شماره ركورد كنفرانس :
5435
عنوان مقاله :
تخمين مقاومت روتور و استاتور آنلاين بر اساس شبكه عصبي مصنوعي بكار رفته در درايو موتور القايي بدون حسگر
عنوان به زبان ديگر :
Online estimation of rotor and stator resistance based on artificial neural network used in motor drive Sensorless induction
پديدآورندگان :
مرادي احمد st_ahmad_moradi@azad.ac.ir دانشگاه آزاد اسلامي واحد تهران جنوب , فرنگي عباد Ebad.efx@gmail.com دانشگاه آزاد اسلامي واحد تهران جنوب , عبادي ميلاد Miladebadi513@gmail.com دانشگاه آزاد اسلامي واحد تهران جنوب , آقا محمد كد خدا مسعود Masoudkadkhoda@yahoo.com دانشگاه آزاد اسلامي واحد تهران جنوب , آجوداني زنجاني خشايار Xerxes01.aj@gmail.com دانشگاه آزاد اسلامي واحد تهران جنوب
كليدواژه :
برآورد مقاومت روتور , برآورد مقاومت استاتور , كنترل بدون سنسور , شبكه عصبي مصنوعي ANN , كنترل ميدان گرا غير مستقيم (IFOC)
عنوان كنفرانس :
نهمين همايش ملي مطالعات و تحقيقات نوين در حوزه علوم كامپيوتر، برق و مكانيك ايران
چكيده فارسي :
اين مقاله روشي جديد براي برآورد مقاومت روتور و استاتور آنالين موتورهاي القايي با استفاده از شبكه هاي عصبي مصنوعي براي درايو بدون حسگر ارائه ميكند. در اين روش، مقاومت روتور توسط يك شبكه عصبي پيشخور با نرخ يادگيري به عنوان تابعي تخمين زده مي شود. مقاومت استاتور نيز با استفاده از شبكه عصبي دو لايه با نرخ يادگيري به عنوان تابعي تخمين زده مي شود. سرعت موتور القايي نيز توسط شبكه عصبي تخمين زده مي شود. بنابراين، برآورد دقيق مقاومت روتور و استاتور باعث بهبود كيفيت درايو موتور القايي بدون سنسور شد. نتايج شبيه سازي و آزمايش نشان مي دهد كه سرعت تخميني سرعت واقعي موتور القايي را دنبال مي كند. به طور همزمان، خطاي برآورد شده بين مقاومت روتور و استاتور با استفاده از شبكه عصبي و مقاومت روتور و استاتور معمولي بسيار كم است.
چكيده لاتين :
This paper proposes a novel use of artificial neural networks for sensorless driving to estimate the analogue stator and rotor resistance of axial engines. Using an advanced neural network with a learning rate as a successor, this method estimates the rotor resistance. A two-layer neural network with a learning rate is also used as a successor to estimate stator resistance. Additionally, the nerve network estimates the engine s speed. Therefore, the quality of the acoustic engine drive without a sensor was enhanced by precise assessment of the rotor and stator resistance. The projected speed matches the engine s real speed, according to simulation and testing findings. The predicted discrepancy between the stator and rotor resistance using the