بهبود پروفايل سرعت در درايو كنترل سرعت موتور القايي با استفاده از ايده‌اي جديد در توليد پالس‌هاي كليدزني مبتني بر شبكه‌هاي عصبي مصنوعي

Improvement of speed profile in induction motor drive using a new idea of PWM pulses generation base on artificial neural networks

موتورهاي القايي به علت سادگي و هزينه كم ساخت، نسبت به ماشين هاي جريان مستقيم برتري داشته، لذا كنترل اين موتورها از اهميت بالايي برخوردار است. روش‌هاي كنترل سرعت موتور القايي كلاسيك معمولاً براي يك دامنه محدوده اي از سرعت مناسب هستند و به طور مشترك براي سرعت هاي بالا، پايين و خيلي پايين استفاده نمي‌شود. مدل ولتاژ به علت افت ولتاژ بر روي مقاومت استاتور، براي سرعت هاي پايين استفاده نمي‌شود. مدل جريان هم به علت اشباع شار، در سرعت هاي بالا استفاده نمي‌شود. در اين مقاله، فرمان‌هاي كليدزني توسط يك روش جديد مبتني بر شبكه عصبي پيشخور چند لايه آشنا به سطوح جريان و ولتاژ مرجع فازها، توليد مي شوند. همچنين براي تخمين اطلاعات شار و گشتاور مورد نياز از يك شبكه پرسپترون چند لايه مطابق معمول كارهاي قبلي استفاده شده است. با توجه به نحوه توليد پالس، مشكل اشباع شار در سرعت هاي بالا و نيز مشكل افت ولتاژ در سرعت هاي پايين، كه از جمله عيوب كارهاي قبلي گزارش شده است، برطرف شده است. لذا درايو پيشنهادي موتور القايي در محدوده سرعت هاي بالا و پايين رفتاري پايدار دارد. روش پيشنهادي با استفاده از اطلاعات يك ماشين القايي موجود در نرم افزار مطلب، در محيط سيمولينك شبيه سازي شده است كه نتايج شبيه‌سازي مويد ادعاهاي ارايه شده هستند.

Due to simplicity and low cost, induction motors are more useful than direct current motors. Hence the control of these motors is important. The pervious methods are fitted normally for a limited speed range and could not be used for high, low and very low speeds. The voltage model is suitable for high speed because the voltage drop of stator resistance is not small in low speed. The current model is suitable for low speed because of the problems of flux saturation at high speed. This research presents a new method of PWM pulse generating in induction motors based on artificial neural networks in which, the switching pulses are generated by a multilayer feed-forward neural network that is trained by the voltage and current references. Also, for the estimation of required torque and flux information a multilayer perceptron is used. By application of this new method, there is no problem of stability at low and high speeds. The simulation results by matlab-simulink verify the proposed method in transient and steady-state operating modes.