrleur de type Mamdani, un choix de fonctions d'appartenance en sortie
symtrique par rapport aux valeurs modales, de formes rectangulaires et de largeurs
identiques, permet d'obtenir une interpolation linaire entre ces valeurs modales.
Rellement, le fonctionnement du systme ne se cantonne pas uniquement l'intrieur de la

zone centrale. Lors de grandes variations de la vitesse de consigne, le courant de rfrence se
met toujours en limitation et on sort de la plage de variation quasi linaire du rgulateur.
Cependant, comme le rgulateur PI de base se comporte moins bien quand sa sortie est en
limitation, nous aboutissons un rglage qui favorise le rgulateur flou dans cette course aux
performances. On le remarque facilement sur une courbe comme celle de la figure 2.38.
Nanmoins, l'utilisation d'un rgulateur IP anti-saturation rattrape cette performance. En effet,
s'il est bien rgl, ce rgulateur opre dans la zone linaire de manire quivalente au
rgulateur flou mais de plus, il n'a pas de problme lorsque la sortie atteint la valeur de
saturation puisque le signal correspondant la diffrence entre la sortie non limite et la sortie
limite, est rinject l'entre du rgulateur pour le dsaturer. Ce qui lui permet de rcuprer
trs rapidement quand la grandeur rgule approche de la consigne aprs une longue phase de
limitation.
Ces rsultats se vrifient sur la figure 2.57 et la figure 2.58 qui reprsentent la vitesse et le
courant de rfrence Iqs ref lors d'une inversion de vitesse de -600 +600 tr/mn
exprimentalement.
8
Les points modaux correspondent aux sommets des fonctions d'appartenance triangulaires
81
600.00
400.00
200.00
Vitesse (tr/mn)
0.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
-200.00
Rgulateur flou
Wm ref Exprimental
-400.00
Wm Exprimental
Wm Simulation
-600.00
Figure 2.48 Evolution de la vitesse lors de son inversion vide
20.00
Rgulateur flou
Iqs ref Exprimental

15.00
Iqs Exprimental
Iqs ref Simulation
Iqs Simulation
10.00
I (A)
5.00
0.00
-5.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
Figure 2.49 Variation de Iqs lors d'une inversion de vitesse vide
82
600.00
400.00
200.00
Vitesse (tr/mn)
0.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
-200.00
Rgulateur flou
Wm ref Exprimental
-400.00
Wm Exprimental
Wm Simulation
-600.00
Figure 2.50 Evolution de la vitesse lors de son inversion en charge
20.00
15.00
10.00
I (A)
5.00
Rgulateur flou
0.00 Iqs ref Exprimental
Iqs Exprimental
-5.00 Iqs ref Simulation

Iqs Simulation
-10.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
Figure 2.51 Variation de Iqs lors d'une inversion de vitesse en charge
83

Coordonnes normalises
Figure 2.53 Surface caractristique du rgulateur PI

Coordonnes normalises
84
Figure 2.54 Diffrence entre les deux surfaces

dE (tr/mn)
0.50
E (tr/mn)
0.00
-400.00 0.00 400.00 800.00 1200.00
-0.50
-1.00
-1.50
-2.00
Figure 2.55 Trajectoire dans le plan de phase
85
dE (tr/mn)
0.30
0.20
0.10
E (tr/mn)
0.00
-10.00 -5.00 0.00 5.00 10.00
-0.10
-0.20
-0.30
Figure 2.56 Trajectoire dans le plan de phase,

agrandissement autour du point de rfrence
600.00
400.00
200.00
Vitesse (tr/mn)
0.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
-200.00
Essai exprimental
Wm ref Reg flou

-400.00
Wm Reg flou
Wm Reg IP anti-saturation
-600.00

Comparaison entre le rgulateur flou et l'IP anti-saturation
86
20.00
Essai exprimental
Iqs ref Reg flou

15.00
Iqs Reg flou
Iqs ref Reg IP anti-saturation
Iqs Reg IP anti-saturation
10.00
I (A)
5.00
0.00
-5.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)

Comparaison entre le rgulateur flou et l'IP anti-saturation
5.3. Rgulateur flou cinq ensembles

Dans le cas du rgulateur trois ensembles flous, les rglages se font surtout par l'action sur
les facteurs d'chelle l'entre et la sortie du rgulateur. Par contre, si l'on passe un
nombre plus important d'ensembles flous, cinq par exemple, un choix plus large s'offre
notamment sur la matrice d'infrence et la rpartition des fonctions d'appartenance.
[LUT 96] et [BUH 94] insistent bien sur le fait que ce n'est pas le choix des oprateurs pour
raliser l'infrence qui est important mais plutt la matrice d'infrence elle-mme et, surtout,
la rpartition des fonctions d'appartenance sur l'univers de discours. On peut en effet obtenir
des caractristiques non-linaires trs prononces. Cependant l'optimisation pour une
application donne peut tre longue et fastidieuse. Il convient de ne faire varier que la forme
ou la distribution des fonctions d'appartenance, soit des variables d'entres, soit de la sortie,
sinon on peut aboutir une certaine compensation des corrections envisages.
Les auteurs, cits en bibliographie [HIS 97], [HIS 98], [MAU 98], ont montr que l'utilisation
d'un procd d'optimisation selon la mthode de Taguchi, permettait de rduire
considrablement le nombre d'essais faire pour trouver le rglage optimum. Leur mthode
est base sur une identification du systme partir d'une rponse en boucle ouverte un
chelon. Un choix est ensuite fait sur les valeurs discrtes que peuvent prendre les paramtres
optimiser ( positions relatives des fonctions d'appartenance sur l'univers de discours, gains
87
du rgulateur ). Il s'ensuit des essais, avec des vecteurs de paramtres dfinis par les rgles
de Taguchi, nettement moins nombreux compars au grand nombre de possibilits de rglage.
De toute vidence, cette approche, fort intressante, ne s'applique qu'aux processus stables en
boucle ouverte. De plus, il est tout aussi difficile de choisir les valeurs discrtes que peuvent
prendre les paramtres ( deux paliers pour chaque paramtre ont t choisit par les auteurs ).
Enfin, un autre problme majeur, commun tous les procds d'optimisation automatique, est
celui du choix du critre d'optimisation. L'IAE ( Intgrale de l'Erreur Absolue ), utilis par
Hissel et al. ; ne garantit pas la robustesse du systme. Les travaux entrepris, visant attnuer
ce problme, sont prsents dans [HIS 98].
Comme nous pouvons le constater, il n'est pas facile de concevoir un rgulateur flou partir
de rgles et dmarches compltement structures au sens cartsien du terme. Il reste alors des
mthodes permettant, partir d'essais et d'erreurs, d'arriver une construction "au mieux" d'un
rgulateur flou. La stratgie de rgulation repose alors sur un ensemble de rgles de dcisions
heuristiques ou de rgles intuitives [KIN 77]. C'est d'ailleurs ce que l'on essaye de reprsenter
par l'approche logique floue.
Nous nous sommes intresss dans cette partie la mise en vidence de l'existence potentielle
d'un gain ( ou une diffrence ) qu'une modification de la matrice d'infrence et de la
rpartition des fonctions d'appartenance vont apporter la rgulation de la vitesse de la
machine asynchrone en commande vectorielle.
Nous avons utilis une rpartition uniforme des fonctions d'appartenance sur l'univers de
discours des entres mais pas pour celles de la sortie. Les fonctions restent bien sr
symtriques par rapport au zro.
GN PN Z PP GP GN PN Z PP GP GN PN Z PP GP
En dEn dUn
-1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1 -1 -0.3 0 0.3 1
Figure 2.59 Formes des fonctions d'appartenance
On notera que pour la variable de sortie dUn, les fonctions d'appartenance correspondant aux
ensembles flous "petit ngatif" ( PN ) et "petit positif" ( PP ) sont proches de celle de
l'ensemble "zro".
Ce que nous essayons de reproduire intuitivement c'est de faire ragir, quand on est loin de
l'objectif, les ensembles flous "grand ngatif" et "grand positif", sachant que souvent, dans ce
cas, la sortie relle du rgulateur ( Iqs ref ) aura atteint sa valeur limite de saturation. Lorsque
l'on est proche de la vitesse de rfrence, ce seront les ensembles flous "petit ngatif" et "petit
positif" qui seront sollicits et comme leurs fonctions d'appartenance se trouvent plus proche
de celle de l'ensemble "zro", la rponse sera plus douce.
Ceci permet de multiplier le gain de sortie par 2,5 par rapport la valeur qu'il avait avec un
rgulateur 3 ensembles flous sans engendrer des oscillations sur la rponse ni un
dpassement plus important ( figure 2.62 ).
La matrice d'infrence utilise est dcrite par le tableau suivant :
88
dEn
dUn
GN PN Z PP GP
GN GN GN PN PN Z
PN GN PN PN Z PP
En Z GN PN Z PP GP
PP PN Z PP PP GP
GP Z PP PP GP GP
Tableau 2.5 Matrice d'infrence du rgulateur flou

cinq fonctions d'appartenance par variable
La surface caractristique du rgulateur prend alors la forme de la figure 2.60. On observe

bien sr un nombre plus important de zones quand on compare avec la figure 2.47. Mais
surtout sur la figure 2.61, qui reprsente la surface norme et centrale du rgulateur, une
dissymtrie apparat cause de celle introduite dans la matrice d'infrence. De plus, les
surfaces qui correspondent au deuxime et quatrime quadrant ne sont plus plates comme
celles d'un PI ou du rgulateur flou prcdent 3 ensembles flous.
Le gain de performance est cependant ngligeable quand on considre la variation de vitesse

( figure 2.62 ) et celle du courant en sortie du rgulateur ( figure 2.63 ) pour un chelon de
-600 tr/mn +600 tr/mn.
Tout porte croire que dans ce cas de figure, il ne servirait pas grand chose d'augmenter la
complexit du rgulateur flou pour esprer amliorer la rponse du systme. En effet, la
limitation entre alors en jeu.
Sur des chelons plus petits ( figures 2.64 et 2.65 ), la diffrence est plus sensible. En effet,
seul le rgulateur cinq ensembles flous entre en limitation, ce qui permet d'obtenir une
rponse plus rapide un chelon.
Notons cependant qu'une augmentation du gain FdU du rgulateur trois ensembles flous, ne
contribue pas amliorer ses performances. En effet, les figures 2.66 et 2.67 montrent que la
rponse se fait avec beaucoup moins de dpassement. Cependant, sa sensibilit par rapport
aux perturbations augmente, ce qui fait qu'il devient inutilisable exprimentalement.
5.4. Stabilit des systmes intgrant un rgulateur flou

De nos jours, il existe un certain nombre d'tudes sur la stabilit des systmes flous. Ce sont
toutefois des tudes restrictives cause de l'inexistence d'outils appropris pour ce faire. Le
rgulateur flou tant non-linaire, il faut faire appel aux mthodes non-linaires telles que la
mthode de Liapunov, la thorie de l'hyperstabilit ou encore le critre de Popov. La plupart
de ces mthodes sont assez limitatives, n'offrant que des conditions suffisantes de stabilit
dans un domaine restreint.
89
Des auteurs, [PRE 97], prsentent une analyse de stabilit, appliquant la thorie de
l'hyperstabilit, d'un systme mono-entre mono-sortie linaire paramtres constants
( SISO-LTI ). Ce qui n'est bien sr pas le cas de nombreux systmes, dont le ntre, et pour
lesquels des rgulateurs flous sont utiliss et donnent satisfaction.
Le critre de Popov, sous une forme tendue, a t retenu par [RAM 93], [BUH 94] pour leurs
tudes de stabilit.
Tanaka et Sugeno ont, quant eux, propos de dcomposer le systme non-linaire en sous-
systmes linaires [TAN 92]. Cette opration est facilite quand le rgulateur flou est du type
Takagi-Sugeno pour lequel la conclusion s'exprime sous forme d'un polynme.
Le thorme de Popov, permet de donner une condition suffisante de stabilit pour des
boucles de rgulation ayant un lment non-linaire. En fait, cela revient trouver une droite
qui majore la courbe non-linaire caractristique du rgulateur mono-entre. Dans le cas d'un
rgulateur deux entres, on cherche alors un plan qui majore la surface caractristique, on
assimile alors le contrleur flou un rgulateur PI classique !
Le critre de Cypkin, qui est une extension du thorme de Popov aux cas des systmes
discrets, exige que la surface relle de commande soit continue et drivable en tout point. Ce
qui n'est pas vident avec des fonctions d'appartenance trapzodales et triangulaires.
Enfin, tous ces critres n'offrent que des conditions suffisantes de stabilit et sont trop
restrictifs.
L'analyse rigoureuse de stabilit n'est souvent pas possible dans les cas pratiques. Elle va de
plus l'encontre du principal avantage de l'approche floue, c'est dire son utilisation pour les
systmes qui sont difficilement modlisables [MAM 76].
5.5. Conclusion
Il n'est pas possible de prsenter tous les cas que nous avons essays, et encore moins
d'examiner tous ceux qui peuvent tre raliss. Nanmoins, nous avons montr, dans le cas de
l'application laquelle nous nous sommes intresss, la supriorit du rgulateur flou par
rapport un rgulateur PI. Cet avantage disparat, ds lors qu'on le compare un rgulateur IP
anti-saturation cause des proprits intrinsques dont nous avons discut.
L'extension d'un rgulateur de trois cinq ensembles flous a permis de gagner un peu plus en
dynamique sans affecter sa sensibilit par rapport aux perturbations ( bruit principalement )
inhrentes tous processus exprimental.
Ce gain s'accompagne d'une augmentation considrable du temps de calcul ncessaire son
excution qui passe de 30 s 63 s sur le DSP utilis ( Annexe 3 ). Dans la partie suivante
nous allons voir une manire de rduire ce temps de calcul.
90

5 fonctions d'appartenance

normalis 5 fonctions d'appartenance
91
600.00
400.00
200.00
Vitesse (tr/mn)
0.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
-200.00
Simulation
Wm ref Reg flou 3 F

-400.00
Wm Reg flou 3 F
Wm Reg flou 5 F
-600.00

Comparaison entre le rgulateur flou 3 fonctions d'appartenance et
celui 5 fonctions d'appartenance
20.00
Simulation
Iqs ref Reg flou 3 F

15.00
Iqs Reg flou 3 F
10.00
I (A)
5.00
0.00
-5.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)

92
150.00
100.00
50.00
Vitesse (tr/mn)
0.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
-50.00
Simulation, Wm
-100.00
Reg flou 3 F
Reg flou 5 F
-150.00
Figure 2.64 Variation de la vitesse lors son inversion de -100 tr/mn +100 tr/mn
20.00
15.00
Simulation, Iqs ref
Reg flou 3 F
10.00 Reg flou 5 F

I (A)
5.00
0.00
-5.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
Figure 2.65 Variation de Iqs ref lors d'une inversion de vitesse de -100 tr/mn +100 tr/mn
93
600.00
400.00
200.00
Vitesse (tr/mn)
0.00
0.00 0.20 0.40 0.60 0.80
temps (s)
-200.00
Simulation
Wm reg flou 3 F
-400.00 FdU=4
FdU=10
-600.00
Figure 2.66 Variation de la vitesse lors de son inversion

puis application d'une charge de 20 Nm, Rgulateur flou 3 fonctions d'appartenance
Comparaison entre FdU=4 et FdU=10
20.00
Simulation
Iqs ref reg flou 3 F
15.00
FdU=4
FdU=10
10.00
I (A)
5.00
0.00
-5.00
0.00 0.20 0.40 0.60 0.80
temps (s)
Figure 2.67 Variation de Iqs ref lors d'une inversion de vitesse

puis application d'une charge de 20 Nm, Rgulateur flou 3 fonctions d'appartenance
Comparaison entre FdU=4 et FdU=10
94
6. Rgulation par rseau de neurones
6.1. Introduction
Cette partie a pour but d'tudier le remplacement du rgulateur flou de la boucle de vitesse par
un rgulateur bas sur un rseau de neurones que nous appellerons simplement rgulateur
neuronal.
Nous utiliserons la possibilit d'apprentissage afin d'approcher la surface de commande du

contrleur flou. On ne s'attend pas alors une amlioration des performances du systme,
notre objectif est plutt,
d'tudier la faisabilit tant du point de vue de la mthode d'apprentissage que de celui de
la structure du rseau de neurones adopter,
d'valuer le temps de calcul requis par le rgulateur neuronal et le comparer celui de son
quivalent flou,
de rendre compte de la robustesse d'un tel rgulateur au sein de la commande envisage
face des variations de paramtres du systme ou sa mauvaise identification.
6.2. Rseau de neurones du type perceptron

La structure retenue est celle introduite dans le chapitre I. Le perceptron a donc une seule
couche cache. Elle est constitue de quatre neurones dont le premier est utilis comme biais.
On choisit comme ensemble d'apprentissage les triplets ( x10, x20, ys ). x10, x20 reprsentent
l'erreur et la drive de l'erreur auxquelles on fait parcourir tout l'univers de discours des deux
variables floues. Notons que nous utilisons le domaine rel de variation des variables et non
pas celui norm entre -1 et 1. ys est la sortie du rgulateur flou dont on essaye de reproduire la
surface.
La figure 2.61 reprsente la solution vers laquelle a converg le rseau de neurones. On

constate, par rapport la figure 2.60, que les zones plates sont bien rendues. De mme que les
zones de dcroissance en bordure de surface. Cependant, sur la partie centrale, les "creux" et
"monts" des quadrants 1 et 3 de la surface caractristique du rgulateur flou ne sont pas
reproduits par le perceptron.
L'utilisation de ce rgulateur au sein de la commande montre que, lors d'une inversion de

vitesse par exemple, la rponse dynamique est similaire celle du rgulateur flou ( figures
2.64 et 2.65 ). Toutefois, nous observons des oscillations sur la fin du rgime transitoire qui
montrent une sensibilit plus grande aux perturbations. Ce rsultat n'est bien sr pas trs
perceptible sur les rsultats de simulation compars ceux obtenus exprimentalement
( figures 2.62 et 2.63 ).
95
Figure 2.60 Surface du rgulateur flou Figure 2.61 Approximation de la surface par
3 fonctions d'appartenance le rseau de neurones
600.00
Rgulateur neuronal
400.00 Perceptron
Wm ref Exprimental
200.00 Wm Exprimental
Vitesse (tr/mn)
Wm Simulation
0.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
-200.00
-400.00
-600.00
96
20.00
Rgulateur neuronal
Perceptron

Iqs Exprimental
Iqs ref Simulation
10.00
Iqs Simulation
I (A)
5.00
0.00
-5.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
20.00
600.00 Essai exprimental

Iqs ref Reg flou
Essai exprimental 15.00
Iqs Reg flou
400.00
Wm ref Reg flou Iqs ref Reg neuronal
Wm Reg flou Iqs Reg neuronal
200.00 10.00
Wm Reg neuronal
Vitesse (tr/mn)
I (A)
0.00
5.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
-200.00
0.00
-400.00
-5.00
-600.00 -0.10 0.00 0.10 0.20 0.30 0.40 0.50

temps (s)
Figure 2.64 Variation de la vitesse Figure 2.65 Variation de Iqs
Comparaison entre le rgulateur flou et le rgulateur neuronal
97
6.3. Rgulateur neuro-flou ( cinq ensembles flous )

Le rgulateur flou cinq fonctions d'appartenance ayant donn des rsultats trs probants, il
nous a sembl utile d'tudier la duplication de sa surface caractristique par un rseau de
neurones.
Compte tenu du comportement du processus tudi et du choix symtrique des ensembles

flous et de la table d'infrence, l'ensemble d'apprentissage prsente une symtrie par rapport
au point ( E=0, dE=0 ). Cependant, durant le processus d'apprentissage, si l'ajustement des
poids se fait en mme temps que les valuations de chacun des points de l'ensemble
d'apprentissage, alors il est possible de se retrouver avec une asymtrie de la surface par
rapport au point de rfrence.
Ce comportement du rseau de neurones n'est pas surprenant puisque, par principe mme, le
rseau de neurones adapte ses poids au fur et mesure qu'on lui propose des squences
d'apprentissage.
Nous avons constat ce problme sur des surfaces plus compliques, comme celle du
rgulateur flou cinq ensembles flous ( figure 2.69 ).
La procdure d'apprentissage par rtro-propagation de l'erreur dcrite dans le chapitre I doit

alors tre modifie de manire tenir compte de cet effet. Il apparat intressant d'valuer non
pas l'erreur pour chaque point pour des corrections locales mais plutt de ne changer les poids
qu'une fois toute la surface parcourue et l'erreur globale value. Cette approche a t utilise
avec succs pour l'apprentissage de la surface ( figure 2.69 ) et a donn lieu la surface de
contrle neuronale illustre par la figure ( figure 2.70 ). La mthode de calcul utilise est du
type Marquardt-Levenberg. Notons galement que lors de l'apprentissage d'une telle surface,
non norme, il convient de choisir un ensemble particulier de points, en resserrant autour de la
zone centrale ( E=0, dE=0 ) [BAG 97c]. Ce schma est illustr par les figures 2.66 et 2.67.
Figure 2.66 Rpartition des points de Figure 2.67 Rsultat de l'apprentissage.

l'ensemble d'apprentissage sur la surface de
contrle du rgulateur flou.
Cette mthode fait apparatre une symtrie sur les poids pour des surfaces de commande telles
que les ntres. Si les fonctions d'activation des neurones de la couche cache utilises sont
linaires, cela conduit une simplification notable du rseau de neurones ( 6 poids distincts au
lieu de 13 initialement ). Dans notre cas, les fonctions d'activation sont des sigmodes. La
98
surfaces de contrle est, de ce fait, une superposition de sigmodes. C'est ce qui fixe l'allure
gnrale des pentes de la surface. L'axe de la sigmode sur le plan et le facteur d'chelle sont
fixs par les poids de connexion avec les neurones d'entre.
f(x)
1
2
f ( x) = 1 ( 2.33 )
1 + exp( 2 x ) 0.5
-6 -4 -2 2 4 6 x
-0.5
-1
Figure 2.68 Fonction sigmode

5 fonctions d'appartenance
99
Figure 2.70 Surface caractristique du rgulateur neuronal correspondant

Perceptron quatre neurones en couche cache
Au vu de la complexit de la surface floue envisage dans ce cas, approximer tous les points
de l'univers de discours d'une manire quitable est une tche dlicate. En effet, tous ces
points n'ont pas la mme importance du point de vue contrle. A l'aide d'une analyse sur le
plan de phase, il est intressant de constater que lorsque l'on est trs loin de l'objectif de
rgulation, la valeur exacte de l'incrment de sortie n'est pas trs importante. Il suffit qu'elle
soit suffisamment grande et du bon signe. Cependant, quand on se rapproche de la rfrence,
alors il convient d'avoir des valeurs aussi proches que possible du rglage optimal.
C'est dans cette optique que nous avons choisit un ensemble d'apprentissage non uniforme,
plus dense autour du rgime permanent ( E=0, dE=0 ).
La rponse de ce rgulateur neuronal [BAG 97c] conduit plus d'oscillations en fin de rgime
transitoire ( figures 2.71 et 2.72 ) que le rgulateur flou.
100
20.00
600.00 Rgulateur neuronal

Perceptron
Rgulateur neuronal 15.00 Iqs ref Exprimental

400.00 Perceptron Iqs Exprimental
Wm ref Exprimental Iqs ref Simulation
200.00 Wm Exprimental 10.00 Iqs Simulation

Vitesse (tr/mn)
I (A)
Wm Simulation
0.00 5.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50
temps (s)
-200.00
0.00
-400.00
-5.00
-600.00 -0.10 0.00 0.10 0.20 0.30 0.40 0.50

temps (s)
Un des inconvnients majeur des rseaux de neurones du type perceptron est qu'il n'est pas
possible d'y introduire une information priori du systme. Ceci est d cause de son
caractre distribu et non local de la reprsentation de l'information [REN 95]. Par ailleurs,
nous avons dj soulev le phnomne d'oubli, dont la consquence peut tre bnfique
comme dans le cas o le rseau de neurones doit voluer en fonction du changement lent de
certains paramtres du systme, l'apprentissage se faisant en ligne. Le rseau de neurones
s'adapte alors de manire dynamique et peut tre utilis des fins d'estimation et de prdiction
[VAS 94b], [BUR 97].
Pour la mme surface de commande, l'avantage d'un tel rgulateur neuronal est de rduire le
temps de calcul par rapport celui consomm quant on utilise un rgulateur flou ( celui cinq
ensembles flous pour chaque variable ).
Notons galement que pour garder la souplesse de rglage, l'aide des gains d'entre et de
sortie, que l'on a dans le cas du rgulateur flou, il convient de faire l'apprentissage sur la
surface norme du rgulateur et non pas sur sa surface relle.
6.4. Rseau de neurones fonction de base radiale ( RBF )

La diffrence fondamentale par rapport au perceptron est que le rseau de neurones de type
RBF permet d'introduire une contrainte de couverture de la zone d'activation du neurone.
C'est dire que le niveau d'activation des neurones dpend de leur position sur le plan
( E, dE ) et de leur sensibilit ( dcrite par le paramtre ). Il devient alors possible d'apporter
au rseau de neurones, au moment de sa conception, de l'information sur le systme
considr.
Les travaux faits au sein de notre laboratoire par [RAZ 98a] montrent qu'il est possible de
concevoir un rgulateur neuronal RBF, en partant d'un rgulateur flou, sans passer par la
procdure, lourde, d'apprentissage du rseau de neurones.
Le choix des paramtres des fonctions Gaussiennes ( centre et cart type ), ainsi que celui des
poids de connexion au neurone de sortie dtermine la surface du contrleur.
De plus, on peut agir, en ligne, sur ces facteurs afin de changer le comportement du rgulateur
[RAZ 98b].
101
Concrtement, dans le cas d'un rgulateur RBF deux dimensions ( E, dE ), la sortie est
donne par dU :
1 ( E c Ei ) 2 (dE cdEj ) 2
dU = wij exp + ( 2.34 )
2 Ei2 2
i, j dEj
La figure 2.73 montre la zone centrale de la surface de contrle norme du rgulateur RBF
six fonctions Gaussiennes. Les fonctions base radiales son placs sur le plan ( E, dE ) de
manire ce qu'elles se recouvrent entre elles. La surface de contrle relle est illustre par la
figure 2.74. Bien que cette surface prsente des bosses aux limites de la zone centrale, les
performances sont similaires celles du rgulateur flou quivalent [RAZ 98b].
Figure 2.73 Surface du rgulateur neuronal Figure 2.74 Surface relle du rgulateur
RBF norm ( zone centrale ) neuronal RBF
En dernier lieu, nous avons procd une optimisation par algorithme gntique des poids et
des carts types du rseau de neurones RBF norm. Grce aux nombreuses symtries sur la
position des RBF Gaussiennes et de la valeur en sortie du rgulateur flou ( norm ) aux points
modaux, nous avons rduit le nombre de paramtres quatre ; deux poids et deux carts type.
Il faut cependant considrer un ensemble d'apprentissage qui va au del des valeurs 1 et 1
afin de prendre en compte des zones plates de la surface pour des entres satures ( figure
2.75 ).
102
Figure 2.75 Surface du rgulateur flou norm Figure 2.76 Surface du rgulateur neuronal
RBF aprs apprentissage
Figure 2.77 Diffrence entre les deux surfaces Figure 2.78 Surface relle du rgulateur
neuronal RBF
Les figures 2.75 2.78 montrent le cas o la convergence bute sur un minimum local. Le
phnomne de recouvrement est important et particulirement visible prs de la zone de
saturation des entres ( figures 2.76 et 2.78 ).
Quand ce minimum est dpass, le systme tend alors vers une solution qui a aplati et lisse
ces zones ( figures 2.80 et 2.82 ). Ce dernier rgulateur sera utilis pour le reste de l'tude et
sera dsign par "rgulateur RBF".
103
Figure 2.79 Surface du rgulateur flou norm Figure 2.80 Surface du rgulateur neuronal
RBF aprs apprentissage
Figure 2.81 Diffrence entre les deux surfaces Figure 2.82 Surface relle du rgulateur
neuronal RBF
600.00 20.00
Rgulateur neuronal
Rgulateur neuronal RBF
400.00 RBF
Wm ref Exprimental
Iqs Exprimental
200.00 Wm Exprimental
Iqs ref Simulation
Vitesse (tr/mn)
Wm Simulation 10.00 Iqs Simulation

I (A)
0.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50

temps (s) 5.00
-200.00
0.00
-400.00
-600.00 -5.00
-0.10 0.00 0.10 0.20 0.30 0.40 0.50

temps (s)
104
Les figures 2.83 et 2.84 prsentent une comparaison entre une simulation et un relev
exprimental effectus en utilisant le rseau de neurones RBF comme rgulateur de vitesse.
Sur un chelon de -600 +600 tr/mn, nous observons une bonne concordance entre les deux
rsultats, autant sur l'volution de la vitesse que sur celle du courant Iqs.
Par rapport au rgulateur flou trois fonctions d'appartenance par variable ( figure 2.79 ), on
retrouve des temps de monte trs proches. Toutefois, le temps d'excution de l'algorithme est
plus important ( Annexe 3 ). Dans le chapitre suivant, nous verrons galement le
comportement du rgulateur RBF lorsqu'un chelon de charge est appliqu la machine.
6.5. Conclusion
Dans cette partie, nous nous sommes intresss aux rgulateurs base de rseaux de
neurones. Les deux types de structure que nous avons tudis sont diffrents dans la faon de
les entraner. Le perceptron, ne pouvant intgrer une connaissance priori du systme requiert
alors systmatiquement de passer par une phase d'apprentissage. Le rseau de neurones
fonction de base radiale peut, quant lui, tre utilis sans apprentissage puisque ses fonctions
d'activation peuvent tre places sur le plan ( E, dE ) pour ne ragir qu' des valeurs
particulires des entres. Ces rseaux de neurones peuvent galement tre entrans de
manire fournir une rponse plus proche du rgulateur flou de base.
Il existe d'autres domaines d'utilisation des rseaux de neurones RBF, par exemple, pour la
mise au point de rgulateurs classiques [STR 93]. Les rseaux de neurones sont galement
trs rpandus en classification et en reconnaissance de formes [CHE 96].
7. Conclusion
A travers, ce chapitre, nous avons prsent l'utilisation des algorithmes gntiques, de la
logique floue et des rseaux de neurones pour l'identification et la commande de la machine
asynchrone.
L'identification des paramtres de la machine est un problme complexe. Il est important de

souligner que le vecteur de paramtres que nous avons obtenu, l'issue de l'optimisation par
algorithme gntique, n'est qu'un vecteur moyen de paramtres. C'est dire que c'est le
vecteur qui correspond au meilleur compromis pour reprsenter la machine dans ses diffrents
types de fonctionnement.
La mthode propose est sduisante et offre une alternative trs intressante par rapport aux
mthodes classiques qui ncessitent de "dmarrer" prs du vecteur optimal et dont le
comportement est incertain face des minimums locaux.
Nous avons ensuite prsent, une commande vectorielle de la machine asynchrone par
orientation du flux rotorique. Nous nous sommes intresss au rgulateur de vitesse et
l'impact que pouvait avoir son remplacement par un rgulateur flou puis par un rgulateur
neuronal.
Afin de pouvoir juger sur un mme pied d'galit les diffrents rgulateurs, nous les avons
ramens avec les mmes gains en entre et en sortie un systme normalis. Leurs surfaces
105
de contrle ne dpendent alors que des caractristiques intrinsques des rgulateurs et non pas
des facteurs d'chelle ou des gains qui peuvent les rendre plus rapides ou plus lents.
Il s'avre, vis vis des chelons de consignes de vitesse, que ces rgulateurs donnent
pratiquement la mme rponse. Nous verrons dans le chapitre suivant ce qu'il en ait dans les
cas o des chelons de couple perturbateur sont appliqus au systme ainsi que lorsque des
variations de paramtres sont considres.
La principale diffrence entre ces rgulateurs rside plutt dans la manire avec laquelle la
surface de contrle du rgulateur est synthtise. Des approches nouvelles ont ainsi t
prsentes mais qui reposent nanmoins sur une connaissance de la rgulation du systme,
travers une tude dans le plan de phase de la rponse du systme. Une formulation
linguistique du comportement que l'on dsire faire adopter au systme est alors introduite par
le biais du rgulateur flou.
Dans l'approche neuronale, l'accent est mis sur l'utilisation du rseau de neurones comme
approximateur universel afin de reproduire la surface de contrle du rgulateur flou. Le gain
en temps de calcul est alors notable lorsqu'il s'agit de remplacer des rgulateurs flous
complexes. Un tableau comparatif des temps requis est prsent en annexe 3 ( tableau A.5 ). Il
est galement possible de se passer de la procdure d'apprentissage dans le cas des rseaux de
neurones fonction de base radiale pour lesquels il existe une correspondance "directe" avec
les rgulateurs flous.
106

Aplicaciones Maquina Sincronica PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Aplicaciones Maquina Sincronica PDF

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre II : Application la commande de la machine asynchrone

2. Identification des paramtres de la machine asynchrone

2.1. Essai 1 : dmarrage

La fonction d'adquation utilise est la suivante :

Avec F = 1 et FI as = 5 . Ce sont les facteurs qui permettent de pondrer l'importance d'une

Les rsultats suivants concernent l'identification de la machine 2 ( annexe 1 ). En figures 2.1,

0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70

Figure 2.1 Optimisation par algorithme gntique sur un dmarrage,

0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70

Figure 2.2 Optimisation par algorithme gntique sur un dmarrage,

0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70

Figure 2.3 Optimisation par algorithme gntique sur un dmarrage,

10.00 Ias Exprimental

Figure 2.4 Optimisation par algorithme gntique sur un dmarrage,

Nous prsentons maintenant quelques rsultats traduisants graphiquement l'volution du

Figure 2.5 Evolution du "Fitness" Figure 2.6 Position du meilleur individu

Figure 2.7 Evolution de Rs Figure 2.8 Evolution de s

Figure 2.9 Evolution de r Figure 2.10 Evolution de

Figure 2.11 Evolution de J Figure 2.12 Evolution des coefficients de

2.1.1. Evolution des paramtres au cours des 1000 premires gnrations

Figure 2.13 Evolution du "Fitness" Figure 2.14 Position du meilleur individu

Figure 2.15 Evolution de Rs Figure 2.16 Evolution de s

0 200 400 600 800 1000 0.01

Figure 2.17 Evolution de r Figure 2.18 Evolution de

0.06 0.06 a2 (Nm s/rd)

Figure 2.19 Evolution de J Figure 2.20 Evolution des coefficients de

Les rsultats issus de cette optimisation sont aprs 60000 gnrations :

Les rsultats suivants concernent l'identification de la machine 1 ( Annexe 1 ) :

La figure 2.6 reprsente, d'une gnration la suivante, de quelle population provient le

2.2. Essai 2 : chelon

Un chelon ngatif ( court-circuit de la source ) donne une dcroissance du courant de la

2.2.1. Croissance du courant

2.2.2. Dcroissance du courant

0.00 0.40 0.80 1.20 1.60

2.2.3. Croissance du courant, chelon MLI

2.00 Ias Simulation

0.00 0.20 0.40 0.60

2.2.4. Comparaisons des rsultats

Ias (A) 6.00

Figure 2.24 Sensibilit de l'identification sur une croissance du courant

Alors que l'identification 2 correspond :

0 10000 20000 30000 40000 50000 60000

Figure 2.25 Evolution de s et r

Alors le modle peut tre mis sous la forme :

Deuximement, tout algorithme d'optimisation des fins d'identification du modle de la

Le problme d'optimisation n'est pas un problme simple et il n'existe pas de mthode

3. Contrle vectoriel classique

3.2. Modle de la machine asynchrone

3.2.1. Hypothses de travail

3.2.2. Les quations de la machine asynchrone en rgime quelconque

3.2.2.1. Dans un rfrentiel li au champ tournant

Nous pouvons alors crire :

3.2.2.2. Dans un rfrentiel li au stator

Nous pouvons alors crire :

Modliser la machine de cette manire permet de rduire le nombre de grandeurs qu'on a

3.3. Mthodes de commande vectorielle des moteurs asynchrones

En imposant, qr = 0 , les quations de la machine dans un rfrentiel li au champ tournant

Aprs passage par une transformation de Laplace nous obtenons :

Il existe des mthodes de commande vectorielle directe et indirecte :

3.3.1. Commande vectorielle indirecte par orientation du flux rotorique ( IRFO )

Figure 2.26 Rgulation de vitesse par la commande vectorielle indirecte

En analysant ce schma de commande et les quations associes, on voit apparatre

4. Rgulation, mthodes classiques