Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
TESIS
PRESENTADA COMO REQUISITO PARCIAL PARA OBTENER EL
GRADO DE MAESTRO EN CIENCIAS EN INGENIERIA ELECTRICA
DIRECTOR DE TESIS
DR. ANTONIO ZAMARRON RAMIREZ
ISSN 0188-9060
RIITEC: MCIE/VI/2007/13
Torreón, Coahuila. México
Mayo, 2008
AGRADECIMIENTOS
AL CONACYT
POR EL APOYO BRINDADO PARA EL DESARROLLO DE ESTOS ESTUDIOS
A MIS AMIGOS EN
TORREON Iglesia Bautista “Solo Cristo Salva” a mis amigos en la Eduardo Guerra, en la
vecindad del chavo del 8,a mis compañeros en la maestría, de GOMEZ, de CULIACAN, de
CD JUAREZ, de SALTILLO. Y a la familia Gallegos en León y mis demás amigos Cristianos
en el Jardín.
EN UNA U OTRA FORMA TIENEN PARTE EN ESTO
A TODOS
GRACIAS
i
RESUMEN
La simulación del sistema de control OFR, el diseño y entrenamiento de las RNA’s-BP, así
como su inclusión en el sistema de control se realiza en la plataforma Simulink de Matlab.
Palabras Clave: Control de Flujo Orientado, Orientado con el Flujo de Rotor, Redes
Neuronales Artificiales, Procesador Digital de Señales.
ii
ABSTRACT
The main body of this thesis is the implementation of a Velocity Vector Control System for
induction machines with squirrel-cage rotor. The control method knew as Rotor Field Oriented
is taken as reference and modified, the proportional-integral regulators are replaced for Back-
Propagation Artificial Neural Networks.
The control system emulation, Neural Network’s designing and training, and simulation of the
modified control system is using Matlab Simulink.
Keywords: Vector Control, Field Orientation, Rotor Field Oriented, Artificial Neural
Networks, Digital Signal Processor.
iii
INDICE GENERAL
Pág.
AGRADECIMIENTOS i
RESUMEN ii
ABSTRACT iii
INDICE GENERAL iv
INDICE DE FIGURAS vii
INDICE DE TABLAS x
CAPITULO I
INTRODUCCION
1.1 Objetivo 2
1.2 Justificación 2
1.3 Estado del arte 3
1.4 Panorama de la tesis 7
Referencias Bibliográficas 8
CAPITULO II
PRINCIPIOS BASICOS DEL MOTOR DE INDUCCION
2.1 Modelado Matemático 14
2.2 Transformaciones de coordenadas y vectores espaciales 17
2.2.1 Ecuaciones del motor en un sistema de ejes d-q 20
2.2.2 Ecuaciones del motor en coordenadas de flujo de rotor 21
2.3 Modelo computacional del Motor de Inducción 22
Referencias Bibliográficas 28
CAPITULO III
CONTROL VECTORIAL DEL MOTOR DE INDUCCION
3.1 Control Vectorial Orientado con el Flujo de Rotor (CV-OFR) 30
3.1.1 Sistema Orientador de Flujo 32
3.1.2 Observador de Flujo 34
iv
Pág.
3.1.3 Esquema de Control 38
3.2 Control de velocidad 40
3.3 Fuente Inversora Alimentada por Voltaje 42
3.3.1 Etapa Inversora 43
3.3.1.1 Modulación SV-PWM 43
3.3.1.2 Generación de Vectores Base 44
3.3.1.3 Reproducción del Vector Consigna 46
3.4 Modelo Computacional del CV-OFR 53
Referencias Bibliográficas 55
CAPITULO IV
REDES NEURONALES ARTIFICIALES
4.1 Neurona Artificial 60
4.2 Red Neuronal Artificial 64
4.2.1 Entrenamiento de una RNA 69
4.2.2 Entrenamiento Supervisado 69
4.2.3 RNA tipo Back-propagation (RNA BP) 70
4.2.4 Regla Delta Generalizada 72
4.2.4.1 Pesos y Parámetros de Aprendizaje 75
4.2.5 Características de las RNA’s 76
4.3 Aplicación de las RNA’s al sistema de Control Vectorial 79
4.4 Modelo Simulink de una RNA actuando como Regulador PI 81
Referencias Bibliográficas 86
CAPITULO V
CONTROL VECTORIAL CON RNA’s
5.1 Sistema de Control SV-RNA’s 90
5.1.1 Entrenamiento de las RNA’s BP 91
5.1.2 Modelo Simulink del SV-RNA’s 101
5.1.2.1 Etapa Reguladora del SV-RNA’s 101
v
Pág.
5.1.2.2 Observador de flujo del SV-RNA’s 103
5.1.2.3 Etapa de procesamiento de señales en el SV-RNA’s 105
5.1.3 Proyecto en Code Composer Studio del SV-RNA’s 113
5.2 Acondicionamiento de señales y Etapa de potencia 115
5.2.1 Fuente Inversora Alimentada por Voltaje 116
5.2.2 Sensor de Posición tipo Codificado Óptico 117
5.2.3 Circuito Acondicionador de Señales Digitales 118
5.2.4 Sensores de Corriente de efecto Hall 119
5.2.5 Circuito Acondicionador de Señales Analógicas 120
5.2.6 Conexión de entradas y salidas de tarjeta eZdspTMS320F2812 121
Referencias Bibliográficas 122
CAPITULO VI
ANALISIS DE RESULTADOS
6.1 Algoritmo de control SV-RNA’s 123
6.2 Implementación en tarjeta eZdspTMS320F2812 138
Referencias Bibliográficas 142
CAPITULO VII
CONCLUSIONES Y FUTUROS DESARROLLOS
7.1 Conclusiones 143
7.2 Propuestas para futuros desarrollos 146
Referencias Bibliográficas 148
ANEXOS
A. Estimación de parámetros del motor empleado 150
B. Tabla de datos para la Fuente Inversora alimentada por voltaje Semiteach-IGBT 152
vi
Pág.
C. Tabla de datos para el IGBT SKM 50GB123D 153
D. Tabla de datos para el Driver SKHI 22A 157
E. Tabla de datos para el Codificador Autonics E30S4 158
F. Tabla de datos para el circuito integrado ULN2003 y ULN2004 159
G. Tabla de datos para el diodo zener 1N4728 168
H. Tabla de datos para el sensor de corriente CSLA1CD 171
I. Parámetros de simulación 175
INDICE DE FIGURAS
Fig. 1.1 Esquema general del Sistema de Control para el Motor de Inducción. 2
Fig. 2.1 Representación simplificada de una máquina trifásica de dos polos. 15
Fig. 2.2 Interpretación física del vector espacial de la Fuerza Magnetomotriz (FMM). 18
Fig. 2.3 Transformación de una variable trifásica a un marco de referencia q-d. 19
Fig. 2.4 Modelo en Matlab-Simulink de un motor de inducción trifásico. 24
Fig. 2.5 Subsistema que estima los enlaces de flujo en el marco de referencia q-d. 24
Fig. 2.6 Subsistema que calcula las corrientes del estator referido a los ejes q-d. 24
Fig. 2.7 Subsistema que calcula la velocidad mecánica y transforma a un marco abc. 25
Fig. 2.8 Curva Par-Velocidad en aceleración libre. Motor de 3HP utilizado (simulación). 25
Fig. 2.9 Respuesta dinámica del Motor en Aceleración libre. Parámetros Estimados. 26
vii
Pág
Fig. 3.9 Reproducción de vector consigna en sector U0-U60 (con Vcc=160V). 47
Fig. 3.10 Modelo en Simulink del CV-OFR. 53
Fig. 3.11 Respuesta del motor de inducción, con velocidad controlada por el CV-OFR. 54
Fig. 3.12 Curva Par-Velocidad con aceleración controlada por el CV-OFR. 55
Fig. 4.1 Modelo McCullon-Pitts de una neurona. 59
Fig. 4.2 Modelo de neurona artificial general. 61
Fig. 4.3 Funciones de activación más comúnmente empleadas. 63
Fig. 4.4 Funciones de salida más empleadas. 64
Fig. 4.5 Diferentes métodos de implementación de RNA´s. 65
Fig. 4.6 Grafica dirigida de una RNA general. 66
Fig. 4.7 Ejemplos de RNA´s con distinta arquitectura de alimentación. 68
Fig. 4.8 Emulación del SCV empleando RNA’s. 79
Fig. 4.9 SCV con RNA BP estimadora de Flujo. 80
Fig. 4.10 Señal de Entrada al Bloque Regulador de Par. 81
Fig. 4.11 Señal de Salida Bloque Regulador de Par. 81
Fig. 4.12 Conjunto de Entrenamiento Entrada-Salida Deseada. 82
Fig. 4.13 Creación de una RNA BP mediante nntool de Matlab. 82
Fig. 4.14 Topología empleada en la RNA BP Reguladora de Par. 83
Fig. 4.15 Parámetros de entrenamiento empleados en la RNA BP Reguladora de Par. 83
Fig. 4.16 Reducción del error durante entrenamiento de la RNA BP Reguladora de Par. 84
Fig. 4.17 Sistema CV-OFR empleando RNA BP Reguladora de Par. 85
Fig. 4.18 Respuesta de la RNA BP Reguladora de Par. 85
Fig. 5.1 Diagrama esquemático del banco de pruebas, con flujo de señales. 90
Fig. 5.2 Señales entrada-salida de bloque regulador de U qs . 91
viii
Pág.
Fig. 5.8 Topología empleada en la RNA BP que regula U qs . 95
ix
Pág
Fig. 6.5 Corriente de magnetización y par 128
Fig. 6.6 Corrientes de fase etapa de arranque 129
Fig. 6.7 Corrientes de fase durante la inversión de giro 130
Fig. 6.8 Curva Par-Velocidad. Consigna escalón, empleando Reguladores PI 131
Fig. 6.9 Curva Par-Velocidad. Consigna escalón, empleando Reguladores RNA 131
Fig. 6.10 Respuesta de la Velocidad cambio de consigna forma escalón 133
Fig. 6.11 Corrientes en cuadratura 134
Fig. 6.12 Corriente de magnetización y par 135
Fig. 6.13 Corriente de fase etapa de arranque 136
Fig. 6.14 Corriente de fase en etapa inversión de giro 137
*
Fig. 6.15 Corrientes de fase en el estator con v qds = 0.7 pu 138
*
Fig. 6.16 Corriente de fase en el estator con v qds = 1 pu 139
INDICE DE TABLAS
Tabla 2.1 Parámetros eléctricos de motor de inducción trifásico utilizado. 23
Tabla 3.1 Patrones de conmutación en una VSI, y sus voltajes de fase y línea generados. 45
Tabla 3.2 Definición de t1 y t 2 para los distintos sectores. 49
Tabla 3.3 Tabla de asignación de variables tabcON en función del sector. 52
Tabla 5.1 Características empleadas en las RNA’s BP. 96
Tabla 5.2 Parámetros de Entrenamiento. 97
x
CAPÍTULO I
Introducción
Las técnicas de control para motores de inducción es un tema que ha tenido un gran desarrollo
en los últimos años, partiendo del empleo de técnicas clásicas de control [1], hasta llegar a las
técnicas de control no lineal [2, 3] y técnicas heurísticas [4-7].
Simulink
ω INVERSOR DSP
CCS 3.1
IGBT's
eZdspTMS320F2812 Workshop
τ
Embedded Target for
Motor de Induccion
TIC2000
Fig. 1.1 Esquema general del Sistema de Control para el Motor de Inducción
1.1 OBJETIVO
1.2 JUSTIFICACION
La implementación del control vectorial para un motor de corriente alterna es un tema de gran
interés para el grupo de investigación que desarrolla algoritmos de control en máquinas
eléctricas rotativas en la Maestría en Ingeniería Eléctrica del Instituto Tecnológico de la
Laguna, ya que esta técnica de control también puede ser aplicada en máquinas sincronas y en
motores de c.a. de imanes permanentes enterrados en el rotor. El control vectorial permite
regular con gran exactitud la velocidad, par y/o posición de un motor de inducción trifásico
como si éste fuera un motor de corriente continua. Mediante está técnica las corrientes de fase
del estator son representadas por una corriente de par y una corriente de campo que giran en
sincronismo con el flujo del rotor, permitiendo el desacoplo casi perfecto de estas dos
corrientes y emulando así el control de un motor de corriente continua. El control vectorial
asociado con el SVPWM permite controlar con gran facilidad la magnitud y ángulo del vector
2
de tensión, lo que permite con relativa facilidad modificar la frecuencia y voltaje aplicado a los
devanados del motor.
El esquema básico del control vectorial incluye entre sus bloques dos reguladores, el regulador
de la corriente de par y el regulador de la corriente de campo. Si lo que se quiere es controlar la
velocidad es necesario incluir un tercer regulador, y para controlar la posición del rotor es
necesario un cuarto regulador. El desarrollo de este proyecto permitirá en un futuro
implementar estos reguladores con diferentes técnicas, como es el caso de este trabajo en el
que se sustituye el clásico regulador PI por una RNA.
El desarrollo del presente proyecto también apoyará hasta cierto punto los siguientes cursos del
programa de postgrado:
Conforme se fueron haciendo evidentes las ventajas del motor de inducción comparado con
otros tipos de motores eléctricos, se vio la necesidad de desarrollar nuevas técnicas de control
con el fin de expandir su campo de aplicación [8]. Dos aspectos limitaban el desarrollo de
3
propulsores para motores de inducción, por un lado el motor de inducción es un sistema
dinámico no lineal y los modelos matemáticos que le representaban hacían difícil la
implementación de un sistema de control [18] y por otro lado los dispositivos de electrónica de
potencia y de procesamiento de señales aun no alcanzaban el desarrollo conveniente para
implementar dichos sistemas [8, 19].
Gracias a los trabajos de Kovacs y Racz (1959), los cuales introdujeron el concepto de
Cantidad Vectorial de una maquina de corriente alterna [16], Hasse (1969) y Blaschke (1972)
presentan la idea de Técnica de Control Vectorial, la cual aborda el problema de control de un
motor de inducción haciendo uso de cantidades vectoriales en lugar de señales sinusoidales
periódicas [8, 12].
El método OFR propuesto por Hasse y Blaschke se basa en reescribir las ecuaciones dinámicas
del motor de inducción en un marco de referencia que rota junto con el vector de flujo de rotor.
En este nuevo sistema, si se mantiene el flujo de rotor constante, se presenta una relación lineal
entre las variables de control y la velocidad del motor, permitiendo el desacoplamiento del
control de par y flujo. El método propuesto por Hasse requiere como realimentación la
velocidad del rotor para determinar la posición del flujo de rotor (modo indirecto). El método
propuesto por Blaschke requiere además la medición o estimación de la posición del flujo de
rotor (modo directo).
4
• Al considerar el flujo del rotor como referencia la respuesta del sistema de control
depende de la estimación adecuada de la resistencia del rotor.
• Requieren como señal de realimentación la velocidad del rotor.
• Dos de las variables de estado empleadas (flujos y corrientes del rotor) son
normalmente no mesurables.
• Consideran el uso de una fuente de voltaje ideal sinusoidal variable en magnitud y
frecuencia.
• No consideran los efectos de saturación del núcleo magnético.
Aunque ya se habían propuesto desde los años 1960’s modelos matemáticos involucrando el
control vectorial, la implementación practica aun requería de avances en algunos de sus
elementos [8, 11, 15], tal como
La técnica de Control Directo de Par fue propuesta por Naguchi y Takahashi (1986) [23], como
una opción de mejora en las técnicas de control vectorial. Esta técnica se diferencia de las
anteriores en que considera la salida del controlador como la señal de activación del CEP y
hace uso de una tabla de valores para gobernar sus dispositivos de potencia, de tal forma que
todos los procesos de conmutación en el CEP dependen del estado electromagnético del motor,
logrando un control de velocidad y par con mejor respuesta dinámica [23].
Actualmente, dentro de las técnicas de control vectorial se encuentran una gran variedad de
modalidades, que difieren principalmente por [12, 15, 24]:
5
• El campo magnético que emplea como referencia (rotor, estator o entrehierro).
• La manera en la cual se obtienen los parámetros involucrados en la tarea de control
(directo o indirecto).
• Las variables de estado empleadas en el modelado (par, flujo, corriente).
Hasta la fecha se han propuesto cambios de variada índole en la implementación del esquema
del control vectorial, los cuales pueden clasificarse en los siguientes dos grupos:
1.- Los que hacen uso de Técnicas convencionales de control tales como [2, 3]: Uso de
Observadores, Control Robusto, Control Adaptativo, técnicas de Linealización, Control no
Lineal, Teoria de Lyapunov, etc., con el fin de mejorar la estimación de los parámetros
eléctricos del motor [25-30], mejorar la estimación del vector de flujo [31-37] o mejorar la
eficiencia en el CEP [38-43], entre otros. Dentro de estas técnicas sobresale el interés que ha
tenido en publicaciones científicas una modificación a la técnica de control vectorial la cual
elimina el uso del sensor de posición y/o velocidad del rotor (encoders, tacogeneradores, etc.),
nombrada en algunas publicaciones como Control Sin Sensor (Sensorless, o SVC de su
original en Ingles Sensorless Vector Controlled ) la cual sigue haciendo uso del modelo
vectorial de la maquina, empleando observadores de orden completo tal como Observadores de
Luenberg , Observadores de modo deslizante (Sliding mode Observers) o filtros de Kalman
con el fin de estimar variables de estado del motor en vez de mesurarlas [44-52].
2.- Los que hacen uso de Técnicas heurísticas [4-7] tales como: Uso de controladores difusos
(Fuzzy), Neuro Difusos (Neurofuzzy), Algoritmos Genéticos (AG), Redes Neuronales
Artificiales (RNA’s), etc., con el fin de mejorar la estimación de los parámetros eléctricos de la
maquina [53-59], la estimación del vector de flujo [60-64], la etapa de control [64-68], la
realimentación de variables [69-72] o la activación del modulo CEP [63], entre otros.
6
comenzado a desplazar al motor de corriente continua en aplicaciones de velocidad variable [8,
73].
Este trabajo consta de 7 capítulos, más Apéndices, los que se detallan a continuación.
El capitulo 4 aborda el tema de las Redes Neuronales Artificiales (RNA’s), se presentan los
rasgos característicos de las topologías que emplean el algoritmo de entrenamiento conocido
como de Retro propagación (Back-propagation). En la segunda parte del capitulo se hace una
7
reseña de las distintas aplicaciones de las RNA’s en los sistemas de control vectorial y se
define la aplicación a utilizar en este trabajo. Por último, se da una descripción del software
utilizado para su diseño, entrenamiento e implementación y se presentan estudios basados en
simulaciones de la inclusión de RNA’s en el sistema de control vectorial, empleando el sistema
de control desarrollado en el capitulo 3 como modelo para la adquisición de datos de
entrenamiento.
Referencias Bibliográficas
1. Buja, G.S. and M.P. Kazmierkowski, Direct Torque Control of PWM Inverter- Fed AC
Motors- A Survey. IEEE Transactions on Industrial Electronics, 2004. 51(4): p. 744-
758.
2. Chiasson, J., Nonlinear Controllers for an induction motor. Control Eng. Practice,
1996. 4(7): p. 977-990.
3. Bodson, M. and J. Chiasson, Differential -Geometric Methods for Control of Electric
Motors. International Journal of Robust and Nonlinear Control, 1998. 8: p. 923-954.
4. Cardoso, F.D.S., J.F. Martins, and V.F. Pires, A Comparative Study of a PI, Neural
Network and Fuzzy Genetic Approach Controllers for an AC-Drive, in COIMBRA.
1998, IEEE: AMC.
5. Bim, E. and L.R. Valdenebro, A Genetic Algorithms Approach for Adaptive Field
Oriented Control of Induction Motor Drives. IEEE Power Engineering Society, 1999.
9: p. 643-646.
8
6. Salmon, J.C., E.P. Nowicki, and F. Ashrafzadeh, A Self-Organizing and Self-Tuning
Fuzzy logic Controller for Field Oriented Control of Induction Motor Drives IEEE
Transaction on Neural Networks, 1995. 3: p. 1656-1662.
7. Bose, B.K., J.O.P. Pinto, and L.E. Borges da Silva, A Stator-Flux-Oriented Vector
Controlled Induction Motor Drive With Space-Vector PWM and Flux-Vector Synthesis
by Neural Networks. IEEE transactions on Industry Applications, 2001. 37(5): p. 1308-
1319.
8. Briz del Blanco, F., Control Vectorial del Motor de Inducción con Identificacion y
Adaptacion a los Parametros de la Carga, in Dep. Ing. Eléctrica, Electronica, de
Computadores y Sistemas. 1995, Universidad de Oviedo: Oviedo.
9. Haykin, S., Neural Networks A Comprehensive Foundation. 2004: IEEE Computer
Society Press.
10. Miller III, W.T., R.S. Sutton, and P.J. Werbos, Neural Networks for Control, ed. N.S.
Foundation. Vol. EET-8819699. 1991: University of New Hampshire
11. Boldea, I. and N.S. A., ELECTRIC DRIVES. 1999: CRC Press LLC.
12. Novotny, D.W. and L.T. A., Vector Control and Dynamics of AC Drives. Monographs
in Electrical and Electronic Engineering. 2000: CLARENDON PRESS - OXFORD.
13. Krause, P.C., O. Wasynczuk, and S.D. Sudhoff, Analysis of Electric Machinery and
Drive Systems. Second ed. IEEE Press Series on Power Engineering, ed. M.E. El-
Hawary. 2002: IEEEPress,Wiley-Interscience.
14. Mohan, N., Advanced Electric Drives Analysis, Control and Modeling using Simulink.
2001: MNPERE.
15. WEMPEC, Field Orientation and High Performance Motion Control, S.o.P. 1981-
1988, Editor. 1989, Wisconsin Electric Machines and Power Electronics Consortium:
Wisconsin.
16. Trzynadlowski, A.M., The Field Orientation Principle in Control of Induction Motors.
1994, Nevada, Reno: Kluwer Academic Publishers.
17. Chapman, S.J., Maquinas Eléctricas. 1987: Mc Graw-Hill.
18. Bodson, M. and J. Chiasson, High-Performance Induction Motor Control Via Input-
Output Linearization. IEEE Control Systems, 1998. 8: p. 25.
19. Stemmler, H., High Power Industrial Drives. Proceedings of the IEEE, 1994. 82(8).
20. Vargas Salas, R. and M.M.G. Muñoz, Control Escalar y Vectorial de las maquinas de
inducción, in División de Estudios de Posgrado e Investigación. 2002, Instituto
Tecnológico de la Laguna: Coahuila, MX.
21. Vargas Salas, R. and L. Marcial, Control de Velocidad del Motor de inducción Jaula de
Ardilla, in División de Estudios de Posgrado e Investigación. 2005, Instituto
Tecnológico de la Laguna: Coahuila, MX.
22. Wishart, M.T. and J.K. Steinke, Vector Control of a High Power Induction Machine.
IEEE AFRICON '92 Proceedings, 1992. 1(1): p. 132.
23. Naassani, A.A. and E. Monmasson, Synthesis of Direc Torque and Rotor Flux Control
Algorithms by Means of Sliding-Mode Theory. IEEE Transactions on Industrial
Electronics, 2005. 52(3).
24. Novotny, D.W. and a. others, Field Orientation and High Performance Motion Control.
Summary of Publications. 1988, Wisconsin: WEMPEC.
9
25. DwayneTelford, M.W. Dunnigan, and B.W. Williams, Online Identification of
Induction Machine Electrical Parameters for Vector Control Loop Tuning. IEEE
Transactions on Industrial Electronics, 2003. 50(2): p. 9.
26. Guidi, G. and H. Umida, A novel Stator Resistance Estimation Method for Speed-
Sensorless Induction Motor Drives. IEEE Transactions on Industrial Electronics, 2000.
36(6): p. 9.
27. Kerkman, R.J., J.D. Thunes, and Otros, A Frequency Based Determination of the
Transient Inductance and Rotor Resistance for Field Commissioning Purpose. Allen-
Bradley Co., 1999. Standard Drives Bussines (POB 760).
28. Wang, K., J. Chiasson, and M. Bodson, An online Rotor Time Constant Estimator for
the Induction Machine. IEEE Transactions on Control Systems Technology, 2005.
15(2): p. 9.
29. Vaclavek, P. and P. Blaha, Lyapunov-Function-Based Flux and Speed Observer for AC
Induction Motor Sensorless Control and Parameter Estimation. IEEE Transactions on
Industrial Electronics, 2006. 53(1): p. 8.
30. Hinkkanen, M. and J. Luomi, Parameter Sensitivity of Full-Order Observers for
Induction Motors. IEEE Transactions on Industrial Electronics, 2002. 15(6): p. 12.
31. Ohishi, K., et al., High-Performance Speed Servo System Considering Voltage
Saturation of a Vector-Controlled Induction Motor. IEEE Transactions on Industrial
Electronics, 2006. 53(3): p. 8.
32. Bose, B.K., T.-W. Chun, and M.-K. Choi, A Novel Start-Up Scheme of Stator Flux
Oriented Vector Controlled induction Motor Drive Without Torque Jerk. IEEE
Transactions on Industrial Electronics, 2001. 71(1): p. Feb 2001.
33. Lee, J.-S., T. Takeshita, and N. Matsui, Stator-Flux-Oriented Sensorless Induction
Motor Drive for Optimum Low-Speed Performance. IEEE Transactions on Industrial
Applications, 1997. 33(5): p. 7.
34. Hurst, K.D., T.G. Habetler, and F. Profumo, Zero-Speed Tacholess IM Torque Control:
Simply a Matter of Stator Voltage Integration. IEEE Transactions on Industrial
Applications, 1998. 34(4): p. 6.
35. Harnefors, L., M. Jansson, and R. Ottersten, Unified Sensorless Vector Control of
Synchronous and Induction Motors. IEEE Transactions on Industrial Electronics, 2003.
50(1): p. 8.
36. Wai, R.-J. and K.-M. Lin, Robust Decoupled Control of Direct Field-Oriented
Induction Motor Drive. IEEE Transactions on Industrial Electronics, 2005. 52(3): p. 18.
37. Ide, K., J.-I. Ha, and M. Sawamura, A Hybrid Speed Estimator of Flux Observer for
Induction Motor Drives. IEEE Transactions on Industrial Electronics, 2006. 53(1): p. 8.
38. Salo, M. and H. tuusa, A Vector-Controlled PWM Current-Source-Inverter-Fed
Induction Machine Drive Whit Stator Current Control Method. IEEE Transactions on
Industrial Electronics, 2005. 52(2): p. 9.
39. Steinke, J.K., G.J. Dudler, and B.P. Huber, Field Oriented Control of a High Power
GTO-VSI Fed AC Drive with High Dynamic Performance Using a Programmable High
Speed Controller (PHSC). IEEE Transactions on Control Systems Technology, 1992.
34(1): p. 7.
40. Naassani, A.A., E. Monmasson, and J.-P. Louis, Synthesis of Direc Torque and Rotor
Flux Control Algorithms by Means of Sliding-Mode Theory. IEEE Transactions on
Industrial Electronics, 2005. 52(3): p. 15.
10
41. Buja, G.S. and M.P. Kazmierkowski, Direct Torque Control of PWM Inverter-Fed AC
Motors- A Survey. IEEE Transactions on Industrial Electronics, 2004. 51(4): p. 14.
42. Boldea, I., C. Lascu, and F. Blaabjerg, Variable-Structure Direct Torque Control- A
Class of Fast and Robust Controller for Induction Machine Drives. IEEE Transactions
on Industrial Electronics, 2004. 51(4): p. 8.
43. Idris, N.R.N. and A.H.M. Yatim, Direct Torque Control of Induction Machines With
Constant Switching Frequency and Reduced Torque Ripple. IEEE Transactions on
Industrial Electronics, 2004. 51(4): p. 10.
44. Boldea, I., C. Lascu, and F. Blaabjerg, Comparative Study of Adaptive and Inherently
Sensorless Observers for Variable-Speed Induction-motion Drives. IEEE Industrial
Transactions on Industrial Electronics, 2006. 53(1).
45. Holtz, J. and H. Pan, Acquisition of Rotor Anisotropy Signals in Sensorless Position
Control Systems. IEEE Transactions on Industrial Applications, 2004. 40(5): p. 9.
46. Kilic, B., Sensorless Control of Induction Machine, in School of Engineering and
Natural Science. 2004, Sabanci University: Estanbul, Turquia.
47. Boldea, I., C. Lascu, and F. Blaabjerg, Comparative Study of Adaptive and Inherently
Sensorless Observers for Variable-Speed Induction-Motor Drives. IEEE Transactions
on Industrial Electronics, 2006. 53(1): p. 9.
48. Chiasson, J. and M. Bodson, A Comparison of Sensorless Speed Estimation Methods
for Induction Motor Control. Proceedings of the American Control Conference IEEE,
2002. 1(1): p. 6.
49. Park, M.-H., S.-K. Sul, and Y.-R. Kim, Speed Sensorless Vector Control of Induction
Motor Using Extended Kalman Filter. IEEE Transactions on Industrial Applications,
1994. 30(5): p. 9.
50. Consoli, A., G. Scarcella, and A. Testa, Speed and Current Sensorless Field Oriented
Induction Motor Drive Operating at Low Stator Frequencies. IEEE IAS 2002, 2002.
1(1): p. 8.
51. Jacobina, C.B., J.B. Fo, and F. Salvadori, A Simple Indirect Field Oriented Control of
Induction Machines Without Speed Measurement. IEEE Transactions on Industrial
Electronics, 2000. 40(4): p. 5.
52. Ferrah, A., K.J. Bradley, and P.J. Hogben-Laing, A Speed Identifier for Induction
Motor Drives Using Real-Time Adaptive Digital Filtering. IEEE Transactions on
Industrial Applications, 1998. 34(1): p. 7.
53. Wood, R., D. Katsis, and A. Trentin, A new Method for Induction Parameters
Estimation Using Genetic Algorithms and Transient Speed measurements
IEEEConference Record of the 41st IAS Annual Meeting, 2006. 5.
54. Phumiphak, T. and C. Chat-uthai, Estimation of Induction Motor Parameters based on
field test coupled whit Genetic Algorithms. IEEE International Conference on Power
System Technology. Proceedings, 2002. 2: p. 5.
55. Bim, E., L.R. Valdenebro, and J.R. Hernandez, A Neuro-Fuzzy Based Parameter
Identification of an Indirect Vector-Controlled Induction Motor Drive. Proceedings of
the IEEE, 1999. 1(3): p. 6.
56. Keyhani, A. and A.B. Proca, Identification of Variable Frequency Induction Motor
Models From Operating Data. IEEE Transactions on Energy Conversion, 2002. 17(1):
p. 8.
11
57. Bim, E. and L.R. Valdenebro, A Genetic Algorithms Approach for Adaptive Field
Oriented Control of Induction Motor Drives. IEEE Industrial Transactions 1999. 52(9):
p. 3.
58. Huerta, P.F., J.J. Rodriguez, and I.C. Torres, Modelo en Simulink de una Red Neuronal
Artificial de Retropropagacion para Estimar la Resistencia del Rotor. 9 Congreso
Nacional de Ingenieria Electromecanica y de Sistemas, 2006. ELE-09.
59. Lin, F.-J., R.-J. Wai, and C.-H. Lin, Decoupled Stator-Flux-Oriented Induction Motor
Drive With Fuzzy Neural Network Uncertainty Observer IEEE Transactions on
Industrial Electronics, 2000. 47(2): p. 12.
60. Blaabjerg, F., B.K. Bose, and Otros, A Simple Direct-Torque Neuro-Fuzzy Control of
PWM-Inverter-Fed Induction Motor Drive. IEEE Transactions on Industrial
Electronics, 2000. 47(4): p. 8.
61. Bose, B.K., W.S. Oh, and K.M. Cho, Self Tuning Neural Network Controller for
Industrial Motor Drives. IEEE Industrial Transactions on Industrial Electronics, 2002.
78(3): p. 5.
62. Rafiq, A., M.G. Sarwer, and M. Datta, Genetic Algorithm Based Fast Speed Response
Induction Motor Drive with ANN Flux Estimator. IEEE Transactions on Neural
Networks, 2005. 48(4): p. 6.
63. Bose, B.K., O.P. Pinto, and L.E.B.d. Silva, A Stator-Flux-Oriented Vector-Controlled
Induction Motor Drive With Space-Vector PWM and Flux-Vector Synthesis by neural
Networks IEEE Transactions on Industrial Applications, 2001. 37(5): p. 11.
64. Hasan, K.M., L. Zhang, and B. Singh, Neural Network Control of Induction Motor
Drives for Energy Efficiency and High Dynamic Performance. IEEE Transactions on
Industrial Applications, 1997. IA-20(6).
65. Salmon, J.C., F. Ashrafzadeh, and E.P. Nowicki, A Self-Organizing and Self-Tuning
Fuzzy Logic Controller for Field Oriented Control of Induction Motor Drives. IEEE
Transactions on Neural Networks, 1995. 30(1): p. 7.
66. Bose, B.K., G.C.D. Sousa, and J.G. Cleland, Fuzzy Logic Based On-Line Efficiency
Optimization Control of an Indirect Vector-Controlled Induction Motor Drive. IEEE
Transactions on Industrial Electronics, 1995. 42(2): p. 7.
67. Moallem, M., et al., Diseno Optimo Multiobjetivos Genetico-Difuso de Un Controlador
PIen el Control Indirecto de Campo Orientado de un motor de inducción. IEEE
Transactions on magnetics, 2001. 37(5): p. 4.
68. Hasan, K.M., L. Zhang, and B. Singh, Neural Network Idded Energy Efficiency Control
for a Field-orientation Induction Machine Drive. IEEE Conferences Publications,
1999. 468(1): p. 5.
69. Bose, B.K. and G. Simoes, Neural Networks Based Estimation of Feedback Signals for
a Vector Controlled Induction Motor Drive. IEEE Transactions on Industrial
Applications, 1994. IA-14: p. 9.
70. Heredia, J.R., F.P. Hidalgo, and J.L.D. Paz, Sensorless Control of Induction Motor by
Artificial Neural Networks. IEEE Transactions on Industrial Electronics, 2001. 48(5): p.
3.
71. Kuchar, M., P. Brandstetter, and M. Kaduch, Sensorless Induction Motor Drive with
Neural Networks. 35 Annual IEEE Power Electronics Specialists Conference 2004: p.
5.
12
72. Kim, S.-H., et al., Speed-Sensorless Vector Control of an Induction Motor Using
Neural Networks Speed Estimation. IEEE Transactions on Industrial Electronics, 2001.
48(3): p. 6.
73. Vasquez Corral, M.H. and R. Vargas Salas, Control de Velocidad de un Motor
Sincrono de Imanes Permanentes, in División de Estudios de Posgrado e Investigación.
2005, Instituto Tecnológico de la Laguna: Coahuila, MX.
74. Trzynadlowski, A.M. and C. Lascu, A Sensorless Hybrid DTC Drive for High-Volume
Low-Cost Applications. IEEE Transactions on Industrial Electronics, 2004. 51(5): p. 8.
75. Wai, R.-J. and W.-K. Liu, Nonlinear Control for Linear Induction Motor Servo Drive.
IEEE Transactions on Industrial Electronics, 2003. 50(5): p. 16.
76. Chiasson, J., Nonlinear Controller for an Induction Motor. Control Eng. Practice Vol 4.
Vol. 4. 1996: Elsevier Science Ltd.
77. Arribas, J.R. and C.M.V. Gonzales, Optimal Vector Control of Pumping and
Ventilation Induction Motor Drives. IEEE Transactions on Industrial Electronics, 2002.
49(4): p. 7.
13
CAPÍTULO II
En este capitulo se da una breve reseña del modelo matemático del motor de inducción en
estado estacionario empleando vectores espaciales, esto es una herramienta matemática
que permite implementar el Control Vectorial. Al inicio del capitulo se presentan las
ecuaciones matemáticas que modelan el motor empleando un sistema de referencia
trifásico estacionario (a-b-c), posteriormente se introduce lo que se conoce como
traslación de ejes implementado mediante las transformadas de Clark y de Park, que
permiten trasladar el sistema de referencia a un sistema de ejes (d-q) ortogonal y rotatorio
[1-3]. Al final del capitulo se presenta la simulación computacional en Simulink de
Matlab software empleado en este trabajo para la simulación del motor (Capitulo 2), del
sistema de control (Capitulo 3 y 4) y para la programación de la Tarjeta eZdspF2812
(Capitulo 5).
En este trabajo se toma como referencia el modelo propuesto por Krause [3] y el circuito
eléctrico mostrado en la figura 2.1. El devanado del estator se representa mediante una
inductancia equivalente que expresa el acoplamiento mutuo entre rotor y estator en
función del desplazamiento angular entre los ejes magnéticos de ambos devanados. En el
caso de los motores jaula de ardilla el devanado del rotor se puede considerar como un
conjunto de inductancias equivalentes formando un sistema de tres conductores [3-5].
Del circuito eléctrico mostrado en la figura 2.1 se tiene que el vector de voltaje de línea a
neutro presente en el estator de un motor de inducción es [2, 3, 6]
15
Donde:
vabc − s Vector de voltaje aplicado a los devanados del estator en el marco de
referencia a-b-c.
pλabc − s Variación respecto al tiempo de los enlaces de flujo magnético en el
estator referenciados al marco a-b-c.
iabc − s Vector de corriente del estator en el marco de referencia a-b-c.
rs Resistencia equivalente del devanado de una fase del estator.
Donde:
vabc − r Vector de voltaje del rotor en el marco de referencia a-b-c.
pλabc − r Variación respecto al tiempo de los enlaces de flujo magnético en el rotor,
marco de referencia a-b-c.
iabc − r Vector de corriente del rotor, marco de referencia a-b-c.
rr Resistencia equivalente del devanado de una fase del rotor.
Ec. 2.6
⎡ 2π 2π ⎤
Lss 0 0 Lsr cos θ r Lsr cos(θ r + ) Lsr cos(θ r − )
⎢
⎢ 3 3 ⎥⎥
⎡λas ⎤ ⎢ 2π 2π ⎥ ⎡i ⎤
0 Lss 0 Lsr cos(θ r − ) Lsr cosθ r Lsr cos(θ r + ) as
⎢ ⎥ ⎢
λ 3 3 ⎥ ⎢i ⎥
⎢ bs ⎥ ⎢ 2π 2π ⎥ ⎢ bs ⎥
⎢ λcs ⎥ ⎢ 0 0 Lss Lsr cos(θ r + ) Lsr cos(θ r − ) Lsr cos θ r ⎥ ⎢ics ⎥
⎢ ⎥=⎢ 3 3 ⎥⎢ ⎥
⎢λar ⎥ ⎢ 2π 2π ⎥ ⎢iar ⎥
Lsr cos θ r Lsr cos(θ r − ) Lsr cos(θ r + ) Lrr 0 0
⎢λ ⎥ ⎢ 3 3 ⎥ ⎢i ⎥
⎢ br ⎥ ⎢ 2π 2π ⎥ ⎢ br ⎥
⎢⎣λcr ⎥⎦ ⎢ Lsr cos(θ r + ) Lsr cos θ r Lsr cos(θ r − ) 0 Lrr 0 ⎥ ⎢⎣icr ⎥⎦
⎢ 3 3 ⎥
⎢ L cos(θ − 2π ) L cos(θ + 2π ) L cos θ 0 0 L ⎥
⎢⎣ sr r
3
sr r
3
sr r rr
⎥⎦
En la ecuación 2.6
16
Lrr = Lr − Lrm Ec. 2.8
Donde:
θr Desplazamiento angular entre los ejes del estator y el rotor (ver fig. 2.1).
Lsr Inductancia mutua entre los devanados del estator y rotor.
Ls Inductancia propia del estator.
Lr Inductancia propia del rotor.
L sm Inductancia mutua entre las fases del estator.
Lrm Inductancia mutua entre las fases del rotor.
Si consideramos el sistema trifásico de voltajes representado por las ecuaciones 2.1 a 2.3,
en un determinado instante de tiempo, el devanado de cada una de las fases produce en el
entrehierro una distribución sinusoidal de flujo electromagnético, creando un vector
espacial de la fuerza magnetomotriz resultante que gira a la misma frecuencia del voltaje
aplicado (Ec. 2.9) [4].
17
Eje B
Eje b
IB
Ib
Fc (t)
Fb (t)
Fc (t)
Fs (t)
Fa (t)
Eje a Fa (t)
Eje A
Fb (t) Ia IA
Ic
Eje c
Fig. 2.2 Interpretación física del vector espacial de la Fuerza Magnetomotriz (FMM)[4].
→ → → →
Ec. 2.9
Fsa (t ) = Faa (t ) + Fba (t ) + Fca (t )
Donde:
→
Vector espacial de flujo electromagnético del estator referenciado al eje de la
Fsa
fase a.
→ Vector instantáneo de flujo electromagnético del estator de la fase a, b o c,
Faa,b ,c
referenciados a la fase a.
⎡ ⎤ Ec. 2.10
⎡ Fs 0 ⎤ ⎢ c1 c1 c1 ⎥ ⎡F ⎤
⎢ ⎥ ⎢ 2π 4π ⎥ ⎢ ⎥
sa
ϖ k = dθ dt Ec. 2.11
18
Fig. 2.3 Transformación de una variable trifásica a un marco de referencia q-d.
Realizando esta transformación sobre un sistema de ejes estacionario A-B (Fig. 2.3b)
obtenemos la transformada de Clark
→
Podemos referir el vector espacial F s (t ) a un sistema de ejes d-q desfasado un ángulo θ
respecto a A-B mediante la transformación
→ → Ec. 2.13
Fsk = Fs e − jθ = Fsd + jFsq
Al fijar el valor para c1− 2 en las ecuaciones 2.10 y 2.12 se determina la manera en la que
se comportan las magnitudes de las señales manipuladas, de tal forma que se puede
mantener invariante la potencia en cualquiera de los marcos de referencia, o hacer que el
modulo del vector espacial coincida con el valor máximo de la señal transformada, esto
solo afecta los valores absolutos de las variables en las transformaciones, pero se
mantendrán las forma de onda [7].
19
En este trabajo se consideran los valores de c1 = 1
2 y c2 = 1 , en este caso la potencia en la
transformación no se mantiene constante y el modulo del vector espacial será 3/2 del
valor máximo de la señal trifásica. Esta transformación puede aplicarse a cualquier
conjunto de magnitudes trifásicas [7].
3P e e Ec. 2.22
Te = (λqr idr − λedr iqre )
22
Donde:
El superíndice e indica un marco de referencia sincrono con los ejes q-d.
v eqs , ds Componentes del vector voltaje del estator en el marco de referencia q-d.
pλeqs ,ds Variación respecto al tiempo de los enlaces de flujo magnético en el estator
20
referenciados a los ejes q–d.
λeqs,ds Enlaces de flujo magnético en el estator referenciados a los ejes q–d.
θ Desplazamiento angular entre los ejes de la fase a del estator y la fase A del
rotor.
iqse ,ds Componentes del vector de corriente del estator referenciados a los eje q–d.
v qre ,dr Componentes del vector de voltaje del rotor referenciados a los ejes q–d.
pλeqr ,dr Variación respecto al tiempo de los enlaces de flujo magnético en el rotor
referenciados a los ejes q–d.
λeqr ,dr Enlaces de flujo magnético en el rotor referenciados a los ejes q–d.
β Desplazamiento angular entre el eje de la fase A del rotor y el eje q.
iqre ,dr Componentes del vector de corriente del rotor referenciados a los ejes q–d.
Te Par eléctrico generado.
P Numero de polos de la máquina.
Si se escoge un marco de referencia tal que el flujo del rotor este alineado con el eje d y
la componente q del flujo sea cero, tenemos que
21
λ qre = 0 = Lrr iqre + Lsr iqse Ec. 2.23
La ecuación 2.24 presenta una gran similitud con la ecuación de par del motor de
corriente directa. Para que se cumpla esta condición de alineamiento, el deslizamiento
debe satisfacer:
e Ec. 2.25
rr Lsr iqs
ωe − ωr = ⋅
Lrr λedr
De donde
1 Ec. 2.26
λ dre = Lsr ⋅ idse
1+τr ⋅ p
22
Parámetros motor 3 HP Clase B Siemens
Parámetro Valor
rr 0.3173 Ω
rs 0.8333 Ω
X rr 2.2357 Ω
X ss 1.4905 Ω
X sr 35.9295 Ω
Tabla 2.1 Parámetros eléctricos del motor de inducción trifásico utilizado.
El modelo computacional del motor se observa en las figuras 2.4 a 2.7. En la figura 2.4 se
muestra un modelo del motor de inducción en Simulink, éste se compone de tres
subsistemas: estimador de flujos, cálculo de corrientes y cálculo de velocidad mecánica y
transformación de marco de referencia. El modelo requiere como parámetros de entrada
los voltajes de estator y el par de carga del motor.
Las figuras 2.5 a 2.7 muestran cada uno de los bloques empleados en los subsistemas del
modelo. La implementación de cada uno de ellos se realizó tomando como base las
ecuaciones desarrolladas en este capitulo. Un análisis más detallado puede verse en los
artículos de Krauze [3] y Ozpineci [23].
23
iqds
iabcs 1
Rr*iqr
1 Rr em
2
1/wb
iqdr
wr psidr
1
psiqr
psiqr
Rr*idr psidr
1/wb 2
1
Rs*iqs wb em psidr
s
3
4 Rs em psiqs
Rs*ids psiqs
iqds 4
psids
v qs psids
3 2*(u(1)-u(2)/2-u(3)/2)/3
vabcs De ecuaciones 2.14 a 2.17
v ds
(u(3)-u(2))/sqrt(3)
Fig. 2.5 Subsistema que estima los enlaces de flujo en el marco de referencia q-d.
Despejando de
Ecuaciones 2.18 a 2.21
1 psimq
Xaq*(u(1)/Xlr+u(2)/Xls) 1/Xlr 1
psiqr
iqdr
2 psimd
Xad*(u(1)/Xlr+u(2)/Xls)
psidr
3
psiqs 1/Xls
4
psids 2
iqds
3*P*(u(4)*u(1)-u(3)*u(2))/(4*wb) 3
Te
Calcula Par Electrico
Ecuacion 2.22
Fig. 2.6 Subsistema que calcula las corrientes del estator en el marco de referencia q-d.
24
3
Te
u(1)
1 -u(1)/2-sqrt(3)*u(2)/2 1 1
P/(2*J*wb) wb 2
iqds iabcs s
wr
Considerando ecuaciones 2.24 y 2.25
-u(1)/2+sqrt(3)*u(2)/2
2
Tm Transforma marco de referecia
Inversa de ecuacion 2.12
Fig. 2.8 Curva Par-Velocidad en aceleración libre del motor de 3HP utilizado
(simulación).
Empleando los parámetros de la Tabla 2.1, en las Figuras 2.8 y 2.9 se muestra la
respuesta dinámica del motor simulado, con los parámetros arrojados por las pruebas de
rotor bloqueado y aceleración libre. Alimentado con una fuente sinusoidal ideal a voltaje
nominal. De dichas figuras se puede ver que la respuesta se asemeja al comportamiento
de una máquina de bajo deslizamiento y alta inercia [9].
25
400
350
250
200
150
100
50
-50
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
100
80
60
40
I-abc-s (A)
20
-20
-40
-60
-80
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
60
40
20
I-qd-r (A)
-20
-40
-60
-80
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
tiempo (s/10000)
Fig. 2.9 Respuesta dinámica del Motor en aceleración libre. Parámetros Estimados
26
Fig. 2.10 Curva Par-Velocidad en aceleración libre de un motor 3HP con rr = 3 ⋅ rr − est
Wmr (rad/s) y Te (N*m)
400
350
300
250
200
150
100
50
0
-50
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
80
60
40
I-abc-s
20
-20
-40
-60
-80
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
60
40
20
I-qd-r
-20
-40
-60
-80
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Fig. 2.11 Respuesta dinámica del Motor en Aceleración libre. Con rr = 3 ⋅ rr − est
27
Referencias Bibliográficas
28
17. Grantham, C. and D. McKinnon, Rapid Parameter Determination for Induction
Motor Analysis and Control. IEEE Transactions on Industrial Applications, 2003.
39(4): p. 1014-1020.
18. Zhou, X. and H. Cheng, The Induction Motor Parameter estimation through an
adaptive Genetic Algorithm. IEEE Conference Records 2004, 2004. 1: p. 494-
498.
19. Roy, P.V., B. Renier, and K. Hameyer, A practical Set-up for a Standard Test
Procedure on Polyphase Induction Motors. IEEE Conference Records 1997,
1997. 1: p. 207-214.
20. Chiasson, J., K. Wang, and M. Bodson, An Online Rotor Time Constant Estimator
for the Induction Machine. IEEE Transactions on Control Systems Technology,
2007. 15(2): p. 339-348.
21. Cirrincione, M., M. Pucci, and G. Cirrincione, A New Experimental Application of
Least-Squares Techniques for the Estimation of the Induction Motor Parameters.
IEEE Transactions on Industrial Applications, 2003. 39(5): p. 1247-1256.
22. IEEE, IEEE-112 Standard Test Procedure for Polyphase Induction Motor and
Generators. IEEE Power Engineering Society, 1991. 1.
23. Ozpineci, B. and L.M. Tolbert, Simulink Implementation of Induction Machine
Model - A Modular Approach IEEE IEMDC'03, 2003. 2: p. 728-734.
29
CAPÍTULO III
Por último se presentan una serie de simulaciones donde muestran la respuesta del motor
de inducción gobernado por el control OFR.
Dentro de las técnicas de control para motores de inducción no solo existe la de control
vectorial por flujo orientado, existen otras que han sido agrupadas en el bosquejo de la
figura 3.1.
31
Fig. 3.2 Diagrama de bloques, Control Vectorial de un Motor de Inducción [5].
Donde:
ia Corriente de armadura.
ψf enlace de flujo de excitación en el motor de CC.
proporcional al par ( iqs ), por lo que el flujo de magnetización puede ser directamente
32
controlado por la proyección en el eje d de la corriente del estator de acuerdo a la
ecuación 2.26.
1
λ dre = Lsr ⋅ idse
1+τr ⋅ p
Si consideramos un vector de enlaces de flujo del rotor orientado en el sistema de ejes q-d
(girando a velocidad ωk , sección 2.3.1), siendo su componente q igual a cero, tenemos
que
e
Si se define una corriente i mR denominada corriente magnetizante del rotor, de forma que
esta sea la única responsable del flujo del rotor, tendremos [1]
Lr e Ec. 3.4
e
i mR = i kse + ⋅ i kr
Lsr
Sustituyendo ikse en la ecuación 3.2, se puede expresar el flujo del rotor en términos de la
corriente imR
e
Expresando el Par (ecuación 2.24), en términos de i mR tenemos que
Te = PCT imR
e e
iqs Ec. 3.6
33
2 Lsr Ec. 3.7
CT =
3 (1 + σ r )
Si se trabaja con una corriente de campo constante el flujo será constante, y entonces el
par se controlara solo por la componente q de la corriente del estator iqse (ecuación 3.6).
Esta es una peculiaridad en este sistema de referencia ya que en los otros dos sistemas
(estator y entrehierro) el flujo del rotor depende de las dos componentes q-d del vector
espacial de corriente del estator.
Al modelo del motor que se obtiene cuando se elige el eje d coincidente con el flujo de
rotor se le denomina modelo de flujo en campo orientado, en este caso las ecuaciones de
voltaje en el estator pueden ser deducidas considerando la definición de i mR [1]
di ds u di Ec. 3.9
σ r ⋅τ s + i ds = ds + σ r ⋅ τ s ⋅ ω mR ⋅ i qs − (1 − σ r ) ⋅ τ s mR
dt Rs dt
34
Las basadas en Observadores, entendiendo como tales aquellos sistemas que incluyen
algún tipo de realimentación para mejorar la precisión o la rapidez en la estimación, y que
pueden denominarse Observadores de Cadena Cerrada
Existe una gran variedad de Observadores de flujo para el motor de inducción que
difieren principalmente por las variables de estado que emplean (Modelo de Corriente,
Modelo de Voltaje, Mixto, etc.) y su arquitectura (de lazo abierto o de lazo cerrado) [3, 7,
9, 10]. En este trabajo se emplea el utilizado por Briz del Blanco en su tesis doctoral [1].
e
Dicho modelo considera el uso de i mR como señal mediática en el control del flujo de
magnetización del rotor y emplea como señales de entrada las corrientes del estator y la
velocidad mecánica del rotor.
e
Ya que la corriente i mR se encuentra definida en función de parámetros que involucran
corrientes del rotor (ecuación 3.4) y estas no son accesibles en el motor de inducción, es
conveniente expresarla en términos de corrientes del estator.
Al orientar el marco de referencia con el flujo del rotor se considera que todo el flujo del
rotor se encuentra en el eje d, de la ecuación 2.23 se obtiene la relación entre la corriente
del rotor iqre y la corriente iqse , que es la que comanda el par,
Con λeqr siendo cero, pλeqr es cero, por lo tanto la ecuación de voltaje del eje q del rotor
35
Ecuacion 2.10 y 2.12
Transforma marco de referencia
1 Is_d iabcs 1
Isde Is_abc
1
2 Is_q rho
s
Isqe
2
4 wr
Rho Is_q Ecuacion 3.14
3
ImR ImR
1
Tr
Tr.s+1
Ecuacion 3.15
Despejando
Ecuacion 3.16
0.0001
ImR_remanente
Donde:
e
pimR Variación respecto al tiempo de la corriente magnetizante del rotor.
e
rr Lsr i qs rr ⋅ i qre i qs Ec. 3.14
ωe − ωr = S ⋅ ωe = =− e =
Lr λ dr
e
λ dr τ r i mR
Haciendo uso de las ecuaciones 3.4, 3.5 y 3.13 se puede expresar idse en términos de imR
De acuerdo a la ecuación 3.14 la alineación del eje d con el campo del rotor se puede
mantener en todo momento conservando dicha velocidad de deslizamiento, y la magnitud
del flujo en el rotor λedr , se puede ajustar controlando imR .
36
De ecuación 2.26 podemos obtener una expresión que represente la dinámica del flujo del
rotor
En caso de conocer las corrientes del estator y la velocidad del rotor, las ecuaciones 3.14,
3.15 y 3.16 permiten implementar dicho Modelo de flujo mediante un Observador en lazo
abierto, mostrado en figura 3.3.
rotor cuando ésta tiene valores bajos. El error que resulta en el ángulo del flujo
puede ser grande si no se emplea alguna forma de adaptación.
Aunque existen otros modelos para la estimación del flujo, no van a existir, desde el
punto de vista de la sensibilidad ante errores en los parámetros, grandes diferencias con el
aquí presentado [1].
37
ImR
Remanente
double 1 (inicial)
4
Isde 0.0001
1 Ia ImR
Ia Ds
Tmue.z
double Tr
(Tr+Tmue)z-Tr
2 Ib
Ib
Qs double 2
rho Isqe
Rho
Convierte
3
marco de referencia
Tmue.z
double Convert
z-1
3 Convert
F2812 eZdsp wr
1 − z −1 Ec. 3.17
s=
Tmue
El esquema de control depende del funcionamiento del inversor, ya sea si este funciona
como fuente de voltaje o como fuente de corriente. En cualquiera de los casos, la filosofía
de control es la misma. Se dispone de dos ramas independientes, una para el flujo y otra
para el par, siendo reguladas por separado. Para nuestro caso en el sistema de control se
emplea una fuente inversora alimentada por voltaje, por lo que solo se considerara el
esquema de control para dicho dispositivo, como se muestra en la figura 3.5.
38
Fig. 3.5 Control de campo orientado alimentado en voltaje [1].
De figura 3.5, en la rama de par (superior) el error de velocidad va a generar, a través del
regulador correspondiente, la referencia de par Te* , la cual se compara con el par motor
39
efectivo Te , que ha sido estimado por el modelo de flujo, para proporcionar la corriente
de par necesaria iqs* . Esta, a su vez, va a ser comparada con la corriente iqs estimada y su
compensando los términos cruzados de las ecuaciones de tensión, que para la rama de
flujo son
e
dimR Ec. 3.18
(1 − σ ) ⋅ τ s ⋅ + σ ⋅ τ s ⋅ ω mR ⋅ iqse
dt
(1 − σ ) ⋅ τ s ⋅ ω mR ⋅ imR
e
− σ ⋅ τ s ⋅ ω mR ⋅ idse Ec. 3.19
En la figura 3.6 se muestra la estructura del CV-OFR dispuesto en tal forma que
considera el control de una velocidad consigna. En dicho esquema el observador de flujo
estima las variables de estado requeridas en su etapa reguladora.
40
Fig. 3.6 Control Vectorial Orientado con el Flujo del Rotor, empleando Observador de
Flujo [1].
tiempo en el rotor, por lo que sus variaciones van a ser lentas y fácilmente compensables
por los reguladores. Los términos dependientes de iqs son los que van a presentar
Los objetivos habituales en un sistema de regulación de velocidad son, por una parte
mantener constante la velocidad de funcionamiento del motor ante variaciones de la
carga, cumpliendo ciertos requisitos de respuesta. En ciertos casos, es conveniente
mantener el flujo constante, siempre que sea posible, en su valor nominal, puesto que su
dinámica esta controlada por la constante del rotor τ r , la cual toma valores relativamente
elevados. Asumiendo una correcta sintonización del modelo del motor y por tanto un
desacoplo efectivo entre las ramas de flujo y de par, el control de la velocidad se va a
realizar, mientras no se entre en la región de debilitamiento de campo, únicamente a
través de la corriente de par iqs .
41
Fig. 3.7 Estructura de la etapa de potencia en la Fuente VSI.
Como se menciono anteriormente, el CV-OFR determina los voltajes del estator en sus
componentes q-d. Las Fuentes Inversoras alimentadas por Voltaje (VSI) accionadas
mediante la técnica de modulación por ancho de pulso (PWM, por sus siglas en ingles),
son las más empleadas para la generación de los voltajes arrojados por el control [1, 4,
11, 12].
En este trabajo se emplea una VSI de seis ramas con interruptores tipo Transistores de
unión bipolar con compuerta aislada (IGBT, por sus siglas en ingles) trabajando como
todo-nada, la figura 3.7 muestra la estructura de la etapa de potencia, la cual esta
constituida principalmente por una etapa de rectificación y otra de inversión [8, 13, 14].
42
3.3.1 Etapa Inversora
Las técnicas PWM son hoy en día unas de las más empleadas en la etapa inversora de
fuentes VSI. Basan su funcionamiento en la representación de una señal análoga
mediante una aproximación digital, esto es, una señal de onda cuadrada con su amplitud
constante y su ancho de banda variable. La mas sencilla de estas técnicas emplea una
señal sinusoidal portadora y una señal triangular moduladora, en base a dichas señales se
determina el periodo de activación de los interruptores de potencia [7, 12, 16].
La modulación mediante Vectores Espaciales (SV-PWM , por sus siglas en ingles) refiere
a una técnica de activación para los interruptores de potencia. Esta técnica genera menor
distorsión armónica en los voltajes de salida y en las corriente generadas en el devanado
del motor, además permite un uso mas eficiente de la fuente de Voltaje, en comparación a
otras técnicas de modulación [2, 12, 22-25].
43
pendiente de la señal referencia[2, 12, 15, 19]. La búsqueda de alternativas en el diseño
de VSI y sus técnicas de modulación aun es un campo de investigación activo [19, 22,
26-32].
En este trabajo se hace uso de dos algoritmos para la implementación de la técnica SV-
PWM, el primero de ellos a nivel hardware emplea la función Space Vector Generator
incluido en la librería Embedded Target for TIC2000, la exposición que se hace en este
capitulo toma como referencia la filosofía empleada en dicha librería.
En una fuente inversora de voltaje como la mostrada en la figura 3.7, solo se permite
conducir simultáneamente a uno de los interruptores en cada una de las ramas con el fin
de no crear corto circuito. Considerando solo la parte superior del dispositivo, solo
pueden presentarse ocho posibles combinaciones en los estados de activación de los
interruptores.
⎡V AB ⎤ ⎡ 1 − 1 0 ⎤ ⎡a ⎤ Ec. 3.20
⎢V ⎥ = V ⎢ 0 1 − 1⎥⎥ ⎢⎢b ⎥⎥
⎢ BC ⎥ CC ⎢
⎢⎣VCA ⎥⎦ ⎢⎣− 1 0 1 ⎥⎦ ⎢⎣ c ⎥⎦
Donde
VCC Voltaje instantáneo medido en el bus de voltaje continuo (Fig. 3.7).
44
Tabla 3.1 Patrones de conmutación en una VSI, y sus voltajes de fase y línea generados.
⎡V AN ⎤ ⎡ 2 − 1 − 1⎤ ⎡ a ⎤ Ec. 3.21
⎢V ⎥ = VCC ⎢ − 1 2 − 1⎥ ⎢b ⎥
⎢ BN ⎥ 3 ⎢ ⎥⎢ ⎥
⎢⎣VCN ⎥⎦ ⎢⎣ − 1 − 1 2 ⎥⎦ ⎢⎣ c ⎥⎦
La tabla 3.1 muestra los valores posibles arrojados por las ecuaciones 3.20 y 3.21 [33].
⎡ 1 1 ⎤ ⎡v ⎤ Ec. 3.22
⎡v sα ⎤ 2 ⎢1 − 2 −
2 ⎥ ⎢v ⎥
AN
⎢v ⎥ = ⎢ 3
⎥
3 ⎥ ⎢ BN ⎥
⎣ sβ ⎦ 3 ⎢3 − ⎢v ⎥
⎢⎣ 2 2 ⎥⎦ ⎣ CN ⎦
Al sustituir los posibles valores de voltajes de fase en la ecuación 3.22 se obtendrían las
proyecciones α-β representadas en la figura 3.8, dichos vectores de voltaje son conocidos
como vectores base, de los cuales los seis voltajes no nulos definen una zona compuesta
por seis sectores.
45
Fig. 3.8 Voltajes α−β versus estados de interrupción en una fuente VSI.
El propósito de la técnica SV-PWM es, dado un vector de voltaje consigna U salida generar
por dos de los seis vectores no nulo. Los distintos algoritmos SVPWM difieren en la
forma en que debe determinar los periodos de activación de los vectores base que lo
contienen y la forma en que se administra la generación de los vectores nulos, ya que esto
permite reducir el numero de conmutaciones y por ende el contenido de armónicos en la
señal generada [12, 15, 20, 21, 23, 28].
3.9 se muestra el caso para cuando U salida se encuentra en la región limitada por los
vectores U 0 y U 60 .
46
Fig. 3.9 Reproducción de vector consigna en sector U0-U60 (con Vcc=160V).
En dicha figura también se muestran las componentes α-β generadas por los vectores U 0
tenemos que
T = T1 + T2 + T0 Ec. 3.23
T1 T Ec. 3.24
U salida = U 0 + 2 U 60
T T
Donde:
T1 Porción del Periodo de tiempo que se aplica el vector U 0 .
T2 Ec. 3.25
Uβ = U 60 sen (60°)
T
47
T1 T Ec. 3.26
Uα = U 0 + 2 U 60 cos(60°)
T T
De figura 3.8 es evidente que la magnitud de los seis vectores base es 2VCC / 3 . Cuando
magnitud de los vectores viene a ser 2 / 3 , de lo que los tiempos de duración son
expresados como
T1 =
T
2
( 3U α − U β ) Ec. 3.27
T2 = TU β Ec. 3.28
fase máximo. El resto del periodo de tiempo T se gasta aplicando el vector de voltaje
nulo V0 . Las duraciones de tiempo, como fracción del periodo total T están dadas por
t1 =
T1 1
=
T 2
( 3U α − U β ) Ec. 3.29
T2 Ec. 3.30
t2 = = Uβ
T
En forma similar si el vector U salida se encuentra contenido en la región limitada por los
vectores base U 60 y U120 , sabiendo que sus magnitudes normalizadas son 2 / 3 , los
tiempos de duración pueden ser expresados como
t1 =
T3 1
T
(
= − 3U α + U β
2
) Ec. 3.31
t2 =
T2 1
T
=
2
( 3U α + U β ) Ec. 3.32
Donde:
T3 Porción del Periodo de tiempo que se aplica el vector U120 .
48
Tabla 3.2 Definición de t1 y t 2 para los distintos sectores.
X = Uβ Ec. 3.33
Y=
1
2
( 3U α + U β ) Ec. 3.34
Z=
1
2
(
− 3U α + U β ) Ec. 3.35
Para el primer caso, en que el vector U salida se encuentra contenido en el sector U 0U 60∠
En forma similar, dichos tiempos pueden ser calculados para el caso en que U salida se
encuentre contenido en cualquiera de los otros cuatro sectores. Las expresiones para t1 y
t 2 en términos de las variables X , Y y Z , correspondiente a cada uno de los sectores se
muestran en la tabla 3.2.
Con el fin de conocer cual de los vectores base aplicar, se requiere identificar el sector en
el cual se encuentra U salida . Esto se realiza convirtiendo primeramente las componentes
49
Vref 1 = U β Ec. 3.36
− U β + Uα ⋅ 3 Ec. 3.37
Vref 2 =
2
− U β − Uα ⋅ 3 Ec. 3.38
Vref 3 =
2
Vref 1 . Esto significa que los voltajes Vref 1 , Vref 2 y Vref 3 se encuentran 90° adelantados
50
Sec = 4 ⋅ c + 2 ⋅ b + a Ec. 3.44
Las componentes Uαβ definidas en las ecuaciones 3.39 y 3.40 representan los voltajes de
fase V AN , VBN y VCN . Las siguientes ecuaciones describen dichos voltajes de fase:
En términos del periodo PWM PRD = T , se pueden definir las variables taON , tbON y tcON :
Las variables taON , tbON y tcON son asignadas al porcentaje de activación adecuado( Ta ,
51
Tabla 3.3 Tabla de asignación de variables t abcON en función del sector.
Como lo muestra el estudio realizado por Van der Broke [2, 21] la técnica SV-PWM
presenta cierta inmunidad ante la presencia del tercer armónico por la no reversibilidad
plena de la transformada de Park. Si se modifica la técnica sinusoidal PWM añadiendo
intencionalmente un tercer armónico de forma triangular a la señal portadora, la señal
generada presenta comportamiento similar a la técnica SV-PWM [15].
El algoritmo descrito por Mohan [25] aprovecha esta condición y es mas simple de
implementar a nivel simulación, además se emplea en las simulaciones de este trabajo.
Dicho algoritmo implica la generación de Voltajes de control Vcont , y la inyección de una
señal de frecuencia igual al tercer armónico pero de forma triangular y con magnitud
optima [23, 25].
U 111 , ya que los intervalos de tiempo de activación están en función de Vcont . Al añadir
esta componente armónica permite obtener los voltajes referencia de los valores mínimo
y máximo de las señales a reproducir y no mediante la identificación de sector que se
emplea en la técnica de control vectorial clásica (Ecuaciones 3.41, 3.42 y 3.43) [15].
52
Consigna de
Signal 1
velocidad Estimador de Flujo
Rho
Rho_cal W_in
Ids
15
IDs_con Ia_set
Iqs
IQs_con Ib_set
ImR
ImR_con Ic_set
2/P
Transforma PWM
iabcs em
marco de
70s+50 Ids* 40s+30 Uds* referencia
ImR* Tm
wr ImR* qdse* a abcs* Tem
s s
Controlador Controlador
FW Motor de inducción 3F
de Corriente de Campo de Uds
2/P
Para la implementación del CV-OFR a nivel simulación se hace uso del modelo Simulink
del motor (como planta a controlar), del Estimador de flujo (Sección 3.1.2) y de la
estructura de control para control de velocidad (Sección3.2). La etapa reguladora se
ajusta a prueba y error hasta lograrse una respuesta aceptable. El modelo Simulink para el
CV-OFR obtenido se muestra en la figura 3.10.
El CV-OFR en cada periodo de control del inversor (10 KHz) realiza los siguientes
pasos:
53
w (rad/s)
200
0
-200
20
Isq
0
-20
20
Isd
-20
20
ImR
-20
Par (N*m)
20
0
-20
0.7 1.4 2.1 2.8 3.5 4.2
Tiempo (s)
Fig. 3.11 Respuesta del motor de inducción, con velocidad controlada por el CV-OFR.
• *
Actuación de los reguladores de corriente. Obtención de u ds , u qs* . Los reguladores
La respuesta del motor ante el control CV-OFR se presenta con la siguiente consigna de
velocidad: aceleración lineal, cambio de giro en forma lineal y frenado en forma lineal.
Manteniendo la consigna de Flujo de rotor en eje d constante. La respuesta
electromecánica del MI se puede observar en las figuras 3.11 y 3.12.
54
Fig. 3.12 Curva Par-Velocidad con aceleración controlada por el CV-OFR.
Referencias Bibliográficas
1. Briz del Blanco, F., Control Vectorial del Motor de Induccion con Identificacion
y Adaptacion a los Parametros de la Carga, in Dep. Ing. Electrica, Electronica,
de Computadores y Sistemas. 1995, Universidad de Oviedo: Oviedo.
2. Van Der Broeck, H.W., H.-C. Skudelny, and G.V. Stanke, Analysis and
Realization of a Pulsewidth Modulator Based on Voltage Space Vectors. IEEE
transactions on Industry Applications 1988. 24(1): p. 142-150.
3. Novotny, D.W. and L.T. A., Vector Control and Dynamics of AC Drives.
Monographs in Electrical and Electronic Engineering. 2000: CLARENDON
PRESS - OXFORD.
4. Buja, G.S. and M.P. Kazmierkowski, Direct Torque Control of PWM Inverter-
Fed AC Motors- A Survey. IEEE Transactions on Industrial Electronics, 2004.
51(4): p. 744-758.
5. Trzynadlowski, A.M., The Field Orientation Principle in Control of Induction
Motors. 1994, Nevada, Reno: Kluwer Academic Publishers.
6. Novotny, D.W. and a. others, Field Orientation and High Performance Motion
Control. Summary of Publications. 1988, Wisconsin: WEMPEC.
7. Vargas Salas, R. and M.M.G. Muñoz, Control Escalar y Vectorial de las
maquinas de induccion, in Division de Estudios de Posgrado e Investigacion.
2002, Instituto Tecnologico de la Laguna: Coahuila, MX.
8. Mohan, N., Advanced Electric Drives Analysis, Control and Modeling using
Simulink. 2001: MNPERE.
9. Krause, P.C., O. Wasynczuk, and S.D. Sudhoff, Analysis of Electric Machinery
and Drive Systems. Second ed. IEEE Press Series on Power Engineering, ed. M.E.
El-Hawary. 2002: IEEEPress,Wiley-Interscience.
10. WEMPEC, Field Orientation and High Performance Motion Control, S.o.P.
1981-1988, Editor. 1989, Wisconsin Electric Machines and Power Electronics
Consortium: Wisconsin.
55
11. Stemmler, H., High-Power Industrial Drives. Proceedings of the IEEE, 1994.
82(8): p. 1266-1287.
12. Hava, A.M., Carrier Based PWM-VSI Drives in the Overmodulation Region in
Electrical and Computer Engineering. 1998, University of Wisconsin-Madison:
Wisconsin.
13. Langdon, S.J., The evolution of IGBT technology. New Developments in Power
Semiconductor Devices, IEE Colloquium on, 1991. 1(1): p. 1-7.
14. Stemmler, H., High Power Industrial Drives. Proceedings of the IEEE, 1994.
82(8).
15. Blasko, V., A hybrid PWM strategy Combining Modified Space vector and
Triangle comparison Methods. Conf. Rec. of PESC 96, 1996. 1(1): p. 1872-1878.
16. Blasko, V. and V. Kaura, A method to Improve Linearity of a Sinusoidal PWM in
the Overmodulation Region. Conf. Rec. of PESC 95, 95. 1(1): p. 523-528.
17. Blasko, V. and V. Kaura, A New method to Extend Linearity of a Sinusoidal
PWM in the Overmodulation Region. IEEE transactions on Industry Applications,
1996. 32(5): p. 1115-1122.
18. Steinke, J.K., Switching Frequency Optimal PWM Control of a Three-Level
Inverter. IEEE transactions on Power Electronics, 1992. 7(3): p. 487-497.
19. Manditeresa, P.T., D.T.W. Liang, and J. Li, Comparisons of Real-Time Generated
Space Vector Modulated Signals for motor Drive Applications. Conference
publication IEE, 1998. 456.
20. Skudelny, H.-C. and A. Mertens, Calculations on the Spectral Performance of
Discrete Pulse Modulation Strategies. IEEE transactions on Power Electronics,
1991. PE-2(3): p. 357-366.
21. Van Der Broeck, H.W. and H.-C. Skudelny, Analytical Analysis of the Harmonic
Effects of aPWM AC Drive. IEEE transactions on Power Electronics, 1988. 3(2):
p. 216-224.
22. Casadei, D., et al., Theoretical and Experimental Analysis for the RMS Current
Ripple Minimization in Induction Motor Drives Controlled by SVM Technique.
IEEE transactions on Industrial Electronics 2004. 51(5): p. 1056-1066.
23. Handley, P.G. and J.T. Boys, Space Vector Modulation : An Engineering Review.
Proceedings of the IEE, 1989. Pt B(132): p. 260-265.
24. Boys, J.T. and P.G. Handley, Harmonic Analysis of Space Vector Modulated
PWM waveforms. IEEProceedings, 1990. 137(Pt. B): p. 197-205.
25. Mohan, N., et al., Including Voltage Space Vector PWM in Undergraduate
Courses, in First Course on Power Electronics. 2004, MNPERE.
26. Holtz, J., Sensorless Vector Control of Induction Motors at Very Low Speed using
a Nonlinear Inverter Model and Parameter Identification. IEEE IAS Annual
Meeting 2001. 1(1): p. 1-9.
27. Bowes, S.R. and Y.-s. Lai, Optimal Bus-Clamped PWM Techniques for Three-
Phase Motor Drives. The 30thAnnual Conference of IEEE IES, 2004. 1(1): p.
1475-1482.
28. Hao, M., L. Yunping, and C. Huiming, A simplified Algorithm for Space Vector
Modulation of Three-phase Voltage Source PWM Rectifier. 35th Annual IEEE
PESC, 2004. 1(1): p. 3665-3672.
56
29. Chan, C.C., K.T. Chau, and S.Z. Jiang, Spectral Analysis of a New Six-Phase
Pole-Changing Induction Motor Drive for Electric Vehicles. IEEE transactions on
Industrial Electronics, 2003. 50(1): p. 123-1332.
30. Mahlein, J., M. Bruckmann, and M. Braun, Passive Protection Strategy for a
Drive System With a Matrix Converter and an Induction Machine. IEEE
transactions on Industrial Electronics, 2002. 49(2): p. 297-304.
31. Jabbar, M.A., A.M. Khambadkone, and Z. Yanfeng, Space-Vector Modulation in
a Two-phase Induction Motor Drive for Constant-Power Operation. IEEE
transactions on Industrial Electronics, 2004. 51(5): p. 1081-1089.
32. Casadei, D., G. Serra, and A. Tani, The Use of Matrix Converters in Direct
Torque Control of Induction Machines. IEEE transactions on Industrial
Electronics, 2001. 48(6): p. 1057-1065.
33. Digital Control Systems (DCS), G., Digital Motor Control Libraries, A. Report,
Editor. 2003, Texas Instruments.
57
CAPÍTULO IV
Dentro de la computación suave podemos mencionar las técnicas que emplean: Lógica
Difusa (LD), Sistemas Inteligentes (SI), Algoritmos Genéticos (AG) y Redes Neuronales
Artificiales (RNA´s) [3]. A diferencia de la LD y de los SI en los cuales el conocimiento
previo del sistema se emplea de manera explicita en forma de reglas de decisión, las
RNA’s generan sus propias reglas durante el proceso de entrenamiento [4]. Los AG se
pueden considerar una modalidad de RNA’s que emplea Aprendizaje Reforzado [5].
En este capitulo se presenta una descripción general de las RNA’s, haciendo énfasis en
una de las topologías que más ha sido empleada en aplicaciones de control, la de
Prealimentación entrenada mediante la técnica de retro propagación del error (BP, por
siglas del inglés Feed-Forward-Back-Propagation), ya que dicha topología es acorde para
la aplicación pretendida en este trabajo: sustitución de los reguladores proporcional-
integral de un sistema de control vectorial.
En la primer parte del capitulo se describen las RNA’s haciendo énfasis en la RNA BP.
En la segunda parte del capitulo se presentan algunos ejemplos de su aplicación en los
sistemas de control vectorial (SCV), terminando con el entrenamiento de una RNA BP
que aproxima el comportamiento de un regulador proporcional-Integral empleado en el
SCV, estudio basado en simulaciones empleando Simulink de Matlab.
59
4.1 Neurona artificial
El elemento básico de una RNA es la Neurona Artificial (también conocida como PE por
sus siglas en Inglés, Process Element). La neurona artificial propuesta por McCullon y
Pitts se muestra en la figura 4.1 y es una de las más simples [11-13].
En dicho modelo se presentan varias señales de entrada a la neurona, y cada una de estas
señales es multiplicada por un valor (peso de conexión). En el caso más simple (este
caso), estos productos solo son sumados, y alimentados a través de una función de
transferencia de límites rígidos para finalmente generar un resultado binario. Si la entrada
a la neurona es menor al valor de umbral entonces la salida será 0, en caso contrario será
1. En este modelo las conexiones de entrada (flechas) modelan los axónes y dendritas de
una neurona biológica, los pesos de conexión a las sinapsis, y la función de límites
rígidos a la actividad del soma. Este modelo presenta una gran cantidad de
simplificaciones que no reflejan el verdadero funcionamiento de una neurona biológica.
n Ec. 4.1
u = ∑ wj y j +θ
j =1
Donde:
u Valor de la señal de salida de la neurona, regularmente se considera igual
al nivel de activación de la neurona.
wj Peso de la entrada j.
yj Valor de señal de entrada j.
θ Valor de umbral o sesgo de la función.
n Numero de entradas a la neurona.
60
Fig. 4.2 Modelo de neurona artificial general [14].
Sumatoria del producto de los valores de entrada por sus respectivos pesos.
n Ec. 4.2
∑w
j =1
j yj
n Ec. 4.3
∏w
j =1
j yj
Máximo de las entradas pesadas. Solo considera el valor de entrada más fuerte,
previamente multiplicado por su peso correspondiente.
(
max j w j y j ) Ec. 4.4
61
Distancia euclidiana.
Ec. 4.5
( )
n
∑ y j − wij
2
j =1
Una neurona artificial puede estar activa o inactiva; esto significa que tiene un estado de
activación. Algunas neuronas artificiales pueden encontrarse en un valor de activación
dentro de un conjunto determinado.
Función lineal.
⎧ −1 Ec. 4.6
⎪− 1, x≤
a
⎪⎪ −1
f ( x ) = ⎨ ax,
1
<x<
⎪ a a
⎪ 1, 1
x≥
⎪⎩ a
Siendo a un valor que afecta la pendiente de la función.
Función Sigmoidea.
f (x ) =
1 Ec. 4.7
− gx
1+ e
62
Fig. 4.3 Funciones de activación más comúnmente empleadas.
Función Gausiana.
(x ) = A e− B x Ec. 4.9
2
Por ultimo el PE esta listo para proporcionar el valor de la señal de salida u. Esta salida es
transferida a otros elementos de procesamiento, o a una conexión de salida, como
corresponda a la estructura de la red.
u i (t ) = f ( x ) Ec. 4.10
63
Fig. 4.4 Funciones de salida más empleadas.
La función binaria.
( )=
ui t { 1
0
si u i ( t ) ≥ ξ i
si u i ( t ) < ξ
i
Ec. 4.11
El estudio de las RNA’s esta inspirado en la premisa de que el cerebro realiza su función
en una forma completamente distinta a la manera en que lo hace una computadora
convencional [5-9, 11, 15-19]. El cerebro se puede considerar una computadora
compleja, no lineal y paralela (un sistema procesador de información), la cual tiene
capacidades de organizar las neuronas de tal forma que pueda ejecutar ciertos procesos de
cómputo, por medio de la experiencia es la forma en que se logran ciertas habilidades.
64
Fig. 4.5 Diferentes métodos de implementación de las RNA´s [13].
Para lograr una buena ejecución de la tarea esperada, la RNA emplea interconexiones
masivas de neuronas artificiales.
65
Fig. 4.6 Grafica dirigida de una RNA general.
La arquitectura y dinámica de una RNA definen un elemento que aproxima su(s) salida(s)
en base a su(s) entrada(s), en la cual una función desconocida f: X→Y genera las parejas
de muestras observadas (x1, y1), (x2, y2), (x3, y3), ….Los datos de muestra modifican
parámetros en las neuronas de la RNA de tal forma que dicha RNA responda en una
forma cercana a la función desconocida f. Dicha aproximación tiende a mejorar
conforme se incrementa la cantidad de muestras.
66
Podemos decir que una RNA esta definida por cuatro parámetros:
Básicamente, todas las RNA tienen una estructura o topología similar a la que se muestra
en la figura 4.6. Existen redes útiles que contienen una sola capa, o aun un solo elemento,
pero la mayoría de las aplicaciones requieren redes que al menos tengan los tres tipos de
capa.
La capa de neuronas de entrada recibe los datos ya sea por medio de archivos de entrada
o en aplicaciones de tiempo real directamente de sensores. La capa de salida envía
información directamente al “mundo exterior”, ya sea a un proceso de cálculo secundario
o la etapa de potencia electrónica de un sistema de control mecánico, por ejemplo. Entre
estas dos capas puede haber muchas capas ocultas. Estas capas internas contienen
neuronas interconectadas en varias estructuras. La entrada y salida de cada una de estas
neuronas ocultas simplemente alimenta a otras neuronas.
67
Todas las neuronas correspondientes a una capa pueden estar conectadas con todas las
neuronas de las capas vecinas, esto seria una Conexión Completa (Un ejemplo es la RNA
BP). Cuando no existen todas las conexiones posibles de una neurona o capa de neuronas
se dice que están Parcialmente Conectadas.
68
4.2.1 Entrenamiento de una RNA
69
Si una RNA no puede resolver un problema, se deben revisar: los datos de entradas y
salidas, el número de capas, el número de elementos por capa, el tipo de conexión entre
capas, las funciones de entrada, activación, salida y de adiestramiento. Por lo regular se
emplea un solo tipo de función para todos los PE´s de una capa, pero esto solo por
conveniencia de programación. Otra cosa que puede afectar el funcionamiento de una
RNA es la forma en que se le presentan los datos de entrada y salida (codificados o no).
Las RNA solo tratan con datos de entrada numéricos, sin embargo, normalmente el
formato del dato puede ser convertido desde el exterior. Adicionalmente, es necesario en
ocasiones escalar el dato, o normalizar este al modelo de la red.
La RNA BP fue formalmente definida por Werbos (1974), y después refinada por Parker
(1985), posteriormente por Rummelhart y McClelland (1986). Este tipo de red esta
diseñada para funcionar como red de capas múltiples, con pre-alimentación, empleando
el modo de entrenamiento supervisado [8].
La señal de error calculada es entonces transmitida hacia atrás desde la capa de salida
hasta cada uno de los nodos de las capas intermedias que contribuyen directamente con la
salida. Sin embargo, cada una de las unidades de las capas intermedias solo recibe una
70
porción de la señal de error total calculada, basada estrictamente en la contribución que
cada unidad hace para la salida original. Este proceso se repite, capa por capa, hasta que
cada nodo de la red ha recibido una señal de error que describe su contribución relativa al
error total. Basado en la señal de error recibida, los pesos de conexión se actualizan en
cada unidad provocando que la red converja hacia un estado que le permita codificar
todos los patrones de entrenamiento.
Conforme se entrena la RNA BP, los nodos en las capas intermedias se ajustan así
mismos de tal forma que distintos nodos aprenden a reconocer diferentes objetos del
espacio total de entrada. Después del entrenamiento, cuando se le presenta un patrón
arbitrario de entrada que contiene ruido o esta incompleto, las unidades en la capa
intermedia de la red responderán con una salida activa si la nueva entrada contiene un
patrón que asemeje el objeto que la unidad individual fue enseñada a reconocer durante el
entrenamiento. Convencionalmente, las unidades de las capas ocultas tienen una
tendencia a inhibir sus salidas si el patrón de entrada no contiene el objeto para el cual
fueron entrenadas a reconocer.
Conforme la señal se propaga a través de las diferentes capas en la RNA BP, la actividad
del patrón presente en cada una de las capas superiores se puede considerar como un
patrón con objetos que pueden ser reconocidos por unidades en las capas siguientes. El
patrón de salida generado puede considerarse como una representación de la presencia o
ausencia de muchos objetos combinados en la entrada.
Algunas investigaciones han mostrado que durante el entrenamiento, las RNA BP tienden
a desarrollar relaciones internas entre los nodos como si organizaran los datos de
entrenamiento dentro de clases o patrones. De esta forma la RNA BP encuentra una
forma de representar internamente los patrones de forma que le permite generar la salida
deseada cuando se le proporciona una entrada de entrenamiento. La RNA BP puede
clasificar estas entradas desconocidas de acuerdo a los objetos que fueron aprendidos
durante el entrenamiento.
71
4.2.4 Regla Delta Generalizada
El algoritmo que se emplea para entrenar una RNA BP es la Regla Delta Generalizada.
Como se menciono, la RNA BP esta compuesta por capas múltiples, con propagación de
las entradas hacia adelante y completamente interconectada en sus capas. Esto significa
que no existen conexiones hacia atrás ni conexiones que alimenten la salida de una capa
hacia otra que no sea la siguiente. Puede existir más de una capa oculta en una RNA BP.
Se puede entrenar una RNA BP para obtener una aproximación O = u´ = φ (x)´. Para
emplear la Regla Delta Generalizada es necesario que los vectores de parejas hayan sido
adecuadamente seleccionados y que exista suficiente cantidad de ellos. El algoritmo
asemeja al problema de encontrar la ecuación de una línea que mejor aproxima un
conjunto de puntos. Como este caso se asemeja a contar con no linealidades y
dimensiones múltiples, se emplea una versión interactiva del método simple de los
mínimos cuadrados, llamada técnica de gradiente descendente.
Para iniciar se considera un vector de entradas, xp = ( xp1, xp2 , ..... xpN )T , que se aplica a
la capa de entrada de una RNA BP. Las unidades de la entrada distribuyen los valores a
las unidades de las capas ocultas. La entrada a la red de la unidad oculta j esta dado por la
ecuación 4.12.
72
N Ec. 4.12
Net hpj = ∑ w hji x pi + θ jh
i =1
Donde
w hji Peso en la conexión de unidad de entrada i a la unidad de la capa oculta j.
θ jh Término de sesgo o umbral.
N Número de entradas.
h Súper índice, refiere a la capa oculta (hidden)..
(
I pj = f jh net hpj ) Ec. 4.13
L
Ec. 4.14
Net o
pk = ∑w o
kj I pj + θ ko
j =1
O pk = f Net opk
k
o
( )
El conjunto de valores de pesos iniciales representan una primera suposición de los pesos
adecuados al problema. El proceso básico de entrenamiento de una RNA BP esta incluido
en la siguiente descripción:
1.- Aplicar un vector de entrada, xp = ( xp1 , xp2 ,....., xpN ) T a las unidades de entrada.
2.- Calcular el valor de entrada a cada una de las neuronas en las capas ocultas ( Ec.
4.12).
3.- Calcular la salida de la capa oculta (Ec. 4.13).
73
4.- Cambiar a la capa de salida. Calcular el valor de entrada a cada neurona (Ec. 4.14a).
5.- Calcular la salida (Ec 4.14b).
6.- Calcular el término de error para las unidades de salida mediante la Ec. 4.15.
( ) (
δ pko = y pk − o pk f ko ´ Net opk ) Ec. 4.15
7.- Calcular el error para las unidades en la capa oculta con la Ec. 4.16.
(
δ pjh = f jh ´ Net hpj )∑δ o
pk wkjo Ec. 4.16
Notar que el error para las unidades en la capa oculta se calcula antes que los pesos de
conexión de la capa de salida sean actualizados.
8.- Actualizar los pesos en la capa de salida:
wkjo ( t + 1) = wkjo ( t ) + ηδpko i pj Ec. 4.17
Ya que el valor de error es una medida de que tan bien esta aprendiendo (suma de los
errores cuadrados de todas las unidades en la salida). Cuando el error es aceptablemente
pequeño para cada uno de los vectores de entrenamiento, el entrenamiento puede darse
por terminado.
La RNA BP es buena para generalizar, esto quiere decir, dados diferentes vectores de
entrada, siendo todos de la misma clase, una RNA BP aprenderá a asimilar las similitudes
en los vectores de entrada. Y los datos irrelevantes serán ignorados.
74
En oposición a la generalización, una RNA BP no puede extrapolar bien, si una RNA BP
es inadecuada o insuficientemente entrenada en una clase particular de vectores de
entrada, posteriores identificaciones de miembros de esta clase podrían fracasar. Uno se
debe asegurar que el conjunto de entrenamiento cubra todo el espacio de entradas
esperadas. Es conveniente durante el entrenamiento, seleccionar parejas de entrada-salida
de forma aleatoria en el conjunto de entrenamiento. En algunos casos, el no entrenar
la red completamente con una clase y entonces cambiar a otra podría hacer a la red
olvidar el entrenamiento original.
Los pesos pueden ser inicializados a valores pequeños y aleatorios, por ejemplo entre
+0.5 y -0.5, al igual que los términos de sesgo (o umbrales). Es común emplear los
valores de sesgo como otro peso que esta conectado a una neurona ficticia cuya salida
siempre es uno. De esta manera podría participar del proceso de aprendizaje como peso y
ser modificado. Otra opción es no emplear sesgos, el uso de ellos es opcional.
75
en una misma dirección, por eso se le llama momento. La ecuación para los cambios de
los pesos en la capa de salida vendría a ser:
wkjo (t + 1) = wkjo (t ) + ηδ pk
o
∗ i pj + αΔ p ∗ wkjo (t − 1) Ec. 4.20
Con una ecuación similar se puede encontrar los cambios de pesos en la capa oculta. En
la ecuación el símbolo α es el parámetro de momento y por lo regular es positivo y menor
que 1. El uso de este término es opcional.
La ventaja que presentan las RNA´s a otros tipos de controladores es que estas aprenden
el funcionamiento deseado mediante ejemplos sin necesidad de un modelado matemático
que represente la tarea a realizar, incluso las RNA´s tienen capacidad de aproximar
funciones no lineales complejas [6, 7, 9]. Aun así, las RNA’s tienen limitaciones
practicas por lo que es común descomponer una tarea determinada en subconjuntos en los
cuales se aplican RNA’s.
76
El uso de RNA’s ofrece las siguientes propiedades y capacidades:
- No linealidad. Las neuronas son básicamente dispositivos no lineales, por lo tanto una
RNA es inherentemente no lineal. Dicha no linealidad se encuentra distribuida a través de
la RNA.
-Adaptabilidad. Una RNA tiene la capacidad (en su construcción) de adaptar sus pesos
sinápticos cuando se presenten cambios en su entorno, esto puede ser mediante un
reentrenamiento. En el caso que la RNA opere en un ambiente no estacionario (por
ejemplo uno que estadísticamente cambia con el tiempo), la RNA puede diseñarse para
que cambie sus pesos sinápticos en tiempo real. Dicha capacidad es requerida en forma
natural para aplicaciones de control adaptativo. Dicha adaptabilidad debe de ser
congruente con la constante de tiempo principal del sistema ya que ante ruido podría
77
causar una respuesta no aceptable, el dilema aquí mencionado es conocido como dilema
Estabilidad-Plasticidad. La adaptabilidad es un tópico de investigación abierto.
78
4.3 Aplicación de las RNA’s al Sistema de Control Vectorial (SCV)
Las RNA’s pueden tratar con las no linealidades variantes con el tiempo del Motor de
inducción debido a su propia naturaleza no lineal [10]. Se han hecho investigaciones
respecto a aplicación de las RNA’s en varios aspectos del SCV tales como emulación del
sistema de control [20-22], estimación del vector de flujo [4, 23], estimación de
parámetros del motor [24-26] y regulación de la etapa inversora [27-29]. Se ha prestado
menos atención a la implementación de dichos sistemas de control [30], aun así, algunas
tecnologías han sido probadas con éxito [31-33].
79
Fig. 4.9 SCV con RNA BP estimadora de Flujo [23].
Como se mencionó, algunas tareas de control pueden dividirse en etapas y en estos casos
es posible emplear RNA’s de manera individual para cada una de ellas.
En el capitulo anterior se puso de manifiesto que la variación en los parámetros del motor
o su estimación errónea afectan de manera sustancial la respuesta del SCV. Otra
aplicación de las RNA’s en el SCV es la estimación de parámetros del motor, empleando
RNA BP para estimar la velocidad [24-26], la resistencia del rotor-estator [44, 45] y las
perdidas en el rotor [46]. Otras topologías de RNA’s tal como Neuro-Difusas y
Recurrentes también han sido empleadas con éxito en los SVC [25, 47, 48]. Por ultimo, el
uso de RNA’s como generadoras de secuencia de pulsos PWM han mostrado resultados
alentadores [27-29].
Algunos de estos sistemas de control se han implementado en tiempo real haciendo uso
de un procesador [40], microcontrolador [23] o un Procesador Digital de Señales [31-33].
80
4.4 Modelo Simulink de una RNA actuando como regulador PI
2
Consigna de Velocidad
1
Error en
-1
-2
-3
-4
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo (s)
50
Salida del RP
-50
-100
-150
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo (s)
81
Conjuntos de Entrenamiento
Entrada
0
-2
-4
0 500 1000 1500 2000
100
50
Salida Deseada
-50
-100
-150
0 200 400 600 800 1000 1200 1400 1600 1800 2000
#Muestra
82
Fig. 4.14 Topología empleada en la RNA BP Reguladora de Par.
83
Fig. 4.16 Reducción del error durante el entrenamiento de la RNA BP Reguladora de Par.
La herramienta NNT permite entrenar la RNA Reguladora de Par, para ello es necesario
contar con los vectores de entrada-salida que contengan la tarea a aprender. Haciendo
uso de los valores mostrados en la figura 4.13 y empleando los parámetros de
entrenamiento mostrados en la figura 4.15 se realiza el entrenamiento de la RNA BP. La
convergencia de la RNA durante su entrenamiento se muestra en la Figura 4.16. Después
de 10 000 épocas de entrenamiento se reduce el error a 0.138, considerándose adecuado
el aprendizaje y por ende culminado el entrenamiento.
84
Consigna de Estimador_de_Flujo
Signal 1
velocidad Rho
Rho_cal W_in
Isde
IDs_con Ia_set
15 Isqe
IQs_con Ib_set
wr*
Isq* 40s+30
2/P
s
me* Uas* Uas*
Controlador Usq*
Usq Uqdse* Ubs* Ubs*
Vs_abc
wr
Saturation Ucs* Ucs*
RNA v abcs
Reguladora de Par
Transforma PWM
iabcs em
marco de
Usd*
Saturation1 referencia
70s+50 39s+30 Tm Iabc
wr ImR* qdse* a abcs* Tem
s s
Isd*
Controlador Controlador Tem
FW Motor de inducción 3F
Usd1 Usd
2/P
0
Entrada
-1
-2
-3
-4
100
50
0
Salida
-50
-100
-150
0 1 2 3 4 5 0 1 2 3 4
Tiempo (s)
El comportamiento de la RNA en sustitución del bloque PI, bajo las mismas condiciones
de operación en el CV-OFR se muestra en la figura 4.18. Observando las figuras 4.10,
4.11 y 4.18 se deduce la efectividad de la RNA BP para sustituir un bloque Regulador
Proporcional-Integral.
85
Referencias Bibliográficas
1. Konar, A., Artificial Intelligence and Soft Computing. 1º ed. 2000, Boca Raton,
Florida: CRC Press. 415-443.
2. Smith, H.T. and T.R.G. Green, El Hombre y los Ordenadores inteligentes. Textos
de informática y documentación 1982, Barcelona: Editorial Mitre.
3. Pedrycz, W., Computacional Intelligence: an introduction. 1º ed. Computer
Engineering. 1998, Florida USA: CRC PressLLC. 7-35.
4. Nowicki, E., A.K.P. Toh, and F. Ashrafzadeh, A Flux Estimator for Field
Oriented Control of an Induction Motor using an Artificial Neural Network. Conf.
Record of IEEE, IAS 1994, 1994. 1(1): p. 585-592.
5. Pham, D.T. and L. Xing, Neural Networks for Identification, Prediction and
Control. 1997: Springer-Verlag.
6. Haykin, S., Neural Networks A Comprehensive Foundation. 2004: IEEE
Computer Society Press.
7. Miller III, W.T., R.S. Sutton, and P.J. Werbos, Neural Networks for Control, ed.
N.S. Foundation. Vol. EET-8819699. 1991: University of New Hampshire
8. Freeman, J.A. and D.M. Skapura, Neural Networks: algorithms, applications, and
programming techniques. 1 ed. Computation and Neural Systems, ed. C. Koch.
Vol. 1. 1991, California: Addison Wesley. 45-124,341-371.
9. Jain, A.K. and J. Mao, Artificial Neural Networks: A tutorial. IEEE Computer,
1996. 18: p. 31-44.
10. Simoes, M.G., M.P. Almeida, and M.R. Meireles, A Comprehensive Review for
Industrial Applicability of Artificial Neural Networks. IEEE Transactions on
Industrial Electronics, 2003. 50(3): p. 585-602.
11. Pitas, I., Parallel algorithms: for digital image processing, computer vision, and
neural networks. Parallel Computing, ed. R.G.B. II and Otros. 1993: Jhon Wiley
and sons. 259-301.
12. Jones, P.C. and S. Tepavich, ADALINE Stabilization of an Inverted Robot Arm.
1997, www.aracnet.com.
13. Pino, B. and others, Implementaciones hardware de redes neuronales artificiales.
Inteligencia Artificial, 1997. 1: p. 48-56.
14. Matich, D.J., Redes Neuronales: Conceptos Básicos y Aplicaciones, in
Catedra:Informática aplicada a la Ingeniería de Procesos, C.A. Ruiz and M.S.
Basualdo, Editors. 2001, Universidad Tecnológica Nacional Facultad Regional
Rosario: Rosario, Argentina. p. 8-28.
15. Kasabov, N.K., Foundations of Neural Networks, Fuzzy Systems, and Knowledge
Engineering. 2 ed. Expert systems (Computer science), ed. B. Book. Vol. 1. 1998,
London, England: MIT Press. 251-307.
16. Kosko, B., Neural Networks and Fuzzy Systems: a dynamical systems approach.
1992: Prentice Hall. 39-110.
17. Hinton, G.E. and T.J. Sejnowski, Neural Networks architectures for AI, in MP2.
1987: Seattle WA.
18. Cuevas de la Rosa, F. and M. Servin Girardo, La Neurona Biologica y su
Implementacion Artificial. 1993, CIO: León, Guanajuato. p. 3-16.
86
19. Burns, R.S., Advanced Control Engineering. 1º ed. 2001, Woburn,MA:
Butterworth-Heinemann. 347-360.
20. Cardoso, F.D.S., J.F. Martins, and V.F. Pires, A Comparative Study of a PI,
Neural Network and Fuzzy Genetic Approach Controllers for an AC-Drive, in
COIMBRA. 1998, IEEE: AMC.
21. Moallem, M., et al., Multi-objetive Genetic-Fuzzy Optimal Design of PI
Controller in the Indirect Field Oriented Control of an Induction Motor. IEEE
Transactions on Magnetics, 2001. 37(5): p. 3608-3613.
22. Bose, B.K., F. Blaabjerg, and M.P. Kazmierkowski, A Simple Direct-Torque
Neuro-Fuzzy Control of PWM-Inverter-Fed Induction Motor Drive. IEEE
Transactions on Industrial Electronics, 2000. 47(4): p. 863-871.
23. Heredia, J.R., F. Perez Hidalgo, and J.L. Duran Paz, Sensorless Control of
Induction Motors by Artificial Neural Networks. IEEE Transactions on Industrial
Electronics, 2001. 48(5): p. 1038-1041.
24. Gonzales, J.A., M.A. Da Silveira, and E.J. Pacheco, Comparacion de la Red
Neuronal y del Filtro de Kalman en la Estimacion de Velocidad del Motor de
Induccion. 1er Congreso Iberoamericano de EIE ( I CIBELEC 2004), 2004. 1(1).
25. Ben-Brahim, L., Motor Speed Identification Via Neural Networks. IEEE Industry
Applications Magazine, 1995. 1(1): p. 28-33.
26. Kim, S.-H., T.-S. Park, and J.-Y. Yoo, Speed-Sensorless Vector Control of an
Induction Motor Using Neural Networks Speed Estimation. IEEE Transactions on
Industrial Electronics, 2001. 48(3): p. 609-615.
27. Bose, B.K., Artificial Neural Network Applications in Power Electronics.
IECON'01 IEEE, 2001. 1(1): p. 1631-1638.
28. Bose, B.K., et al., A Neural Network Based Space Vector PWM Controller for
Voltage-Fed Inverter induction Motor Drive. IEEE IAS 1999, 1999. 1(1): p.
2614-2622.
29. Bose, B.K., L.E. Borges da Silva, and J.O.P. Pinto, A Stator-Flux- Oriented
Vector-Controlled Induction Motor Drive With Space-Vector PWM and Flux-
Vector Synthesis by Neural Networks. IEEE transactions on Industry
Applications, 2001. 37(5): p. 1308-1329.
30. Mohamadian, M., E. Nowicki, and F. Ashrafzadeh, A Novel Neural Network
Controller and Its Efficient DSP Implementation for Vector-Controlled Induction
Motor Drives. IEEE Transactions on Industry Applications, 2003. 39(6): p. 1622-
1629.
31. Bose, B.K. and M.G. Simoes, Neural Networks Based Estimation of Feedback
Signals for a Vector Controlled Induction Motor Drives. IEEE transactions on
Industry Applications, 1995. 31(3): p. 620-629.
32. Kuchar, M., P. Brandstetter, and M. Kaduch, Sensorless Induction Motor Drive
with Neural Network. 35 Annual IEEE Power Electronics Specialists Conference,
2004. 1(1): p. 3301-3307.
33. Mahmoud Ali Sowilam, G., Aplicacion de las Redes Neuronales en los Sistemas
de Control Vectorial de los motores de Induccion, in Ing. Elec. 2000, Universidad
Politecnica de Cataluña: Cataluña.
34. Bose, B.K., et al., Self Tuning Neural Network Controller for Induction Motor
Drives. IEEE Conferences Records, 2002. 1(1): p. 152-157.
87
35. Grigore, O. and O. Grigore, Reinforcement Learning Neural Network Used in
Control of Nonlinear Systems. IEEE Conferences Records, 2000. 1(1): p. 662-
666.
36. Werbos, P., Beyond Regression: New Tools for Prediction and Analysis in the
Behavioral Sciences, in Computational Sciences. August 1974, Harvard:
Cambridge.
37. Sastry, P.S., G. Shantaram, and K.P. Unnikrishnan, Memory Neuron Networks for
Identification and Control of Dynamical Systems. IEEE Transactions on Neural
Networs, 1994. 5(2): p. 306-320.
38. Harley, R.G. and M.T. Wishart, Identification and Control of Induction Machines
Using Artificial Neural Networks. IEEE transactions on Industry Applications,
1995. 31(3): p. 612-620.
39. Kuchar, M., P. Brandstetter, and M. Kaduch, Sensorless Induction Motor Drive
with Neural Network. 35th Annual IEEE PESC, 2004. 1(1): p. 3301-3305.
40. Keerthipala, W.W.L., B.R. Duggal, and M. Hua Chun, Torque and speed control
of Induction Motors Using ANN Observers. IPEC'98 IEEE, 1998. 1(1): p. 282-
288.
41. Wai, R.-J., Development of New Training Algorithms for Neuro-Wavelet Systems
on the Robust Control of Induction Servo Motor Drive. IEEE Transactions on
Industrial Electronics, 2002. 49(6): p. 1323-1342.
42. Rafiq, A., M. Golam Sarwer, and B.C. Ghosh, Genetic Algorithm Base Fast
Speed Response Induction Motor Drive With ANN Flux Estimator. IEEE
Conferences Records, 2005. 2(1): p. 882-890.
43. Bim, E. and L.R. Valdenebro, A Genetic Algorithms Approach for Adaptive Field
Oriented Control of Induction Motor Drives. IEEE Power Engineering Society,
1999. 9: p. 643-646.
44. Huerta, P.F., J.J. Rodriguez, and I.C. Torres, Modelo en Simulink de una Red
Neuronal Artificial de Retropropagacion para Estimar la Resistencia del Rotor. 9
Congreso Nacional de Ingenieria Electromecanica y de Sistemas, 2006. ELE-
09(1): p. 1-6.
45. Karanayil, B., M. Fazlur Rahman, and C. Grantham, On-line Stator and Rotor
Resistance Estimation Scheme for Vector Controlled Induction Motor Drive
Using Artificial Neural Networks. IEEE Conferences Records, 2003. 2(1): p. 132-
140.
46. Keyhani, A. and A. Bogdan Proca, Identification of Variable Frequency Induction
Motor Models From Operating Data. IEEE Transactions on Energy Conversion,
2002. 17(1): p. 24-36.
47. Bim, E., Fuzzy Optimization for Rotor Constant Identification of an Indirect FOC
Induction Motor Drive. IEEE Transactions on Industrial Electronics, 2001. 48(6):
p. 1293-1296.
48. Bim, E., J. Reyes Hernandez, and L. Rosell Valdenebro, A Neuro-Fuzzy Based
Parameter Identification of an Indirect Vector-Controlled Induction Motor
Drive. Proceedings of the 1999 IEEE/ASME, 1999. 1(1): p. 347-353.
49. Demuth, H. and M. Beale, Neural Networks Toolbox User´s Guide. Version 4 ed.
2000, Natick,MA: The MathWorks,Inc. 1-208.
88
CAPÍTULO V
En este capitulo se describe el desarrollo del sistema de control vectorial orientado con el
flujo del rotor utilizando RNA’s (CV-RNA’s) del tipo BP. Las RNA’s sustituyen a los
reguladores PI utilizados de forma clásica en el control vectorial. La implementación del
CV- RNA’s se realiza en la tarjeta eZdspTMS320F2812 (en adelante eZdspF2812).
El software de programación Code Composer Studio 3.1 [4] permite generar el código en
lenguaje ensamblador para descargarlo en la tarjeta eZdspF2812.
En el capitulo también se incluyen los elementos que forman el banco de pruebas para la
implementación del hardware; en esta parte además se describen las interfases empleadas
en la interconexión del encoder, inversor y sensores de corriente al DSP. Una
representación esquemática del sistema de control implementado se muestra en la figura
5.1.
Fig. 5.1 Diagrama esquemático del banco de pruebas, con flujo de señales.
90
5.1.1 Entrenamiento de las RNA’s BP
En primer lugar se almacenan los valores de entrada y salida de cada uno de los bloques
reguladores empleados en el CV-OFR. No se considera el bloque regulador de Par, ya
que este se empleó solo como regulador ejemplo en el entrenamiento mostrado en la
sección 4.4.
consigna de corriente I qs* , así como la señal de salida de dicho bloque se muestran en la
corresponde al error en la consigna de corriente I ds* , así como la señal de salida de dicho
-2
-4
-6
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
200
100
Salida: Uqs*
-100
-200
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo (s)
91
Entrada-Salida de Bloque Regulador Uds
10
-5
-10
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
150
100
Salida: Uds*
50
-50
-100
-150
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo (s)
0.05
-0.05
-0.1
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
10
5
Salida: Ids*
-5
-10
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo (s)
Como puede observarse en las señales mostradas en las figuras 5.2, 5.3 y 5.4 los rangos
de valores en que oscilan, así como su variación, son distintos para cada una de ellas.
92
a sustituir, se generan conjuntos de entrenamiento de 2000 elementos seleccionados de
forma aleatoria para cada uno de los reguladores.
emplea la misma RNA BP en cada uno de los reguladores. Solo se genera un conjunto de
entrenamiento para la adaptación fuera de línea de esta RNA. Al entrenar la RNA que
regulará a U ds mediante una adaptación fuera de línea, se evita realizar el proceso
completo de diseño y entrenamiento de una nueva RNA BP. Solo se modifican los pesos
sinápticos de la RNA BP ya entrenada para ejecutar la tarea de regulación de U qs ,
la figura 5.6.
Para el caso de la RNA a entrenar como reguladora de la corriente de campo, sus entradas
también son normalizadas, pero en este caso empleando un factor de 10. En la figura 5.7
se muestra el conjunto de datos de entrenamiento a emplear en dicha RNA BP.
93
Conjunto de Entrenamiento (RNA Reguladora de Uqs)
0.5
-0.5
-1
0
200
100
-100
-200
0 200 400 600 800 1 000 1 200 1 400 1 600 1 800 2 000
#Muestra
0.5
-0.5
-1
0
100
-100
0 200 400 600 800 1 000 1 200 1 400 1 600 1 800 2 000
#Muestra
Conjunto de Entrenamiento
(RNA Reguladora de Corriente de Campo)
Entrada:Error en ImR*
0.5
-0.5
-1
10
Salida Deseada:Ids*
-5
-10
0 200 400 600 800 1000 1200 1400 1600 1800 2000
# Muestra
94
Fig. 5.8 Topología empleada en la RNA BP que regula U qs .
en su señal de entrada.
95
Tabla 5.1 Características empleadas en las RNA’s BP.
96
Tabla 5.2 Parámetros de Entrenamiento.
RNA Reguladora de U qs
(Figura 5.8)
Regla de Entrenamiento Momento Factor de Factor en Factor en Ciclos de
Aprendizaje Incremento Decremento Entrenamiento
Delta (con factor de aprendizaje 0.9 0.01 1.05 0.7 10 000
variable y momento) TRAINGDX
RNA Reguladora de U ds
(Figura 5.8)
Delta (con factor de aprendizaje 0.9 0.01 1.05 0.7 2 000
variable y momento) TRAINGDX
97
Fig. 5.10 Error MSE durante el entrenamiento de la RNA BP que regula U qs .
98
Fig. 5.12 Error MSE durante el entrenamiento de la RNA BP que regula I ds .
Haciendo uso del conjunto de entrenamiento mostrado en la figura 5.7 y empleando los
parámetros de entrenamiento mostrados en la Tabla 5.2, se entrena la RNA encargada de
regular la corriente de campo. La convergencia de la RNA BP durante su entrenamiento
se muestra en la Figura 5.12. Después de 40 000 épocas de entrenamiento se reduce el
error MSE a 0.559, considerándose aceptable el aprendizaje y por ende culminado el
entrenamiento.
Al comparar las figuras 5.13 a la 5.15 con sus contrapartes, esto es las señales generadas
en el sistema SV-OFR empleando reguladores Proporcional-Integral (figuras 5.2, 5.3 y
5.4 ), se puede ver que dichas RNA BP han aprendido de manera satisfactoria su función
como elementos regulador del tipo Proporcional-Integral. Por lo cual pueden ser
sustituidos en el Sistema SV-OFR en forma confiable.
99
Respuesta RNA BP Reguladora de Uqs
20
-10
-20
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
200
100
Salida: Uqs*
0
-100
-200
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo (s)
-5
-10
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
150
100
Salida: Uds*
50
-50
-100
-150
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo (s)
0.1
0.05
-0.05
-0.1
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
10
5
Salida: Ids*
-5
-10
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo (s)
100
Fig. 5.16 Sistema CV-OFR con RNA’s.
En la figura 5.16 se muestra el modelo Simulink del Sistema CV-OFR empleando RNA’s
en la etapa reguladora. En dicho sistema se emplean las RNA’s BP entrenadas en la
sección anterior. Para la implementación del hardware es necesario modificar la
estructura del modelo computacional de tal forma que se ajuste a las condiciones
presentes en el banco de pruebas.
Como se hace notar en la figura 5.16, las consignas de velocidad ωr* (que a nivel
simulación se asigna mediante un bloque generador de funciones, disponible en
*
Simulink) y de la corriente de magnetización I mR (que en simulación pudiera estar regida
por una regla de debilitamiento de campo, sección 3.1.3) pueden ser modificadas para
simplificar su implementación en hardware. Para fines de evaluación en este caso ambos
valores se consideran constantes en el programa a ejecutar en la tarjeta eZdspF2812.
101
4
IQmath IQmath
A Y double single A Y
IQmath
IQNtoF IQN
A Y double
IQmath RNA Reguladora
3.078 A Y de Corriente de Campo IQNtoF
1
IQN
IDs_est
ImR
Constante
IQmath
single A Y 2
IQN Vds
Regula
Uds
Los modelos de las RNA’s BP generados en simulink son bloques que en su entrada y
salida utilizan valores numéricos del tipo doble precisión. Para implementar las RNA’s
BP en la tarjeta eZdspF2812 se requiere de una conversión de tipo de dato, tanto en la
entrada como a la salida, para ajustarse a un nuevo ambiente de operación (la tarjeta
ejecuta sus operaciones empleando números con formato punto fijo).
La utilería IQmath de Texas Instruments [7] es una librería escrita en lenguaje C que
contiene el código equivalente para ejecutar la conversión de datos de punto fijo a datos
en punto flotante y viceversa; además permite realizar algunas operaciones matemáticas
con distintos formatos de tipo de dato empleando código equivalente de punto fijo. De
esta forma IQmath permite implementar proyectos desarrollados en punto flotante
empleando dispositivos del tipo punto fijo, como es el caso de las RNA’s implementadas
en la tarjeta eZdspF2812 [4]. Las operaciones mas comunes que se realizan con la utilería
IQmath cuentan con su bloque correspondiente en la caja de herramientas Embedded
Target for the TI TMS320C2000 DSP de Simulink [3].
102
Como se puede observar en la figura 5.17, el lazo de control de Par ahora considera un
valor constante en su consigna de velocidad. En el lazo de control de campo el valor de
*
I mR se considera constante, tomando el valor de 90% de la corriente del motor sin carga
(los datos del motor de prueba y los resultados de las pruebas realizadas a este se
presentan en el Anexo A). En la entrada y salida de cada RNA BP se realiza el ajuste
adecuado del tipo de dato a emplear en el algoritmo de control (doble precisión o tipo
IQmath). Para trabajar con números IQmath, los cuales son una representación de datos
en punto fijo a datos en punto flotante, se necesita definir la cantidad de bits dedicado a la
representación de la parte decimal. En esta tesis si no se indica otra cosa, se utilizan 17
bits (de los 32) para representar la parte decimal (IQ=17).
suministradas por otros bloques del sistema SV-RNA’s, en su mayoría del bloque
Observador de Flujo. Los súper índices empleados en la nomenclatura de las señales
indican lo siguiente:
Las salidas de la etapa reguladora, son los valores consigna de U qs* y U ds* .
103
Fig. 5.18 Modelo Simulink del observador de flujo empleado en el SV-RNA’s.
Donde:
ωelec
est
= Valor de la velocidad eléctrica del rotor calculada.
ω rest = Valor de la velocidad mecánica estimada por el modulo QEP (Ecuación 5.2).
104
5.1.2.3 Etapa de Procesamiento de Señales en el SV-RNA’s
105
QEP2 o QEP3-QEP4), la base de tiempo a emplear (T1 o T2, Temporizadores definidos
en la tarjeta), así como las unidades de captura (CAP1 o CAP4).
La opción Counting mode (Figura 5.10) configura la salida del bloque QEP. Se puede
configurar para que la salida sea la cuenta de los pulsos leídos durante el periodo de
muestreo (Counter) o una estimación de la velocidad en revoluciones por minuto (rpm).
Fig. 5.19 Bloques Simulink en librería c2000lib/C281x DSP Chip Support [3].
106
La velocidad es estimada empleando la siguiente formula [8]:
60 Ec. 5.2
ω rest = (CNTk − CNTk −1 )
Tm ⋅ QP ⋅ 4
donde:
ω rest Velocidad del motor estimada por el bloque QEP.
CNTk Valor actual del registro de memoria asociado con el contador.
CNT k −1 Valor anterior del registro de memoria asociado con el contador.
Tm Tiempo de muestreo.
QP Resolución del codificador óptico (pulsos por revolución).
Ya que los Codificadores ópticos de tipo cuadratura generan canales de pulsos desfasados
90˚ (normalmente dos canales, A y B) es posible seleccionar el sentido de giro positivo
mediante la opción Positive rotation que identifica cual canal de pulsos esta adelantado
en su generación y de esta forma determina su sentido de giro.
Existen varios formatos de datos que puede emplear el modulo QEP en la representación
de su salida. En este caso se emplea el formato punto flotante simple, 32 bits.
107
a) b)
Para la adquisición de las señales de corriente del estator iab se emplean las entradas
La tarjeta eZdspF2812 cuenta con dos módulos convertidores A/D, cada uno de ellos con
8 canales de conversión. Para seleccionar el modulo a emplear y la cantidad de
conversiones a realizar, se seleccionan las opciones correspondientes en los menú Module
y Number of conversions accesibles en la ventana de configuración del bloque ADC. En
nuestro caso se seleccionaron dos canales de conversión del modulo A a través de la
ventana de configuración mostrada en la figura 5.21.
108
Fig. 5.22 Modulo adquisición de señales en el SV-RNA’s.
109
velocidad en revoluciones por minuto y las unidades utilizadas en el modelo son radianes
por segundo, es necesario emplear un factor de conversión para el cambio de unidades.
En la parte inferior de la figura 5.22 se muestra el procesamiento realizado al valor
almacenado en el registro de memoria asociado con los ADC.
110
Fig. 5.23 Modulo Generador de Señal SV-PWM en el SV-RNA’s.
Los ciclos de activación (duty cicle) arrojados por el bloque SVG involucran valores
positivos y negativos; con el fin de asociarlo con las terminales de entradas-salida de
propósito general configuradas para actuar como generadoras de señal PWM (PWM1 a
PWM6 de la tarjeta ), es necesario acondicionar sus valores de tal forma que sean solo
valores positivos y escalados al periodo de la forma de onda base empleado (Weaveform
period, magnitud correspondiente a un periodo de activación de 100% de PWM PRD ,
sección 3.3.1).
La configuración del bloque PWM, que generará la secuencia de pulsos de activación del
inversor, se realiza mediante las ventanas de configuración mostradas en la figura 5.24.
a) b)
111
Para su configuración, se define el modulo PWM a emplear (module). En la tarjeta
eZdspF2812 se tienen disponibles dos módulos: PWM-A y PWM-B; cada uno de ellos
asociado con un administrador de eventos. El periodo de la forma de onda base
(Waveform Period) se especifica introduciendo un valor numérico, en nuestro caso 214 .
El tipo de forma de onda (waveform type) determina la forma de la onda de comparación
empleada en la estimación de los estados de activación de los interruptores de potencia,
con dos alternativas, forma asimétrica y forma de onda simétrica. El parámetro Waveform
period units permite seleccionar las unidades en que se expresa la forma de onda base y
los ciclos de activación, (pulsos de reloj o segundos), en nuestro caso seleccionamos
como unidades de comparación los pulsos de reloj por ser estas las unidades arrojadas por
el bloque SVG. Otra configuración para ajustar el bloque PWM a nuestras necesidades es
seleccionar la cantidad de salidas a emplear en la señal PWM (en nuestro caso tres) y la
forma en que se alimentan los ciclos de trabajo (duty cicle) de dicha señal (figura 5.24b).
Para el resto de los parámetros se emplean sus valores por omisión [3].
Por ultimo, ya que el modelo Simulink se encuentra estructurado, es necesario indicar las
características específicas del dispositivo final en el cual se ejecutara el algoritmo de
control. La librería c2000lib cuenta con bloques para definir la tarjeta que se empleara y
las preferencias en el uso y programación de ella (C2000 Target Preferentes). En nuestro
caso el bloque F2812 eZdsp correspondiente a la tarjeta empleada se asigna con los
valores por omisión [3]. Dicho bloque se presenta aislado en el extremo izquierdo de la
figura 5.25.
Rho estimada
Rho estimada
Velocidad mesurada (rad/s) W_in
Vel_actual
Adquiere Iab y Wr
Etapa Reguladora Genera SV-PWM
112
Figura 5.26. Pantalla del Code Composer Studio.
113
Format) en donde cada archivo es manipulado como modulo, la ventaja de este formato
es la longitud de los programas, que se vuelven más cortos y eficientes. Este software
incluye un editor, compilador, ensamblador y enlazador.
Durante el proceso de creación del ejecutable, se separan cada una de las partes del
programa enlazadas en secciones, donde cada sección corresponde a un dato especifico.
Por ejemplo, se tienen secciones de datos, de variables, de código, de pila, etc. Esta
separación hace flexible el almacenamiento y procesamiento de la información.
114
Otros archivos que añade el RTW son los archivos “.c” de rutinas específicas para
inicializar los periféricos.
En el CCS también se crea el programa principal (main) que tiene el propósito de llamar
a todos los programas asociados cuando sea necesario en la ejecución del proyecto. En la
Figura 5.26 se muestra la pantalla del CCS en donde se observa una parte en lenguaje en
“C” del programa principal creado por el RTW.
El sistema experimental que ha sido elegido para la ejecución física del algoritmo de
control comprende los siguientes elementos (figura 5.1):
115
La tarjeta eZdspF2812 maneja solo señales de 0 a 3.3 voltios en las terminales de
entradas-salida digitales. Para comunicarse con dispositivos externos como el inversor y
codificador óptico es necesario acondicionar el nivel de voltaje de dichas señales para su
uso dentro del sistema de control. Por su parte los convertidores análogo-digital de la
tarjeta eZdspF2812 pueden manejar solo señales en el rango de 0 a 3 V y los sensores de
efecto hall empleados en el banco de pruebas trabajan en el rango de 0 a 12 V por lo que
es necesario el acondicionamiento de dichas señales para su procesamiento.
116
Las 6 señales PWM llegan a la base de los transistores IGBT´s, para conmutarlos después
de haber sido supervisadas por un driver Dual Hibrido para IGBT’s Modelo SKHI 22A
(características técnicas en Anexo D) encargado de evitar secuencias de pulsos
susceptibles de generar cortocircuito en la etapa de Inversión o la presencia de anomalías
en el funcionamiento de la fuente inversora, en inversor cuenta con un drive por cada
rama de IGBT’s. Los transistores solamente trabajan como interruptores, es decir, en sus
zonas de corte ó saturación. La fuente inversora necesita un voltaje de 15 voltios para
alimentar el driver que conmuta los IGBT’s y a su vez recibir la señal PWM en valores
de 0-15 V para su correcta modulación.
Con el fin de estimar la velocidad mecánica del rotor se emplea un sensor de posición del
tipo codificador óptico incremental de la marca Autonics Modelo E30S-4-1000-3-2-24,
sus datos técnicos se presentan en el anexo E.
La señal de salida en los codificadores ópticos puede ser expresada (según el modelo)
mediante distintos tipos de señales tales como voltaje, NPN colector abierto, etc. (ver
anexo E). En el codificador utilizado en esta aplicación su salida es del tipo NPN colector
abierto por lo que requiere ser acondicionada para su posterior alimentación como señal
de voltaje a la tarjeta eZdspF2812.
117
Figura 5.28 Diagrama electrónico para el acondicionamiento de señales digitales.
Para acondicionar los pulsos provenientes del DSP a un nivel de voltaje dentro del rango
de los circuitos TTL (ULN2004A, tabla de datos en Anexo F), se utilizó el circuito
integrado CMOS CD4011 que contiene cuatro compuertas NAND. Una de las terminales
de cada compuerta se conecta a las terminales PWM de la eZdspF2812 y las terminales
restantes de las compuertas se alimentan con 5 voltios. El interruptor de Reinicio
mostrado en la figura 5.28 permite inhibir el paso de las señales PWM. Cuando el
interruptor está cerrado las terminales de las compuertas conectadas a él estará a un nivel
lógico 0, no permitiendo el paso de la señal PWM a través de las compuertas. Cuando el
118
interruptor está abierto sucede lo contrario. Después de las compuertas NAND, las
señales PWM entran al circuito integrado ULN2004A, que esta formado por compuertas
NOT de colector abierto, las cuales nuevamente invierten las señales, volviendo a su
composición original pero con un nivel de tensión de 0-15 voltios.
Para acondicionar los pulsos provenientes del codificador óptico a un nivel de voltaje
dentro del rango de la tarjeta eZdspF2812, se utilizó el circuito integrado ULN2003A
(tabla de datos en anexo F). Para convertir la señal NPN colector abierto arrojada por el
codificador a señal de voltaje, se conectan a +12V dichas salidas mediante una resistencia
de 10 KΩ, después de esto son alimentadas al ULN2003A, volviendo a su composición
original pero con un nivel de tensión de 5 voltios. Por ultimo para limitar la cresta de la
señal obtenida a un rango de valores de 0-3.3 V se emplea el diodo zener 1N4728 cuyo
voltaje nominal es 3.3 V (tabla de datos Anexo G).
Para medir las corrientes de fase del estator se utilizó el transductor CSLA1CD de
Honeywell (mostrado en la Figura 5.29 y su tabla de datos en Anexo H), que es un sensor
de corriente de efecto Hall. Se uso debido a que su respuesta es lineal, tiene un gran
ancho de banda y presenta un buen asilamiento eléctrico. Los sensores lineales de
corriente de efecto hall, producen una señal analógica lineal igual a la forma de onda de
la corriente que está siendo detectada. Este tipo de sensor lleva un anillo, el cual puede
ser abierto open loop o cerrado close loop (este caso). De estos dos es preferible el de
anillo cerrado, ya que esta característica asegura que no habrá ninguna pérdida de
inserción de corriente continua en el conductor, simplifica la instalación, eliminando la
necesidad de usar conexiones directas, lo cual minimiza la disipación de energía y nos
proporciona una salida aislada.
119
Figura 5.29. Sensores de corriente de Efecto Hall y circuito acondicionador.
• Salida lineal.
• Mesura corriente CA y CD.
• Amplio rango de corriente ( 0 a 57 A ).
• Voltaje de salida aislado de la entrada.
• Disipación mínima de energía.
• Corriente máxima limitada solo por el tamaño del conductor.
• Voltaje de alimentación de 8 Vcd a 16 Vcd.
• Bajo costo.
120
Figura 5.30 Diagrama Electrónico del Sensor de Corriente.
121
Referencias Bibliográficas
1. Demuth, H. and M. Beale, Neural Networks Toolbox User´s Guide. Version 4 ed.
2000, Natick,MA: The MathWorks,Inc. 1-208.
2. MathWorks, Getting Started whit Real-Time Worshop For Use Whit Simulink.
Version 6 ed. 2004, Natick, MA: The Mathworks, Inc. 1_1-3_51.
3. MathWorks, I., Embedded Target for the TI TMS320C2000TMDSP Platform For
Use with Real Time Workshop, U.s.G.V. 2, Editor. 2006, The MathWorks, Inc.
4. Texas, I., C28x DSP Design Workshop Student Guide. Revision 5.2 ed. 2005:
Technical Training Organization.
5. Freeman, J.A. and D.M. Skapura, Neural Networks: algorithms, applications, and
programming techniques. 1 ed. Computation and Neural Systems, ed. C. Koch.
Vol. 1. 1991, California: Addison Wesley. 45-124,341-371.
6. Miller III, W.T., R.S. Sutton, and P.J. Werbos, Neural Networks for Control, ed.
N.S. Foundation. Vol. EET-8819699. 1991: University of New Hampshire
7. C28x Foundation, S., IQmath library A Virtual Floating Point Engine, Module
User's Guide, ed. T. Instruments. 2002: Texas Instruments Inc.
8. Texas, I., Digital Motor Control, Software Library. SPRU485 ed. Agosto 2001:
Digital Control Systems Group (DCS).
9. Briz del Blanco, F., Control Vectorial del Motor de Induccion con Identificacion
y Adaptacion a los Parametros de la Carga, in Dep. Ing. Electrica, Electronica,
de Computadores y Sistemas. 1995, Universidad de Oviedo: Oviedo.
10. Spectrum Digital, I., eZdspTMF2812, Technical Reference, Rev. A. May 2002,
Texas Instruments.
122
CAPÍTULO VI
Análisis de Resultados
En esta sección se presenta una prueba del algoritmo de control SV-RNA’s mostrando el
comportamiento del programa en condiciones aproximadas a las del sistema de control
real, discusión basada en simulaciones empleando Simulink de Matlab. (Apéndice I,
Parámetros de simulación).
Primera Etapa
124
Fig. 6.2 Curva Par-Velocidad con aceleración controlada empleando el SV-RNA’s.
En esta primera etapa solo se modificaron las condiciones de diseño de los sistemas CV-
OFR y SV-RNA’s en la naturaleza de la señal de velocidad realimentada. En el diseño se
había considerado una realimentación de velocidad discreta con alta resolución
( ± 0.0005 rpm ) y en las figuras 6.1 y 6.2 se muestran las respuestas del motor en sus
graficas par-velocidad cuando dicha resolución es de ± 15rpm .
Con el fin de observar el comportamiento mecánico del motor al ser controlado por el
CV-OFR y el SV-RNA’s, en la figura 6.3 se muestran las señales de Velocidad y Error en
consigna, ante las nuevas condiciones de operación.
125
Fig. 6.3 Respuesta de la Velocidad controlada.
En la figura 6.3 se limita con un círculo la etapa de inicio en los dos algoritmos de
control. Como se observa, en la señal de error del SV-RNA’s se presentan perturbaciones
aun cuando las condiciones no han cambiado inicialmente. Perturbaciones similares se
observan durante la trayectoria de la velocidad consigna, pero es mas evidente cuando los
valores de velocidad consigna son constantes (como el caso cuando la velocidad consigna
es cero). Cuando la velocidad consigna presenta una forma lineal (tal como al arranque,
cambio de giro y frenado) la respuesta es similar en ambos sistemas.
126
Fig. 6.4 Corrientes del estator estimadas en el marco rotatorio q-d.
En la figura 6.4 se muestran las corrientes del estator estimadas en el marco rotatorio q-d.
La forma de dichas señales muestra perturbaciones de mayor magnitud que las presentes
en la etapa de diseño (figura 3.11) y el desacoplamiento se ve afectado considerablemente
en los estados transitorios. Esto era de esperarse ya que una de las premisas para la
orientación de campo es la adecuada medición o estimación de la posición del flujo de
rotor, en nuestro caso la precisión en la lectura de velocidad mecánica del rotor afecta
directamente la precisión en la estimación de posición del flujo de rotor (Ecuación 5.1).
En ambos algoritmos de control se observan corrientes en cuadratura con oscilaciones de
mayor magnitud que las presentes en su etapa de diseño. La respuesta del SV-RNA’s se
observa con mayores perturbaciones, y al igual que en su error consigna (u originado por
este) en la etapa inicial también se presentan perturbaciones en la componente I qsest , aun
127
Fig. 6.5 Corriente de magnetización y par.
est
Para el caso de las corrientes de magnetización I mR generadas por ambos algoritmos de
control, la magnitud de estas se mantiene con valores cercanos al obtenido en sus
condiciones de diseño (figura 3.11), con presencia de pequeñas perturbaciones en la señal
est
I mR cuando el motor es controlado por el SV-RNA’s.
128
Fig. 6.6 Corrientes de fase etapa de arranque.
129
Fig. 6.7 Corrientes de fase durante la inversión de giro.
En la figura 6.7 se muestran limitadas por rectángulos las corrientes de fase durante la
inversión de giro. En dicha figura se observa bien definido el cambio de fase de las
señales de corriente que hacen posible la inversión de giro de un sentido positivo a un
sentido de giro negativo. La diferencia mas notable entre las señales es el mayor
contenido de armónicos de bajo orden que se genera al emplear el SV-RNA’s.
Segunda Etapa
La respuesta del motor con:
130
.
Fig. 6.8 Curva Par-Velocidad. Consigna velocidad escalón, empleando Reguladores PI.
Fig. 6.9 Curva Par-Velocidad. Consigna velocidad escalón, empleando Reguladores RNA.
En esta segunda etapa se modifican las condiciones de trabajo de los sistemas CV-OFR y
SV-RNA’s en la señal de velocidad realimentada (resolución de ± 15rpm ) y la forma en
que cambia la consigna de velocidad (en forma de escalón). En las figuras 6.8 y 6.9 se
muestran las respuestas del motor en sus graficas par-velocidad para dichas condiciones.
131
En la figura 6.8 se puede observar como el CV-OFR responde al cambio de consigna en
el arranque mediante la generación de un par electromagnético mayor que el generado en
condiciones de aceleración libre (figura 2.10), originando en el motor velocidades
mayores a la nominal, de tal forma que el sistema entra en estado inestable, saliendo de
control.
En cambio la trayectoria que sigue el par al ser controlado por el SV-RNA’s observa una
respuesta bien definida cuando se realiza el arranque, la inversión de giro y el frenado,
figura 6.9, manteniendo la magnitud del par generado cercano a los valores obtenidos en
condiciones de diseño y con una menor cantidad de perturbaciones en el par que las
observadas al probar el algoritmo ante un cambio en la consigna en forma de rampa
(figura 6.2). Aun así, las variaciones presentes en el par electromagnético generado
podrían traducirse en vibraciones indeseables del motor.
Con el fin de observar el comportamiento mecánico del motor ante estas nuevas
condiciones de operación, en la figura 6.10 se muestran las señales de velocidad del
motor y error en la consigna que se generan al ser gobernado por los dos sistemas de
control.
132
Fig. 6.10 Respuesta de la Velocidad cambio de consigna forma escalón.
En cambio la respuesta del motor presenta una forma estable y rápida al ser controlado
por el SV-RNA’s, bajo las mismas condiciones de operación. En la etapa de arranque
emplea aproximadamente 0.4 s en alcanzar su valor consigna ( ω r* = 225rad / s ). Cuando
se aplica la inversión de giro ( t = 2.5s ) el SV-RNA’s responde realizando el cambio de
sentido en aproximadamente 0.4 s. En la etapa de frenado el motor logra frenar en
aproximadamente 0.25 s.
En cada una de estas etapas la velocidad del motor es de forma en sumo aceptable ya que
no presenta sobre-amortiguamiento ni lentitud de respuesta, además de mantenerse
estable, difiriendo en gran manera con la respuesta obtenida con el CV-OFR.
En la figura 6.11 se muestran las componentes en el marco rotatorio q-d de las corrientes
en el estator, estimadas por el observador de flujo ante las nuevas condiciones de
operación.
133
Fig. 6.11 Corrientes en cuadratura.
est
Como se observa en la figura 6.11, la forma de las corrientes I qds generadas en el motor
est
Por otro lado, las corrientes I qds generadas en el motor cuando es gobernado por el SV-
RNA's mantienen características similares a la etapa de prueba anterior (figura 3.4), con
altas oscilaciones en sus valores y perdida parcial del desacoplamiento (originado por la
deficiencia en la estimación de la posición del flujo de rotor). Siendo mas evidentes las
perturbaciones que presenta la corriente I dsest ante los cambios en la velocidad del motor
(zonas enmarcadas con rectángulos en la señal I dsest generada por el SV-RNA’s, fig. 6.11).
134
Fig. 6.12 Corriente de magnetización y par.
est
En la figura 6.12 se muestra el comportamiento de la corriente de magnetización I mR y
el par generado, para el caso en que el motor es gobernado por los algoritmos de control.
est
La corriente de magnetización I mR generada por el CV-OFR presenta una etapa inestable
transitoria en el arranque y posterior a esta logra estabilizarse, manteniendo el valor
consigna (3.079), mostrando que el lazo de control de flujo aun ejerce su acción
est
reguladora. Por su parte, la corriente de magnetización I mR generada por el SV-RNA’s
presenta una respuesta lenta, alcanzando su consigna solo después de la etapa de frenado.
Como ya se mencionó, la respuesta del par cuando el motor es controlado por el CV-OFR
entra en estado inestable y fuera de control después de la etapa transitoria en el arranque.
Por su parte en el SV-RNA’s, el par que esta regido por la componente de corriente I qsest ,
presenta una respuesta bien definida ante los cambios en la velocidad consigna.
135
Fig. 6.13 Corriente de fase etapa de arranque.
136
Fig. 6.14 Corriente de fase en etapa inversión de giro.
137
6.2 Implementación en tarjeta eZdspTMS320F2812 [1]
Primera etapa
Con el fin de observar la respuesta del modulo generador de señal SV-PWM se crea el
*
proyecto correspondiente en CCS, considerando consignas de voltaje v qds constantes y
*
un ángulo rotatorio a 15Hz . Se analizan dos casos, con vqds = 0.7 pu y con vqds
*
= 1 pu .
Para la adquisición de datos en esta prueba se usa una tarjeta PCI6014 a 10KHz
empleando como interfase el Simulink de Matlab [2]. Las figuras 6.15 y 6.16 muestran
las corrientes de fase generadas por el Modulo SV-PWM ejecutado por la eZdspF2812 a
10 Khz. Como se observa en la figura 6.15 , las formas de las señales de corriente
presentan distorsiones muy similares a las originadas cuando la banda de tiempo muerto
(dead band) empleada en la conmutación de la fuente inversora es demasiado grande [3].
138
Fig. 6.16 Corriente de fase en el estator con v qds = 1 pu .
*
En la figura 6.16 se observan las corrientes que alimentan el estator al emplear un valor
*
de consigna vqds = 1 pu ; como se observa en la forma de las corrientes, estas presentan
Segunda etapa
139
Fig. 6.17 Corriente de fase. Inicio de Oscilaciones.
140
Las formas de onda mostradas en las figuras 6.17 a 6.19 parecieran formar un conjunto
de corrientes trifásica balanceadas pero en gran manera distorsionadas con respecto a la
forma sinusoidal.
En las figuras 6.20 a 6.22 se muestran dos de los trenes de pulso PWM (PWM A y PWM
B) que pilotean la fuente inversora cuando las corrientes presentan el comportamiento
ilustrado.
Una característica común que se observa en los trenes de pulsos durante los periodos de
oscilación, figuras 6.20 y 6.22, es una conrmutación rápida en uno de los trenes
monitoreados, pudiendo ser originados por una saturación en el algoritmo de control.
141
Fig. 6.22 Señales QEP A y B. Periodo de oscilaciones en el rotor.
Referencias Bibliográficas
142
CAPÍTULO VII
7.1 Conclusiones
Este trabajo de tesis dio continuidad a una línea de investigación, creada con el fin de
hacer más eficiente la tarea de control en los motores de inducción y aumentar el campo
de uso de dichos motores, en el área de control de máquinas eléctricas con tecnología
DSP dentro del instituto Tecnológico de la Laguna.
A tal fin, en las primeras fases del trabajo se utilizo Simulink, una potente herramienta de
Matlab que facilito el diseño y evaluación a nivel simulación del sistema de control [1-3].
El modelo computacional del motor de inducción que se empleo en esta tesis fue el
modelo en coordenadas de flujo del rotor, el cual proporciona un modelo del motor
similar al motor de CD, con desacoplamiento entre las corrientes de par I qse y de campo
I qse [4, 5]. Los parámetros del motor se obtuvieron mediante las pruebas de motor sin
El tipo de control vectorial utilizado como referencia ha sido el Orientado con el Flujo
del Rotor, en la modalidad propuesta por Blaschke, empleando el observador de flujo
expuesto por Briz del Blanco [7-9]. La respuesta a nivel simulación del control vectorial
orientado con el flujo del rotor mostró un buen comportamiento y a partir de los
resultados de la simulación se obtuvieron la base de patrones de entrenamiento y de
prueba para las Redes Neuronales Artificiales propuestas.
En el control clásico generalmente se utiliza el regulador PID para corregir los errores en
el lazo de velocidad, corriente de par I qse y corriente de campo I dse , en nuestro caso se
tomo como referencia los patrones de entrenamiento generados por los reguladores para
el entrenamiento de las Redes Neuronales Artificiales del tipo retro-propagación (RNA-
BP), las cuales ocuparon el lugar de dichos reguladores en el sistema de control.
144
Una vez entrenadas las RNA-BP nos permitieron comparar a nivel simulación la
respuesta de control en ambos sistemas y colegir si los modelos y estructuras neuronales
eran apropiados. Las RNA-BP entrenadas como reguladoras mostraron un buen
comportamiento y generalización ante condiciones de operación normal. Ante
condiciones deficientes en la realimentación de señales la respuesta del controlador
empleando RNA-BP mostró un mejor comportamiento que en el caso de los reguladores
PI. Los resultados de la simulación han demostrado la efectividad del uso de RNA-BP en
sustitución de los reguladores PI empleados en el control vectorial clásico.
Elementos básicos en esta fase fueron el grupo máquina de inducción con los respectivos
sensores, convertidores y tarjeta de control eZdspF2812 en la que se probó el algoritmo
SV-RNA’s. El estimador de velocidad empleado (para el codificador óptico) fue el
145
disponible en la librería C2000 de Simulink, la resolución pobre obtenida en la
estimación de velocidad mostraron la necesidad de mejorar la estimación de la velocidad
del rotor y su adaptación con el algoritmo de control. Los sensores de efecto hall
empleados en la mesura de las corrientes de fase presentaron una buena respuesta ante las
señales de corriente generadas por el SV-RNA’s. En la generación de pulsos SV-PWM
se pudo observar una deficiencia en la respuesta del algoritmo generador ante
condiciones cercanas a sobre-modulación, y también debida a los tiempos muertos no
considerados en el diseño y empleados en la activación de los interruptores de potencia.
Las recomendaciones para trabajos futuros se pueden dividir en dos clases: Las referentes
a la implementación en hardware y las referentes al Algoritmo de control.
La implementación en hardware del sistema SV-RNA’s puede ser mejorado haciendo uso
de un estimador de velocidad con mayor precisión que el aquí empleado, pudiendo ser
este de naturaleza hibrida combinando frecuencimetros y periodimetros [7].
146
Otra modificación recomendable para la implementación en tiempo real del SV-RNA’s
es el uso de un elemento generador de rampas para la consigna de velocidad, en lugar de
emplear un espacio de memoria para el valor constante de velocidad consigna, que
origina corrientes de operación de magnitud mayor a las normales (Figuras 2.11 y 6.14 ).
Otra alternativa en el uso de RNA’s en el control vectorial del motor de inducción seria
emplear otras propuestas de control vectorial tal como:
• La técnica de Control Directo de Par. El cual presenta menos sensibilidad a los
parámetros estimados del motor y considera el uso de una fuente inversora en la
alimentación del motor de inducción.
147
• Control sin sensor. Esta alternativa de diseño es mucho mas económica puesto
que ocupa menos componentes (no requiere sensores de posición).
Referencias Bibliográficas
1. MathWorks, Getting Started whit Real-Time Worshop For Use Whit Simulink.
Version 6 ed. 2004, Natick, MA: The Mathworks, Inc. 1_1-3_51.
2. MathWorks, Real-Time Windows Target User´s Guide. Version 2 ed. 2004,
Natick,MA: The Mathworks, Inc.
3. MathWorks, I., Embedded Target for the TI TMS320C2000TMDSP Platform For
Use with Real Time Workshop, U.s.G.V. 2, Editor. 2006, The MathWorks, Inc.
4. Krause, P.C. and C.H. Thomas, Simulation of Symmetrical Induction Machinery.
IEEE Transactions on Power Apparatus and Systems, 1965. 11.
5. Ozpineci, B. and L.M. Tolbert, Simulink Implementation of Induction Machine
Model - A Modular Approach IEEE IEMDC'03, 2003. 2: p. 728-734.
6. IEEE, IEEE-112 Standard Test Procedure for Polyphase Induction Motor and
Generators. IEEE Power Engineering Society, 1991. 1.
7. Briz del Blanco, F., Control Vectorial del Motor de Induccion con Identificacion
y Adaptacion a los Parametros de la Carga, in Dep. Ing. Electrica, Electronica, de
Computadores y Sistemas. 1995, Universidad de Oviedo: Oviedo.
148
8. Novotny, D.W. and L.T. A., Vector Control and Dynamics of AC Drives.
Monographs in Electrical and Electronic Engineering. 2000: CLARENDON
PRESS - OXFORD.
9. Mohan, N., Advanced Electric Drives Analysis, Control and Modeling using
Simulink. 2001: MNPERE.
10. Haykin, S., Neural Networks A Comprehensive Foundation. 2004: IEEE
Computer Society Press.
11. Miller III, W.T., R.S. Sutton, and P.J. Werbos, Neural Networks for Control, ed.
N.S. Foundation. Vol. EET-8819699. 1991: University of New Hampshire
12. Demuth, H. and M. Beale, Neural Networks Toolbox User´s Guide. Version 4 ed.
2000, Natick,MA: The MathWorks,Inc. 1-208.
13. C28x Foundation, S., IQmath library A Virtual Floating Point Engine, Module
User's Guide, ed. T. Instruments. 2002: Texas Instruments Inc.
14. Spectrum Digital, I., eZdspTMF2812, Technical Reference, Rev. A. May 2002,
Texas Instruments.
15. Texas, I., C28x DSP Design Workshop, Student Guide. Revision 5.2 ed. 2005:
Technical Training Organization.
16. Texas, I., Digital Motor Control, Software Library. SPRU485 ed. Agosto 2001:
Digital Control Systems Group (DCS).
149
ANEXO A
ESTIMACION DE PARAMETROS
ηn = 1740 ηm = 1790
Vcc 13V
Rs = = = 0.8333Ω
2 I cc 2(7.8 A)
Vvac / 3
Z vac = = 37.42Ω = x1+xm
I vac
Pcs = 3I s2 R s = 3(3.42 ) (0.8333 ) = 29.24W
2
⎣ 3 ⋅ vT I L ⎦ ⎣ 3 ⋅ 20(7.8) ⎦
Considerando:
V / 3
Z vac = vac = 37.42Ω = X s + X m
I vac
X m = 37.42 − 1.4905 = 35.9295Ω
De catalogo SIEMENS
Tnom = 9.1 Pies*libra = 9.1*1.36 N*m
SEMISTACK - IGBT
Circuit Irms (A) Vac / Vdcmax Types
B6CI 30 440 / 750 SEMITEACH - IGBT
Typical Applications
• Education: One stack can
simulate almost all existing
industrial applications:
- 3-phase inverter+brake chopper
- Buck or boost converter
- Single phase inverter
- Single or 3-phase rectifier
1) Photo non-contractual
General dimensions
sxvy}
x| sxvx}
q=Y^ SXNSMK^ON ^cZO S] K`KSVKLVO ^Y M_]^YWSdOr
xy{
n o
B B
>_^Z_^ ZRK]O >_^Z_^ LO^aOOX 1 KXN 2 ZRK]O - g qB/yMcMVO YP 1 ZRK]Or
EBG8EK ;A9B:;E,>A9E;@;AG8? GKC;- | +
} zv* ] / xv}WW <Kbv
3g]
BY^OW ZYVO Y_^Z_^ {;Yam;YKN M_\\OX^-<Kbv {xW1t @O]SN_KV `YV^KQO-<Kbv xv|D43
3YX^\YV Y_^Z_^
+EROX MYWLSXO ^RO MY_ZVSXQ ^Y OXMYNO\ ]RKP^t SP ^RO\O S]
igflh likjil
{8SQRm;YKN M_\\OX^-<Kbv yxW1t >_^Z_^ `YV^KQO-<SXv q?YaO\ `YV^KQOuyv}rD43 n/ xvz}WW <Kbv
zy LSQ OMMOX^\SMS^c Y\ LOXN LO^aOOX \Y^K^SXQ OXMYNO\ ]RKP^
=?= YZOX MYVVOM^Y\ Y_^Z_^ ;YKN M_\\OX^-<Kbv {xW1t @O]SN_KV `YV^KQO-<Kbv xv|D43 o/ }i<Kbv m KXN WK^O ]RKP^t S^ aSVV WKUO ^RO VSPO McMVO YP OXMYNO\
DYV^KQO Y_^Z_^ ;YKN M_\\OX^-<Kbv yxW1t @O]SN_KV `YV^KQO-<Kbv xv|D43 qCXS^-WWr KXN MY_ZVSXQ ]RY\^OXv
5VOM^\SMKV ]ZOMSPSMK^SYX
@ 8 A H 8 ? ;SXO N\S`O\ Y_^Z_^
{;Ya m ;YKN M_\\OX^-<Kbv zxW1t @O]SN_KV `YV^KQO-<Kbv xv}D43
{8SQR m ;YKN M_\\OX^-<Kbv uzxW1t >_^Z_^ `YV^KQO-<SXv zv}D43
+9^ W_]^ XY^ _]O VK\QO\ ]RKP^ VYKNSXQ ^RKX ]ZOMSPSMK^SYXv
d B_^Z_^ aL`PQY\W
@O]ZYX]O ^SWO
BY^OW ZYVO Y_^Z_^ <Kbv yp
q@O]Ow6KVVr
=?= YZOX MYVVOM^Y\ Y_^Z_^ <Kbv yp {<OK]_\SXQ MYXNS^SYX +GY^PW CYVP Y_^Z_^1ACA YZPX NYVVPN^Y\ +?TXP O\T`P\ Y_^Z_^
<Kbv ypq}D43->_^Z_^ \O]S]^KXMO +zxqrt m 3KLVO VOXQ^R-zWt
DYV^KQO Y_^Z_^ <Kbv zpqyzuz|D43->_^Z_^ \O]S]^KXMO |v*Uqr ~ ]SXU/<Kbv zxW1
Y_^Z_^1IYV^LRP Y_^Z_^ B
B 8
;SXO N\S`O\ Y_^Z_^ <Kbv xv}p 1 ZRK]O
B B ; B B
<Kbv @O]ZYX]O P\O[_OXMc y+xU8d g g
z | 8 z |
<Kbv ~xW1qNS]MYXXOM^SYX YP ^RO VYKNrt 1 ZRK]O
3_\\OX^ MYX]_WZ^SYX 8 ;
;SXO N\S`O\ Y_^Z_^-<Kbv }xW1qNS]MYXXOM^SYX YP ^RO VYKNr B B
1 ZRK]O B B g
~X]_VK^SYX \O]S]^KXMO <SXv yxx<qqK^ }xxD43r ; g | +
| + 8
4SOVOM^\SM ]^\OXQ^R *}xD13 }xw~x8d PY\ y WSX_^Oq2O^aOOX KVV ^O\WSXKV] KXN MK]Or 2 ZRK]O
;
3YXXOM^SYX 3KLVO Y_^QYSXQ ^cZO 8
2 ZRK]O 2 ZRK]O 8
A^K\^SXQ ^Y\[_O <Kbv zxQP{MWqxvxxz={Wr ; ;
]ZOMSPSMK^SYX
<OMRKXSMKV
<YWOX^ YP SXO\^SK <Kbv zxQ{MWyqzhyx u~
UQfWyr 8 H ZRK]O 8
BRKXU cY_ `O\c W_MR PY\ ]OVOM^SXQ 1_^YXSM] Z\YN_M^]v H ZRK]O
;
BgB
z ; B gB
ARKP^ VYKNSXQ @KNSKV - <Kbv zUQPt BR\_]^ - <Kbv yUQP z
<Y\ bY_\ ]LQP^b. ZVPL]P \PLO ^SP QYVVYaTXR MPQY\P _]TXR0 4O`SK^SYX YP ]RKP^ ZY]S^SYX @KNSKV - <Kbv xvyWWt BR\_]^ - <Kbv xvzWW 3E
H ZRK]O 8
;
<Kbv KVVYaKLVO \O`YV_^SYX ,AY^P3- }xxx\ZW k@Y^K^SXQ NS\OM^SYX-3E 3E
d 9L_^TYX QY\ bY_\ ]LQP^b DSL\K^SYX yv}WW KWZVS^_NO K^ P\O[_OXMc YP yxe}}8d SX OKMR YP Ft Gt H NS\OM^SYX] PY\ z RY_\]
k?VOK]O UOOZ ^RO]O SX]^\_M^SYX] KXN \O`SOa ^ROW LOPY\O _]SXQ ^RS] _XS^v ARYMU <Kbv }x7 d 9L_^TYX QY\ _]TXR
1WLSOX^ ^OWZO\K^_\O uyx e *xjqK^ XYXuP\OOdSXQ ]^K^_]rt A^Y\KQO - uz} e +}j yv 9X]^KVVK^SYX
k?VOK]O YL]O\`O ^RO MK_^SYX] ^RK^ PYVVYa.
1WLSOX^ R_WSNS^c {} e +}o@8t A^Y\KQO - {}e,xo@8 rBRS] _XS^ S] MYX]S]^ON YP Z\OMS]SYX MYWZYXOX^]v BRO\OPY\O ZVOK]O ^\OK^ ^RS] Z\YN_M^
+ JL\XTXR AO\SY_] SXT_\c WKc \O]_V^ SP SX]^\_M^SYX] K\O XY^ PYVVYaONv ?\Y^OM^SYX ~?}xq~53 ]ZOMSPSMK^SYXr MK\OP_VVcv
?\YN_M^ WKc LO NKWKQONt Y\ SXT_\c WKc \O]_V^ SP SX]^\_M^SYX] K\O sEROX cY_ SX]^KVV ^RS] _XS^t SP OMMOX^\SMS^c KXN NOPVOM^SYX KXQVO K\O VK\QO\t S^ WKc ]RY\^OX
+ 9L_^TYX XY^ PYVVYaONv
3KLVO ,AY^P4- }?t x}WWt ;OXQ^R-zWt ARSOVN MKLVOq;SXO N\S`O\ Y_^Z_^-+?t x}WWr
^RO VSPO McMVO YP ^RS] _XS^v
1MMO]]Y\c x|WW MY_ZVSXQ
zv 5X`S\YXWOX^
kBRO PYVVYaSXQ S] KX ObZVKXK^SYX YP ^RO ]cWLYV] _]ON SX ^RO YZO\K^SYX WKX_KVv EOSQR^ 1ZZ\Ybv +xQ
?VOK]O NY XY^ _]O ^RS] _XS^ aS^R LOVYa OX`S\YXWOX^t S^ \O]_V^] SX WKVP_XM^SYXv
+ -9XT_\c Y\ NKXQO\ WKc YMM_\ _XNO\ ]ZOMSKV MYXNS^SYX]v 1ZZ\Y`KV q5bMOZ^ ;SXO N\S`O\ Y_^Z_^r r?VKMO aRO\O ^RS] _XS^ Y\ MYWZYXOX^ WKc LO NKWKQON Lc ]^\YXQ `SL\K^SYX Y\ SWZKM^v
k,AY^P3-<Kbv KVVYaKLVO \O`YV_^SYX <Kbv \O]ZYX]O \O`YV_^SYX I<Kbv \O]ZYX]O \O`YV_^SYXq\ZWr/
<Kbv \O]ZYX]O P\O[_OXMc
h~x ]OMJ
s?VKMO aRO\O ^RO\O K\O VY^] YP PVKWWKLVO Y\ MY\\Y]S`O QK]O]v
+ JL\XTXR ?VOK]O ]OVOM^ ^RO \O]YV_^SYX ^Y WKUO VYaO\ WKbv \O`YV_^SYX ^RKX WKbv KVVYaKLVO \O`YV_^SYXv
@O]YV_^SYX t?VKMO aRO\O ]^\YXQ WKQXO^ PSOVN Y\ OVOM^\SM XYS]O K\O YMM_\\ONv
k,AY^P4-BRO MKLVO VOXQ^R S] MRKXQOKLVOv q>Z^SYXr u?VKMO aRO\O S] LOcYXN YP \K^SXQ ^OWZO\K^_\O Y\ R_WSNS^cv
30 JSPX _]P ^ST] _XT^ QY\ NYX^\YVVTXR STRSVb LQQPN^T`P P[_TZWPX^ ^Y S_WLX v?VKMO aRO\O ]^\YXQ KMSN] Y\ KVUKVS XOK\ Lcv
Y\ Z\YZP\^TP]0 ,@POTNLV TX]^\_WPX^. IPSTNVP]. G\LTX. 8T\ZVLXP. d :TWPX]TYX] {yv{ {v*
w?VKMO aRO\O ^RO\O S] ^RO NS\OM^ \Kc YP ^RO ]_Xv
NYWM_]^TYX LZZL\L^_]. PX^P\^LTXWPX^ P^N0-. T^ \P[_T\P] TX]^LVVTXR L QLTV {v DSL\K^SYX KXN 9WZKM^
|u<{ B1?q4?}r yyvz { sx z} rEROX ^RO ]^\YXQ SWZKM^ VYKN] YX ^RS] _XS^t ^RO O\\Y\ Z_V]O WKc YMM_\ K] SP ^RO ]VS^ S]
]LQP^b OP`TNP0 yzxi
uxvy
uxvy
+
uxvxx}
x| uxvxz
xy} sx
x{x
|v ES\O MYXXOM^SYX
30 :Y XY^ O\YZ aL^P\ Y\ YTV YX ^ST] _XT^0 r4Y XY^ N\Ka ^RO aS\O aS^R Y`O\ {x= ]^\OXQ^R KP^O\ aS\SXQv
9^ WKc MK_]O NKWKQO Y\ WS]MYX^\YV N_O ^Y WKVP_XM^SYXv ?v3v4 zzv} sEROX K RSQR `YV^KQO Y\ ZYaO\ VSXO ZK]] XOK\ Lc ^RO OXMYNO\ MKLVOt LO ]_\O ^Y aS\O
qCXS^-WWr ^RO OXMYNO\ MKLVO SX ]OZK\K^ON MYXN_S^ ^Y Z\O`OX^ WKVP_XM^SYXv
40 CVPL]P YM]P\`P `YV^LRP \L^TXR0
9^ WKc ]RY\^OX ^RO VSPO McMVO Y\ NKWKQO ^Y ^RS] _XS^v tEROX Ob^OXN ^RO MKLVOt ZVOK]O _]O S^ KP^O\ MROMUSXQ ^RO MKLVO KXN \O]ZYX]O P\O[_OXMc
50 CVPL]P NSPNU ^SP ZYVL\T^b YQ ZYaP\ LXO a\YXR aT\TXR0 d 9YX^\YV Y_^Z_^ OTLR\LW N_O ^Y SXM\OWOX^ YP \O]SN_KV `YV^KQO Y\ NS]^Y\^SYX YP aK`OPY\W MKX LO OK]SVc YMM_\\ONv
q?\OPO\KLVO ]RY\^O]^ NS]^KXMO PY\ YZO\K^SXQr
9^ WKc \O]_V^ SX NKWKQO ^Y ^RS] _XS^v BY^OW ZYVO Y_^Z_^ =?= YZOX MYVVOM^Y\ Y_^Z_^ DYV^KQO Y_^Z_^ ;SXO N\S`O\ Y_^Z_^
uARSOVN aS\O W_]^ LO MYXXOM^ON ^Y 6v7 ^O\WSXKVv
60 :Y XY^ ]SY\^ NT\N_T^ ^SP VYLO0 @Y^K\c OXMYNO\ ;YKN @Y^K\c OXMYNO\ ;YKN @Y^K\c OXMYNO\ ;YKN @Y^K\c OXMYNO\ ;YKN
MS\M_S^ MYXXOM^SYX MS\M_S^ MYXXOM^SYX MS\M_S^ MYXXOM^SYX MS\M_S^ MYXXOM^SYX }v 9X]^KVVK^SYX OX`S\YXWOX^
9^ WKc \O]_V^ SX NKWKQO ^Y ^RS] _XS^v sD sD sD sD
r9^ ]RKVV LO _]ON SXNYY\ s1V^S^_NO <Kbv zxxxW
ky
t?YVV_^SYX 4OQ\OO z u9X]^KVVK^SYX 3K^OQY\c*}
ASXU M_\\OX^- AY_\MO M_\\OX^-
d B_^VTXP <Kbv {xW1 ;YKN ;YKN @ <Kbv yxW1 c>^ WLb NL_]P WLVQ_XN^TYX TQ LMY`P TX]^\_N^TYX] L\P XY^ QYVVYaPO0
<KSX MS\M_S^
<KSX MS\M_S^
<KSX MS\M_S^
<KSX MS\M_S^
s s 1 ZRK]O
>_^Z_^ s s
BRS] _XS^ S] `O\c _]OP_V ^Y MYX^\YV VOXQ^Rt KXQVO KXN ZY]S^SYX Lc MYX`O\^SXQ \O`YV_^SYX d @LTX Z\YO_N^]
>_^Z_^ >_^Z_^ Y_^Z_^
u
`KV_O YP ]RKP^ SX^Y X_WLO\ YP Z_V]O K] KX YZ^SMKV SXM\OWOX^KV 5XMYNO\v kz u ASXU M_\\OX^-
u u 1 ZRK]O
AY_\MO M_\\OX^-
;YKN <Kbv {xW1 ;YKN Y_^Z_^ l 3>C=B5@
<Kbv yxW1
xD l B9<5@
d B\OP\TXR TXQY\WL^TYX xD
xD xD
l B5<?5@1BC@5 3>=B@>;;5@
;52F 6 3246 4
l ?1=5; <5B5@
5 46 | BRO Y_^Z_^ MS\M_S^ YP 1t 2t H ZRK]O K\O ^RO ]KWOvq;SXO N\S`O\ Y_^Z_^ S] 1t 1t 2t 2t Ht Hr
l B138>w;9=5 A?554w?C;A5 <5B5@
| BY^OW ZYVO Y_^Z_^ MKX LO _]ON PY\ =?= YZXO MYVVOM^Y\ ^cZOqkyr Y\ `YV^KQO Y_^Z_^ ^cZOqkzrv ,02102-3.0/
ARKP^ ?_V]Ow l 49A?;1G C=9B
AO\SO] >_^Z_^ ZRK]O >_^Z_^ ?YaO\ ]_ZZVc S^^Z711aaa0L_^YXTN]0NYW
NSKWO^O\ y@O`YV_^SYX
d 9YXXPN^TYX] l
l
?@>F9<9BG A5=A>@
?8>B>5;53B@93 A5=A>@ FL^T]QTLMVP CL\^XP\ <Y\ <LN^Y\b 8_^YWL^TYX
z-1t 2 y-BY^OW ZYVO Y_^Z_^ +GY^PW CYVP Y_^Z_^1ACA YZPX NYVVPN^Y\ +?TXP O\T`P\ Y_^Z_^
4SKWO^O\ yxxt zxxt {~xt {-1t 2t H z-=?= YZOX MYVVOM^Y\ } -}D43 g}o 2\YaX-sDq}D43 g}or
l 6925@ >?B93 A5=A>@ l=;8:DH8EG;EF -
Y_^Z_^1IYV^LRP Y_^Z_^ l ?@5AAC@5 A5=A>@ |yu}t GYXQNKXQu\St CXQ]KXQuO_Zt GKXQ]KXu]St 7cOYXQXKWt
x{xWWt x|WW }xxt yxxxt Y_^Z_^ z|-yzuz|D43 2VKMU->CB 1
|-1t 1t 2t 2 2\YaX-sDq}D43t yzuz|D43 g}or ~z~u+|*t :Y\OK
]RKP^ ^cZO {-DYV^KQO Y_^Z_^ 2VKMU->CB 1 @ON->CB 1 l @>B1@G 5=3>45@
yxz|t {xxx ~-1t 1t 2t 2t Ht H g}o l>AG;EA8G>BA8? F8?;F -
;-;SXO N\S`O\ Y_^Z_^ ERS^O->CB 2 ERS^O->CB 2 l A5=A>@ 3>=B@>;;5@ 2VNQv |xz {\N 6Vvt 2_MROYX BOMRXY ?K\Ut y,{t GKUNKOuNYXQt
>\KXQO->CB H 7\Kc->CB 2 l ?>E5@ 3>=B@>;;5@ EYXWSuQ_t 2_MROYXu]St 7cOYXQQSuNYt |zxu*{|t :Y\OK
kA^KXNK\N-1t 2t H kBRO ZYaO\ YP ;SXO N\S`O\ 2V_O-7=4qxDr >\KXQO->CB H B5;-+zu{zu{z,ux*zz w 61F-+zu{zu{z,ux*z+
S] YXVc PY\ }D43 GOVVYa->CB H
l AB5??9=7 <>B>@ p 4@9D5@ l;/WLTV - ]KVO]0K_^YXSM]vXO^
kA^KXNK\N-5{xA|u ?C;A5 u{uzuz|qyzuz|D43r ARSOVN-6{7
k2YNc YP 5XMYNO\ S] ]RSOVNONv 2V_O-7=4qxDr p 3>=B@>;;5@
cGSP LMY`P ]ZPNTQTNL^TYX L\P NSLXRPLMVP aT^SY_^ XY^TNP LXb^TWP0 k=YXu_]SXQ aS\O] W_]^ LO SX]_VK^ONv ARSOVN-6{7 l ;1A5@ <1@:9=7 AGAB5<q3>zt =N-G17r 5?u:5ux,uxxzx1
ULN2001A-ULN2002A
® ULN2003A-ULN2004A
.. (600mA PEAK)
OUTPUT VOLTAGE 50V
INTEGRATED SUPPRESSION DIODES FOR
. INDUCTIVE LOADS
OUTPUTS CAN BE PARALLELED FOR
.. HIGHER CURRENT
TTL/CMOS/PMOS/DTL COMPATIBLE INPUTS
INPUTS PINNED OPPOSITE OUTPUTS TO
DIP16
SO16
SCHEMATIC DIAGRAM
THERMAL DATA
Symbol Parameter DIP16 SO16 Unit
Rth j-amb Thermal Resistance Junction-ambient Max. 70 120 °C/W
2/8
ULN2001A - ULN2002A - ULN2003A - ULN2004A
3/8
ULN2001A - ULN2002A - ULN2003A - ULN2004A
TEST CIRCUITS
Figure 1a. Figure 1b.
Figure 2. Figure 3.
Figure 4. Figure 5.
Figure 6. Figure 7.
4/8
ULN2001A - ULN2002A - ULN2003A - ULN2004A
Figure 8: Collector Current versus Input Current Figure 9: Collector Current versus Saturation
Voltage
Ic D96IN454
Ic D96IN453
(mA) (mA)
Tj=25˚C
500 500
Tj=25˚C
400 400
Max Max
300 300
200 200
TYPICAL TYPICAL
100 100
0 0
0 100 200 300 400 500 Ib(µA) 0.0 0.5 1.0 1.5 Vce(sat)
Figure 10: Peak Collector Current versus Duty Figure 11: Peak Collector Current versus Duty
Cycle Cycle
400 400
2
300 300
Tamb=70˚C 3
(DIP16) 5
200 200
7
100 100
NUMBER OF ACTIVE OUTPUT
0 0
0 20 40 60 80 DC 0 20 40 60 80 100 DC
5/8
ULN2001A - ULN2002A - ULN2003A - ULN2004A
mm inch
DIM. OUTLINE AND
MIN. TYP. MAX. MIN. TYP. MAX. MECHANICAL DATA
a1 0.51 0.020
b 0.5 0.020
b1 0.25 0.010
D 20 0.787
E 8.5 0.335
e 2.54 0.100
e3 17.78 0.700
F 7.1 0.280
I 5.1 0.201
L 3.3 0.130
DIP16
Z 1.27 0.050
6/8
ULN2001A - ULN2002A - ULN2003A - ULN2004A
mm inch
DIM. OUTLINE AND
MIN. TYP. MAX. MIN. TYP. MAX. MECHANICAL DATA
A 1.75 0.069
a2 1.6 0.063
C 0.5 0.020
c1 45˚ (typ.)
e 1.27 0.050
e3 8.89 0.350
M 0.62 0.024
SO16 Narrow
S 8˚(max.)
(1) D and F do not include mold flash or protrusions. Mold flash or potrusions shall not exceed 0.15mm (.006inch).
7/8
ULN2001A - ULN2002A - ULN2003A - ULN2004A
Information furnished is believed to be accurate and reliable. However, STMicroelectronics assumes no responsibility for the conse-
quences of use of such information nor for any infringement of patents or other rights of third parties which may result from its use. No
license is granted by implication or otherwise under any patent or patent rights of STMicroelectronics. Specification mentioned in this
publication are subject to change without notice. This publication supersedes and replaces all information previously supplied. STMi-
croelectronics products are not authorized for use as critical components in life support devices or systems without express written
approval of STMicroelectronics.
The ST logo is a registered trademark of STMicroelectronics
© 2002 STMicroelectronics – Printed in Italy – All Rights Reserved
STMicroelectronics GROUP OF COMPANIES
Australia - Brazil - Canada - China - Finland - France - Germany - Hong Kong - India - Israel - Italy - Japan - Malaysia - Malta - Morocco -
Singapore - Spain - Sweden - Switzerland - United Kingdom - United States.
http://www.st.com
8/8
This datasheet has been download from:
www.datasheetcatalog.com
MAXIMUM RATINGS
Rating at 25 °C ambient temperature unless otherw ise specified
Note :
(1) TL = Lead temperature at 3/8 " (9.5mm) from body
(2) Valid provided that leads are kept at ambient temperature at a distance of 10 mm from case.
1.25
L = 3/8" (9.5mm)
1.00
(WATTS)
0.75
0.50
0.25
Note :
( 1 ) The type number listed have a standard tolerance on the nominal zener voltage of ± 10%.
A standard tolerance of ± 5% on individual units is also available and is indicated by suffixing
"A" to the standard type number.
This datasheet has been download from:
www.datasheetcatalog.com
Sensed Sensitivity
Mtg. Supply Supply Current Offset mV&N* Offset Response
Catalog Dim. Volt. Current (Amps Volt. At 12 VDC Shift Time
Listing Fig. (Volts DC) (mA Max.) Peak) (Volts±10%) Nominal ± TOL (%/°C) (µ Sec.)
CSLA1CD 1 8 to 16 19 57 Vcc/2 49.6 5.8 ±.05 3
CSLA1CE 1 8 to 16 19 75 Vcc/2 39.4 4.4 ±.05 3
CSLA1DE 2 8 to 16 19 75 Vcc/2 39.1 4.8 ±.05 3
CSLA1CF 1 8 to 16 19 100 Vcc/2 29.7 2.7 ±.05 3
CSLA1DG 2 8 to 16 19 120 Vcc/2 24.6 2.1 ±.05 3
CSLA1CH 1 8 to 16 19 150 Vcc/2 19.6 1.8 ±.05 3
CSLA1DJ 2 8 to 16 19 225 Vcc/2 13.2 1.2 ±.05 3
CSLA1EJ 1a 8 to 16 19 225 Vcc/2 13.2 1.5 ±.05 3
CSLA1DK 2 8 to 16 19 325 Vcc/2 9.1 1.7 ±.05 3
CSLA1EK 1a 8 to 16 19 325 Vcc/2 9.4 1.3 ±.05 3
CSLA1EL 1a 8 to 16 19 625 Vcc/2 5.6 1.3 ±.05 3
Sensed Sensitivity
Mtg. Supply Supply Current Offset mV&N* Offset Response
Catalog Dim. Volt. Current (Amps Volt. At 8 VDC Shift Time
Listing Fig. (Volts DC) (mA Max.) Peak) (Volts±2%) Nominal ± TOL (%/°C) (µ Sec.)
CSLA2CD 1 6 to 12 20 72 Vcc/2 32.7 3.0 ±.02 3
CSLA2CE 1 6 to 12 20 92 Vcc/2 26.1 2.1 ±.02 3
CSLA2DE 2 6 to 12 20 92 Vcc/2 25.6 2.2 ±.02 3
CSLA2CF 1 6 to 12 20 125 Vcc/2 19.6 1.3 ±.02 3
CSLA2DG 2 6 to 12 20 150 Vcc/2 16.2 1.1 ±.02 3
CSLA2DJ 2 6 to 12 20 225 Vcc/2 8.7 0.6 ±.020 3
CSLA2DH 2 6 to 12 20 235 Vcc/2 9.8 1.1 ±.0125 3
CSLA2EJ 1a 6 to 12 20 310 Vcc/2 7.6 0.7 ±.0125 3
CSLA2DK 2 6 to 12 20 400 Vcc/2 5.8 0.5 ±.0125 3
CSLA2EL 1a 6 to 12 20 550 Vcc/2 4.3 0.4 ±.0125 3
CSLA2EM 1a 6 to 12 20 765 Vcc/2 3.1 0.3 ±.007 3
CSLA2EN 1a 6 to 12 20 950 Vcc/2 2.3 0.2 ±.007 3
NOTE: When monitoring purely AC current with zero DC component, a capacitor can be inserted in series with the output of the current sensor. The capacitor will block
out the effect of the temperature variation of the offset voltage which increases the accuracy of the device.
* N = number of turns
PDFINFO p a g e - 0 5 8
58 Honeywell Sensing and Control 1 1-800-537-6945 USA 1 F1-815-235-6847 International 1 1-800-737-3360 Canada
Solid State Sensors CS Series
Linear Current Sensors
SIDE MOUNT WITH 9SS SENSOR, SOURCE OUTPUT
Sensitivity
Sensed
Mtg. Supply Supply Current Offset mV&N* Offset Response
At 12 VDC
Catalog Dim. Volt. Current (Amps Volt. Shift Time
Listing Fig. (Volts DC) (mA Max.) Peak) (Volts±10%) Nominal ± TOL (%/°C) (µ Sec.)
CSLA1GD 2a 8 to 16 19 57 Vcc/2 49.6 5.8 ±.05 3
CSLA1GE 2a 8 to 16 19 75 Vcc/2 39.4 4.4 ±.05 3
CSLA1GF 2a 8 to 16 19 100 Vcc/2 29.7 2.7 ±.05 3
Sensitivity
Sensed
mV&N*
Mtg. Supply Supply Current Offset Offset Response
At 8 VDC
Catalog Dim. Volt. Current (Amps Volt. Shift Time
Listing Fig. (Volts DC) (mA Max.) Peak) (Volts±2%) Nominal ± TOL (%/°C) (µ Sec.)
CSLA2GD 2a 6 to 12 20 72 Vcc/2 32.7 3.0 ±.02 8
CSLA2GE 2a 6 to 12 20 92 Vcc/2 26.1 2.1 ±.02 8
CSLA2GF 2a 6 to 12 20 125 Vcc/2 19.6 1.3 ±.02 8
CSLA2GG 2a 6 to 12 20 150 Vcc/2 12.7 0.6 ±.02 8
NOTE: When monitoring purely AC current with zero DC component, a capacitor can be inserted in series with the output of the current sensor. The capacitor will block
out the effect of the temperature variation of the offset voltage which increases the accuracy of the device.
*N = number of turns.
Figure 1 Figure 2
PDFINFO p a g e - 0 5 9
Current
Figure 1a Figure 2a
Honeywell Sensing and Control 1 1-800-537-6945 USA 1 F1-815-235-6847 International 1 1-800-737-3360 Canada 59
APENDICE I
% DATOS DEL MOTOR DE INDUCCION DE 220V, 3 HP, 60 Hz, 4 POLOS
HP = 3;
Vnom = 220;
fb = 60;
wb = 2*pi*fb;
Rs = 0.8333;
Xls = 1.4905;
Lls=Xls/wb;
Rr = 0.3173*sqrt(3);
Xlr = 2.2357;
Llr = Xlr/wb;
Xm = 35.9295;
Lm=Xm/wb;
J = 0.033;
P = 4;
Xaq = 1/(1/Xm+1/Xls+1/Xlr);
Xad = Xaq;
Xss = Xm + Xls;
Xrr = Xm + Xlr;
Ls = Xss/wb;
Tmue = 1/1000; fs=1000;
%DATOS DEL INVERSOR PWM VECTORIAL
Tsw = 1/1000;
X1 = [1 0 0];
X2 = [1 1 0];
X3 = [0 1 0];
X4 = [0 1 1];
X5 = [0 0 1];
X6 = [1 0 1];
Y1 = [1 1 0];
Y2 = [0 1 0];
Y3 = [0 1 1];
Y4 = [0 0 1];
Y5 = [1 0 1];
Y6 = [1 0 0];
Vi = Vnom*sqrt(2);
Vmax = Vi/sqrt(3);
M = [2 -1 -1; -1 2 -1; -1 -1 2];
M = Vi/3*M;
% Par y deslizamiento nominales
Tenom = 9.1*1.36;
Snom = 0.033;
Isnom = 7.8;
B = 0.025;
Vd = 220;
Vtri=5;
Lr = Lm + Llr;
Tr = Lr/Rr;
X = (Snom*wb*Lr/Rr)^2;
Ids = sqrt(2*Isnom^2/(1 + X));
Iqs = sqrt(2*Isnom^2 - Ids^2);
ImRn = 0.9*3.42;
IqeCmd = Iqs;
Ldre = Lm*Ids