covid
Buscar en
Revista Iberoamericana de Automática e Informática Industrial RIAI
Toda la web
Inicio Revista Iberoamericana de Automática e Informática Industrial RIAI Identificación y Control Wavenet de un Motor de CA
Información de la revista
Vol. 10. Núm. 3.
Páginas 269-278 (julio - septiembre 2013)
Compartir
Compartir
Descargar PDF
Más opciones de artículo
Visitas
3668
Vol. 10. Núm. 3.
Páginas 269-278 (julio - septiembre 2013)
Open Access
Identificación y Control Wavenet de un Motor de CA
Identification and Wavenet Control of AC Motor
Visitas
3668
L. E. Ramos Velascoa,b,
Autor para correspondencia
lramos@upp.edu.mx
lramos@uaeh.edu.mx

Autor para correspondencia.
, J. C. Ramos Fernándezb, O. Islas Gómeza, J. García Lamonta, M.A. Espejel Riverac, M.A. Márquez Verab
a Universidad Autónoma del Estado de Hidalgo, CITIS-ICBI, Carretera Pachuca-Tulancingo, Km. 4.5, Mineral de la Reforma, Hidalgo, México
b Universidad Politécnica de Pachuca, Carretera Pachuca-Cd. Sahagún, Km. 20, Rancho Luna, Ex-Hacienda de Sta. Bárbara, Zempoala, Hidalgo, México
c Universidad la Salle Pachuca, Campus La Concepción, Av. San Juan Bautista de La Salle No. 1. San Juan Tilcuautla, San Agustín Tlaxiaca, Hidalgo, México
Este artículo ha recibido

Under a Creative Commons license
Información del artículo
Resumen
Texto completo
Bibliografía
Descargar PDF
Estadísticas
Resumen

En el presente artículo se muestra un esquema de identificación y control que sintoniza en línea las ganancias proporcional, integral y derivativa de un controlador PID discreto aplicado a un sistema dinámico SISO. Esto se logra empleando una red neuronal de base radial con funciones de activación wavelet hijas Morlet (wavenet) adicionalmente en cascada un filtro de respuesta infinita al impulso (IIR). Dicho esquema es aplicado en tiempo real para controlar la velocidad de un motor de inducción de CA trifásico del tipo jaula de ardilla (MIJA) alimentado con un variador de frecuencia trifásico, de esta forma se muestra cómo este esquema de identificación y control en línea, puede ser implementado en este tipo de plantas que son ampliamente utilizadas en la industria, sin la necesidad de obtener los parámetros del modelo matemático del conjunto variador de frecuencia-motor de inducción trifásico. Se presentan los resultados obtenidos en simulación numérica y experimentales, empleando para esto la plataforma de LabVIEW.

Palabras clave:
Control de motores
Controlador PID
Redes neuronales wavelets
Algoritmos auto-ajustables
Abstract

This paper presents a control scheme to tune online the proportional, integral and derivative gains of a discrete PID controller, through the identification and control of a SISO stable and minimum phase dynamic system. This is accomplished using a radial basis network neural with daughter Morlet wavelets activation functions in cascaded with an infinite impulse response (IIR) filter. This scheme is applied in real time to control the speed of an AC three-phase induction motor supplied with a three-phase inverter. So in this way we show how the identification and control scheme can be implemented in this type of plants that are widely used in industry, without the need of mathematical model parameters of the induction motor. We present numerical simulation and experimental results.

Keywords:
Motor control
PID controller
Wavelet neural networks
Selfadaptive algorithms.
Referencias
[Aguado-Behar and Martínez-Iranzo, 2003]
A. Aguado-Behar, M. Martínez-Iranzo.
Identificación y Control Adaptativo.
Prentice Hall, (2003),
[Aström, 1997]
K. Aström.
Computer-Controlled Systems Theory and Design.
Pretince-Hall, (1997),
[Aström and Hägglund, 2006]
K. Aström, T. Hägglund.
Advanced PID Control. ISA The Instrumentation.
Systems and Automation Society, (2006),
[Bocker and Mathapati, 2007]
J. Bocker, S. Mathapati.
State of the art of induction motor control.
Proceeding of IEEE International Conference in Electric Machines and Drives, IEDMC’07, (2007), pp. 1459-1464
[Chapman, 2012]
S.J. Chapman.
Máquinas Eléctricas.
Mc Graw Hill, (2012),
[Cruz-Tolentino et al., 2010]
J. Cruz-Tolentino, L. Ramos-Velasco, M.A. Espejel-Rivera.
A selftuning of a wavelet PID controller.
IEEE International Conference on Electronics Communications and Computers, (2010), pp. 23-31
[Daubechies, 1992]
I. Daubechies.
Ten Lectures on Wavelets.
SIAM, (1992),
[Domínguez-Mayorga et al., 2012]
C.R. Domínguez-Mayorga, M.A. Espejel-Rivera, L.E. Ramos-Velasco, J.C. Ramos-Fernández, E.E. Hernández.
Diciembre Algoritmos wavenet con aplicaciones en la aproximación de señales: un estudio comparativo.
Revista Iberoamericana Automática e Informática, 9 (2012), pp. 347-358
[Farahani, 2012]
M. Farahani.
Intelligent control of SVC using wavelet neural network to enhance transient stability.
Eng. Appl. Artif. Intell., 26 (2012 January), pp. 273-280
[Haykin, 2001]
Haykin, S., 2001. Kalman Filtering and Neural Networks. Wiley, New York. Holtz, J.,;1; 2002. Sensorlees control of induction motor drives. Proceeding of IEEE International Conference in Electric Machines and Drives, IEDMC’07, Wuppertal, Germany, 1359-1394.
[Islas-Gómez et al., 2010]
O. Islas-Gómez, L.E. Ramos-Velasco, J. García-Lamont.
Identificación y control wavenet de un motor de CD. Congreso Anual de la Asociación de México de Control Automático(AMCA).
Puerto Vallarta, Jalisco, (2010),
[Jahedi and Ardehali, 2012]
G. Jahedi, M. Ardehali.
Wavelet based artificial neural network applied for energy efficiency enhancement of decoupled HVAC system.
Energy Conversion and Management, 54 (2012 Octubre), pp. 47-56
[Kuo, 1995]
B. Kuo.
Digital Control Systems.
Oxford University Press, (1995),
[Levin and Narendra, 1993]
A. Levin, K. Narendra.
Control of nonlinear dynamical systems using neural networks: Controllability and stabilization.
IEEE Transactions on Neural Networks, 4 (1993 March), pp. 192-206
[Levin and Narendra, 1996]
A. Levin, K. Narendra.
Control of nonlinear dynamical systems using neural networks part II: Observability, identification, and control.
IEEE Transactions on Neural Networks, 7 (1996 January), pp. 30-42
[Lin, 2009]
C.-J. Lin.
Nonlinear systems control using self-constructing wavelet networks.
Applied Soft Computing, 9 (2009), pp. 71-79
[Merabet and Bui, 2006]
A. Merabet, M.O. Bui.
R. Neural generalized predictive controller for induction motor. International.
Journal of Theoretical and Applied Computer Sciences, (2006), pp. 83-100
[Ogata, 1995]
K. Ogata.
Discrete-Time Control Systems.
Pretince-Hall, (1995),
[Payakkawan et al., 2009]
Payakkawan, P., Klomkarn, K., Sooraksa, P., 2009. Dual-line pid controller based on pso for speed control of dc motors. The 9th International Symposium on Communication and Information Technologies (ISCIT), Incheon, Korea.
[Perez-Poloa et al., 2008]
M. Perez-Poloa, P. Albertos, J. Berna-Galiano.
Tuning of a pid controlled gyro by using the bifurcation theory.
Systems & Control Letters, 57 (2008 January), pp. 10-17
[Sedighizadeh and Rezazadeh, 2008]
M. Sedighizadeh, A. Rezazadeh.
Adaptive PID control of wind energy conversion systems using RASP1 mother wavelet basis function network. Proceeding of World Academy of Science.
Engineering and Technology, (2008), pp. 269-273
[Wu and Jhao, 2012]
W. Wu, D.-W. Jhao.
Control of a direct internal reforming molten carbonate fuel cell system using wavelet network-based hammerstein models.
Journal of Process Control, 22 (2012 February), pp. 653-658
Copyright © 2011. EA
Descargar PDF
Opciones de artículo