Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ups CT006776
Ups CT006776
UNIDAD DE POSGRADOS
MAESTRÍA EN CONTROL Y
AUTOMATIZACIÓN INDUSTRIALES
Proyecto de Investigación
y Desarrollo previa a la
Obtención del Grado
de Magister en Control y
Automatización Industriales
Autor:
William Patricio Navas Cajamarca.
Director:
Dr. Julio Cesar Viola.
Obtención del modelo dinámico de un motor
trifásico de inducción utilizando técnicas de
identificación de sistemas con lógica difusa
Obtención del modelo dinámico de un motor
trifásico de inducción utilizando técnicas de
identificación de sistemas con lógica difusa
Autor:
Dirigido por:
Cuenca - Ecuador
Datos de catalogación bibliográfica
AUTOR:
DIRIGIDO POR:
DR. JULIO CESAR VIOLA
Ingeniero Electrónico
Doctor en Ingenierı́a
Investigador Proyecto Prometeo-SENESCYT
jcviola@gmail.com
DERECHOS RESERVADOS
2016
c Universidad Politécnica Salesiana.
CUENCA - ECUADOR - SUDAMÉRICA
WILLIAM PATRICIO NAVAS CAJAMARCA
“Obtención del modelo dinámico de un motor trifásico de inducción
utilizando técnicas de identificación de sistemas con lógica difusa”
Edición y Producción:
William Patricio Navas Cajamarca.
IMPRESIÓN EN ECUADOR - PRINTED IN ECUADOR
Índice General
Índice General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
Índice de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Índice de Tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
2. DESCRIPCIÓN DE LA MÁQUINA 5
2.1. Descripción del modelo de la máquina . . . . . . . . . . . . . . . . . . . . 5
2.1.1. Vectores espaciales . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.2. Transformaciones vectoriales . . . . . . . . . . . . . . . . . . . . . 8
2.1.3. Modelo de la máquina de inducción . . . . . . . . . . . . . . . . . 9
2.2. Descripción de los fundamentos de lógica difusa . . . . . . . . . . . . . . 13
2.2.1. Sistemas lógicos Difusos . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Selección del modelo difuso . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.1. Estructura del ANFIS . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.2. Algoritmo de Entrenamiento Hı́brido . . . . . . . . . . . . . . . . 21
v
3.3. Validación del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4. ANÁLISIS EXPERIMENTAL 41
4.1. Recolección de datos experimentales . . . . . . . . . . . . . . . . . . . . . 42
4.1.1. Cálculo del ángulo del vector de corriente . . . . . . . . . . . . . . 49
4.2. Validación del modelo experimental . . . . . . . . . . . . . . . . . . . . . . 51
4.2.1. Adaptación del modelo con el conjunto de datos de entrenamiento. 51
4.2.2. Adaptación del modelo con los conjuntos de datos de
entrenamiento, comprobación y verificación. . . . . . . . . . . . . . 53
4.2.3. Implementación de un control voltaje-frecuencia constante (VFC)
para un modelo de motor en Simulink . . . . . . . . . . . . . . . . 59
Anexos 67
Bibliografı́a 71
Índice de Figuras
vii
3.10. Datos de entrada de entrenamiento para la verificación luego del
entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.11. Gráfica del entrenamiento con un error = 0,0803[p.u]. . . . . . . . . . . . 34
3.12. Gráfica de la comprobación del modelo con un error = 0,0838[p.u]. . . . . 34
3.13. Gráfica de verificación luego de obtener el modelo con un error = 0,0436[p.u]. 35
3.14. Funciones de pertenencia del FIS inicial. . . . . . . . . . . . . . . . . . . . 35
3.15. Error de entrenamiento y error de comprobación. . . . . . . . . . . . . . . 37
3.16. Esquema realizado en Simulink para validar el modelo obtenido. . . . . . 38
3.17. Salida de la velocidad estimada del modelo FIS, que es comparada con la
velocidad obtenida a partir de la simulación de la máquina. . . . . . . . . 38
3.18. Salida de la velocidad estimada del modelo FIS vs. la velocidad obtenida
a partir de la simulación de la máquina de inducción. . . . . . . . . . . . . 39
3.19. Salida de la velocidad estimada del modelo FIS, comparada con el nuevo
ingreso de la velocidad obtenida a partir de la simulación de la máquina
de inducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
xi
Dedicatoria
En el capı́tulo IV, se utiliza los datos experimentales del motor de inducción trifásico,
con una configuración tipo doblemente alimentada y rotor bobinado, estos datos
(corrientes de estator y corrientes de rotor) se adquiere con la tarjeta de procesamiento
de señales ADSP-231369 disponibles en los laboratorios de máquinas eléctricas de la
Universidad Politécnica Salesiana (UPS). Finalmente se obtiene el modelo y se valida.
Se realiza un controlador voltaje-frecuencia constante de lazo cerrado para validar un
modelo de una máquina en Simulink.
A todos, gracias.
William Patricio
CAPÍTULO 1
INTRODUCCIÓN Y MARCO
TEÓRICO
1.1. Introducción
Al aplicar las leyes fı́sicas a un sistema es posible encontrar una expresión matemática
que represente a dicho sistema. Sin embargo existen casos donde las leyes fı́sicas que
describen el comportamiento de un sistema no están completamente definidas y obtener
un modelo matemático resulta una tarea difı́cil y a veces hasta imposible. En estos casos
se puede usar un procedimiento experimental o también llamado identificación [Patete,
2012].
1
2 1.3. OBJETIVOS
Puede ser costosa para ciertas plantas y por esta razón resulta más conveniente contar
con un modelo del sistema.
Los “encoders”, son sensores que generan señales digitales cuando existe movimiento
en su eje. Sirven para medir movimientos lineales, velocidad angular y posición. Si
deseamos obtener cualquiera de estas medidas, es necesario realizar un montaje mecánico
del “encoder”, en el eje de la máquina.
1.3. Objetivos
1.3.1. Objetivo general
Diseñar e implantar una metodologı́a de identificación difusa para una máquina de
inducción trifásica tipo doble alimentado (DFIG por sus siglas en ingles) que permita
estimar la velocidad a partir de las mediciones de corriente de estator y rotor. El modelo
generado será validado mediante simulaciones, datos experimentales y, finalmente
mediante un algoritmo de control.
[Juárez et al., 2014], presentan una propuesta interesante de un sistema tipo caja de
negra para un motor de corriente continua (C.C.), que es una investigación muy cercana
a la de una máquina de inducción trifásica. Los parámetros internos no son observables
con respecto a su relación entrada-salida. Se desarrolla un filtro identificador adaptativo
para describirlos, que se realiza fuera de lı́nea. Por otra parte, dentro de la caja negra,
4 1.4. REVISIÓN DEL ESTADO DEL ARTE
[Kai et al., 2008], este trabajo presenta una identificación y control dinámico de
un motor de inducción (IM) con arranque suave (Soft-Start) usando redes neuronales
artificiales (ANN). Se demuestra que utilizando cargas ligeras, sin exigencias precisas de
la velocidad y empleando dispositivos de estado sólido, se obtiene un ahorro de energı́a
y se mejora la eficiencia. Cuando se utiliza un driver, se genera armónicos de alto
orden, y estos armónicos contienen componentes de secuencia positiva y negativa, estos
resultados influyen en la velocidad de rotación del campo magnético y traen pulsaciones.
Estos análisis requieren modelo fı́sico detallado y grandes cálculos matemáticos. Trae
dificultades para controlar las decisiones
DESCRIPCIÓN DE LA MÁQUINA
Se tiene dos tipos de rotor para un motor de inducción, el rotor jaula de ardilla y el
rotor bobinado, siendo el primero el más utilizado a nivel industrial. En este trabajo la
identificación se realizará sobre una máquina disponible en los laboratorios de máquinas
eléctricas de la Universidad Politécnica Salesiana la cual posee una configuración tipo
doblemente alimentada y rotor bobinado.
Las aplicaciones tı́picas de estas máquinas son como motor, es decir transformando
la energı́a eléctrica en mecánica, aunque en los últimos años el uso de máquinas de
inducción se han estado popularizando como generadores especialmente en su versión
doblemente alimentada, la cual ofrece acceso a los terminales de rotor mediante anillos
deslizantes. Dentro de las aplicaciones más comunes como motor se pueden mencionar:
máquinas de lavar, compresores, bombas, aire acondicionado, en la industria como servo
motores, y también en los automóviles eléctricos, etc.
5
6 2.1. DESCRIPCIÓN DEL MODELO DE LA MÁQUINA
Figura 2.2: Representación gráfica del vector espacial de un sistema trifásico [Aller, 2012].
2π
ieb (t) = Iˆe sin(ωe t − − ϕe ) (2.2)
3
4π
iec (t) = Iˆe sin(ωe t − − ϕe ) (2.3)
3
y considerando una máquina de inducción trifásica con un par de polos en la que existe
una diferencia espacial de 2π
3 rad. entre cada eje, podemos obtener un solo vector de la
forma:
2π 4π
ie (t) = iea ej0 + ieb (t)ej 3 + iec (t)ej 3 (2.4)
8 2.1. DESCRIPCIÓN DEL MODELO DE LA MÁQUINA
a
l ea
e
Figura 2.3: Espacio vectorial de las corrientes de estator de un sistema trifásico [Viola, 2007].
r
3 ˆ j(ωe t−ϕe )
ie = Ie e (2.5)
2
Si observamos la ecuación (2.4), se trata de un vector que se encuentra en los ejes
a−b−c asociado a cada arrollamiento del estator y cuya magnitud varı́a sinusoidalmente.
ie = ie α + jie β (2.7)
dΨe
ve = Re ie + (2.11)
dt
dΨr
vr = 0 = ir Rr + (2.12)
dt
Ψ: es un vector espacial de flujo ya sea de estator o rotor.
En este punto vamos a definir los enlaces de flujo de estator Ψe y rotor Ψr que se
encuentran en las ecuaciones (2.11) y (2.12).
10 2.1. DESCRIPCIÓN DEL MODELO DE LA MÁQUINA
b β
ie ieβ
a≡ α
ieα
Figura 2.4: Descomposición del vector espacial de la corriente de estator en el sistema de ejes
de referencia ortogonales α − β.
Mre ir : es el vector espacial de enlace de flujo mutuo que es debido a las corrientes de
rotor y es expresado en el marco de referencia estacionario.
Lr i0r : es la componente del enlace de auto flujo producido por la corriente de rotor y
expresado en el marco de referencia estacionario.
d
ve = Re ie + (Le ie + Mre ir ejθ ) (2.20)
dt
d
vr = 0 = ir Rr + (Lr ir + Mre ie e−jθr ) (2.21)
dt
Desarrollando primero la ecuación (2.20) se tiene:
jω 23 Ler ejθ 3 jθ
Re Le 2 Ler e ˙
ve ie ie
= + 3 (2.25)
−jω 3 Ler e−jθ Rr Ler e−jθ Lr
i˙r
0 2 ir 2
3
Te = Ler =[ie (ir ejθ )∗ ] (2.27)
2
La ecuación mecánica que establece la dependencia entre la aceleración angular del
eje del motor en función del par eléctrico, el par mecánico y la inercia del rotor [Viola,
2007] es :
Te − Tm
ω̇m = (2.28)
J
Reemplazando la ecuación (2.27) en (2.28) obtenemos :
3
ω̇m = Ler =[ie (ir ejθ )∗ ] − Tm (2.29)
2J
Este modelo simplifica notablemente las ecuaciones al representar magnitudes
trifásicas mediante vectores espaciales. El sistema se ha reducido a dos ecuaciones
principales (2.25) y (2.29), las cuales simulan dinámicamente el comportamiento de una
CAPÍTULO 2. DESCRIPCIÓN DE LA MÁQUINA 13
1. Tolera los datos imprecisos [Jose, 2009, DNegri and De Vito, 2006, Jang and Sun,
1995].
2. Modela las funciones no-lineales de complejidad arbitraria [Jose, 2009, DNegri and
De Vito, 2006, Jang and Sun, 1995].
5. Está basada en el lenguaje utilizado por los humanos [Jose, 2009, DNegri and
De Vito, 2006, Jang and Sun, 1995].
La razón es simple, durante muchos años la lógica clásica y binaria (crisp & binary)
han sustentado que la clasificación de las cosas debe ser como:
-“medio negro”
14 2.2. DESCRIPCIÓN DE LOS FUNDAMENTOS DE LÓGICA DIFUSA
-“casi verde”
-“escasamente amarillo”
Si tomamos en cuenta las palabras “medio”, “poco”, “escaso”, “casi”, son subjetivas,
sin embargo esa “subjetividad”permite que se tenga una clasificación más amplia y
menos excluyente [Minchala, 2013].
µA : X{0, 1}
El valor de µA (x) para el conjunto difuso A se le llama valor de membrecı́a o grado
de pertenencia, donde xX. El grado de membrecı́a es la pertenencia de x al conjunto
difuso A.
La función de pertenencia aplica cada punto del universo a un valor numérico entre 0
y 1, dentro de la gráfica de dominios. Como se mencionó anteriormente se define con el
sı́mbolo µ al grado de pertenencia. Existen varios tipos de funciones de pertenencia que
se presentan en la figura 2.7, sin embargo las dos más comunes son, la función triangular
y tiene el nombre de función trimf, para describir esta función de pertenencia se necesita
tres puntos que forman un triángulo y la función trapezoidal llamada también trapmf,
tiene una parte superior plana y realmente es sólo una curva de triángulo truncado.
Estas funciones de pertenencia de lı́nea recta tienen la ventaja de la simplicidad. Pero
también tenemos funciones de pertenencia gaussmf y gbellmf se construyen sobre la
curva de distribución de gauss con una simple curva de gauss y de dos caras gaussianas
diferentes [Minchala, 2013, Jose, 2009, Jang and Sun, 1995].
µ(17)Adolescentes = 0,4
µ(17)Jovenes = 0,6
µ(17)Adultos = 0
0.6
0.4
0
17 Edad
Mecanismo de
Defusificación
inferencia
Fusificación
ENTRADA SALIDA
Base del
conocimiento
Existen sistemas de desarrollo que han logrado unir la lógica difusa con las redes
neuronales, por ejemplo se tiene:
CAPÍTULO 2. DESCRIPCIÓN DE LA MÁQUINA 19
Una red adaptativa es una estructura que consiste en nodos y enlaces direccionales
a través de los cuales los nodos se conectan. En cada nodo puede haber un conjunto
de parámetros, los cuales ejecutan una función particular sobre las señales de entrada
a ese nodo. Las fórmulas para las funciones de los nodos pueden variar de uno a otro.
De tal manera que se logra una relación deseada de entrada-salida, los parámetros del
nodo son actualizados de acuerdo a los datos de entrenamiento y a un procedimiento
de aprendizaje. El ANFIS o Sistema de Inferencia Neuro-Difusa Adaptativa es una
clase de red adaptativa que es funcionalmente equivalente a los sistemas de inferencia
difuso (SID). Esencialmente consiste en la utilización de los modelos difusos de Sugeno
o Tsukamoto y utilizando la arquitectura de una red adaptativa se actualizan los
parámetros de los nodos, mediante una ley de aprendizaje hı́brido o algoritmo de
adaptación. La arquitectura del ANFIS se presenta en este proyecto con el modelo de
Sugeno de primer orden. Más adelante se presenta las 5 capas y en cada capa puede
haber varios nodos. La función de cada nodo dentro de una capa es la misma [Jang,
1993, Jang and Sun, 1995].
20 2.3. SELECCIÓN DEL MODELO DIFUSO
A1 B1
W1 f1 = p1x+q1y+r1
W1 f1 + W2 f2
Y f=
A2 X
B2 W1 + W2
W2 f2 = p2x+q2y+r2 = W1 f1 + W2 f2
x X y Y
(a)
Capa 1 Capa 4
Capa 2 Capa 3
x y
A1
Capa 5
x
W1 W1 W1 f1
A2
f
B1
y
W2 W2 W2 f2
B2
x y
(b)
Figura 2.10: (a)Un sistema de inferencia difuso tipo Sugeno con dos entradas de primer orden
modelado con dos reglas, (b)Arquitectura Equivalente ANFIS.
Capa 1: cada nodo i en esta capa es un nodo adaptativo con la función nodal
O1i = µAi (x),
donde x es la entrada para el nodo i y Ai es una etiqueta lingüı́stica, tal como
“pequeño”, “grande”, etc. Se especifica el grado al cual la entrada x satisface al conjunto
difuso A. La función de pertenencia (FP) para el conjunto difuso A puede ser cualquier
función parametrizada como la función campana generalizada [Jang, 1993, Jang and
Sun, 1995]
1
µA = , (2.30)
1 + ( x−ci 2bi
ai )
Capa 2: Cada nodo de esta capa es un nodo fijo denominado Π, cuya salida es el
producto de todas las señales de entrada [Jang, 1993, Jang and Sun, 1995].
CAPÍTULO 2. DESCRIPCIÓN DE LA MÁQUINA 21
Capa 3: cada nodo en esta capa es también un nodo fijo denominado N y calcula
la relación de los cumplimientos de la i-ésima regla a la suma de los cumplimientos de
todas las reglas.
wi
O3i = wi = , i = 1, 2.. (2.32)
w1 + w2
Para conveniencia la salida de esta capa es llamada normalizada.
Capa 4: cada nodo de esta capa es un nodo adaptativo con una función del tipo
Capa 5: esta constituida por un único nodo y este es denominado fijo O el cual
calcula la salida total como la suma de todas las señales de entrada.
P
i
X wfi
O5 = wi fi = Pi (2.34)
i i wi
(MAH), para la identificación rápida de los parámetros en una red adaptativa. Durante
el cálculo cada época está compuesta por un paso hacia adelante y otro hacia atrás.
En el paso hacia adelante se utiliza el método de MCL. Con el vector de las señales de
entrada presente se calcula la salida de todos los nodos de la red, capa a capa, hasta
que una fila correspondiente a la matriz A y al vector y es obtenida [del Pozo Quintero,
2012, Jang and Sun, 1995].
Aψ = y (2.35)
El paso hacia atrás utiliza el método de retropropagación, las señales del error se
propagan desde el nodo de salida hasta el nodo de entrada. El vector gradiente es
calculado para cada par de datos de entrenamiento. Al terminarse el cálculo para todos
los datos de entrenamiento, los parámetros en la parte no lineal son actualizados y se
comienza de nuevo el cálculo hacia adelante [del Pozo Quintero, 2012,Jang and Sun, 1995].
El método de aprendizaje hı́brido converge mucho más rápido, que el método original
de retropropagación, debido a que reduce la búsqueda en el espacio dimensional. Como
regla las FP deben ser mantenidas fijas mientras dure el proceso de aprendizaje [Jang,
1993, Jang and Sun, 1995].
CAPÍTULO 3
23
24 3.1. RECOLECCIÓN DE DATOS SIMULADOS
iαe
ie
iβe
θe
α
dθ = θe − θr (3.3)
Datos de ingreso
Modelo FIS
ω estimada
Algoritmo de
entrenamiento
Para trabajar con una estructura ANFIS, se necesita las siguientes variables:
entradas (input): las variables de ingreso son creadas por las corrientes de estator,
corrientes de rotor, que está formada por la diferencia de los ángulos
Inicio
Gestión de datos
Datos de las corrientes estator y rotor: ir,ie
Datos de velocidad angular de rotor wr
Generación de la data:
dataTRN, dataCHK, dataTST
La validación es
correcta
no
si
Fin
Σni=1 [Yi − Di ]
ME = (3.5)
n
donde:
Yi = Valor medido de velocidad angular.
Di = Valor estimado de la velocidad angular por el ANFIS.
n = Numero de muestras del conjunto de datos.
Inicio
Caga de la data:
TRNdata, CHKdata, TSTdata
Fin
Una vez que el modelo FIS ha sido entrenado, se prueba el modelo obtenido con
los conjuntos datos de verificación (testing), para indagar que el modelo, provea como
resultado, la mejor estimación de la velocidad angular ωm . Esta verificación se realiza
con datos que no fueron usados durante el entrenamiento y que no han sido “vistos”, en
consecuencia, por el modelo ya entrenado. [Efrén, 2012].
ie_alpha
Angulo
Θ_e
ie_beta
Salida velocidad
Filtrado con derivada
d=(Θ_e – θ_r) FIS estimada
ir_alpha
Angulo
Θ_r
ir_beta
1. Para obtener los datos de las corrientes de estator ie , corrientes de rotor ir , par
eléctrico Te y la velocidad angular ωm se realiza las simulaciones respectivas.
La cantidad de datos que tiene cada variable es de 30000 valores. Las unidades
son por unidad (p.u). La Figura 3.6 corresponde a las señales de corriente,
par y velocidad angular como se menciona anteriormente. A hora ingresamos un
30 3.2. OBTENCIÓN DEL MODELO DIFUSO
Figura 3.6: Gráficas de las corrientes ie , ir , par eléctrico Te , velocidad angular ωm con v =
1[p.u.], ω = 1[p.u.].
y = [ie , ir , wm , θ] (3.6)
Figura 3.7: Gráficas de las corrientes ie , ir , par eléctrico Te , velocidad angular ωm con v =
0,5[p.u.], ω = 1[p.u.].
3. Con los datos obtenidos hasta este momento, en las simulaciones mostradas en las
Figuras 3.6 y 3.7 se realiza una división en los vectores de datos de: entrenamiento,
comprobación y verificación. Los datos ingresan a la estructura ANFIS para ser
entrenados y luego obtener el modelo FIS de la máquina de inducción.
La Figura 3.8 se muestra los datos de entrenamiento que serán enviados al ANFIS.
La Figura 3.9 se exhibe los datos de comprobación que serán usados en el ANFIS.
La Figura 3.10 se ilustra los datos de verificación. Estos datos no se utilizan en
ningún momento durante el entrenamiento ya que se desea utilizar para comprobar la
adaptación lograda por el modelo cuando se le presenta datos nunca antes vistos.
En las siguientes figuras se presenta los modelos neuro-difusos que son entrenados
usando el algoritmo ANFIS hı́brido. El entrenamiento consiste en un número predefinido
de iteraciones (epochs), se utilizó 20 iteraciones que fue necesaria para minimizar una
función de error y ajustar los parámetros del sistema difuso (funciones de pertenencia y
conjunto de reglas) en cada iteración, con la finalidad de lograr en el modelo obtenido
una mejor estimación de la velocidad angular.
32 3.2. OBTENCIÓN DEL MODELO DIFUSO
Figura 3.8: Datos de entrada para el entrenamiento del modelo de la máquina de inducción.
Figura 3.10: Datos de entrada de entrenamiento para la verificación luego del entrenamiento.
La Figura 3.14 corresponde a las funciones de pertenencia del modelo FIS inicial,
aplicando el algoritmo de Grid Partition con 5 funciones de pertenencia (MF) tipo
campana generalizada. Las funciones de pertenencia se afinan para lograr una mejor
estimación de la velocidad angular.
En la tabla 3.1 se exhibe los diferentes entrenamientos, con sus respectivos errores,
funciones de pertenencia y datos. Se realizó varios entrenamientos antes de obtener
el modelo de la máquina de inducción trifásica. Realizando un análisis de los datos
de entrenamiento, podemos decir que existe entrenamientos con diferentes funciones
de pertenencia y que el error es menor según varı́a las funciones. Si incrementamos el
número de funciones de pertenencia existe un cambio mı́nimo de error; pero no quiere
decir que incrementar el número de FP, garantice que el error disminuya en su totalidad.
Figura 3.13: Gráfica de verificación luego de obtener el modelo con un error = 0,0436[p.u].
- Primer From Workspace: en este bloque se encuentra dos datos que son datos
de la diferencia de los ángulos para ser usada en la estimación de la velocidad y datos
de la velocidad obtenida a partir de la simulación de la máquina.
**************************************************
0.0815
o
u
·�
"'
,:¡
i3 0.081
o
i5
a,
E
�
o
Lb 0.0805
w
([)
2
o::
O.OS
11111111111111111111111111111111111111111111111111
o 5 10 15 20 25 30 35 40 45 50
Numero de iteraciones
simulaciones son por unidad por esa razón su amplitud llega hasta la unidad.
Se realiza una nueva validación del modelo con otro ingreso y se observa en la Figura
3.19, que la señal de velocidad angular estimada le sigue a la señal de velocidad angular
medida de la máquina simulada.
38 3.3. VALIDACIÓN DEL MODELO
Figura 3.17: Salida de la velocidad estimada del modelo FIS, que es comparada con la velocidad
obtenida a partir de la simulación de la máquina.
CAPÍTULO 3. ANÁLISIS DE LAS SIMULACIONES 39
Figura 3.18: Salida de la velocidad estimada del modelo FIS vs. la velocidad obtenida a partir
de la simulación de la máquina de inducción.
40 3.3. VALIDACIÓN DEL MODELO
Figura 3.19: Salida de la velocidad estimada del modelo FIS, comparada con el nuevo ingreso
de la velocidad obtenida a partir de la simulación de la máquina de inducción.
CAPÍTULO 4
ANÁLISIS EXPERIMENTAL
Este capı́tulo aborda las pruebas experimentales realizadas sobre una máquina de
inducción trifásica que se encuentra en el laboratorio de máquinas eléctricas de la
Universidad Politécnica Salesiana.
41
42 4.1. RECOLECCIÓN DE DATOS EXPERIMENTALES
VEW motors
Made in Germany
IEC/EN 60034-1
3~ Mot.Nr. / N° 406724/0001 H
Typ/Type SPER 132M 4 HW
5.5 PS /4kW cos 'j 0.83
D/Y 220/380 V 15/8.8A
1435 min¯¹ / rpm 50Hz
Th.Kl./ Th.cl. 155(F/B) IP 54 85 kg
Laufer : Y 130 V. 19 A.
IM B3ZZ 06/2014
2 1 iea
ieα −√12 −√
= 3 3 3
2 ieb (4.5)
ieβ 0 2 2 − 32 23 iec
también se presenta en forma matricial la corriente de rotor:
2 1 1 ira
irα − −
= 3 3 √23 2
√ irb (4.6)
irβ 0 2 2 − 32 23 i rc
En las siguientes figuras se expone las corrientes experimentales de estator en los ejes
a − b − c y los ejes α − β como también las corrientes experimentales de rotor en los ejes
a − b − c y los ejes α − β, y la velocidad del motor. Para la obtención de estos datos se
realizó dos arranques de la máquina de inducción.
La Figura 4.5 presenta las corrientes de estator en los ejes a − b − c con el primer
arranque de la máquina de inducción.
CAPÍTULO 4. ANÁLISIS EXPERIMENTAL 45
Figura 4.5: Corrientes de estator en los ejes a − b − c con los datos experimentales del primer
arranque de la máquina de inducción.
La Figura 4.6 muestra las corrientes de rotor en los ejes a − b − c con el primer
arranque de la máquina de inducción.
Figura 4.6: Corrientes de rotor en los ejes a − b − c con los datos experimentales del primer
arranque de la máquina de inducción.
La Figura 4.7 presenta las corrientes de estator en los ejes α − β con el primer
arranque de la máquina de inducción.
46 4.1. RECOLECCIÓN DE DATOS EXPERIMENTALES
Figura 4.7: Corrientes de estator en los ejes α − β con los datos experimentales del primer
arranque de la máquina de inducción.
La Figura 4.8 exhibe las corrientes de rotor en los ejes α − β con el primer arranque
de la máquina de inducción.
Figura 4.8: Corrientes de rotor en los ejes α − β con los datos experimentales del primer
arranque de la máquina de inducción.
Figura 4.10: Corrientes de estator en los ejes a − b − c con los datos experimentales del segundo
arranque de la máquina de inducción
La Figura 4.11 presenta las corrientes de rotor en los ejes a − b − c con el segundo
arranque de la máquina de inducción.
48 4.1. RECOLECCIÓN DE DATOS EXPERIMENTALES
Figura 4.11: Corrientes de rotor en los ejes a − b − c con los datos experimentales del segundo
arranque de la máquina de inducción.
La Figura 4.12 muestra las corrientes de estator en los ejes α − β con el segundo
arranque de la máquina de inducción.
Figura 4.12: Corrientes de estator en los ejes α − β con los datos experimentales del segundo
arranque de la máquina de inducción.
La Figura 4.13 expone las corrientes de rotor en los ejes α − β con el segundo
arranque de la máquina de inducción.
CAPÍTULO 4. ANÁLISIS EXPERIMENTAL 49
Figura 4.13: Corrientes de rotor en los ejes α − β con los datos experimentales del segundo
arranque de la máquina de inducción.
1. Las corrientes de estator (ie ) y rotor (ir ), se transforman con las ecuaciones (4.1),
(4.2), (4.3) y (4.4) al marco de referencia estacionario α − β.
3. Cuando se genera par motriz en una máquina eléctrica, existe una diferencia entre
los ángulos θe − θr , es decir el ángulo θe esta adelantado al ángulo θr .
50 4.1. RECOLECCIÓN DE DATOS EXPERIMENTALES
ie_alpha
Angulo
Θ_e
ie_beta
Salida velocidad
Filtrado con derivada
d=(Θ_e – θ_r) FIS estimada
ir_alpha
Angulo
Θ_r
ir_beta
5. Por último se diseñó un filtro que calcula la derivada de la diferencia de los ángulos
de fases (dθ = θe − θr ). Este cálculo se realiza mediante un filtro derivador basado
en los coeficientes de Savitzky-Golay [Savitzky and Golay, 1964]. Que en el caso
experimental existe el ruido natural de cuantización y de adquisición por lo que la
derivada numérica suele ser altamente rizada y se requiere de una herramienta más
elaborada (como el filtro S-G) para obtener resultados que puedan ser utilizados.
Para el cálculo de estos procedimientos se realizó un código en Matlab que se
muestra en el Anexo A.
dθ = θe − θr (4.7)
Salida velocidad
dθ=θe - θr
FIS estimada
del modelo, medido entre los datos comprobación y la salida deseada, bajo las mismas
condiciones de entrada. Estos entrenamientos fueron los primeros que se realizaron, al
momento de entrenar el modelo no se utilizaron los datos de comprobación por esta
razón el error es alto.
La Tabla 4.1 presenta diez entrenamientos, el modelo número uno se entrenó con
seis funciones de pertenencia (MF) tipo gaussianas, el error de comprobación es el más
alto. El modelo número dos se entrenó con seis MF tipo gbell y los errores resultaron
ser altos. El modelo número tres se entrenó con seis funciones de pertenencia y es el
que tiene el más bajo error de todos los modelos obtenidos, los datos de entrenamiento
fueron de 9000 valores, siendo seleccionado para su respectiva validación. Como se puede
observar en la Tabla 4.1 los entrenamientos varı́an según las funciones de pertenencia y
en ciertos casos tienen diferentes conjuntos de datos de entrenamiento.
Tabla 4.2: Diferentes datos de entrenamientos, para la obtención de los modelos de la máquina
de inducción.
La Figura 4.24, enseña el conjunto de datos de verificación vs. la salida deseada que
CAPÍTULO 4. ANÁLISIS EXPERIMENTAL 57
es la velocidad angular.
La Figura 4.25 exhibe el error medio del conjunto de datos de entrenamiento y del
conjunto de datos de comprobación, en donde se ratifica gráficamente que el error es
igual al calculado en la estructura ANFIS.
Observamos en la Figura 4.26 la estructura que forma el modelo FIS con una entrada
y seis funciones de pertenencia tipo gaussmf.
58 4.2. VALIDACIÓN DEL MODELO EXPERIMENTAL
Figura 4.26: Estructura del modelo FIS con una entrada y 6MF.
Figura 4.27: Validación del modelo número tres con una entrada de datos experimental.
V[pu]
1
0.2
f[pu]
0.2 0.5 1
Figura 4.30: Esquema de control voltaje-frecuencia constante en lazo cerrado, diseñado en Simulink
61
62 4.2. VALIDACIÓN DEL MODELO EXPERIMENTAL
Figura 4.34: Salida de la velocidad del motor Asynchronous de Simulink comparada con la
salida de la velocidad estimada del modelo del motor de Simulink.
CAPÍTULO 5
CONCLUSIONES Y TRABAJOS
FUTUROS
Este capı́tulo aborda las conclusiones determinadas a partir de la obtención del modelo
dinámico de un motor trifásico de inducción utilizando técnicas de identificación de
sistemas con lógica difusa y se proponen trabajos futuros que puedan ser implementados
a partir del presente trabajo de investigación .
5.1. Conclusiones
El trabajo de investigación se enfocó en la identificación de un modelo dinámico de
un motor de inducción trifásico con lógica difusa considerando los siguientes aspectos
fundamentales: la utilización de las ecuaciones que modelan al motor de inducción
mediante el uso de vectores espaciales, la identificación de las variables más apropiadas
para ser usadas como entradas de entrenamiento del modelo basado en la estructura
ANFIS, la validación del modelo entrenado en pruebas simuladas y experimentales a
lazo abierto y lazo cerrado.
Se ha cumplido con el objetivo general que fue diseñar e implementar una metodologı́a
de identificación difusa para un motor trifásico de inducción que permita estimar la
velocidad a partir de las mediciones de corriente de estator y rotor. El modelo generado
fue validado mediante simulaciones y datos experimentales y, finalmente mediante un
algoritmo de control. La obtención del modelo del motor se realiza off-line, quiere decir
que los datos pueden ser almacenados en un archivo y realizar los entrenamientos para
la obtención del modelo en cualquier lugar.
65
66 5.2. TRABAJOS FUTUROS
Para la obtención del modelo se trabajó con los datos de los vectores de corrientes
de estator y de rotor en el marco de referencia estacionario (α − β), sistemáticamente
se calcularon los ángulos que forman los vectores de corrientes, para luego obtener la
diferencia de los ángulos (θe − θr ), la cual una vez derivada resulta proporcional a la
velocidad que se desea estimar.
El método fue probado para distintas plantas simuladas y para una planta
experimental demostrando poder ser entrenado para proveer de una estimación confiable
de la velocidad de giro.
La obtención del modelo del motor simulado tiene menor error, comparado con
el modelo del motor con los datos experimentales, esto se debe a que los datos
experimentales tienen ruido. La validación de los modelos con diferentes señales de
ingreso arrojó muy buenos resultados a la salida del modelo, que es la estimación de la
velocidad.
67
68
69
70
[Böcker and Mathapati, 2007] Böcker, J. and Mathapati, S. (2007). State of the art of
induction motor control. In Proceedings of 2007 International Conference on Electric
Machines & Drives.
[Chan and Shi, 2011] Chan, T.-F. and Shi, K. (2011). Applied intelligent control of
induction motor drives. John Wiley & Sons.
[Cuce et al., 1996] Cuce, A., D’Angelo, G., Di Guardo, M., Giacalone, B., Mazzaglia,
S., and Vinci, C. (1996). System identification through neuro-fuzzy methodologies.
In Neuro-Fuzzy Systems, 1996. AT’96., International Symposium on, pages 129–138.
IEEE.
[del Pozo Quintero, 2012] del Pozo Quintero, A. (2012). Identificación no lineal mediante
el sistema anfis. Revista Control Cibernética y Automatización.
[Jang, 1993] Jang, J.-S. R. (1993). Anfis: adaptive-network-based fuzzy inference system.
Systems, Man and Cybernetics, IEEE Transactions on, 23(3):665–685.
71
72 BIBLIOGRAFÍA
[Jang and Sun, 1995] Jang, J.-S. R. and Sun, C.-T. (1995). Neuro-fuzzy modeling and
control. Proceedings of the IEEE, 83(3):378–406.
[Juárez et al., 2014] Juárez, M., de Jesús, J., Zagaceta Álvarez, M. T., and Palma Orozco,
R. (2014). Identificación con estimación para sistemas tipo caja negra. Revista Facultad
de Ingenierı́a Universidad de Antioquia, (72):35–46.
[Kai et al., 2008] Kai, L., Qiang, T., et al. (2008). Dynamic identification and control of
im soft-start using ann. In Industrial Technology, 2008. ICIT 2008. IEEE International
Conference on, pages 1–6. IEEE.
[Khemliche et al., 2004] Khemliche, M., Latreche, S., and Khellaf, A. (2004). Modelling
and identification of the asynchronous machine. In Control, Communications and
Signal Processing, 2004. First International Symposium on, pages 815–818. IEEE.
[Lepka and Stekl, 2005] Lepka, J. and Stekl, P. (2005). 3-phase ac induction motor vector
control using a 56f80x, 56f8100 or 56f8300 device. Freescale Semiconductor Application
Note AN1930 Rev, 2(2).
[Minchala, 2013] Minchala, I. (2013). Fundamentos del control difuso. UPS Cátedra de
Control Digital Avanzado.
[Obando et al., 2011] Obando, F. F., Grueso, J. A., and Torres, D. (2011). Journal de
ciencia e ingenieria.
[Passino et al., 1998] Passino, K. M., Yurkovich, S., and Reinfrank, M. (1998). Fuzzy
control, volume 20. Citeseer.
[Savitzky and Golay, 1964] Savitzky, A. and Golay, M. J. (1964). Smoothing and
differentiation of data by simplified least squares procedures. Analytical chemistry,
36(8):1627–1639.
[Takagi and Sugeno, 1985] Takagi, T. and Sugeno, M. (1985). Fuzzy identification of
systems and its applications to modeling and control. IEEE transactions on systems,
man, and cybernetics, (1):116–132.
[Vas, 1998] Vas, P. (1998). Sensorless vector and direct torque control. Oxford University
Press, USA.
[Wai et al., 2000] Wai, R.-J., Lin, H.-H., and Lin, F.-J. (2000). Hybrid controller using
fuzzy neural networks for identification and control of induction servo motor drive.
Neurocomputing, 35(1):91–112.
MAESTRÍA EN CONTROL Y
AUTOMATIZACIÓN INDUSTRIALES
Autor: Director:
William Patricio Navas Cajamarca. Dr. Julio Cesar Viola.
Es necesario obtener un modelo del sistema para su análisis, como por ejemplo
para el control del sistema. Este proyecto de investigación y desarrollo se plantea
una identificación neuro-difusa (sistema de inferencia neuro- difusa adaptativa),
para obtener el modelo de un motor de inducción trifásico, con una configuración
doblemente alimentada y rotor bobinado. Se requiere encontrar las ecuaciones
diferenciales que rigen el comportamiento correcto de la máquina de inducción en
estado estacionario. El modelo generado fue validado mediante simulaciones y
datos experimentales y, finalmente mediante un algoritmo de control voltaje-
frecuencia constante (VFC).
Se utilizó un motor para la identificación y una tarjeta DSP modelo ADSP-21369
de Analog Devices para la recolección de datos experimentales de la máquina de
inducción trifásica, estos equipos se encuentran en los laboratorios de máquinas
eléctricas de la Universidad Politécnica Salesiana.