PROPOSTA DE UM ESTIMADOR NEURO-FUZZY … · quina de relutância comutada 6/4. Lima, F. (2010) ......
-
Upload
phungkhanh -
Category
Documents
-
view
216 -
download
0
Transcript of PROPOSTA DE UM ESTIMADOR NEURO-FUZZY … · quina de relutância comutada 6/4. Lima, F. (2010) ......
PROPOSTA DE UM ESTIMADOR NEURO-FUZZY ADAPTATIVO DO FLUXO ROTÓRICO DE UM
MOTOR-MANCAL
1JOSÉ S. B. LOPES, 2LUCIANO P. DOS SANTOS, 3JOSÉ A. DE PAIVA, 4ANDRÉ L. MAITELLI, 5ANDRES
O. SALAZAR
IFRN, Campus Parnamirim1, Santa-Cruz2 e Ceará-Mirim3, RN, Brasil ,
4,5DCA, UFRN, Campus Universitário, s/nº - 59072-970 - Natal - RN – Brasil
E-mails: [email protected], [email protected], [email protected], [email protected] e [email protected].
Abstract This study presents the problem of rotor flux orientation control of bearingless induction motor. The key of this solution
is the estimation of rotor flux. This work applied an inference system using fuzzy logic and the neural networks with the
MATLAB®. The Adaptive Neuro-Fuzzy Inference System (ANFIS) is based in an input-output model. ANFIS was used to tune
the membership functions in fuzzy system. ANFIS along with the backpropagation learning algorithm was applied to estimate the
rotor flux. ANFIS aims at compensating possible parametric variations of the machine caused by agents such as temperature or
nucleus saturation. The simulated results showed good performance and will use as reference for further studies applied to an
experimental prototype in the laboratory.
Keywords Estimator Neuro-Fuzzy, Speed Control, Flux Rotor.
Resumo Este estudo apresenta o problema do controle de orientação de fluxo do rotor do motor de indução sem mancal. A chave
desta solução é a estimativa do fluxo do rotor. Este trabalho aplicou um sistema de inferência utilizando lógica fuzzy e as redes
neurais com o MATLAB®. O Sistema Adaptativo Neuro -Fuzzy (ANFIS) que baseia-se em um modelo de entrada-saída. ANFIS
foi usado para ajustar as funções de pertinência no sistema Fuzzy. ANFIS juntamente com o algoritmo de aprendizagem backpro-
pagation foi aplicado no treinamento do estimador do fluxo do rotor. ANFIS objetiva compensar possíveis variações paramétricas
da máquina causada por agentes como a temperatura ou a saturação de núcleo. Os resultados simulados mostraram bom desempe-nho e serviram como referência para estudos posteriores aplicados a um protótipo em laboratório experimental.
Palavras-chave Estimador Neuro-Fuzzy, Controle de Velocidade, Fluxo do Rotor.
1 Introdução
Os motores-mancais, ou máquinas sem mancais
como denominado em alguns trabalhos, são segundo
as definições clássicas: “motores com a função de
mancal integrada magneticamente” ou “mancais mag-
néticos com a função de motor integrada magnetica-
mente” (Vitor, V. F. et. al. 2012).
Os motores de indução trifásicos com rotor em
gaiola de esquilo têm sido utilizados como máquinas
sem mancais em pesquisas realizadas desde a década
de 1990 (Salazar, A.O; Stephan, R.M. 1993). Nestes,
o enrolamento estatórico é utilizado para produção do torque eletromagnético e também para a produção das
forças radiais necessárias ao posicionamento do rotor.
As pesquisas sobre o controle dos motores de in-
dução nas últimas décadas têm centrado no melhora-
mento dos esquemas de controle de campo orientado,
ou controle vetorial, para resolver os problemas apre-
sentados pela utilização de sensores acoplados ou ins-
talados perto do rotor (Gonzalez Castellanos, J. A.,
2004). No entanto, os estudos dos controladores veto-
riais podem utilizar sensores de fluxo para determinar
o valor exato da magnitude e da posição do fluxo gi-
rante. Este fato gerou a necessidade do uso de sensores
de fluxo colocados no interior da máquina, o que em
determinados sistemas era inviável pela dificuldade de acesso ou pelo alto custo destes sensores (Paiva, J Á,
2007).
Para contornar esta limitação utilizou-se o estima-
dor de fluxo baseado no modelo vetorial da máquina
tomando como referencial o vetor de fluxo do rotor.
Este trabalho consiste no estudo e implementação de
um Estimador Adaptive Neuro-Fuzzy Inference Sys-
tem (ANFIS) ou Sistema de Inferência Neuro-Fuzzy
Adaptativo Orientado pelo fluxo do Rotor.
Alguns trabalhos foram utilizados como referên-
cia para o estudo, projeto e desenvolvimento da téc-
nica ANFIS como estimador. Vários pesquisadores
utilizaram o ANFIS em máquinas elétricas. Vasudevn,
M., Arumugam, R., Paramasivam, S.,(2003) mostram de forma detalhada a técnica ANFIS utilizada para a
estimação de parâmetros de um motor de indução.
Zhi-Xiang ,H.; He-Qing , L.(2006) propôs um novo
método para a identificação de sistemas não-lineares
utilizando o ANFIS. Foi proposto por Depari, A. et.
al.(2007) uma técnica de calibração de sensores base-
ado no ANFIS. De acordo com Ding, W., Linag, D.
(2008), neste artigo, os autores empregaram o ANFIS
para obter modelos de corrente e de torque de uma má-
quina de relutância comutada 6/4. Lima, F. (2010)
propôs o desenvolvimento e a implementação de um
estimador baseado em um sistema ANFIS para o con-trole de velocidade do motor de indução trifásico em
um acionamento sem sensores.
O objetivo deste trabalho é utilizar o ANFIS para
estimar a magnitude da corrente de magnetização e a
velocidade angular do fluxo do rotor com dados simu-
lados e, assim, avaliar a viabilidade do uso do estima-
dor simulado aplicado no motor-mancal.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1946
2 Modelo do Motor de Indução Convencional
com orientação de campo no Fluxo do Rotor
O controle orientado de campo tem emergido como uma importante aproximação para o controle de
máquinas de motor de indução, e continua a ser discu-
tido e desenvolvido na literatura (Paiva, J Á, 2007).
Nesse tipo de controle, possibilita um desacoplamento
entre o torque e o fluxo na máquina de corrente alter-
nada, semelhante à máquina corrente continua com
excitação independente. Esta possibilidade permite a
melhoria das suas características dinâmicas. Isto é ob-
tido através da definição de um eixo de referência dq0
que gira sincronamente com o vetor espacial do fluxo
de rotor, onde o torque é controlado através da com-
ponente q do vetor espacial da corrente de estator e simultaneamente, o fluxo é controlado através da
componente d do vetor espacial da corrente de estator.
Em Santisteban, J.A. e Stephan, R.M, (2001) pro-
põe-se uma classificação e uma comparação de diver-
sos métodos de controle para máquinas de indução.
Neste artigo, os autores utilizam o referencial do fluxo
do rotor devido ao número reduzido de equações sem
perdas significativas da exatidão. A Figura 1 apresenta
a estrutura do modelo vetorial da máquina de indução
com referencial no fluxo do rotor (Leonhard, W.,
2001).
Figura 1. Diagramas de blocos do motor de indução em coordenadas
de campo do rotor (Leonhard, W.,2001).
De acordo com Leonhard, W.(2001) o modelo ve-
torial ilustrado na Figura 1 pode ser escrito da seguinte
forma:
𝑚𝑀 = 𝑘. 𝑖𝑚𝑅(𝑡). 𝑖𝑆𝑞(𝑡), 𝑘 =2
3(1 − 𝜎)𝐿𝑠 (1)
Em (1) 𝑚𝑀 representa o torque elétrico, 𝑘 é uma
constante relacionada à indutância própria do estator
(𝐿𝑠), 𝜎 é o fator de dispersão, 𝑖𝑚𝑅(𝑡) é a corrente de magnetização que está diretamente relacionada à mag-
nitude do campo girante, 𝑖𝑆𝑞(𝑡) é a corrente de qua-
dratura e 𝑖𝑆𝑑(𝑡) é a corrente de campo. A equação (2)
representa a corrente de magnetização 𝑖𝑚𝑅:
𝑇𝑅
𝑑𝑖𝑚𝑅(𝑡)
𝑑𝑡+ 𝑖𝑚𝑅(𝑡) = 𝑖𝑆𝑑(𝑡)
(2)
onde 𝑇𝑅 é a constante de tempo do rotor que pode ser
calculado por 𝑇𝑅 = 𝐿𝑅 𝑅𝑅⁄ em que: 𝐿𝑅 é a indutância
própria do rotor e o 𝑅𝑅 é a resistência do rotor. A equa-
ção (3) representa a velocidade angular do fluxo:
𝑑𝜌(𝑡)
𝑑𝑡= 𝜔𝑚𝑅 = 𝜔𝑚𝑒𝑐 +
𝑖𝑆𝑞(𝑡)
𝑇𝑅 . 𝑖𝑚𝑅 (𝑡)
(3)
em que 𝜔𝑚𝑒𝑐 representa a velocidade mecânica e 𝑛𝑝 o
número de par de pólos da máquina. Integrando a
equação (3) obtém-se, a posição das coordenadas gi-
rantes com o fluxo do rotor 𝜌(𝑡).
As equações (1) a (3) representam as equações
elétricas. Para estudar o comportamento mecânico do
modelo da máquina, foram utilizadas as equações (4)
e (5). Nestas equações, desprezou - se o atrito viscoso
dos mancais como forma de aproximar o comporta-mento da máquina convencional ao comportamento
da máquina sem mancais (Paiva, J. Á (2007).
𝑚𝐿(𝑡) = 𝐷. 𝑚𝑀(𝑡) (4)
𝑑𝜔𝑚𝑒𝑐(𝑡)
𝑑𝑡=
𝑚𝑀(𝑡) − 𝑚𝐿(𝑡)
𝐽
(5)
em que 𝑚𝐿 representa o torque de carga, 𝐷é o fator de
carga e 𝐽 o momento de inércia do rotor, ambas as
equações representam o comportamento mecânico da máquina. As equações acima representam o modelo
utilizado para o estimador de fluxo convencional para
o sistema de controle vetorial de velocidade da má-
quina de indução sem mancais.
2.1 Motor-Mancal
A Figura 2 apresenta a distribuição das bobinas no estator e as correntes em cada meio grupo do enro-
lamento para o motor-mancal utilizado na pesquisa.
As equações abaixo descrevem o desbalanceamento
das correntes para o controle de posição. Para diminuir
a complexidade do sistema considerou-se que o rotor
encontra-se centralizado para as simulações.
X
Y
Ic2
Ia1
Ib2
Ic1
36
129
2
4
8
11
1
5
7
10
Ia2
Ib1
Figura 2. Esquema das bobinas do estator.
Sendo assim, as seguintes considerações foram
adotadas para que o modelo da máquina de indução se
aproximasse do modelo do motor-mancal:
O Modelo da Máquina de Indução sem Mancal a
princípio funcionando com o rotor centralizado, pois este comportamento tem o Modelo equiva-
lente à Máquina de Indução Convencional (Fer-
reira, J. M. de S, 2006);
Utilizou-se os parâmetros da máquina, Tabela 2,
adotados em Vitor, V. F. et. al. 2012, visto que a
máquina de indução convencional funciona como
um motor sem mancal mecânico;
As simulações levaram em consideração a ali-
mentação trifásica equilibrada.
Adotado esses critérios, o modelo de máquina de
indução comportar-se-á como modelo da máquina de
indução sem mancal ou motor mancal.
𝑖𝑎1 = 𝑖𝑎 + ∆𝑖𝑎1 (6)
𝑖𝑎2 = 𝑖𝑎 − ∆𝑖𝑎1 (7)
𝑖𝑏1 = 𝑖𝑏 + ∆𝑖𝑏1 (8)
𝑖𝑏2 = 𝑖𝑏 + ∆𝑖𝑏2 (9)
𝑖𝑐1 = 𝑖𝑐 + ∆𝑖𝑐1 (10)
𝑖𝑐2 = 𝑖𝑐 + ∆𝑖𝑐2 (11)
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1947
Figura 3. Diagrama de blocos do sistema proposto.
2.2 Controle de Velocidade
O controle de velocidade mostrado na Figura 3 é
composto basicamente por três controladores do tipo
Proporcional-Integral, sendo eles: controlador para o
erro de velocidade cuja saída é o torque elétrico de re-
ferência - 𝑚𝑀𝑟𝑒𝑓. Em série com o controlador de ve-
locidade, tem-se o controlador de torque, o qual é res-
ponsável pela geração da referência de corrente de tor-
que - 𝑖𝑆𝑞𝑟𝑒𝑓 . E por último, o controlador da corrente
de magnetização, o qual é responsável pela geração da
referência de corrente de campo - 𝑖𝑆𝑑𝑟𝑒𝑓 (Paiva, J Á,
2007). Para os controladores Proporcional-Integral-
Derivativo, PID referentes a posição x e y considerou-se que o rotor estivesse centralizado para a simplifica-
ção do projeto.
A Figura 4 mostra as várias sintonias realizadas
empiricamente para a malha de controle da velocidade
mecânica e, de modo análogo, realizou-se a sintonia
dos controladores das demais malhas com intuito de
encontrar a melhor resposta para o sistema, Tabela 1.
Figura 4 – Sintonia do controlador de velocidade.
Tabela 1. Parâmetros dos Controladores PI utilizados na sintonia.
PI 𝝎𝒎𝒆𝒄 𝒎𝑴 𝒊𝒎𝑹
kpw kiw kpmM kimM kpimR kiimR
(1) 10.7 50 1 10 2 50
(2) 6 60 2 100 2 15
(3) 1 10 2 50 1 30
Após os ensaios realizados foram escolhidos os
parâmetros da sintonia 2 da Tabela 1.
3 Sistema Híbrido Neuro-Fuzzy: ANFIS
Dentre os tipos de sistemas híbridos Neuro-Fuzzy
existentes Nauck, D.; Klawon, F.;Kruse, R.(1997) e
Vieira, J.; Dias, F. M.; Mota,(2004) optou-se pelo sis-
tema de inferência híbrido Neuro-Fuzzy adaptativo.
3.1 ANFIS
O modelo ANFIS foi desenvolvido por Jang, J.-S. R.(1993) e corresponde ao modelo Sugeno de pri-
meira ordem. Este modelo utiliza como estrutura bá-
sica um controlador Fuzzy, o qual pode ser interpre-
tado como uma rede neural de seis camadas, interliga-
das através de pesos unitários, em que cada camada é
responsável por uma operação que resultará em uma
saída análoga à encontrada, em uma determinada
etapa de um sistema Fuzzy do tipo Takagi-Sugeno.
A estrutura ANFIS implementada pode ser repre-
sentada pela Figura 5.
y
1A
2A
1B
N
11O
1x
2x
2B
12O
13O
14O
N
21O
22O
f
f
31O
32O
1x 2x
1x 2x
41O
42O
3Camada1Camada 2Camada 4Camada 5Camada
Figura 5 – Modelo Sugeno de 1º ordem com duas regras.
A Figura 5 apresenta 5 camadas descritas a se-
guir:
Camada 1: Calcula o grau de pertinência com que as entradas satisfazem os valores ou termos lin-
guísticos associado a estes nós. Esta camada é cha-
mada de “entrada fuzzy”.
𝑤𝑖 = 𝜇𝐴𝑖(𝑥1) 𝜇𝐵𝑖
(𝑥2), 𝑖 = 1,2. (11)
Camada 2: Esta camada consiste de neurônios
com um operador de agregação: t-norma. A saída da
camada 2 são as implicações das premissas.
Camada 3: A saída desta camada será a saída dos
neurônios da camada anterior, normalizados. Assim, o
valor normalizado do grau de ativação da regra é igual
0 2 4 6 8 100
200
400
600
800
1000
1200
1400
1600
1800
2000
Tempo(s)
Ve
locid
ad
e M
ecâ
nic
a (
RP
M)
REF
Sintonia (1)
Sintonia (2)
Sintonia (3)
i*1
i*2
i*3
i*4
i*5
i*6
PWM 1
PWM 2
PWM 3
PWM 4
PWM 5
PWM 6
PWM
Controladores
de
Corrente
Desbalanceamento
das Correntes de
Fase
Estimador
Neuro-Fuzzy
Motor Mancal
Sensores de
Posição
Sensor
de
Velocidade
d,q
a,b,c
Transformação
Bifásica
para Trifásica
u*α
u*β
= .F*
α
F*β
cos ρ ̂
sin ρ ̂
sin ρ ̂
-cos ρ ̂
F*x
ρ ̂ρ ̂
F*y
Rotor
u*x
u*y
u*a
u*b
u*c
I*a I
*b I
*c
ia i’aib ic i’
bi’c
imRefisq
ref
isdref
isd isq
imR^
mMref
ωmec
ωmec
ωref
Δy
Δxy
x
x*y*
PID
6/3/dq Correntes
PIPI
PI
PID
x
y
mM^
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1948
a razão do grau de ativação da regra associada ao neu-
rônio pela soma dos graus de ativação de todas as re-
gras.
Camada 4: Nesta camada, a reposta produzida
por cada neurônio é o valor da função no consequente
da regra multiplicada pelo grau de ativação normali-
zado.
Camada 5: Nesta camada, ocorre o somatório
das saídas dos neurônios das camadas anteriores e,
desta forma, obtém-se o sinal desejado para o sistema.
𝑦 = ∑ �̅�𝑖𝑖 𝑓𝑖 (14)
De acordo com Rodrigues, M. C., 2006 os neurô-
nios das camadas 1 e 4 necessitam de ajustes (etapa de aprendizagem), pois na camada 1 estão localizadas as
funções de pertinências de entrada e na camada 4,
deve ocorrer os ajustes dos polinômios Sugeno, pois
definem as implicações das regras. Neste trabalho os
ajustes dos parâmetros foram obtidos através da téc-
nica adaptativa: algoritmo backpropagation.
4 Projeto e Analise do Sistema ANFIS
O desenvolvimento do projeto do estimador ANFIS levou em consideração os critérios adotados
na seção 2.1. O estimador convencional adotado nas
simulações da seção 5 e comparado com o estimador
ANFIS referem-se as equações (1-5) discretizadas uti-
lizando o método de Euler com um passo de integra-
ção 10e-6 utilizando os parâmetros nominais do mo-
tor-mancal, Tabela 2, na condição de rotor centrali-
zado. Utilizou-se o Matalab®R2010a para a imple-
mentação do sistema proposto da Figura 3.
Tabela 2. Parâmetros nominais do Motor-Mancal (Vitor,
V. F. et. al.(2012).
Símbolos Descrição Valores
R1 Resistência do Estator 1,18 Ω
R2 Resistência do Rotor 1,42 Ω
J Momento de Inértia 0,00995 kg.m2
Ls Indutância do Estator 6,56 mH
Lr Indutância do Rotor 6,56 mH
Lm Indutância de Magnetização 0,14 H Ω = ohm, m =milli, H = Henry.
O processo de treinamento consistiu em aproxi-
mar-se do estimador ANFIS a partir do estimador con-
vencional. O intervalo de tempo de treinamento foi de
60 segundos, e as variações foram impostas da se-
guinte forma:
Foram aplicados degrau s sucessivos ascen-
dentes e descendentes entre 0 e 2000rpm
(Variações de velocidades de referência);
Variação da constante de tempo do rotor (a
cada 4 segundos de forma aleatórias variando
no range de 0-30% em relação ao valor no-
minal da constante).
A cada 5 segundos foram aplicadas variações
crescentes e decrescentes de carga de 0.05
N.m (Variação do torque de carga);
Os critérios utilizados basearam-se em Paiva,
José Álvaro, (2007).
As estruturas adotadas foram dois estimadores
ANFIS sendo um para a estimação da corrente de
magnetização e outro para a estimação do fluxo do ro-
tor. As Figuras 6(A) e (B) representam os estimadores
Neuro-Fuzzy.
(A) (B)
Figura 6. (A) –Estimador da 𝑖�̂�𝑅 e em (B) – Estimador do �̂�𝑝.
Analisando o estimador ANFIS 1 foram utilizados
as seguintes entradas: a corrente direto de campo -𝑖𝑆𝑑
e a corrente de magnetização atrasada. E como saída,
a corrente de magnetização. Com o intuito de encon-
trar a melhor configuração foram realizados vários treinamentos com diferentes parâmetros para a obten-
ção de melhores critérios para as simulações, Tabela 3
e 4.
Tabela 3. Parâmetros do ANFIS1.
Funções de
Pertinências Épocas
Erro (MSE)
do Treino
Erro (MSE)
de Validação
2 50 0,0558002 0.00813261
3 150 0,0488926 0.00815185
3 300 0,0409925 0.01109080
5 500 0,00175787 0,00781050
Tabela 4. Parâmetros do ANFIS2.
Funções de
Pertinências Épocas
Erro (MSE)
do Treino
Erro (MSE)
de Validação
2 50 0.00406290 0.00489893
3 150 0.00533958 0.7491140
3 300 0.00448118 0.3522810
5 400 0.00359959 0.3302490
Os critérios adotados em ambos estimadores fo-
ram: 300 épocas para o treinamento e foram utilizados
o erro de tolerância igual a zero. A função de pertinên-
cia adotada nos estimadores foi o gbellmf (bell curve
membership function) do toolbox do Matlab®.
A Figura 7 (A) ilustra a superfície Fuzzy obtida
como resultado do treinamento da corrente de quadra-
tura e da magnetização. Deduz-se que o resultado li-
near obtido deve-se ao rotor centralizado, experimen-
tos futuros investigaram o comportamento com o rotor
descentralizado. A Figura 7 (B) ilustra a superfície
não-linear Fuzzy obtida como resultado do treina-mento da velocidade mecânica e da corrente de qua-
dratura.
(A) (B)
Figura 7. (A) - Superfície Fuzzy Sugeno – ANFIS 1 e (B) -
ANFIS 2.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1949
As Figuras 8 e 9 ilustram o comportamento antes
e depois do treinamento para o ajuste das pertinências:
𝑖𝑆𝑞 e a 𝑖𝑚𝑅, onde as curvas [azul, verde e vermelha]
representam as regras geradas pelo ANFIS.
Figura 8. Antes e depois do treinamento – 𝑖𝑆𝑑(𝑘).
Observa-se que após o término do treinamento as
pertinências da Figura 8 foram ajustadas.
Figura 9. Antes e depois do treinamento – 𝑖𝑚𝑅(𝑘 − 1).
Com o resultado do treinamento do estimador ANFIS 2 obteve-se os ajustes das pertinências. A Fi-
gura 10 ilustra o comportamento antes e depois do
treinamento para o 𝜔𝑚𝑒𝑐 .
Figura 10. Antes e depois do treinamento – 𝜔𝑚𝑒𝑐(𝑘).
Observa-se na Figura 10 o cancelamento de uma
pertinência. Já na Figura 11 não houve cancelamento
da pertinência e sim uma distribuição das mesmas.
Figura 11. Antes e depois do treinamento – 𝑖𝑆𝑞(𝑘).
5 Resultados das Simulações
5.1 Estudo de Caso
As simulações foram executadas no intervalo de
0 a 20 segundos. A primeira variável apresentada na
Figura 12 é a velocidade mecânica do modelo de qua-
tro pólos submetido as referências de 680, 1800 e 900
rpm e com aplicação de carga no sistema no instante
10 segundos e com uma variação de carga igual a 5.4
N.m.
Figura 12. Resultado da velocidade mecânica com os estimadores.
O resultado a seguir mostra o desempenho do
controlador respondendo ao modelo do estimador
convencional e ao estimador ANFIS, Figura 13.
Figura 13. Sinal do erro do controlador de velocidade.
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.5
1
ANFIS 1: Antes do Treinamento - isd(k)
Gra
u d
e P
ert
inência
in1mf1 in1mf2 in1mf3
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.5
1
ANFIS 1: Depois do Treinamento - isd(k)
Gra
u d
e P
ert
inência
in1mf1 in1mf2 in1mf3
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.5
1
ANFIS 1: Antes do Treinamento - imR(k-1)
Gra
u d
e P
ert
inência
in2mf1 in2mf2 in2mf3
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.5
1
ANFIS 1: Depois do Treinamento - imR(k-1)
Gra
u d
e P
ert
inência
in2mf1 in2mf2 in2mf3
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.5
1
ANFIS 2: Antes do Treinamento - wmec(k)
Gra
u d
e P
ert
inência
in1mf1 in1mf2 in1mf3
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.5
1
ANFIS 2: Depois do Treinamento - wmec(k)
Gra
u d
e P
ert
inência
in1mf1 in1mf2 in1mf3
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.5
1
ANFIS 2: Antes do Treinamento - isq(k)
Gra
u d
e P
ert
inência
in2mf1 in2mf2 in2mf3
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.5
1
ANFIS 2: Depois do Treinamento - isq(k)
Gra
u d
e P
ert
inência
in2mf1 in2mf2 in2mf3
0 2 4 6 8 10 12 14 16 18 200
200
400
600
800
1000
1200
1400
1600
1800
2000
Tempo(s)
Velo
cid
ade m
ecanic
a(R
PM
)
Velocidade Mecânica de Referência
Velocidade Mecânica com o Estimador Convencional
Velocidade Mecânica com o Estimador ANFIS
0 2 4 6 8 10 12 14 16 18 20-100
-50
0
50
100
150
Tempo(s)
Sin
al do e
rro d
o C
ontr
ola
dor
PI
da V
elo
cid
ade M
ecânic
a
Erro - Wmec do estimador ANFIS
Erro - Wmec do estimador convencional
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1950
Na Figura 14 apresenta-se o torque elétrico.
Figura 14. Resposta de torque elétrico operando sem carga.
A Figura 15 ilustra o sinal do erro do controlador
PI do torque elétrico.
Figura 15. Sinal do erro do controlador de torque.
A Figura 16 apresenta a velocidade angular do
fluxo do rotor.
Figura 16. Comportamento do fluxo do rotor.
Na Figura 17 apresenta-se a posição angular com
um zoom num intervalo de 0 a 0,2s. Observa-se neste
resultado o sincronismo do 𝜌(𝑘) para os estimadores.
Figura 17. Resultado da posição angular do Fluxo do rotor.
Figura 18 – Sistema mecatrônico motor-mancal de indução.
6 Conclusão
Neste artigo, foi estudado e implementado o esti-
mador hibrido Neuro-Fuzzy para o controle vetorial de
velocidade. Foi apresentada a implementação de um
mecanismo de inferência Neuro-Fuzzy que permite a representação do conhecimento de uma forma a estru-
turar as regras que compõem o modelo Takagi-Su-
geno. Pode-se concluir, então, que o treinamento do
ANFIS não define a função de pertinência, mas apenas
faz um ajuste fino nos parâmetros de forma a minimi-
zar o erro na saída da rede. Utilizou-se o software Ma-
tlab® para a implementação do modelo da máquina de
indução sem mancal e para o estimador Neuro-Fuzzy.
Os resultados mostraram que o estimador aproxi-
mou-se do modelo convencional, justificando a viabi-
lidade do uso do estimador ANFIS simulado aplicado
no motor-mancal. Trabalhos futuros deverão investi-
gar a aplicação do estimador ANFIS em um sistema
real considerando o rotor descentralizado, Figura 18.
Agradecimentos
Os autores gostariam de agradecer ao CAPES e
ao CNPq pelo apoio financeiro.
0 2 4 6 8 10 12 14 16 18 20-1
0
1
2
3
4
5
6
7
8
Tempo(s)
Torq
ue e
letr
ico (
N.M
)
Torque eletrico - estimador ANFIS
Torque eletrico - estimador convencional
0 2 4 6 8 10 12 14 16 18 20-4
-2
0
2
4
6
8
10
12
14
Tempo(s)
Sin
al do E
rro d
o C
ontr
ola
dor
PI
para
o T
orq
ue E
létr
ico
Sinal do Erro utilizando o Estimador ANFIS
Sinal do Erro utilizando o Estimador convencional
0 2 4 6 8 10 12 14 16 18 20-4000
-2000
0
2000
4000
6000
8000
Tempo(s)
Velo
cid
ade a
ngula
r do f
luxo d
o r
oto
r(ra
d/s
)
Velocida angular do Fluxo do Rotor - estimador ANFIS
Velocida angular do Fluxo do Rotor - estimador convencional
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.20
1
2
3
4
5
6
7
Tempo(s)
Posiç
ão a
ngula
r do F
luxo d
o r
oto
r(ra
d)
Posição angular do Fluxo do rotor com estimador ANFIS
Posição angular do Fluxo do rotor com estimador convencional
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1951
Referências Bibliográficas
Depari, A. et. al.(2007), Application of an ANFIS
algorithm to sensor data processing. IEEE Transactions on Instrumentation and
Measurement, v. 56, n.1, p.75-79. fev.
Ding, W., Linag, D. (2008), Modeling of a 6/4
switched relictance motor using adaptive neural
fuzzy inference system. IEEE Transactions on
Magnetics. v. 44, n.7, p. 1796-1804. jul.
Ferreira, J. M. de S,(2006), Modelagem de máquina
de indução trifásica sem mancais com bobinado.
Tese (Doutorado) – Universidade Federal do Rio
Grande do Norte. Programa de Pós-Graduação
em Engenharia Elétrica e de Computação, Natal,
RN. Gonzalez Castellanos, J. A. (2004) Estimação de
velocidade do motor com controle vetorial sem
sensor, utilizando filtro estendido de Kalman com
estimação da covariância dos ruídos. Tese
(Doutorado) – Departamento de Engenharia
Elétrica, Pontifícia Universidade.
Jang, J.-S. R.(1993), ANFIS: adaptive-network-based
fuzzy inference systems, IEEE Transactions on
Systems, Man, and Cybernetics. v. 23, n. 3, p.
665-685. mai.
Leonhard, W.(2001), Control of electrical drives. New York: Springer.
Lima, F. (2010), Estimador Neuro-Fuzzy de
Velocidade aplicado ao controle vetorial sem
sensores de motores de indução trifásicos. Tese,
Escola Politécnica da Universidade de São Paulo,
2010.
Nauck, D.; Klawon, F.;Kruse, R.(1997), Foundations
of neuro-fuzzy systems. New York, USA: J.
Wiley & Sons.
Paiva, J. Á. (2007). Controle vetorial de velocidade de
uma máquina de indução sem mancais trifásica
com bobinado dividido utilizando estimação neural de fluxo. 2007. Tese (Doutorado) -
Universidade Federal do Rio Grande do Norte.
Programa de Pós-Graduação em Engenharia
Elétrica e de Computação, Natal, RN.
Rodrigues, M. C.(2006), Técnicas inteligentes
híbridas para o controle de sistemas não-lineares.
2006. Dissertação (Mestrado) - Universidade
Federal do Rio Grande do Norte. Programa de
Pós-Graduação em Engenharia Elétrica e de
Computação, Natal, RN.
Salazar, A.O; Stephan, R.M (1993) “A Bearingless method for induction machine”, IEEE Trans.on
Magn. Vol.29, No6, pp.2965-2967, Nov.
Santisteban, J.A.; Stephan, R.M.,(2001) Vector
control methods for induction machines: an
overview, IEEE Transactions on Education,
vol.44, no.2, pp.170,175.
Vasudevn, M., Arumugam, R., Paramasivam,
S.,(2003). Adaptive neuro-fuzzy inference
system modeling of an induction motor. In:
International Conference on Power Electronics
and Drive Systems, 5. Anais…2003. vol. 1, p.
427-432.
Vieira, J.; Dias, F. M.; Mota,(2004), A. Neuro-fuzzy
systems: a survey. In: WSEAS NNA
International Conference on Neural Networks
and Applications, 5., 2004, Udine, Italia. 2004.
Anais… Udine, Italia: [s.n.].
Vieira, J.; Dias, F. M.; Mota,(2004), A. Neuro-fuzzy
systems: a survey. In: WSEAS NNA
International Conference on Neural Networks
and Applications, 5., 2004, Udine, Italia. 2004.
Anais… Udine, Italia: [s.n.].
Vitor, V. F. et. al.(2012) “Analysis and Study of a Bearingless AC Motor type Divided Winding,
Based on a Conventional Squirrel Cage Induction
Motor”. IEEE Transactions on Magnetics, v. 48,
p. 3571-3574.
Zhi-Xiang ,H.; He-Qing , L.(2006), Nonlinear system
identification based on adaptive neural fuzzy
inference system. In: International Conference on
Communications, Circuits and Systems
Proceedings… 2006, vol.3, p.2067-2069, 25-28
jun.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
1952