Evaluation of Starting Current of Induction Motors Using Artificial Neural Network

ارزيابي جريان راه اندازي موتورهاي القايي با استفاده از شبكه عصبي

موتورهاي القايي به صورت گسترده‌اي در صنعت مورد استفاده قرا مي‌گيرند. با اين وجود در طول پروسه راه‌اندازي، جريان راه‌اندازي آنها آنچنان بزرگ است كه مي‌تواند به تجهيزات آسيب برساند. بنابراين اين جريان بايستي با دقت تخمين زده شود. در اين مقاله، از شبكه عصبي مصنوعي براي ارزيابي مقدار پيك جريان راه‌اندازي موتورهاي القايي استفاده مي‌شود. هر دو ساختار متداول پرسپترون چندلايه (MLP) و تابع پايه‌اي شعاعي (RBF)مورد بررسي قرار مي‌گيرند. براي آموزش ساختار MLP از شش الگوريتم پس انتشار (BP)، دلتا-بار-دلتا (DBD)، دلتا-بار-دلتا توسعه‌يافته (EDBD)، جستجوي تصادفي جهت‌دار (DRS)، انتشار سريع (QP) و لونبرگ ماركواردت (LM) استفاده مي‌شود. نتايج شبيه‌سازي نشان مي‌دهند كه هرچند اكثر شبكه‌هاي آموزش‌ديده قادر به تخمين مناسب مقدار پيك جريان راه‌اندازي هستند، اما الگوريتم‌هايLM و EDBD بهترين نتيجه را بر اساس ميانگين خطاي نسبي و مطلق ارايه مي‌دهد. اين روش مي‌تواند به شركت‌هاي سازنده و اپراتورها براي ارزيابي مقدار پيك جريان راه‌اندازي در مرحله طراحي و بهره‌برداري كمك كند تا بتوانند تدابير لازم را براي عملكرد ايمن موتور فراهم نمايند.

Induction motors (IMs) are widely used in industry including it be an electrical or not. However during starting period, their starting currents are so large that can damage equipment. Therefore, this current should be estimated accurately to prevent hazards caused by it. In this paper, the artificial neural network (ANN) as an intelligent tool is used to evaluate starting current peak of IMs. Both Multilayer Perceptron (MLP) and Radial Basis Function (RBF) structures have been analyzed. Six learning algorithms, backpropagation (BP), delta-bar-delta (DBD), extended delta-bar-delta (EDBD), directed random search (DRS), quick propagation (QP), and levenberg marquardt (LM) were used to train the MLP. The simulation results using MATLAB show that most developed ANNs can estimate the starting current peak of IMs with good accuracy. However, it is proven that LM and EDBD algorithms present better performance for starting current evaluation based on average of relative and absolute errors.