Autor: Pablo Alexander Santafé Gutiérrez.

Director: PhD. Oscar Eduardo Gualdrón Guerrero

Co-director: MSc. Jorge Luis Díaz Rodríguez

 

RESUMEN

 

En este trabajo se presenta la estimación de la resistencia de rotor (Rr) presente en la dinámica de un motor de inducción Jaula de Ardilla (SCIM) aplicando máquina de soporte vectorial por mínimos cuadrados (LSSVM) en regresión. El problema es la resistencia de rotor que es difícil de medir y es afectada por el incremento en la temperatura 1, afectando los parámetros de la máquina de inducción 2. Se plantea un modelo del motor, en Simulink de Matlab, del cual se extrae la data, se preprocesa y se aplica el algoritmo LSSVM en regresión, con kernel de función de base radial RBF no lineal y la optimización del parámetro gamma del kernel por él método de validación cruzada. La raíz cuadrada del error medio de predicción se emplea para la medición del desempeño del modelo. Adicionalmente, se aplica el modelo final a entradas diferentes de la Rr.

 

Bibliografía

 

[1] S. Villasana, C. Seijas, A. Caralli y C. Villanueva, “Estimador de resistencia de rotorica usando máquinas de vectores de soporte”, Rev. INGENIERÍA UC. Vol. 11, Nº3, 2004, Venezuela.

[2] S. Villasana, A. Caralli, C. Seijas, C. Villanueva, L. Saenz y F. Arteaga, “Un novedoso método para estimar la resistencia rotorica del motor de inducción usando máquinas de vectores de soporte”, Rev. INGENIERIA UC. Vol. 13, Nº1, 2006, Venezuela.

[3 ] P. F. Huerta González, “Estimación de la Resistencia del Rotor en el Control Vectorial Indirecto del Motor de Inducción utilizando una Red Neuronal Artificial”, México, D. F., 2005.

[4] J. L. Díaz, “Control por Campo Orientado del Motor de Inducción con adaptación de los parámetros por modelo de referencia”, tesis de Maestría, UCLV, Santa Clara, Cuba, 2000.

[5] L. Umanand, and S.R. Bhat, “Adaptation of the Rotor Time Constant for Variation in the Rotor Resistance of an Induction Motor”, IEEE, Annual Meeting, pp. 738- 743. 1994.

[6] T. Rowan, R. Kerkman and D. Leggate, “A Simple On-Line Adaptation for Indirect Field Orientation of an Induction Machine”, IEEE Transaction on Industry Applications, Vol. IA-37, pp. 720-727, 1991.

[7] J. A. González, M. A. da Silva y E. J. Pacheco, “Comparación de la red neuronal y filtro de Kalman en la estimación de velocidad del motor de inducción”, presentado en 1er congreso iberoamericano de estudiantes de ingeniería eléctrica (I CIBELEC 2004), Pontifícia Universidad Católica do Río de Janeiro de brazil y universidad de los andes Venezuela. 2004.

[8] G. R. Bossio, C. H. De Angelo, J. A. Solsona, G. O. García “Un modelo para la evaluación de estrategias de estimación de posición en motores de inducción”, Universidad Nacional de Río y Universidad Nacional del Comahue, argentina, 2002.

[9] J. M. Aller, A. Bueno, J. A. Restrepo, V. M. Guzmán Y M. I. Giménez, “Técnica combinada de control de la máquina de inducción sin sensores de velocidad adquisición de los datos de entrada”. Universidad Central de Venezuela, Caracas Venezuela, 2004.

[10] S. Wade, M.W. Dunnigan and B.W. Williams, “Parameter identification for vector   controlled induction machine”, Conf. Rec. IEE Control ‘94, Vol. 2, No. 389, pp. 1187-1192.

[11]T. Du, P. Vas and F. Stronach, “Desing and Applications of Extended Observersfor joint State and Parameter Estimation in High-Performance AC Drives”, Proc. IEEE Electr. Power appl, Vol. 142, No. 2, pp. 71-78. 1995.

[12] K. Ohnishi, Y. Ueda and K. Miyachi, “Model Reference Adaptive System against Rotor Resistance Variation in Induction Motor Drive”, IEEE Trans. Ind. Electron., Vol. IE-33, pp. 217-223. 1986.

[13] M. Boussak, G.A Capolino, “Recursive Least Squares Rotor Time Constant Identification for Vector Controlled Induction Machine”, Elec. Mach. Power Syst., Vol. 20, No. 2, pp. 137-147. 1992

[14] S. Wade, M.W Dunnigan and B.W Williams, “A new of rotor resistance estimation for vector-controlled induction machines”, IEEE transactions on power electronics, Vol. 44, No. 2, 1997.

[1]P. VAS, “Sensorless Vector and Direct Torque Control”. United States: Oxford University Press, 1998.

[2] J. A. Sixto Berrocal “Control Vectorial del Motor de Inducción en Bajas Velocidades”, Instituto Politécnico Nacional, México, D.F., 2004.

[3] F. Blaschke, “ The principle of field orientation as applied to the new transvector closed loop control for rotating machines”, Siemens Review, Vol 30, 1972, no. 5, pp. 217-220.

[4] J. M. Aller, “MÁQUINAS ELÉCTRICAS ROTATIVAS: Introducción a la Teoría General”, editorial equinoccio universidad Simón Bolívar, Venezuela, 2006.

[5]J. Fraile Mora, “Máquinas eléctricas” 5ª edición, Mcgraw-hill, España, 2003.

[6]R. Bargalló Perpiñá, “Aportación a la Determinación de Parámetros de los Modelos en la Máquina Asíncrona Para Una Mejor Identificación De Variables No Mensurables Incidentes En Su Control”, Universidad Politécnica De Catalunya, Barcelona, Julio del 2001.

[7] A. J. Quiroga, C. Rivarossa, B. Kuchen, “control de motores de inducción parte I”, EADECA, cuadernos profesionales, 1995.[8] S. Alepuz, V. Delos, J. Mª Horrillo, J. Horrillo Y J. Triadó, “Perspectiva Control vectorial de motores de inducción Aplicación con DSP”, Escuela Universitaria Politécnica de Mataró, España.

[9] J. L. Diaz, A. Pardo, “Aplicaciones de los convertidores de frecuencia. Estrategia PWM”, ISBN: 958-33-6768-0, 2004, Colombia.

[10] J. L. Diaz, “Control por Campo Orientado del Motor de Inducción con adaptación de los parámetros por modelo de referencia”, tesis de Maestría, UCLV, Santa Clara, Cuba, 2000.

[11] Clarence A. Phipps, “Variable Speed Drive Fundamentals”, The Fairmont Press, Inc.3a Ed., 1999.

[12] Andrzej M. Trzynaldowski, Control of Induction Motors, Academic Press, 2001.

[13] B. K. Bose, Power Electronics and Drives, Ed. Prentice Hall, 1986.

[14] M. Cuevas Cuevas, “Control Vectorial de un Motor de Inducción Doble Alimentado (MIDA)” Cuernava Mexico, 2003.

[15] A. G. Cerrada, J.L. Zamora, “On line rotor resistance estimation for induction motors“, in Proc. EPE ´97, Vol. 1, Norway, 1997, pp. 542-547.

[16] D. J. Atkinson, et. al. “Estimation of rotor resistance in induction motors“, Proc. IEE-Elect. Power Appl., Vol. 143, 1996, No. 1, pp. 87-94.

[17] J. Holtz, “Identification of machine parameters in a vector controlled induction machine drive“, IEEE Trans. Ind. Appl. , Vol. 27, 1991, No. 6, pp. 1111-1118.

[18] M. A. Moustafa Azab, “Estudio y realización del control directo del par (DTC) para accionamientos de motores de inducción con inversores de diferentes topologías”, Universidad Politécnica de Cataluña, España, 2002.

[19] K. B. Lee, J. H. Song, I. Choy, and J. Y. Yoo, “Improvement of Low-Speed Operation Performance of DTC for Three-Level Inverter-Fed Induction Motors”, IEEE Transactions On Industrial Electronics, Vol. 48, NO. 5, 2001.

[20] P. Vas, “Electrical Machine and drives- A space vector theory and approach”. Oxford Clarendon Press 1992.

[21] P. Vas, “Vector control of ac machines”. Oxford Clarendon Press 1992.

[22] G. M. Ali Sowilam, “Aplicación de las redes neuronales en los sistemas de control vectorial de los motores de inducción”, UNIVERSIDAD POLITÉCNICA DE CATALUÑA, España, 2000.

[23] “Field Orientation and High Performance Motion Control”, WEMPEC, University of Wisconsin-Madison, Summary of Publications1981-1988, Wisconsin, Madison, 1996.

[24] K. Rajashekara, A. Kawamura and K. Matsuse, “Sensorless Control of AC Drives”, IEEE Press, 1996.

[25] B. K. Bose, “Power Electronics and AC Drives”, Prentice Hall, Englewood Cliffs, New – Jersey, 1986.

[26] J. C. Sala González, “Estudio de la Relación entre las Pérdidas en el Hierro y elIncremento de Temperatura, en Motores de Inducción Alimentados con Convertidor”.

[27] Sears, Zemansky, Freedman y Young, “Física Universitaria”, Novena Edición,. Editorial Addison-Wessley Longman. Volumen 2.

[28] S. Gil y E. Rodríguez, “Física Re Creativa”, Prentice Hall – Buenos Aires, 2001.

[29] Subcomité Técnico de Normalización de Pemex Petroquímica “Comité de Normalización de Petróleos Mexicanos y Organismos Subsidiarios”, 2005, México.

[30] M. P. Kazmierkowski, R. Krishnan, Frede Blaabjerg, “Control in Power Electronics”. Academic Press, San Diego, California, 2002.

 

V. Vapnik and A. Lerner, “Pattern recognition using generalized portrait method”,

Automation and Remote Control, 24. 1963.

[2]V. Vapnik and A. Chervonenkis, “A note on one class of perceptrons”, Automation and Remote Control, 25. 1964.

[3]V. Vapnik and A. Chervonenkis “Theory of Pattern Recognition” Russian, Nauka, 1974.

[4]V. Vapnik, "The Nature of Statistical Learning Theory", Springer-Verlag, New York, ISBN 0-387-94559-8, 1995.

[5]V. Vapnik, S. Golowich and A. Smola “Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing”, in M. Mozer, M. Jordan, and T. Petsche (eds.), Neural Information Processing Systems, Vol. 9. MIT Press, Cambridge, MA. 1997.

[6]Vladimir N. Vapnik., “Statistical Learning Theory”, John Wiley and Sons, New York, 1998.

[7]Debasish Basak, Srimanta Pal and Dipak Chandra Patranabis “Support Vector Regression”, Neural Information Processing – Letters and Reviews, Vol. 11, No. 10, India, 2007.

[8]C. Seijas Fossi / A. Caralli D’Ambrosio, “Uso de las Máquinas de Vectores de Soporte para la Estimación del Potencial de Acción Celular”, ingeniería UC, abril, año/vol. 11, número 001, Universidad de Carabobo, Valencia, Venezuela, pp. 56 - 61, 2004.

[9]T. Frontzek, T. Navin & R. Eckmiller, “Predicting the Nonlinear Dynamics of Biological Neurons using Support Vector Machines with Different Kernels”, Department of Computer Science VI, University of Bonn, F. R. Germany, 2001.

[10]S. Gunn, “Support Vector Machines for Classification and Regression”, Faculty of Engineering and Applied Science, University of Southampton, U.S.A., May 1998.

[11]A. Back, “Classification using Support Vector Machines”, Riken Brain Science Institute, Wako-shi, Saitama, Japan, 1998.

[12]I. Guyon, J. Weston, S. Barnhill, & V. Vapnik, “Gene Selection for Cancer Classification using Support Vector Machines”, Barnhill Bioinformatics, Savannah, Goergia, U.S.A., 1999.

[13]J. A. Resendiz Trejo “Las máquinas de vectores de soporte para Identificación en línea”, México, D.F., Sep del 2006. LSSVM aplicada en la estimación de la resistencia de rotor en motor de inducción Jaula de Ardilla.

[14]N. Drakos & R. Moore, “Sequential Minimal Optimization for SVM”, Computer Based Learning Unit, Leeds, 2001.

[15]G. Rubio Flores, “Modelos Avanzados de Inteligencia Computacional para Aproximación Funcional y Predicción de Series Temporales en ArquitecturasParalelas”, ISBN: 978-84-693-5225-0, España. 2010.

[16]J. Smola, and B. Schölkopf, “A Tutorial on Support Vector Regression”, University of London, 1998.

[17]R. Herbrich, T. Graepel, and K. Obermayer. “Support vector learning for ordinal regression”.

[18] K. Muller, A. Smola, G. atsch, B. Sch, o Kohlmorgen, and V. Vapnik. “Predicting time series with support vector machines”, 1997.

[19]J. A. Jaramillo Garzon “Metodóloga de optimización de los parámetros de control de un algoritmo genético”, Manizales Colombia, 2007.

[20]Haifeng Wang, Dejin Hu, “Comparison of SVM and LS-SVM for Regression” IEEE, 2005.

[21]J. Suykens, T. Van Gestel, J. De Brabanter, B. De Moor, and J. Vandewalle,“Least Squares Support Vector Machines. World Scientific Publishing”,Singapore. 2002.

[22]Xu, R.R., G. B. “Discussion about nonlinear time series prediction using leastsquares support vector machine. Communications in Theoretical Physics”,43:1056–1060. 2005.

[23]Haifeng Wang, Dejin Hu, “Comparison of SVM and LSSVM for regression”,Shanghai, Jiao Tong University, IEEE 2005.

[24]G. D. Valdés, “Prónostico Del Precio Del Oro Mediante Least Square SupportVector Machine (LSSVM)”, Universidad de las Américas, 2007.

[25]B. Scholkopf, A. J. Smola, “Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond”. MIT Press, Cambrid-ge, MA, USA. 2001.

[26]Müller, K.-R., Smola, A., Rätsch, G., Schölkopf, B., Kohlmorgen, J., and Vapnik,V. “Using support vector machines for time series prediction”. 2000.

[27]G. Rubio, A. Guillen, L. J. Herrera, H. Pomares, y I. Rojas, “Use of specific to problem kernel functions for time series modeling”. In ESTSP’08: Proceedings of the European Symposium on Time Series Prediction, pages 177–186. 2008.

[28]G. Rubio, H. Pomares, I. Rojas, L. J. Herrera, y A. Guillén, “Efficient optimization of the parameters of LSSVM for regression versus cross-validation error”. In LSSVM aplicada en la estimación de la resistencia de rotor en motor de inducción Jaula de Ardilla. ICANN (2) , pages 406–415. 2009.

[29]M. Alvarez, R. Henao, E. Duque, “Clasificación de Eventos Sísmicos Empleando Procesos Gaussianos” 2007.

[30]S. Maldonado Alarcón, “Utilización de Support Vector Machines no Lineal y Selección de Atributos para Credit Scoring”, Chile, 2007.

[31] S. Haykin, “Neural networks: a comprehensive foundation”. Prentice Hall. 1994.

[32]A. Smola and B. Schoelkopf, “A tutorial on support vector regression,” Stat.Comp. , vol. 14. pp. 199 - 222, 2004.

[33]I. Rojas, H. Pomares, J. Gonzáles, J. Bernier, E. Ros, F. Pelayo, y A. Prieto, “Analysis of the functional block involved in the design of radial basis function networks”. Neural Processing Letters, 12:1–17. 2000.

[34] S. V. Vaerenbergh, “Kernel Methods for Nonlinear Identification, Equalization and Separation of Signals”, University of Cantabria Department of Communications Engineering, 2009.