Reactive power based model reference neural learning adaptive system for speed estimation in sensor-less induction motor drives

• Published in: The journal of engineering research (Print) Vol. 9; no. 2; pp. 17 - 26
• Main Authors: Sedhuraman, K., Himavathi, S., Muthuramalingam, A.
• Format: Journal Article
• Language: English
• Published: Muscat, Oman Sultan Qaboos University, College of Engineering 01.12.2012; Sultan Qaboos University
• Subjects: Automatic control; Electric motors, Induction; induction motor, speed estimator, mras, neural network, back propagation algorithm, reactive power; Reactive power (Electrical engineering); الحوسبة
• ISSN: 1726-6009; 1726-6742; 1726-6742
• DOI: 10.24200/tjer.vol9iss2pp17-26

In this paper, a novel reactive power based model reference neural learning adaptive system (RP-MRNLAS) is proposed. The model reference adaptive system (MRAS) based speed estimation is one of the most popular methods used for sensor-less controlled induction motor drives. In conventional MRAS, the error adaptation is done using a Proportional-integral-(PI). The non-linear mapping capability of a neural network (NN) and the powerful learning algorithms have increased the applications of NN in power electronics and drives. Thus, a neural learning algorithm is used for the adaptation mechanism in MRAS and is often referred to as a model reference neural learning adaptive system (MRNLAS). In MRNLAS, the error between the reference and neural learning adaptive models is back propagated to adjust the weights of the neural network for rotor speed estimation. The two different methods of MRNLAS are flux based (RF-MRNLAS) and reactive power based (RP-MRNLAS). The reactive power-based methods are simple and free from integral equations as compared to flux based methods. The advantage of the reactive power based method and the NN learning algorithms are exploited in this work to yield a RPMRNLAS. The performance of the proposed RP-MRNLAS is analyzed extensively. The proposed RP-MRNLAS is compared in terms of accuracy and integrator drift problems with popular rotor flux-based MRNLAS for the same system and validated through Matlab / Simulink. The superiority of the RP-MRNLAS technique is demonstrated. يقدم هذا البحث نموذج مرجعي معتمد على الطاقة التفاعلية لنظام تعلم عصبي متكيف لتقدير سرعة المحركات التأثيرية بدون مجسات (Rp-MRN-LAS) يعد هذا النموذج واحدا من أكثر النماذج شيوعا للتحكم في سرعة المحركات التأثيرية بدون مجسات أما في الطريقة التقليدية (MRAS) للنظام المتكيف فإن خطأ التكيف يكون باستخدام التكامل النسبي (PI) و عليه فإن استخدام القدرة على التخطيط اللاخطي في الشبكات العصبية و استخدام خوارزمية التعلم الفعالة يؤدي إلى زيادة تطبيق الشبكات العصبية في الكترونيات الطاقة و المحركات و هكذا تستخدم خوارزمية التعلم العصبية في آلية التكيف و تسمى عادة باسم "النموذج المرجعي العصبي لنظام التعلم التكيفي" ففي طريقة ال MRNLAS فإن الخطأ بين نموذج المرجعية المفاعلية و نماذج التعلم العصبي المتكيف يتم توزيعها من أجل تعديد أوزان الشبكة العصبية لتقدير سرعة المحرك و هناك طريقتان مختلفتان في ال MRNLAS الأولى تعتمد على التدفق المغناطيسي (RF-MRNLAS) و الأخرى تعتمد على القدرة المرتدة (RP-MRNLAS) تعد طريقة التدفق المرجعي المعتمد على القدرة المفاعلية (RP-MRNLAS) بسيطة وخالية من المعادلات التكاملية بالمقارنة مع الأساليب القائمة على التدفق و قد استفيد من هذه الميزات في البحث لابتكار طريقة ال (RP-MRNLAS) على نطاق واسع كما تمت مقارنة طريقة المقترحة من حيث دقتها و مشاكل انجراف تكامله مع طريق ال RF-MRNLAS لنفس النظام و التحقق من صحتها باستخدام برنامج ال Matlab / Simulink من هذا البحث يتضح تفوق تقنيات ال PR-MRNLAS.