Ups CT006776

UNIVERSIDAD POLITÉCNICA SALESIANA
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
OBTENCIÓN DEL MODELO DINÁMICO

DE UN MOTOR TRIFÁSICO DE INDUCCIÓN
UTILIZANDO TÉCNICAS DE IDENTIFICACIÓN
DE SISTEMAS CON LÓGICA DIFUSA
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:
WILLIAM PATRICIO NAVAS CAJAMARCA

Ingeniero Electrónico
Egresado de la Maestrı́a en Control y Automatización Industriales de la Universidad
Politécnica Salesiana
Dirigido por:
JULIO CESAR VIOLA

Doctor en Ingenierı́a
Investigador Proyecto Prometeo-SENESCYT
Cuenca - Ecuador
Datos de catalogación bibliográfica
NAVAS CAJAMARCA WILLIAM PATRICIO
Obtención del modelo dinámico de un motor trifásico de inducción utilizando técnicas

de identificación de sistemas con lógica difusa.
Universidad Politécnica Salesiana, Cuenca – Ecuador, 2016
MAESTRÍA EN CONTROL Y AUTOMATIZACIÓN INDUSTRIALES
Formato: 170x240mm Páginas: 73
Breve reseña de los autores e información de contacto:
AUTOR:

Egresado de la Maestrı́a en Control y Automatización Industriales
williamnavas14@gmail.com
DIRIGIDO POR:
DR. JULIO CESAR VIOLA
Doctor en Ingenierı́a
Investigador Proyecto Prometeo-SENESCYT
jcviola@gmail.com
Todos los derechos reservados.

Queda prohibida, salvo excepción prevista en la Ley, cualquier forma de reproducción,
comunicación pública y transformación de esta obra para fines comerciales, sin contar con
autorización de los titulares de propiedad intelectual. La infracción de los derechos
mencionados puede ser constitutiva de delito contra la propiedad intelectual. Se permite la
libre difusión de este texto con fines académicos, investigativos por cualquier medio, con la
debida notificación a los autores.
DERECHOS RESERVADOS
2016
c Universidad Politécnica Salesiana.
CUENCA - ECUADOR - SUDAMÉRICA
“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
1. INTRODUCCIÓN Y MARCO TEÓRICO 1

1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Descripción del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2. Objetivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4. Revisión del estado del arte . . . . . . . . . . . . . . . . . . . . . . . . . . 3
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
3. ANÁLISIS DE LAS SIMULACIONES 23

3.1. Recolección de datos simulados . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.1. Cálculo del ángulo del vector de corrientes . . . . . . . . . . . . . . 23
3.1.2. Entrenamiento con una estructura ANFIS . . . . . . . . . . . . . 25
3.1.3. Descripción de los datos para entrenamiento, comprobación y
verificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Obtención del modelo difuso . . . . . . . . . . . . . . . . . . . . . . . . . . 29
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
5. CONCLUSIONES Y TRABAJOS FUTUROS 65

5.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Anexos 67
A. Código de MATLAB del algoritmo de trasformación, filtrado y

derivación. trasnformacion.m 67
B. Código de MATLAB del algoritmo para validar el modelo. validacion.m 69
Bibliografı́a 71
Índice de Figuras
2.1. Modelo simplificado de la máquina de inducción trifásico . . . . . . . . . . 6

2.2. Representación gráfica del vector espacial de un sistema trifásico . . . . . 7
2.3. Espacio vectorial de las corrientes de estator de un sistema trifásico . . . . 8
2.4. Descomposición del vector espacial de la corriente de estator en el sistema
de ejes de referencia ortogonales α − β. . . . . . . . . . . . . . . . . . . . 10
2.5. Circuito equivalente de la máquina de inducción en vectores espaciales
referidos al sistema de referencia estatórico. [Aller, 2012]. . . . . . . . . . 10
2.6. (a) Conjunto clásico, (b) Conjunto Difuso. . . . . . . . . . . . . . . . . . . 15
2.7. (a)Función de pertenencia triangulares trimf, (b)Función de pertenencia
trapezoidal trapmf, (c)Función de pertenencia gausiana gaussmf,
(d)Función de pertenencia campana generalizada gbellmf. . . . . . . . . . 16
2.8. Grado de pertenencia y variable lingüı́stica. . . . . . . . . . . . . . . . . . 17
2.9. Esquema del sistema difuso. . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.10. (a)Un sistema de inferencia difuso tipo Sugeno con dos entradas de primer
orden modelado con dos reglas, (b)Arquitectura Equivalente ANFIS. . . 20
3.1. Vector espacial de las componentes de la corriente de estator y su proyección 24

3.2. Diagrama de bloques de la estructura del modelo de la máquina de inducción. 25
3.3. Diagrama de flujo para obtener el modelo de la máquina de inducción. . 26
3.4. Diagrama de flujo del ANFIS editor GUI en Matlab. . . . . . . . . . . . . 28
3.5. Diagrama de obtención de los datos para las simulaciones. . . . . . . . . . 29
3.6. Gráficas de las corrientes ie , ir , par eléctrico Te , velocidad angular ωm con
v = 1[p.u.], ω = 1[p.u.]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.7. Gráficas de las corrientes ie , ir , par eléctrico Te , velocidad angular ωm con
v = 0,5[p.u.], ω = 1[p.u.]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.8. Datos de entrada para el entrenamiento del modelo de la máquina de
inducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.9. Datos de entrada de comprobación para el entrenamiento de la máquina
de inducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
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
4.1. Máquina de inducción trifásica a ser modelado. . . . . . . . . . . . . . . . 41

4.2. Tarjeta DSP modelo ADSP-21369 de Analog Devices. . . . . . . . . . . . 43
4.3. Tarjeta de sensores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.4. Datos experimentales de la velocidad de la máquina de inducción con el
primer arranque de la máquina de inducción . . . . . . . . . . . . . . . . . 44
4.5. Corrientes de estator en los ejes a − b − c con los datos experimentales del
primer arranque de la máquina de inducción. . . . . . . . . . . . . . . . . 45
4.6. Corrientes de rotor en los ejes a − b − c con los datos experimentales del
4.7. Corrientes de estator en los ejes α − β con los datos experimentales del
4.8. Corrientes de rotor en los ejes α − β con los datos experimentales del
4.9. Datos experimentales de la velocidad del segundo arranque de la máquina
de inducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.10. Corrientes de estator en los ejes a − b − c con los datos experimentales del
segundo arranque de la máquina de inducción . . . . . . . . . . . . . . . . 47
4.11. Corrientes de rotor en los ejes a − b − c con los datos experimentales del
segundo arranque de la máquina de inducción. . . . . . . . . . . . . . . . 48
4.12. Corrientes de estator en los ejes α − β con los datos experimentales del
4.13. Corrientes de rotor en los ejes α − β con los datos experimentales del
4.14. Esquema de obtención de los datos experimentales de la máquina de
inducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.16. Ingreso de los datos de entrenamiento. . . . . . . . . . . . . . . . . . . . . 51
4.15. Esquema del modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.17. Ingreso de los datos de comprobación. . . . . . . . . . . . . . . . . . . . . 52
4.18. Ingreso de los datos de verificación. . . . . . . . . . . . . . . . . . . . . . . 53
4.19. Ingreso del conjunto de datos entrenamiento. . . . . . . . . . . . . . . . . 54
4.20. Ingreso del conjunto de datos de comprobación. . . . . . . . . . . . . . . . 55
4.21. Ingreso del conjunto de datos de verificación. . . . . . . . . . . . . . . . . 55
4.22. Entrenamiento datos experimentales, errortr = 2,6355[rad/s] . . . . . . . 56
4.23. Comprobación datos experimentales, errorchk = 3,4217[rad/s]. . . . . . . 56
4.24. Verificación datos experimentales, errortst = 3,6373[rad/s]. . . . . . . . . 57
4.25. Error de entrenamiento y verificación usando una estructura ANFIS. . . . 57
4.26. Estructura del modelo FIS con una entrada y 6MF. . . . . . . . . . . . . . 58
4.27. Validación del modelo número tres con una entrada de datos experimental. 58
4.28. Validación con una nueva entrada de datos experimentales. . . . . . . . . 59
4.29. Diagrama de control voltaje-frecuencia constante. . . . . . . . . . . . . . . 60
4.30. Esquema de control voltaje-frecuencia constante en lazo cerrado, diseñado
en Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.31. Ingreso de la velocidad al esquema de control de voltaje-frecuencia constante. 62
4.32. Salida de la velocidad de la máquina de Simulink comparada con la salida
de la velocidad estimada del modelo de la máquina de inducción de Simulink. 63
4.33. Ingreso de la velocidad al esquema de control de voltaje-frecuencia constante. 63
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. . 64
Índice de Tablas
2.1. Representación numérica, por su estatura y color de piel. . . . . . . . . . 14
3.1. Tabla de entrenamientos una entrada y una salida Simulado. . . . . . . . 36
4.1. Datos de la placa de la máquina de inducción trifásica. . . . . . . . . . . . 42

4.2. Diferentes datos de entrenamientos, para la obtención de los modelos de
la máquina de inducción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
xi
Dedicatoria
A mi familia por su apoyo en todo

momento.
Patricio
Prefacio
Este proyecto de investigación y desarrollo presenta los resultados de la obtención

del modelo dinámico de la máquina de inducción trifásica utilizando técnicas de
identificación de sistemas con lógica difusa.
En el desarrollo de éste trabajo, primero se utilizó un máquina de inducción trifásica

simulada en MATLAB, se obtuvo el modelo y su respectiva validación. En segundo
lugar se usa una máquina de inducción trifásica con una configuración tipo doblemente
alimentada y rotor bobinado. Para la obtención de los datos experimentales se aprovecha
una tarjeta de adquisición de procesamiento de señales ADSP-21369 y el software
MATLAB, y adicionalmente Simulink. Con los datos necesarios se identificó la máquina
y luego se validó el modelo. La tarjeta de adquisición y la máquina se encuentran en
los laboratorios de máquinas eléctricas de la Universidad Politécnica Salesiana. Los
resultados de este trabajo servirán como base para investigaciones posteriores en el
campo de máquinas eléctricas.
Prólogo
En el presente proyecto de investigación y desarrollo se presentan los resultados de

la obtención del modelo dinámico de una máquina de inducción trifásica utilizando
técnicas de identificación de sistemas con lógica difusa. El trabajo está dividido en cinco
capı́tulos, en los que se presenta el método de identificación del modelo de la máquina de
inducción, se valida éste, primero con datos simulados luego con datos experimentales de
una máquina de inducción trifásica con una configuración tipo doblemente alimentada
y rotor bobinado y adicionalmente un control simple de voltaje-frecuencia constante.
En el capı́tulo I, se trata de conocer el comportamiento de un sistema en una región

especı́fica. También se esquematiza el objetivo general y objetivos especı́ficos. Además se
ha realizado un análisis de información de casos similares en la revisión del estado del arte.
En el capı́tulo II, se describe el modelo de la máquina, y las transformaciones

vectoriales que simplifican su análisis. De igual forma se presentan detalles acerca de la
descripción de los fundamentos de lógica difusa. También, se presenta la selección del
modelo difuso con una estructura ANFIS.
En el capı́tulo III, se presenta una metodologı́a de la máquina de inducción trifásica

simulada en MATLAB, para obtención del modelo y también se utilizó la estructura
ANFIS para este desarrollo. Luego de identificar la máquina de inducción se procede a
validar el modelo.
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.
En el capı́tulo V, se presentan las conclusiones obtenidas por la realización del

trabajo de investigación y se proponen trabajos futuros de modelación on-line.
Agradecimientos
A Dios por brindarme el conocimiento para el estudio.
Un agradecimiento especial a mi director de proyecto de investigación, Dr. Julio

Cesar Viola, por todo el apoyo brindado, dedicación y orientación para poder culminar
con éxito este trabajo.
A un gran amigo por su apoyo en estos proyectos de la vida, que es el estudio.
A las autoridades de la Universidad Politecnica Salesiana por todas las facilidades

brindadas en el transcurso de este tiempo para poder culminar con mi formación
profesional.
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].
Durante años se fueron desarrollando métodos en los cuales, si los sistemas

presentan incertidumbre en sus variables no es necesario un conocimiento cuantitativo
del sistema para obtener el modelo para su análisis, como por ejemplo para el
control del sistema. Si utilizamos el razonamiento y los aspectos cualitativos del
conocimiento humano es posible elaborar reglas del tipo “if-then”, con estas reglas se
puede elaborar un sistema de inferencia difusa, que nos ayuda a obtener un modelo
apropiado para un sistema determinado. La identificación con incertidumbre o también
modelación difusa fue presentada por primera vez en [Takagi and Sugeno, 1985]. Un
procedimiento denominado ANFIS [Jang, 1993], permite transformar automáticamente
los conocimientos difusos y sus correspondientes reglas en sistemas de inferencia difusa
mediante datos de entrada-salida del proceso [del Pozo Quintero, 2012]. Luego de
determinar el modelo, es importante validarlo, comparando los datos obtenidos del
sistema con los datos del modelo real.
1.2. Descripción del problema

Determinar el comportamiento de un sistema en una región especı́fica de operación,
se puede utilizar una experimentación sobre él para observar dicho comportamiento.
1
2 1.3. OBJETIVOS
Puede ser costosa para ciertas plantas y por esta razón resulta más conveniente contar
con un modelo del sistema.
Las máquinas de inducción en ambientes industriales tı́picamente operan a una

velocidad la cual no puede ser variada continuamente sin un equipo adicional. Este
equipo generalmente está formado por: el inversor que es el actuador, tarjeta de sensores
de variables eléctricas (corriente, tensión), “encoder”, para la medición de la velocidad
mecánica del eje, la tarjeta de control,
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.
Los “encoders”, actúan como transductores de retroalimentación para el control de

posición o de velocidad angular. Trabaja en ambientes industriales por consecuencia este
sensor mecánico necesita un mantenimiento regular, y con el tiempo puede presentar
daños propios del desgaste por su uso. El cambio de este sensor puede representar costos
en inversión, mantenimiento y pérdidas de producción. Para prescindir del “encoder”, se
tiene que realizar una estimación de la velocidad o posición que este deberı́a proporcionar
y que permita a la máquina seguir operando tal como lo harı́a con el sensor original. En
esta investigación la medida estimada es la velocidad angular.
Las caracterı́sticas de la máquina de inducción trifásica, hacen que su modelo sea un

sistema no lineal. Este problema dificulta obtener el modelo matemático.
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.
Reemplazar el “encoder”, mecánico por un estimador de velocidad que utilice

solamente variables eléctricas las cuales ya están medidas en un sistema real de control.
1.3.2. Objetivos Especı́ficos

1. Realizar la revisión del estado del arte en técnicas de identificación para máquinas
de inducción trifásicas.
2. Evaluar detalladamente las diferentes técnicas de identificación basadas en lógica

difusa.
CAPÍTULO 1. INTRODUCCIÓN Y MARCO TEÓRICO 3
3. Desarrollar una técnica de identificación mediante la aplicación de lógica difusa

para un motor de inducción trifásica.
4. Programar el sistema de identificación difuso en el ambiente de MATLAB y

obtener los datos experimentales requeridos para la validación mediante la tarjeta
DSP.
5. Implantar un algoritmo de control para la máquina de inducción basado en el

modelo difuso obtenido que permita validarlo.
1.4. Revisión del estado del arte

Existen trabajos de investigación que han sido enfocados en la identificación de
máquinas de inducción, algunos de ellos son:
[Cuce et al., 1996], propone un método para identificar el comportamiento de un

motor de inducción con un convertidor DC/AC controlado a través de una técnica de
modulación por ancho de pulso (PWM). Es complicado obtener un modelo matemático
del sistema compuesto por el motor y el convertidor juntos, la propuesta para la
identificación es una Red Neuro Difusa, entrenada con un conjunto de medidas
entrada-salida, que es capaz de identificar todo el sistema. Los autores de este trabajo
de investigación no describen sus limitaciones.
[Wai et al., 2000], presenta un estudio experimental de un controlador hı́brido

que está formado por un PI y redes neuronales difusas de control (FNNC) y para la
identificación (FNNI) de un servo motor de inducción. El algoritmo de aprendizaje
basado en el método de “backpropagation”, se utiliza para entrenar tanto la red neuronal
difusa de identificación (FNNI) y la red neuronal difusa de control (FNNC) en lı́nea. La
FNNI estima la posición del rotor (θr ) mientras que el propósito de la FNNC es generar
una señal compensada para el controlador PI. Una limitación es que los parámetros de
la red no se pueden modificar en lı́nea durante el control en tiempo real, la red basada
en el aprendizaje no tiene la propiedad de control adaptador verdadera y por lo tanto,
es difı́cil de aplicar a los problemas de control en tiempo real.
[Khemliche et al., 2004], proponen la identificación de una máquina ası́ncrona por un

controlador difuso con el método de Strejc. Con este método se obtiene una función de
transferencia aplicando la trasformación de Park. La lógica difusa realiza la corrección y
la adaptación del modelo. Para la identificación paramétrica de la máquina se utiliza un
método geométrico y una tabla que se llama ábaco de Strejc, mediante estos cálculos se
obtiene la función de transferencia de tal manera que estos cálculos generan errores.
[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
los parámetros internos son desconocidos; es decir, no se pueden medir directamente y

menos aún construir o usar la función de transición requerida en el identificador.
[Zuluaga and Giraldo, 2013], presenta una metodologı́a de identificación de un

generador de inducción doblemente alimentado (DFIG) en presencia de datos espurios.
El DFIG es ampliamente utilizado en la producción de energı́a eólica. Para llevar a cabo
la identificación se emplean tres filtros de Kalman secuenciales, dos de ellos corresponden
al filtro de Kalman dual(DKF), el otro corresponde al filtro de Kalman de estadı́stica
robusta (rsKF). El filtro de Kalman dual realiza la identificación más rápido que el filtro
de Kalman de estadı́stica robusta y la limitación es que se trabaja a una velocidad del
viento promedio de 12m/s, el diámetro del rotor de 15 m, nivel de turbulencia de 4 y un
tiempo de muestreo de 0,1s.
[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
En trabajos citados anteriormente y otros revisados no se trata la identificación

de la máquina de inducción trifásica doble alimentada mediante modelos difusos ni su
implementación mediante un DSP. En este trabajo se utiliza la tarjeta de procesamiento
de señales ADSP-21369 disponibles en los laboratorios de máquinas eléctricas de la UPS
para a obtención de los datos experimentales y la validación del método desarrollado
mediante simulación en MATLAB.
CAPÍTULO 2
DESCRIPCIÓN DE LA MÁQUINA
2.1. Descripción del modelo de la máquina

El motor de inducción es una de las máquinas eléctricas más utilizadas en aplicaciones
industriales por su simplicidad, fiabilidad, bajo costo y porque su mantenimiento es
mı́nimo. El motor de inducción se está utilizando actualmente en nuevos campos y
esto se debe al avance en la electrónica de potencia y al desarrollo de algoritmos de
control [Böcker and Mathapati, 2007].
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.
El comportamiento de la máquina de inducción puede ser descrito por una ecuación

diferencial de quinto orden con dos entradas, tres variables de estado, que están
disponibles para la medición directa. Cuando se trata de realizar un control de alto
rendimiento para un motor de inducción este resulta más complicado, si se compara con
un control de un motor de corriente continua (c.c.) debido a que el motor de inducción
posee una dinámica no lineal [Chan and Shi, 2011].
5
6 2.1. DESCRIPCIÓN DEL MODELO DE LA MÁQUINA
Figura 2.1: Modelo simplificado de la máquina de inducción trifásico [Viola, 2007].
El funcionamiento básico de la máquina de inducción consiste en alimentar el

devanado del estator desde una fuente trifásica para producir un campo electromagnético
rotatorio, el cual induce fuerzas electromotrices al rotor (parte móvil de la máquina)
que se convierten en corrientes por el rotor en cortocircuito, produciéndose ası́ un par
motriz en el eje de la máquina [Obando et al., 2011].
Una máquina de inducción trifásica se puede representar mediante una estructura

simplificada que se muestra en la Figura 2.1. Esta representa una máquina de 2 polos
y 3 fases en el estator. Los devanados se encuentran colocados radialmente con una
separación espacial de 2π3 rad. En el caso del rotor, e independientemente de que la
máquina sea de tipo rotor bobinado o tipo jaula de ardilla, se puede representar mediante
3 bobinas que tiene una separación de 2π3 rad. Los arrollamientos del rotor se encuentran
cortocircuitados y por estos circulan las corrientes irA , irB , irC . A los devanados del
estator se conectan 3 tensiones vea , veb , vec , que harán circular corrientes iea , ieb , iec . A
cada bobina en el estator se le asocia un eje, con lo cual se crea un sistema o marco de
referencia a − b − c, que se encuentra fijo respecto al estator. De manera similar se crea
un sistema de referencia A − B − C que se encuentra fijo al rotor y que por lo tanto gira
respecto al sistema de referencia a − b − c con la velocidad mecánica del rotor ωm . Las
cantidades eléctricas y magnéticas que interactúan en el interior de la máquina pueden
representarse vectorialmente usando como referencia estos sistemas de ejes [Viola, 2007].
CAPÍTULO 2. DESCRIPCIÓN DE LA MÁQUINA 7
Figura 2.2: Representación gráfica del vector espacial de un sistema trifásico [Aller, 2012].
2.1.1. Vectores espaciales
La transformación a vectores espaciales permite representar un sistema de corrientes,

tensiones o flujos trifásicos mediante vectores en el espacio cuya magnitud y dirección
son variantes en el tiempo [Aller, 2012]. Esto nos permite un notación más compacta y
simple de las ecuaciones. En la Figura 2.2 se muestra una representación gráfica con la
interpretación geométrica de la transformación a vectores espaciales para un instante de
tiempo dado [Cuce et al., 1996].
Se consideran tres corrientes sinusoidales en el estator :
iea (t) = Iê sin(ωe t − ϕe ) (2.1)
2π
ieb (t) = Iê sin(ωe t − − ϕe ) (2.2)
3
4π
iec (t) = Iê 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)
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 (t) = iea (t) + ieb (t) + iec (t) (2.6)

La Figura 2.3 corresponde a la suma de vectores, obtenida según la ecuación 2.6 la
magnitud de la resultante de la corriente de estator ie resulta constante e igual a 32 Iê y
de fase ωe t − π2 , por lo que se encuentra girando respecto al sistema de referencia con
frecuencia angular ωe [Viola, 2007].
2.1.2. Transformaciones vectoriales

Considerando un sistema trifásico balanceado, la magnitud del vector espacial resulta
constante. Los vectores espaciales expresados en el sistema de referencia a − b − c
requieren de 3 componentes para ser representados, por lo que cada ecuación de la
máquina expresada en este sistema está realmente compuesta por tres ecuaciones. El
vector espacial puede ser representado por una cantidad compleja, es decir con una
componente real y una componente imaginaria ortogonal, por ejemplo, el vector espacial
de corriente de estator se puede escribir [Viola, 2007]
ie = ie α + jie β (2.7)
donde la dependencia respecto al tiempo de las variables se considera implicita. Esta

forma de representación ortogonal es válida para cualquier vector espacial y reduce el
número de ecuaciones en las que se descompone, pasando de las 3 originales en el sistema
de ejes a − b − c, a sólo 2 en el sistema de ejes ortogonales α y β. Para pasar del sistema
de ejes a − b − c al sistema α y β se utiliza la transformación directa de Park. Para esto
se supone al eje α como coincidente con el eje a y al eje β como ortogonal a α [Viola,
2007].
Tomando como ejemplo la corriente de estator en el sistema a−b−c, descomponiendo
estas cantidades en los ejes α y β [Delgado, 2014].
iα = iea − ieb sin( π6 ) − iec sin( π6 )
1 1
iα = iea − ieb − iec (2.8)
2 2
iβ = ieb cos( π6 ) − iec cos( π6 )
√ √
3 3
iβ = ieb − iec (2.9)
2 2
o en forma matricial :
 
1 i
− −√12  ea 

ieα 1 √2
= 3 ieb (2.10)
ieβ 0 2 − 23 iec
como se ilustra en la Figura 2.4.
2.1.3. Modelo de la máquina de inducción

Para encontrar las ecuaciones diferenciales que rigen el comportamiento de la
máquina de inducción tememos que analizar la malla para los circuitos de estator y rotor
que se ilustra en la Figura 2.5. Las bobinas rotóricas se encuentran en cortocircuito y al
estator se le aplica un sistema trifásico de tensiones balanceadas.
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.
vr : es igual a cero porque las bobinas del rotor están cortocircuitadas.
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).
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.
Figura 2.5: Circuito equivalente de la máquina de inducción en vectores espaciales referidos al

sistema de referencia estatórico. [Aller, 2012].
Vector espacial de enlace de flujo de estator en el marco de referencia

estacionario [Vas, 1998].
Ψe = Le ie + Mre i0r (2.13)

jθ
Ψe = Le ie + Mre ir e (2.14)
Le ie : es el vector espacial de auto enlace de flujo de las fases de estator que son
causadas por las corrientes de estator.
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.
Vector espacial de enlace de flujo de rotor en el marco de referencia

estacionario [Vas, 1998].
Ψ0r = Lr i0r + Mre ie (2.15)

Ψ0r = Lr i0r + Mre i0e ejθr (2.16)
ie = i0e ejθr (2.17)
i0e = ie e−jθr (2.18)
Reemplazando la ecuación (2.18) en (2.16) y se tiene:
Ψr = Lr ir + Mre ie e−jθr (2.19)
Lr i0r : es la componente del enlace de auto flujo producido por la corriente de rotor y
expresado en el marco de referencia estacionario.
Mre ie e−jθr : es la componente de enlace de flujo mutuo producido por la corriente de

estator, expresado en el marco de referencia estacionario.
Le : es la autoinductancia propia del estator.

Lr : es la autoinductancia propia del rotor.
Las ecuaciones (2.14) y (2.19) del flujo de estator y del flujo de rotor obtenidas, son
reemplazadas en las ecuaciones (2.11) y (2.12) respectivamente, y se tiene:
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:
ve = Re ie + Le i˙e + Mre i˙r ejθ + Mre jωir ejθ (2.22)

Haciendo lo mismo la ecuación (2.21) se obtiene:
0 = ir Rr + Lr i˙r + Mre i˙s e−jθr − Mre is jωe−jθr (2.23)

donde:
3
Mre = Lre (2.24)
2
La ecuación (2.24) es la inductancia mutua entre los circuitos de rotor y estator,
depende del ángulo instantáneo θ.
Desarrolladas las ecuaciones (2.22), (2.23) y (2.24) se pueden presentar en forma

matricial como:
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
El par eléctrico generado por la máquina es

1 t
Te = [i] τ [i] (2.26)
2
i: corrientes de estator y rotor.
t: transpuesto.
d
τ : dθ C(θ) es la matriz que determina el comportamiento cı́clico de los acoplamientos
mutuos entre bobinas del rotor y del estator, por esta razón aparece el ángulo θ como
argumento de la función coseno [Aller, 2012].
Este desarrollo de la ecuación se puede observar en la referencia [Aller, 2012], donde

se obtiene el resultado:
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
máquina de inducción trifásica.
2.2. Descripción de los fundamentos de lógica difusa

La lógica difusa es una técnica de computación flexible que le permite a un computador
clasificar información del mundo real en una escala acotada por los valores “falso”,
“verdadero”. Tiene por objetivo proporcionar un soporte matemático formal al
razonamiento basado en el lenguaje natural, el cual se caracteriza por tratarse de
un razonamiento de tipo aproximado que hace uso de proposiciones que expresan
información de carácter impreciso [Jose, 2009, DNegri and De Vito, 2006, Jang and Sun,
1995].
Se puede resaltar algunas caracterı́sticas importantes de la lógica difusa:
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].
3. Puede ser construida sobre la información de la experiencia de los operarios

que manejan el sistema que se desea modelar [Jose, 2009, DNegri and De Vito,
2006, Jang and Sun, 1995].
4. Es complementaria a las técnicas de control convencionales [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:
-Blanco o negro (Binary)
-Blanco, negro, rojo, azul, etc (crisp).
Pero no se pensó que algo podrı́a ser:
-“medio negro”
14 2.2. DESCRIPCIÓN DE LOS FUNDAMENTOS DE LÓGICA DIFUSA
-“un poco rojo”
-“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].
Conjuntos difusos: los conjuntos clásicos pueden definirse por funciones

caracterı́sticas, estos se encuentran delimitados claramente y son excluyentes. Los
conjuntos difusos en cambio tienen lı́mites suaves los cuales se definen mediante
funciones de pertenencia, pudiendo existir pertenencia a uno o más conjuntos. [Minchala,
2013, Passino et al., 1998, MORALES LUNA, 2002, Jang and Sun, 1995].
Por ejemplo un conjunto clásico es:

X = integrantes
A = grupo de hombres
B = estudiantes de música
Pero un conjunto difuso es:

Ã = Personas moderadamente altas
B̃ = Personas medianamente blancas
Para estos conjuntos no se puede utilizar los diagramas de Venn, porque

“moderadamente altas”, “medianamente blancas”, varı́an de persona a persona y
dependen de la situación. Por ejemplo, se observar en la Tabla 2.1 como se asigna
un grado entre 0 y 1 para denotar moderadamente altas y medianamente blancas,
obteniendo [Minchala, 2013, MORALES LUNA, 2002, Jang and Sun, 1995]
Tabla 2.1: Representación numérica, por su estatura y color de piel.
Donde 1 representa un total de pertenencia a cada grupo y 0 una no pertenencia al

grupo. En un conjunto clásico se tiene que decidir entre 0 y 1 exclusivamente, pero en
un conjunto difuso puede ser cualquier valor dentro de este rango [0, 1] [Minchala, 2013].
1 Baja Media Alta 1 Baja Media Alta
1.70 1.80 Altura(cm) 1.70 1.80 Altura(cm)

(a) (b)
Figura 2.6: (a) Conjunto clásico, (b) Conjunto Difuso.
Función de pertenencia: si A representa un conjunto del universo X, su función

de pertenencia µA puede definirse por la aplicación [Minchala, 2013, Jose, 2009, Jang
and Sun, 1995].
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.
Por ejemplo si tenemos 3 personas A =[1.79], B = [1.71], C = [1.68], luego

clasificamos en estaturas: “Baja”, “Media”, “Alta”. Realizamos una comparación de
las funciones de pertenencia y las funciones caracterı́sticas, que se ilustran en la figura 2.6.
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].
La función de pertenencia tipo campana generalizada que se muestra en la Figura 2.7

está especificada por tres parámetros y tiene el nombre de la función gbellmf. La función
de pertenencia de campana tiene un parámetro más que la función de pertenencia de
gauss. Debido a su suavidad, las funciones de pertenencia tipo gaussianas son populares
para la especificación de los conjuntos difusos. Ambas curvas tienen la ventaja de ser
suaves y distintas de cero en todos los puntos [Minchala, 2013, Jose, 2009, Jang and Sun,
1995].
16 2.2. DESCRIPCIÓN DE LOS FUNDAMENTOS DE LÓGICA DIFUSA
Figura 2.7: (a)Función de pertenencia triangulares trimf, (b)Función de pertenencia trapezoidal

trapmf, (c)Función de pertenencia gausiana gaussmf, (d)Función de pertenencia campana
generalizada gbellmf.
Grado de pertenencia: es el valor numérico que se asigna como pertenencia a

un conjunto difuso para una variable lingüı́stica [Minchala, 2013, Passino et al., 1998].
Como ejemplo se presenta en la Figura 2.8 .
Grado de pertenencia de la edad de 17 años
µ(17)Adolescentes = 0,4
µ(17)Jovenes = 0,6
µ(17)Adultos = 0
Variable lingüı́stica: es aquella que toma valores con palabras o descripciones

simbólicas en lugar de valores numéricos, para las entras y salidas. En una función de
membrecı́a los conjuntos son asociados con variables lingüı́sticas [Passino et al., 1998]. El
ejemplo se muestra en la Figura 2.8.“Adolescentes”, “jóvenes”, “adultos”, son variables
lingüı́sticas, de la función de pertenencia: Edad
2.2.1. Sistemas lógicos Difusos

En general, un Sistema lógico Difuso (SLD) realiza una aplicación no-lineal de un vector
de datos de entrada, con una salida escalar. Es decir aplica números con números. La
teorı́a de los conjuntos difusos y la lógica difusa establecen las especificaciones de esta
aplicación no-lineal única. Es capaz de manejar datos numéricos y conceptos lingüı́sticos
simultáneamente. Los SLD han sido aplicados exitosamente en campos tales como el
Adolecentes Jóvenes Adultos

1
0.6
0.4
0
17 Edad
Figura 2.8: Grado de pertenencia y variable lingüı́stica.
control automático, clasificación de datos, análisis de decisiones, sistemas expertos y

visión por computadora. Este sistema de lógica difusa consta de 4 etapas: fusificación,
mecanismo de inferencia, base de conocimiento y defusificación [Efrén, 2012, Passino
et al., 1998, Jang and Sun, 1995].
Mecanismo de
Defusificación
inferencia
Fusificación
ENTRADA SALIDA
Base del
conocimiento
Figura 2.9: Esquema del sistema difuso.
Fusificación: Los elementos fundamentales en esta etapa son las Funciones de

Pertenencia de Entrada. La variable del proceso (entrada definida, no-difusa o crisp)
intersecta las funciones de pertenencia generando las entradas difusas. Mediante este
procedimiento, el fusificador establece una relación entre los puntos de entrada no
difusos y sus correspondientes conjuntos difusos [Efrén, 2012, Passino et al., 1998, Jang
and Sun, 1995].
Base de Conocimiento: La base de conocimiento contiene el conocimiento asociado

con el dominio de la aplicación y los objetivos de identificación del modelo. En esta etapa
se definen las reglas lingüı́sticas de identificación que realizan la toma de decisiones que
a su vez decidirá la forma en la que debe actuar el sistema de identificación [Passino
18 2.3. SELECCIÓN DEL MODELO DIFUSO
et al., 1998, Jang and Sun, 1995].
Mecanismo de inferencia: Calcula el valor de la manipulación o salida del

sistema de identificación, con base en las reglas de inferencia difusas. Este proceso
involucra la utilización de funciones de pertenencia y las reglas generadas en la base de
conocimiento. Existen diferentes métodos de inferencia como por ejemplo: Mamdani,
Takagi-Sugeno-Kang [Efrén, 2012, Passino et al., 1998, Jang and Sun, 1995].
Defusificación: La salida del proceso de inferencia es hasta ahora un conjunto difuso

que indica la posibilidad de realizar una acción de control. Sin embargo, las aplicaciones
de los sistemas difusos no pueden interpretar los valores lingüı́sticos obtenidos, por lo
que se utilizan funciones de pertenencia de salida para retransformar los valores difusos
nuevamente en valores definidos o crisp mediante la defusificación [Efrén, 2012, Jang and
Sun, 1995].
2.3. Selección del modelo difuso

La lógica Difusa y las Redes Neuronales tienen propiedades computacionales particulares
que las hacen adecuadas para ciertos problemas especı́ficos y no para otros. Por ejemplo,
mientras las redes neuronales ofrecen ventajas como el aprendizaje, adaptación,
tolerancia a fallas, paralelismo y generalización, no son buenas para explicar cómo han
alcanzado sus decisiones. En cambio, los sistemas difusos, razonan con información
imprecisa a través de un mecanismo de inferencia bajo incertidumbre lingüı́stica y son
buenos explicando sus decisiones pero no pueden adquirir automáticamente las reglas
que usan para este fin [Efrén, 2012, Jang and Sun, 1995].
Los sistemas Neuro-Difusos combinan la capacidad de aprendizaje de las redes

neuronales (RNAs) con el poder de interpretación lingüı́stica de los sistemas de
inferencia difusos, obteniéndose los siguientes resultados [Efrén, 2012, Jang and Sun,
1995]
1. Aplicabilidad de los algoritmos de aprendizaje desarrollados para redes neuronales.
2. Posibilidad de promover la integración de conocimiento: implı́cito que puede ser

adquirido a través del aprendizaje y, explı́cito que puede ser explicado y entendido.
3. La posibilidad de extraer conocimiento para una base de reglas difusas a partir de

un conjunto de datos.
Existen sistemas de desarrollo que han logrado unir la lógica difusa con las redes
neuronales, por ejemplo se tiene:
ANFIS (Adaptive Neuro Fuzzy Inference System): es un método que permite

sintonizar o crear la base de reglas de un sistema difuso, utilizando el algoritmo de
entrenamiento de retropropagación a partir de la recopilación de datos de un proceso.
Su arquitectura es funcionalmente equivalente a una base de reglas tipo Sugeno [Efrén,
2012, Jang and Sun, 1995].
FSOM (Fuzzy Self-Orgı́anizing Maps): consiste en un sistema difuso optimizado

a partir de la técnica de los mapas auto-organizados de Kohonen [Efrén, 2012, Jang and
Sun, 1995].
NEFCLASS: El algoritmo NEFCLASS está basado en la estructura del perceptrón

multicapa cuyos pesos son modelados por conjuntos difusos. Ası́, se preserva la estructura
de una red neuronal, pero se permite la interpretación del sistema resultante por el
sistema difuso asociado, es decir, la RNA deja de ser una “caja negra” [Efrén, 2012,Jang
and Sun, 1995].
El modelo difuso que se escogió para este trabajo es el Sugeno o Tsukamoto. Un

procedimiento denominado ANFIS [Jang, 1993], permite transformar automáticamente
los conocimientos difusos y sus correspondientes reglas en sistemas de inferencia difusa
mediante el empleo inicial de un juego de datos de entrada-salida del proceso.
2.3.1. Estructura del ANFIS
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].
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 )
donde (a, b, c) es el juego de parámetros. El centro de la FP es determinado por

c y la mitad del ancho de la FP viene dado por a. El ajuste de la pendiente en los
puntos de cruce lo realiza b. Cuando los valores de esos parámetros cambian, la función
campana también cambiará y ası́ se formaron varias FP para el conjunto difuso A. Los
parámetros de esta capa son denominados parámetros premisas [del Pozo Quintero, 2012].
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].
O2i = wi = µAi (x) (2.31)

O2ies la salida del nodo i en la capa 2, cada salida de nodo representa un porcentaje
de cumplimiento de la regla [del Pozo Quintero, 2012, Jang and Sun, 1995].
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
O4i = wi fi = wi (pi x + qi y + ri ) (2.33)
donde wi es la salida de la capa 3 y (pi x, qi y, ri ), es el conjunto de parámetros de ese

nodo denominado parámetros consecuentes.
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
2.3.2. Algoritmo de Entrenamiento Hı́brido

La asignación de funciones a cada nodo y la configuración de la red pueden ser
arbitrarias, siendo posible elaborar un ANFIS a partir de los otros esquemas SID. Sin
embargo, el ANFIS construido a partir del modelo de Sugeno es el más eficiente y
transparente de todos [del Pozo Quintero, 2012, Jang and Sun, 1995].
La efectividad del ANFIS depende de la regla de aprendizaje para identificar sus

parámetros [Jang, 1993, Jang and Sun, 1995]. Aunque se puede aplicar el método del
descenso más rápido (steepest descent), el cual consiste en obtener recursivamente el
vector gradiente, en el cual cada elemento de este es definido por la derivada del error
con respecto a un parámetro. Este procedimiento de hallar el vector gradiente en una
estructura de redes adaptativa se denomina retropropagación, porque el gradiente se
calcula en la dirección opuesta a la salida de cada nodo. Sin embargo este método de
optimización, requiere generalmente mucho tiempo para converger [del Pozo Quintero,
2012, Jang and Sun, 1995].
Si la salida de una red adaptativa es lineal en algunos de sus parámetros, podemos

identificar esos parámetros lineales por un método de Mı́nimos Cuadrados Lineales
(MCL). Si combinamos ambos métodos se obtiene un método de Aprendizaje Hı́brido
(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].
Se presenta la siguiente ecuación:
Aψ = y (2.35)
dónde: A: es una matriz de m × n de funciones conocidas del vector de entrada.

ψ: es el vector de parámetros desconocidos que se estima, de dimensión n.
y: es el vector de salida lineal, de dimensión n.
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].
En el paso hacia adelante partiendo de los parámetros premisas fijos se calcula la

salida de los nodos hasta la capa 4 y los parámetros consecuentes que están en esa capa
son identificados por el método de MCL [del Pozo Quintero, 2012, Jang and Sun, 1995].
En la arquitectura ANFIS, los valores de los parámetros de la premisa son fijos.

Entonces la salida total puede ser expresada como una combinación lineal de los
parámetros consecuentes [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
ANÁLISIS DE LAS SIMULACIONES
Este capı́tulo presenta la metodologı́a utilizada para la obtención de los datos de la

máquina de inducción como también las simulaciones necesarias de la identificación de
la máquina de inducción trifásica, y su posterior validación.
3.1. Recolección de datos simulados

La recolección de datos simulados se realiza tomando en cuenta las variables involucradas
en las ecuaciones (2.14) y (2.18).
- Primero: se recolecta los datos de las corrientes de estator, corrientes de rotor y

velocidad angular de la máquina de inducción trifásica. Estos tres datos son necesarios
para trabajar en el desarrollo planteado del proyecto.
- Segundo: determinar los ángulos de los vectores de las corrientes de estator y

rotor en el marco de referencia estacionario. En este punto se tienen que realizar cálculos
adicionales para obtener los datos ya mencionados.
- Tercero: para el entrenamiento y obtención del modelo de la máquina se utiliza

una estructura ANFIS (sistemas de inferencia difusa basados en redes adaptativas).
3.1.1. Cálculo del ángulo del vector de corrientes

Funcionamiento de la máquina de inducción trifásica: La máquina de
inducción trifásica tiene tres bobinados en el estator y tres bobinados en el rotor,
pudiéndose alimentar mediante un sistema de voltaje trifásico a 60Hz de la lı́nea o
puede ser alimentado por un inversor con frecuencia variable. En cualquiera de estos
casos se genera un campo electromagnético giratorio producido por el estator, que gira
23
24 3.1. RECOLECCIÓN DE DATOS SIMULADOS
iαe
ie
iβe
θe
α
Figura 3.1: Vector espacial de las componentes de la corriente de estator y su proyección
a velocidad sincrónica. El rotor se encuentra cortocircuitado e inicialmente no está

en movimiento. El campo electromagnético generado por el estator a la frecuencia de
excitación induce al rotor una fuerza electro motriz (fem) a la misma frecuencia; las
fem inducidas en el rotor se convierten en corrientes que producen a su vez un campo
electromagnético rotórico o campo inducido que genera un par, el rotor empieza a girar
con una aceleración hasta alcanzar una velocidad cercana a la velocidad angular de giro
del flujo de estator ωe que depende de la carga en el eje mecánico.
La Figura 3.1 corresponde a un vector espacial de corriente de estator con una

velocidad de giro, también se puede observar las componentes α y β, que nos ayudan a
obtener el ángulo denominado en nuestro proyecto θe .
Este ángulo, se encuentra formado por el vector espacial de corriente de estator

respecto al eje α y puede obtenerse trigonométricamente como la relación entre las
componentes ieα e ieβ :
ieβ
θe = arctg (3.1)
ieα
De la misma forma se obtiene el ángulo formado por el vector espacial de corriente
de rotor y el eje α del sistema de ejes α − β del rotor. Se proyecta las componentes α y
β del vector espacial de corriente de rotor como:
irβ
θr = arctg (3.2)
irα
Considerando empı́ricamente el comportamiento que tienen las corrientes de estator

y rotor, la tasa de variación de la diferencia de ángulos es una buena entrada (ya que se
asemeja visualmente) para ser usada en la estimación de velocidad.
dθ = θe − θr (3.3)
El ángulo que forma el vector de corriente espacial de estator θe se encuentra

adelantado respecto al ángulo que forma el vector espacial de corriente de rotor θr .
CAPÍTULO 3. ANÁLISIS DE LAS SIMULACIONES 25
Datos de salida (ω)
Datos de ingreso
Modelo FIS
ω estimada
Algoritmo de
entrenamiento
Figura 3.2: Diagrama de bloques de la estructura del modelo de la máquina de inducción.
Si el ángulo del rotor θr empieza a acelerarse este trata de igualar en posición al

ángulo de estator θe . En el instante en que se igualan estos dos ángulos el par es igual a
cero. El rotor disminuye la aceleración porque el par generado por la máquina es igual a 0,
el ángulo θr comienza a retrasarse respecto al ángulo de estator θe y nuevamente existe
par, esto sucede cuando la maquina eléctrica llega a su velocidad nominal. En estado
estacionario existe un pequeño desfase denominado deslizamiento y se define como:
ωe − ωr
s= (3.4)
ωs
3.1.2. Entrenamiento con una estructura ANFIS

Se presenta un diagrama de flujo en la Figura 3.3 para la recolección de datos de las
corrientes de estator y corrientes de rotor. Luego de recolectar los datos de entrada y
salida se procede a realizar el cálculo de los ángulos de los vectores de las corrientes de
estator y corrientes de rotor, se clasifican los datos en 3 vectores: datos de entrenamiento
(dataTRN), datos de comprobación (dataCHK), datos de verificación (dataTST), estos
datos se utiliza como entrada para el entrenamiento del modelo de la máquina de
inducción y como salida de comparación se utiliza la velocidad angular media, por
último se valida el modelo de la máquina del proyecto.
La Figura 3.2 presenta un diagrama de bloques de la estructura del modelo donde se

encuentra un bloque central llamado FIS y otro bloque de entrenamiento el cual toma
como entrada el error entre la salida del FIS y la salida almacenada de la planta.
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
Salidas (output): es la velocidad angular medida.
Uno de los métodos de modelado incluidos en la herramienta ANFIS de MATLAB

es el método de partición de datos en grilla (Grid Partition-GP) es una estructura FIS
Inicio
Obtención de datos simulados
Gestión de datos
Datos de las corrientes estator y rotor: ir,ie
Datos de velocidad angular de rotor wr
Datos variables entrada para el ANFIS

ángulo de la corriente de estator en Ie_alfa, Ie_ beta
ángulo de la corriente de rotor en ir_alfa, ir_beta
Generación de la data:
dataTRN, dataCHK, dataTST
Entrenamiento, chequeo y verificación

del modelo ANFIS
Validación del modelo ANFIS
La validación es
correcta
no
si
Fin
Figura 3.3: Diagrama de flujo para obtener el modelo de la máquina de inducción.

inicial tipo Sugeno o Mamdani. Si existen varias dimensiones es difı́cil e ineficiente

aplicar este método, ya que si se tienen K entradas y m funciones de pertenencia, se
tendrán mK reglas. Sin embargo, para un número pequeño de funciones de pertenencia
y entradas, el método es bastante eficiente. En este método el antecedente está definido
por el número de funciones de pertenencia y el tipo de dicha función el cual podrá ser
triangular, trapezoidal, gaussiana, campana generalizada, etc, [Efrén, 2012].
Para obtener el modelo de la máquina de inducción trifásica se realizó una serie de

entrenamientos con diferentes funciones de pertenencia tipo gaussiana, gebell y trimf.
El número de iteraciones utilizadas para el entrenamiento oscilan entre 20 y 30, ya

que el error medio (ME) fue disminuyendo hasta que el valor del error se mantenı́a.
Se puede definir el error medio mediante la siguiente ecuación:
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.
La Figura 3.4 ilustra el diagrama de flujo del proceso en MATLAB mediante la

herramienta Fuzzy Logic Toolbox y su función ANFIS Editor GUI.
3.1.3. Descripción de los datos para entrenamiento,

comprobación y verificación
Los diferentes modelos del motor de inducción trifásico se entrenaron con 30000 datos
y a estos datos se realiza una partición, para los conjuntos de datos de entrenamiento
(trn), verificación (tst) y comprobación (chk). Cada uno de los conjuntos de datos se
define como:
El entrenamiento es el conjunto de datos de entrenamiento para el modelo FIS creado

mediante un procedimiento, que minimiza una función de error y a la vez ajusta los
parámetros del modelo (funciones de pertenencia y conjunto de reglas) con la finalidad
de lograr que cada modelo difuso obtenga la mejor estimación de la velocidad angular
ωm [Efrén, 2012].
Conjunto de datos de comprobación, establece en cada paso de entrenamiento la

capacidad de generalización o aprendizaje que va adquiriendo el modelo neuro-difuso.
Los datos de comprobación evitan también que se presente sobreentrenamiento en
el modelo. En principio, el error para el conjunto de datos de comprobación tiende
a disminuir a medida que el entrenamiento toma lugar hasta el punto en que el
sobreentrenamiento comienza, entonces el error para los datos de comprobación aumenta
repentinamente [Efrén, 2012].
Inicio
Caga de la data:
TRNdata, CHKdata, TSTdata
Generación de la estructura FIS inicial

Genfis1: FIS tipo Sugeno usando una partición en grilla
Genfis2: Obtención del FIS aplicando agrupamiento de datos
Entrenamiento del FIS

Método: hybrido
Error de tolerancia
Numero de iteraciones (Epochs)
Verificación del FIS entrenado

Graficas del FIS entrenado contra:
Data entrenamiento
Data verificación
Data cheching
Validación del FIS entrenado

Se realiza evaluando el modelo FIS (salida wm)
usando una data de entrada X.
Utilizamos el comando evalfis para su validación
Fin
Figura 3.4: Diagrama de flujo del ANFIS editor GUI en Matlab.

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].
3.2. Obtención del modelo difuso

La Figura 3.5 corresponde al proceso de la obtención de los datos de las corrientes,
par eléctrico y la velocidad angular. Cabe aclarar que los datos del par eléctrico no
se están utilizando para los cálculos y entrenamientos, estos datos se obtienen de las
simulaciones y son presentados como información. Luego se ingresan estos datos a la
estructura ANFIS, para los entrenamientos y la obtención el modelo de la máquina.
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
Figura 3.5: Diagrama de obtención de los datos para las simulaciones.
Para obtener el modelo difuso a continuación se presentan tres pasos para la

recolección de datos de las corrientes de estator y rotor en el marco de referencia
estacionario α y β.
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.].
voltaje de v = 1 y la frecuencia de ω = 1. Los datos son almacenados en un vector y.
y = [ie , ir , wm , θ] (3.6)
Se realiza otra simulación de la máquina de inducción para una nueva obtención de

datos que son de utilidad para el proyecto, se ingresa un voltaje de v = 0,5[p.u.],
y manteniendo la frecuencia con el mismo valor de ω = 1[p.u.]. En la Figura 3.7
se muestran las señales de corriente, par eléctrico y velocidad angular para este caso.
2. En este punto se convierte a los vectores espaciales de corriente de rotor y estator

en sus componentes en el marco de referencia estacionario (α) y (β). En la
simulación se tiene un vector espacial complejo, es decir se tiene un dato real y
un dato imaginario, esto facilita el cálculo para obtener las corrientes en el marco
de referencia estacionario ieα - ieβ e irα - irβ . La parte real del vector espacial
complejo es igual al valor instantáneo del eje directo de la componente de corriente
del estator ieα y la parte imaginaria es igual al eje de cuadratura de la componente
de corriente de estator ieβ . Por lo tanto, el vector espacial complejo de la corriente
de estator en el marco de referencia estacionario unido al estator se puede expresar
como [Lepka and Stekl, 2005].
is = ieα + jieβ (3.7)

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.
A continuación se presenta los subconjuntos de datos obtenidos con sus respectivas

figuras.
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.
Figura 3.8: Datos de entrada para el entrenamiento del modelo de la máquina de inducción.
Figura 3.9: Datos de entrada de comprobación para el entrenamiento de la máquina de

inducción.
Figura 3.10: Datos de entrada de entrenamiento para la verificación luego del entrenamiento.
La Figura 3.11 corresponde al conjunto de datos de entrenamiento versus la salida

deseada que es la velocidad angular y tiene un error de 0,0803[p.u].
La Figura 3.12 ilustra el conjunto de datos de comprobación versus la salida deseada

que es la velocidad angular con un error de 0,0838[p.u].
La Figura 3.13 se muestra el conjunto de datos de verificación versus la salida deseada

que es la velocidad angular con un error de 0,0436[p.u]. Se mencionó anteriormente que
la verificación se carga 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.
Desde el punto de vista de implementación en un microprocesador, implementar

las funciones de pertenencia es bastante complejo, por ejemplo si se desea obtener una
recta para formar una función de pertenencia triangular se necesita dos puntos o un
Figura 3.11: Gráfica del entrenamiento con un error = 0,0803[p.u].
Figura 3.12: Gráfica de la comprobación del modelo con un error = 0,0838[p.u].

Figura 3.13: Gráfica de verificación luego de obtener el modelo con un error = 0,0436[p.u].
Figura 3.14: Funciones de pertenencia del FIS inicial.

36 3.3. VALIDACIÓN DEL MODELO
Tabla 3.1: Tabla de entrenamientos una entrada y una salida Simulado.
DATOS DE ENTRADA-SALIDA Error MSE

ENTRADA N TRN CHK TST TIPO TRN CHK TST
30002 29503 29503 29503 5MF-gauss 0.080393 0.08389 0.043679
30002 29503 29503 29503 3MF-trim 0.087349 0.1535 0.05611
30002 29503 29503 29503 6MF-gebellmf 0.075805 0.14669 0.048754
30002 29503 29503 29503 6MF-gaussmf 0.075316 0.16968 0.052044
30002 30002 30002 30002 6MF-gaussmf 0.049534 0.26653 0.04848
30002 30002 30002 30002 5MF-gebellmf 0.1167 0.16384 0.27183
30002 30002 30002 30002 5MF-gaussmf 0.1175 0.078098 0.088233
30002 30002 30002 30002 6MF-gbellmf 0.021634 0.15578 0.0577
punto y pendiente, entonces se puede calcular la recta. En el cálculo existe un nivel

de complejidad, para obtener esta función. Pero si se pretende obtener la función de
pertenencia tipo gaussiana el nivel de complejidad es mayor ya que existe ecuaciones de
segundo grado para formar la función. Por otra parte el microprocesador necesita más
recursos de procesamiento para formar estas funciones.
La Figura 3.15 presenta los errores de entrenamiento y comprobación y también

el número de iteraciones vs. el error. Para el presente caso de estudio, se logró un
error de entrenamiento de 0,070046[p.u] y un error de verificación de 0,08571[p.u] en 50
iteraciones, obtenidas mediante el método Grid Partition.
3.3. Validación del modelo

La Figura 3.16 corresponde a un esquema en Simulink, utilizado para validar el modelo
de la máquina de inducción trifásica. A continuación se describe los bloques utilizados
en Simulink:
- Primer From Workspace: en este bloque se encuentra dos datos que son datos
de la diferencia de los ángulos para ser usada en la estimación de la velocidad y datos
de la velocidad obtenida a partir de la simulación de la máquina.
- Segundo From Workspace: contiene los datos de medida de la velocidad.
-Fuzzy Logic Controller: es el modelo FIS que se generó en el entrenamiento.
Después de varios entrenamientos (prueba y error) se escogió el mejor modelo de la

máquina de inducción trifásica. La Figura 3.17 exhibe los resultados en Simulink del
modelo de la máquina de inducción. La salida es la velocidad estimada del modelo FIS
que es comparada con la velocidad obtenida a partir de la simulación de la máquina,
se puede ver que si existe una similitud de las dos velocidades angulares. Todas las
* Error Training Data + Error Checkig DataI
**************************************************
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
Figura 3.15: Error de entrenamiento y error de comprobación.
simulaciones son por unidad por esa razón su amplitud llega hasta la unidad.
También se valida el modelo desarrollado de la máquina de inducción trifásica con

el comando evalfis. Para esto se realizó un código en MATLAB como se muestra en el
Anexo B, a partir del cual se obtiene la Figura 3.18. En esta gráfica se presenta la salida
del modelo FIS que es la velocidad angular estimada, comparada con la velocidad angular
medida de la máquina simulada.
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.
Figura 3.16: Esquema realizado en Simulink para validar el modelo obtenido.
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.
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.
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.
Datos técnicos de la placa de la máquina de inducción: en la Tabla 4.1 se

presentan los datos de placa de la máquina de inducción trifásica que se utilizó para
obtener el modelo difuso.
La Figura 4.1 corresponde a la máquina de inducción trifásica del tipo doble

alimentado y que posee, en consecuencia, anillos deslizantes que dan acceso al bobinado
del rotor.
Figura 4.1: Máquina de inducción trifásica a ser modelado.
41
42 4.1. RECOLECCIÓN DE DATOS EXPERIMENTALES
Tabla 4.1: Datos de la placa de la máquina de inducción trifásica.
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
4.1. Recolección de datos experimentales
En la recolección de datos experimentales de la máquina de inducción trifásica se utilizó

una tarjeta DSP modelo ADSP-21369 de Analog Devices disponibles en los laboratorios
del Grupo de Investigación en Energı́as (GIE) de la Universidad Politécnica Salesiana.
Esta tarjeta posee adosada una tarjeta de expansión encargada de la recolección de
datos provenientes de una tarjeta de sensores. Se creó un archivo con las tres corrientes
de estator (iea , ieb , iec ), tres corrientes de rotor (ira , irb , irc ), tres tensiones de lı́nea a
neutro (van , vbn , vcn ) y la velocidad angular en rad/s. Las tensiones se adquieren porque
los sensores están disponibles pero que no son usadas en el modelo que se va a aproximar.
Una vez recolectados los datos se realiza la transformación de la corriente y tensión

del sistema a − b − c al marco de referencia α − β. La conversión se presenta mediante
las siguientes transformaciones:
2
ieα = (iea − 0,5ieb − 0,5iec ) (4.1)
3
r
3 3
ieβ = (ieb − iec ) (4.2)
2 2
2
irα = (ira − 0,5irb − 0,5irc ) (4.3)
3
r
3 3
irβ = (irb − irc ) (4.4)
2 2
Forma matricial de la corriente de estator:

CAPÍTULO 4. ANÁLISIS EXPERIMENTAL 43
Figura 4.2: Tarjeta DSP modelo ADSP-21369 de Analog Devices.
Figura 4.3: Tarjeta de sensores.

 
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 4.4 muestra la velocidad de la máquina de inducción en el primer arranque.
Figura 4.4: Datos experimentales de la velocidad de la máquina de inducción con el primer

arranque 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.
Figura 4.5: Corrientes de estator en los ejes a − b − c con los datos experimentales del primer
La Figura 4.6 muestra las corrientes de rotor en los ejes a − b − c con el primer
Figura 4.6: Corrientes de rotor en los ejes a − b − c con los datos experimentales del primer
La Figura 4.7 presenta las corrientes de estator en los ejes α − β con el primer
Figura 4.7: Corrientes de estator en los ejes α − β con los datos experimentales del primer
La Figura 4.8 exhibe las corrientes de rotor en los ejes α − β con el primer arranque
de la máquina de inducción.
Corrientes de rotor experimentales
Figura 4.8: Corrientes de rotor en los ejes α − β con los datos experimentales del primer
La Figura 4.9 ilustra la velocidad de la máquina de inducción con el segundo arranque.

Figura 4.9: Datos experimentales de la velocidad del segundo arranque de la máquina de

inducción.
La Figura 4.10 corresponde a las corrientes de estator en los ejes a − b − c con el

segundo 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
Figura 4.11: Corrientes de rotor en los ejes a − b − c con los datos experimentales del segundo
La Figura 4.12 muestra las corrientes de estator en los ejes α − β con el segundo
Figura 4.12: Corrientes de estator en los ejes α − β con los datos experimentales del segundo
La Figura 4.13 expone las corrientes de rotor en los ejes α − β con el segundo
Figura 4.13: Corrientes de rotor en los ejes α − β con los datos experimentales del segundo
Luego de la conversión se procede con el preprocesamiento de los datos para ser

utilizados en la obtención del modelo difuso de la máquina de inducción trifásica.
4.1.1. Cálculo del ángulo del vector de corriente

En primer lugar se realizó el cálculo de los ángulos de las corrientes de estator
y ángulos de las corrientes rotor en el marco de referencia estacionario α − β, este
análisis ya se describió en el capı́tulo tres, sin embargo, en la Figura 4.14 se reproduce
nuevamente el esquema utilizado. A continuación se realiza una descripción breve del
procedimiento.
para la obtención de los ángulos θe y θr se tiene los siguientes pasos:
1. Las corrientes de estator (ie ) y rotor (ir ), se transforman con las ecuaciones (4.1),
(4.2), (4.3) y (4.4) al marco de referencia estacionario α − β.
2. Los datos anteriores proporcionan el vector espacial de las corrientes de estator y

rotor, entonces son: ie = iαe + jiβe .
El ángulo que se forma entre la componente iβe y la componente iαe , se obtiene de

iβe
la siguiente manera θe = arctg iαe , el mismo proceso se realiza con la corriente de
rotor ir = iαr + jiβr .
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 .
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
Figura 4.14: Esquema de obtención de los datos experimentales de la máquina de inducción.
4. La diferencia de los ángulos de fase θe − θr , es la tasa de cambio y se considera

como una buena señal para ser alimentada al FIS y lograr su entrenamiento.
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)
La Figura 4.15 enseña el esquema de una entrada y además pre-calculada la derivada

por un filtro derivador, por esta caracterı́stica el entrenamiento es mejor y más rápido
para la obtención del modelo FIS.
Figura 4.16: Ingreso de los datos de entrenamiento.
Salida velocidad
dθ=θe - θr
FIS estimada
Figura 4.15: Esquema del modelo.
4.2. Validación del modelo experimental

Esta sección presenta los resultados de los entrenamientos realizados para obtener el
modelo experimental de la máquina de inducción trifásica.
4.2.1. Adaptación del modelo con el conjunto de datos de

entrenamiento.
Los primeros entrenamientos se realizaron sin utilizar los datos de comprobación y
como los errores resultaron ser altos, entonces se modificó los conjuntos de datos de
entrenamiento para incluir un subconjunto que haga las veces de datos de comprobación,
la Figura 4.16 presenta el error, error = 4,4696[rad/s], al entrenar sin los datos de
comprobación.
Este proceso se realiza para demostrar que se necesita un conjunto de datos de
comprobación, que generalice el entrenamiento.
La Figura 4.17 presenta el conjunto de datos de comprobación vs. la salida deseada

(velocidad estimada) con un error = 9,4358[rad/s]. Este error determina el desempeño
52 4.2. VALIDACIÓN DEL MODELO EXPERIMENTAL
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.
Figura 4.17: Ingreso de los datos de comprobación.
La Figura 4.18 presenta el conjunto de datos de verificación vs. la salida deseada

(velocidad estimada) con un error = 10,8422[rad/s]. El error determina el desempeño
del modelo, medido entre los datos de verificación y la salida deseada, bajo las mismas
condiciones de entrada. En los entrenamientos no se utilizó los datos comprobación, por
esta razón del error es alto.
Figura 4.18: Ingreso de los datos de verificación.
4.2.2. Adaptación del modelo con los conjuntos de datos de

entrenamiento, comprobación y verificación.
Se realizó una adquisición de 10000 datos de las corrientes, tensiones y velocidad

angular. De acuerdo a los datos adquiridos se realizaron las respectivas divisiones de los
conjuntos de datos, luego fueron entrenados para obtener el modelo de la máquina de
inducción trifásica.
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.
A continuación se presentan los ingresos de los conjuntos de datos: entrenamiento,

comprobación y verificación, que a su vez se utilizan para el entrenamiento y obtención
del modelo.
Tabla 4.2: Diferentes datos de entrenamientos, para la obtención de los modelos de la máquina
de inducción.
DATOS DE ENTRADA-SALIDA Error MSE

ENTRADA N TRN CHK TST TIPO TRN CHK TST
10000 8000 8000 2000 6MF-gaussmf 3.9735 4.432 3.791
10000 8000 8000 2000 6MF-gbellmf 4.0656 29.7547 4.1112
10000 9000 9000 2000 6MF-gaussmf 2.6355 3.4217 3.6373
10000 9000 9000 2000 5MF-gaussmf 2.75518 3.7177 3.6018
10000 9000 9000 2000 6MF-gauss2mf 4.3997 4.0039 4.4761
10000 9500 6000 4000 6MF-gaussmf 2.7789 4.9884 4.7543
10000 6000 1000 4000 6MF-gaussmf 4.4904 30.7586 36.2744
10000 9000 9000 2000 6MF-gauss2mf 3.926 5.1393 5.83
10000 9000 9000 2000 8MF-gaussmf 3.915 4.3273 4.3794
10000 9000 9000 2000 15MF-gaussmf 3.86697 4.3448 4.3825
La Figura 4.19 presenta el ingreso del conjunto datos de entrenamiento para la

estructura ANFIS.
Figura 4.19: Ingreso del conjunto de datos entrenamiento.
La Figura 4.20 exhibe el ingreso del conjunto datos de comprobación para la

estructura ANFIS.
Figura 4.20: Ingreso del conjunto de datos de comprobación.
La Figura 4.21 muestra el ingreso del conjunto de datos de verificación para la

estructura ANFIS.
Figura 4.21: Ingreso del conjunto de datos de verificación.
Seleccionamos el modelo número tres que tiene el menor error: errortr =

2,6355[rad/s], errorchk = 3,4217[rad/s], errortst = 3,6373[rad/s]. En función de
estos datos obtenidos se nuestra los conjuntos de datos de entrenamiento, conjuntos de
datos de comprobación y conjuntos de datos de verificación vs. la salida deseada.
La Figura 4.22, corresponde al conjunto de datos de entrenamiento vs. la salida

deseada que es la velocidad angular.
Figura 4.22: Entrenamiento datos experimentales, errortr = 2,6355[rad/s]
La Figura 4.23, presenta el conjunto de datos de comprobación vs. la salida deseada

que es la velocidad angular.
Figura 4.23: Comprobación datos experimentales, errorchk = 3,4217[rad/s].
La Figura 4.24, enseña el conjunto de datos de verificación vs. la salida deseada que
es la velocidad angular.
Figura 4.24: Verificación datos experimentales, errortst = 3,6373[rad/s].
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.
Figura 4.25: Error de entrenamiento y verificación usando una 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.
Figura 4.26: Estructura del modelo FIS con una entrada y 6MF.
La Figura 4.27 presenta la validación del modelo número tres de la máquina de

inducción trifásica para la cual ingresamos una velocidad angular, que se compara con
la salida del modelo número tres de la máquina de inducción y observamos que son muy
similares, esto quiere decir que la validación es aceptable.
Figura 4.27: Validación del modelo número tres con una entrada de datos experimental.
La figura 4.28 corresponde a nueva entrada de velocidad angular y se compara con

la salida que es la velocidad angular estimada del modelo número tres de la máquina de
inducción trifásica seleccionado anteriormente. Podemos decir que la salida del modelo
número tres es similar a la velocidad de ingreso.
Figura 4.28: Validación con una nueva entrada de datos experimentales.
4.2.3. Implementación de un control voltaje-frecuencia constante

(VFC) para un modelo de motor en Simulink
El control voltaje-frecuencia constante en lazo cerrado, nos ayuda a validar un
modelo de una máquina de inducción trifásico en Simulink.
Primero vamos a hablar sobre el controlador voltaje-frecuencia constante (VFC),

luego se presenta el esquema de control y el modelo difuso obtenido por el entrenamiento
FIS y por último se presenta las gráficas que demuestra su validación del modelo.
Control mediante una relación voltaje-frecuencia constante
El controlador de velocidad de las máquinas de inducción, es el más utilizado

en la práctica, consiste básicamente en regular la fuente de alimentación, variando
la frecuencia de las tensiones aplicadas a las bobinas del estator. La variación de la
frecuencia afecta proporcionalmente las reactancias de magnetización y dispersión en
el circuito equivalente, pero las resistencias se mantienen aproximadamente constantes
si el efecto pelicular no es muy pronunciado. Para que la densidad de flujo magnético
sea prácticamente constante, dentro de los lı́mites de diseño de la máquina, es necesario
variar la amplitud de la tensión de alimentación en la misma proporción que se varı́a la
frecuencia. Con esta estrategia la magnitud del par eléctrico obtenido en cada velocidad
puede ser cercano, o incluso superior al par nominal [Aller, 2012].
El control tensión-frecuencia constante, permite mantener cualquier punto de

operación intermedio, aumentar o reducir la velocidad mecánica de la máquina.
Operando a bajas frecuencias, se incrementa el par eléctrico de arranque, pero el par
eléctrico máximo de la máquina es prácticamente constante, siempre y cuando las
V[pu]
1
0.2
f[pu]
0.2 0.5 1
Figura 4.29: Diagrama de control voltaje-frecuencia constante.
reactancias del circuito equivalente de la máquina en régimen permanente sean mucho

mayores que las respectivas resistencias [Aller, 2012].
La Figura 4.29, presenta la variación del voltaje en forma proporcional a la frecuencia

hasta su valor nominal que son valores por unidad (p.u), con la finalidad de conservar el
par constante a través del rango de operación del motor.
La Figura 4.30 ilustra el esquema de control voltaje-frecuencia constante realizado

en Simulink.
CAPÍTULO 4. ANÁLISIS EXPERIMENTAL
Figura 4.30: Esquema de control voltaje-frecuencia constante en lazo cerrado, diseñado en Simulink
61
Figura 4.31: Ingreso de la velocidad al esquema de control de voltaje-frecuencia constante.
La 4.31 enseña la velocidad de ingreso al esquema de control, que es un bloque

Repeating Sequence con los siguientes valores:
Valores de Tiempo =[0 0.2 0.7 1 1.5 2 2.5 3 3.5 4 4.5 5]

Valores de Salida = [0 0 350 350 -350 -350 350 350 -350 -350 0 0]
La figura 4.32 corresponde a la salida de la velocidad del motor Asynchronous del

Simulink comparada con la salida de la velocidad estimada del modelo del mismo motor.
Entonces se puede decir que el modelo obtenido es válido para el caso a lazo cerrado
presentado.
Se ingresa una nueva entrada de velocidad que se exhibe en la Figura 4.33 al esquema
de control de voltaje-frecuencia constante, este bloque es Repeating Sequence con los
siguientes valores:
Valores de Tiempo =[0 0.7 5]
Valores de Salida = [30 350 350]
Al obtener una nueva entrada se observa en la Figura 4.34 que corresponde a la salida de
la velocidad del motor Asynchronous del Simulink vs. la salida de la velocidad estimada
del modelo del motor ası́ncrono de Simulink.
Figura 4.32: Salida de la velocidad de la máquina de Simulink comparada con la salida de la

velocidad estimada del modelo de la máquina de inducción de Simulink.
Figura 4.33: Ingreso de la velocidad al esquema de control de voltaje-frecuencia constante.

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.
Se modeló el funcionamiento de la máquina de inducción trifásica mediante el

desarrollo de cinco ecuaciones diferenciales del motor de inducción que son: corriente de
estator (α − β), flujo de estator (α − β), y la ecuación mecánica que es el par eléctrico.
Estas ecuaciones deben representar correctamente el comportamiento de la máquina en
estado estacionario, las cuales son usadas para la simulación.
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.
La diferencia de los ángulos dθ = θe − θr (filtrada y derivada), es la entrada al modelo

FIS y su salida representa una estimación de la velocidad. El entrenamiento del modelo
del motor en la estructura ANFIS fue rápida y sus resultados fueron exitosos porque
primero derivamos (dθ), antes de cargar los datos al entrenamiento del modelo FIS.
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.
El motor que se utilizó para la identificación se encuentra en los laboratorios de

máquinas eléctricas de la Universidad Politécnica Salesiana que posee una configuración
tipo doblemente alimentada y rotor bobinado.
Se realizó un control voltaje-frecuencia constante (VFC) para corroborar la validación

del modelo del motor simulado.
Los resultados simulados y experimentales obtenidos permiten concluir que el

método es válido de ser utilizado como reemplazo directo del “encoder”de velocidad
en aplicaciones que involucren el uso de máquinas de inducción trifásicas. El método es
suficientemente general para proveer de información de velocidad a otros controles a lazo
cerrado distintos del voltaje-frecuencia constante.
5.2. Trabajos futuros

Utilizando el mismo concepto presentado en este proyecto de investigación se espera
que futuros investigadores apliquen la técnica para controles vectoriales de la máquina
de inducción operando como motor, como ası́ también en su operación en generación.
Aplicando la misma metodologı́a descrita en el presente trabajo de investigación, se puede
implementar un esquema de modelado y entrenamiento on-line para el sistema difuso,
esto quiere decir que se necesita trabajar con la máquina de inducción y la adquisición de
datos en tiempo real. Los datos de ingreso para el entrenamiento del modelo FIS pueden
ser las corrientes del estator, corrientes de rotor, velocidad y la integral de velocidad que
es la posición theta (θ). La salida del modelo tiene que ser la velocidad estimada.
ANEXO A
Código de MATLAB del algoritmo de

trasformación, filtrado y derivación.
trasnformacion.m
67
68
%************ Procesamiento de data experimental************************

clc; clear; close all
load(’Prueba1.mat’) %Primero se carga los datos de prueba1
load(’Prueba2.mat’) % luego los datos de prueba2

is_alfa_ex = (2/3)*(isa-0.5*isb-0.5*isc);%Las corrientes se encuenttran
%en los ejes a-b-c
is_beta_ex = (3/2)*(sqrt(3)/2)*(isb-isc);%transfromamos las corrientes
%a ejes alfa-beta
ir_alfa_ex = (2/3)*(ira-0.5*irb-0.5*irc);%para los datos experimentales
ir_beta_ex = (3/2)*(sqrt(3)/2)*(irb-irc);
theta_s_ex=angle(is_alfa_ex+j*is_beta_ex);%Calculamos el angulo del vector
%espacial de corriente de estator
theta_r_ex=angle(ir_alfa_ex+j*ir_beta_ex);%Calculamos el angulo del vector
%espacial de corriente de rotor
theta_s_ex1=unwrap(theta_s_ex); %Se elimina el diente de sierra
%que se genera con el angulo de estator
theta_r_ex1=unwrap(theta_r_ex); % Se elimina el diente de sierra
%que se genera con el angulo de rotor
dtheta_ex=-theta_s_ex1+theta_r_ex1;% Calculamos la diferencia de los
%angulos para obtener el par del motor
b=sgcoeff(1,50); %Cálculo de coeficientes Savitzky-Golay
ddtheta_ex=filter(-b(2,:),1,dtheta_ex);%Filtrado con derivación
ANEXO B
Código de MATLAB del algoritmo

para validar el modelo. validacion.m
69
70
% *****************Validación del modelo***********************************

clc; clear; close all
fismat = readfis(’modelo4.fis’);% Cargamos los modelos entrenados
w_theta_est= evalfis([ddtheta_ex],fismat);%validación con los datos

%experimentales de ingreso vs. el modelo
figure(1)
plot(w_m,’r’) % Gráfica de la velocidad obtenida por los
% datos experimentales.
hold on;
grid on;
plot(w_theta_est,’k’)% Grafica de la velocidad
% estimada del modelo
legend(’Velocidad angular de ingreso’,’Salida velocidad estimada’)
xlabel(’Datos Prueba’);
Bibliografı́a
[Aller, 2012] Aller, P. J. M. (2012). Introducción a la modelación de máquinas eléctricas

rotativas mediante transformaciones vectoriales.
[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.
[Delgado, 2014] Delgado, A. D. V. (2014). Análisis de la teorı́a de marcos de referencia

de la máquina de inducción con un enfoque en álgebra lineal. PhD thesis, Universidad
Michoacana de San Nicolás de Hidalgo.
[DNegri and De Vito, 2006] DNegri, C. E. and De Vito, E. L. (2006). Introducción al

razonamiento aproximado: lógica difusa. Revista Argentina de medicina respiratoria,
4:126–136.
[Efrén, 2012] Efrén, A. G. V. (2012). Algoritmo neuro-difuso para la detección y

clasificación de fallas en lı́neas de transmisión eléctrica del sistema ecuatoriano usando
simulaciones y datos de registradores de fallas.
[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.
[Jose, 2009] Jose, C. (2009). Sistemas Neuro-Difusos. PhD thesis, UNMSM.
[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.
[MORALES LUNA, 2002] MORALES LUNA, G. (2002). Introducción a la lógica difusa.

Centro de Investigación y Estudios Avanzados. México.
[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.
[Patete, 2012] Patete, A. (2012). Sistemas de identificación. Departamento de Sistemas

de Control. Escuela de Ingenierı́a de Sistemas. Universidad de Los Andes, Mérida,
Venezuela.
[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.
[Viola, 2007] Viola, J. C. (2007). Control adaptativo de sistemas electrónicos de potencia

con redes neuronales y criterio de estabilidad de lyapunov. PhD thesis, Universidad
Simón Bolı́var.
BIBLIOGRAFÍA 73
[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.
[Zuluaga and Giraldo, 2013] Zuluaga, C. D. and Giraldo, E. (2013). Identificación de

un generador de inducción doblemente alimentado basado en el filtro de kalman en
presencia de datos espurios. Ingenierı́a y competitividad, 15(1):49–61.
UNIVERSIDAD POLITÉCNICA SALESIANA
UNIDAD DE POSGRADOS
MAESTRÍA EN CONTROL Y
AUTOMATIZACIÓN INDUSTRIALES
Autor: Director:
William Patricio Navas Cajamarca. Dr. Julio Cesar Viola.
OBTENCIÓN DEL MODELO DINÁMICO

DE UN MOTOR TRIFÁSICO DE INDUCCIÓN
UTILIZANDO TÉCNICAS DE IDENTIFICACIÓN
DE SISTEMAS CON LÓGICA DIFUSA
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.

Ups CT006776

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ups CT006776

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD POLITÉCNICA SALESIANA

OBTENCIÓN DEL MODELO DINÁMICO

WILLIAM PATRICIO NAVAS CAJAMARCA

JULIO CESAR VIOLA

NAVAS CAJAMARCA WILLIAM PATRICIO

Obtención del modelo dinámico de un motor trifásico de inducción utilizando técnicas

Universidad Politécnica Salesiana, Cuenca – Ecuador, 2016

MAESTRÍA EN CONTROL Y AUTOMATIZACIÓN INDUSTRIALES

Formato: 170x240mm Páginas: 73

Breve reseña de los autores e información de contacto:

WILLIAM PATRICIO NAVAS CAJAMARCA

Todos los derechos reservados.

1. INTRODUCCIÓN Y MARCO TEÓRICO 1

3. ANÁLISIS DE LAS SIMULACIONES 23

5. CONCLUSIONES Y TRABAJOS FUTUROS 65

A. Código de MATLAB del algoritmo de trasformación, filtrado y

B. Código de MATLAB del algoritmo para validar el modelo. validacion.m 69

2.1. Modelo simplificado de la máquina de inducción trifásico . . . . . . . . . . 6

3.1. Vector espacial de las componentes de la corriente de estator y su proyección 24

4.1. Máquina de inducción trifásica a ser modelado. . . . . . . . . . . . . . . . 41

2.1. Representación numérica, por su estatura y color de piel. . . . . . . . . . 14

3.1. Tabla de entrenamientos una entrada y una salida Simulado. . . . . . . . 36

4.1. Datos de la placa de la máquina de inducción trifásica. . . . . . . . . . . . 42

A mi familia por su apoyo en todo

Este proyecto de investigación y desarrollo presenta los resultados de la obtención

En el desarrollo de éste trabajo, primero se utilizó un máquina de inducción trifásica

En el presente proyecto de investigación y desarrollo se presentan los resultados de

En el capı́tulo I, se trata de conocer el comportamiento de un sistema en una región

En el capı́tulo II, se describe el modelo de la máquina, y las transformaciones

En el capı́tulo III, se presenta una metodologı́a de la máquina de inducción trifásica

En el capı́tulo V, se presentan las conclusiones obtenidas por la realización del

A Dios por brindarme el conocimiento para el estudio.

Un agradecimiento especial a mi director de proyecto de investigación, Dr. Julio

A un gran amigo por su apoyo en estos proyectos de la vida, que es el estudio.

A las autoridades de la Universidad Politecnica Salesiana por todas las facilidades

Durante años se fueron desarrollando métodos en los cuales, si los sistemas

1.2. Descripción del problema

Las máquinas de inducción en ambientes industriales tı́picamente operan a una

Los “encoders”, actúan como transductores de retroalimentación para el control de

Las caracterı́sticas de la máquina de inducción trifásica, hacen que su modelo sea un

Reemplazar el “encoder”, mecánico por un estimador de velocidad que utilice

1.3.2. Objetivos Especı́ficos

2. Evaluar detalladamente las diferentes técnicas de identificación basadas en lógica

3. Desarrollar una técnica de identificación mediante la aplicación de lógica difusa

4. Programar el sistema de identificación difuso en el ambiente de MATLAB y

5. Implantar un algoritmo de control para la máquina de inducción basado en el

1.4. Revisión del estado del arte

[Cuce et al., 1996], propone un método para identificar el comportamiento de un

[Wai et al., 2000], presenta un estudio experimental de un controlador hı́brido

[Khemliche et al., 2004], proponen la identificación de una máquina ası́ncrona por un

los parámetros internos son desconocidos; es decir, no se pueden medir directamente y

[Zuluaga and Giraldo, 2013], presenta una metodologı́a de identificación de un

En trabajos citados anteriormente y otros revisados no se trata la identificación

2.1. Descripción del modelo de la máquina

El comportamiento de la máquina de inducción puede ser descrito por una ecuación

Figura 2.1: Modelo simplificado de la máquina de inducción trifásico [Viola, 2007].

El funcionamiento básico de la máquina de inducción consiste en alimentar el

Una máquina de inducción trifásica se puede representar mediante una estructura

2.1.1. Vectores espaciales

La transformación a vectores espaciales permite representar un sistema de corrientes,

Se consideran tres corrientes sinusoidales en el estator :

iea (t) = Iˆe sin(ωe t − ϕe ) (2.1)

ie (t) = iea (t) + ieb (t) + iec (t) (2.6)