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

mailto:[email protected]

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)


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^


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.


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


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


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


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


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


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


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


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


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


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.


1952

PROPOSTA DE UM ESTIMADOR NEURO-FUZZY … · quina de relutância comutada 6/4. Lima, F. (2010) ......

Documents

Transcript of PROPOSTA DE UM ESTIMADOR NEURO-FUZZY … · quina de relutância comutada 6/4. Lima, F. (2010) ......