Obtencion Del Modelo Dinamico de Un Motor Trifasico

UNIVERSIDAD POLITCNICA SALESIANA
UNIDAD DE POSGRADOS
MAESTRA EN CONTROL Y
AUTOMATIZACIN INDUSTRIALES
Proyecto de Investigacin
y Desarrollo previa a la
Obtencin del Grado
de Magister en Control y
Automatizacin Industriales
OBTENCIN DEL MODELO DINMICO

DE UN MOTOR TRIFSICO DE INDUCCIN
UTILIZANDO TCNICAS DE IDENTIFICACIN
DE SISTEMAS CON LGICA DIFUSA
Autor:
William Patricio Navas Cajamarca.
Director:
Dr. Julio Cesar Viola.
Obtenci on del modelo din amico de un motor
trif
asico de induccion utilizando t
ecnicas de
identificaci
on de sistemas con logica difusa
Obtenci on del modelo din amico de un motor
trif
asico de induccion utilizando t
ecnicas de
identificaci
on de sistemas con logica difusa
Autor:
WILLIAM PATRICIO NAVAS CAJAMARCA

Ingeniero Electronico
Egresado de la Maestra en Control y Automatizacion Industriales de la Universidad
Politecnica Salesiana
Dirigido por:
JULIO CESAR VIOLA

Ingeniero Electronico
Doctor en Ingeniera
Investigador Proyecto Prometeo-SENESCYT
Cuenca - Ecuador
Datos de catalogacin bibliogrfica
NAVAS CAJAMARCA WILLIAM PATRICIO
Obtencin del modelo dinmico de un motor trifsico de induccin utilizando tcnicas

de identificacin de sistemas con lgica difusa.
Universidad Politcnica Salesiana, Cuenca Ecuador, 2016
MAESTRA EN CONTROL Y AUTOMATIZACIN INDUSTRIALES
Formato: 170x240mm Pginas: 73
Breve rese
na de los autores e informaci
on de contacto:
AUTOR:

Ingeniero Electr
onico
Egresado de la Maestra en Control y Automatizacion Industriales
williamnavas14@gmail.com
DIRIGIDO POR:
DR. JULIO CESAR VIOLA
Ingeniero Electr
onico
Doctor en Ingeniera
Investigador Proyecto Prometeo-SENESCYT
jcviola@gmail.com
Todos los derechos reservados.

Queda prohibida, salvo excepci on prevista en la Ley, cualquier forma de reproducci on,
comunicaci on p
ublica y transformaci on de esta obra para fines comerciales, sin contar con
autorizacion de los titulares de propiedad intelectual. La infracci
on de los derechos
mencionados puede ser constitutiva de delito contra la propiedad intelectual. Se permite la
libre difusi
on de este texto con fines academicos, investigativos por cualquier medio, con la
debida notificacion a los autores.
DERECHOS RESERVADOS
2016
c Universidad Politecnica Salesiana.
CUENCA - ECUADOR - SUDAMERICA
Obtencion del modelo dinamico de un motor trif asico de inducci
on
utilizando t
ecnicas de identificaci
on de sistemas con l
ogica difusa
Edici
on y Producci
on:
William Patricio Navas Cajamarca.
IMPRESION EN ECUADOR - PRINTED IN ECUADOR
Indice General
Indice General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
Indice de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Indice de Tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
1. INTRODUCCION Y MARCO TEORICO 1

1.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Descripci
on del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2. Objetivos Especficos . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4. Revisi
on del estado del arte . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2. DESCRIPCION DE LA MAQUINA 5
2.1. Descripci
on del modelo de la maquina . . . . . . . . . . . . . . . . . . . . 5
2.1.1. Vectores espaciales . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.2. Transformaciones vectoriales . . . . . . . . . . . . . . . . . . . . . 8
2.1.3. Modelo de la m aquina de induccion . . . . . . . . . . . . . . . . . 9
2.2. Descripci
on de los fundamentos de logica difusa . . . . . . . . . . . . . . 13
2.2.1. Sistemas l
ogicos Difusos . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Selecci
on del modelo difuso . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.1. Estructura del ANFIS . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.2. Algoritmo de Entrenamiento Hbrido . . . . . . . . . . . . . . . . 21

3. ANALISIS DE LAS SIMULACIONES 23
3.1. Recolecci
on de datos simulados . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.1. Calculo del
angulo del vector de corrientes . . . . . . . . . . . . . . 23
3.1.2. Entrenamiento con una estructura ANFIS . . . . . . . . . . . . . 25
3.1.3. Descripcion de los datos para entrenamiento, comprobacion y
verificaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Obtenci
on del modelo difuso . . . . . . . . . . . . . . . . . . . . . . . . . . 29
v
3.3. Validaci
on del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4. ANALISIS EXPERIMENTAL 41
4.1. Recoleccion de datos experimentales . . . . . . . . . . . . . . . . . . . . . 42
4.1.1. Calculo del
angulo del vector de corriente . . . . . . . . . . . . . . 49
4.2. Validaci
on del modelo experimental . . . . . . . . . . . . . . . . . . . . . . 51
4.2.1. Adaptaci on del modelo con el conjunto de datos de entrenamiento. 51
4.2.2. Adaptaci on del modelo con los conjuntos de datos de
entrenamiento, comprobacion y verificacion. . . . . . . . . . . . . . 53
4.2.3. Implementaci on de un control voltaje-frecuencia constante (VFC)
para un modelo de motor en Simulink . . . . . . . . . . . . . . . . 59
5. CONCLUSIONES Y TRABAJOS FUTUROS 65

5.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Anexos 67
A. C
odigo de MATLAB del algoritmo de trasformaci
on, filtrado y
derivaci
on. trasnformacion.m 67
B. C
odigo de MATLAB del algoritmo para validar el modelo. validacion.m 69
Bibliografa 71
Indice de Figuras
2.1. Modelo simplificado de la maquina de induccion trifasico . . . . . . . . . . 6

2.2. Representaci on grafica del vector espacial de un sistema trifasico . . . . . 7
2.3. Espacio vectorial de las corrientes de estator de un sistema trifasico . . . . 8
2.4. Descomposici on del vector espacial de la corriente de estator en el sistema
de ejes de referencia ortogonales . . . . . . . . . . . . . . . . . . . . 10
2.5. Circuito equivalente de la maquina de induccion en vectores espaciales
referidos al sistema de referencia estatorico. [Aller, 2012]. . . . . . . . . . 10
2.6. (a) Conjunto cl asico, (b) Conjunto Difuso. . . . . . . . . . . . . . . . . . . 15
2.7. (a)Funci on de pertenencia triangulares trimf, (b)Funcion de pertenencia
trapezoidal trapmf, (c)Funcion de pertenencia gausiana gaussmf,
(d)Funcion de pertenencia campana generalizada gbellmf. . . . . . . . . . 16
2.8. Grado de pertenencia y variable ling ustica. . . . . . . . . . . . . . . . . . 17
2.9. Esquema del sistema difuso. . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.10. (a)Un sistema de inferencia difuso tipo Sugeno con dos entradas de primer
orden modelado con dos reglas, (b)Arquitectura Equivalente ANFIS. . . 20
3.1. Vector espacial de las componentes de la corriente de estator y su proyeccion 24

3.2. Diagrama de bloques de la estructura del modelo de la maquina de induccion. 25
3.3. Diagrama de flujo para obtener el modelo de la maquina de induccion. . 26
3.4. Diagrama de flujo del ANFIS editor GUI en Matlab. . . . . . . . . . . . . 28
3.5. Diagrama de obtenci on de los datos para las simulaciones. . . . . . . . . . 29
3.6. Graficas de las corrientes ie , ir , par electrico Te , velocidad angular m con
v = 1[p.u.], = 1[p.u.]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.7. Graficas de las corrientes ie , ir , par electrico Te , velocidad angular m con
v = 0,5[p.u.], = 1[p.u.]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.8. Datos de entrada para el entrenamiento del modelo de la maquina de
induccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.9. Datos de entrada de comprobacion para el entrenamiento de la maquina
de induccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
vii
3.10. Datos de entrada de entrenamiento para la verificacion luego del
entrenamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.11. Grafica del entrenamiento con un error = 0,0803[p.u]. . . . . . . . . . . . 34
3.12. Grafica de la comprobaci on del modelo con un error = 0,0838[p.u]. . . . . 34
3.13. Grafica de verificaci
on luego de obtener el modelo con un error = 0,0436[p.u]. 35
3.14. Funciones de pertenencia del FIS inicial. . . . . . . . . . . . . . . . . . . . 35
3.15. Error de entrenamiento y error de comprobacion. . . . . . . . . . . . . . . 37
3.16. Esquema realizado en Simulink para validar el modelo obtenido. . . . . . 38
3.17. Salida de la velocidad estimada del modelo FIS, que es comparada con la
velocidad obtenida a partir de la simulacion de la maquina. . . . . . . . . 38
3.18. Salida de la velocidad estimada del modelo FIS vs. la velocidad obtenida
a partir de la simulaci on de la maquina de induccion. . . . . . . . . . . . . 39
3.19. Salida de la velocidad estimada del modelo FIS, comparada con el nuevo
ingreso de la velocidad obtenida a partir de la simulacion de la maquina
de induccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.1. Maquina de induccion trif

asica a ser modelado. . . . . . . . . . . . . . . . 41
4.2. Tarjeta DSP modelo ADSP-21369 de Analog Devices. . . . . . . . . . . . 43
4.3. Tarjeta de sensores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.4. Datos experimentales de la velocidad de la maquina de induccion con el
primer arranque de la m aquina de induccion . . . . . . . . . . . . . . . . . 44
4.5. Corrientes de estator en los ejes a b c con los datos experimentales del
primer arranque de la m aquina de induccion. . . . . . . . . . . . . . . . . 45
4.6. Corrientes de rotor en los ejes a b c con los datos experimentales del
4.7. Corrientes de estator en los ejes con los datos experimentales del
4.8. Corrientes de rotor en los ejes con los datos experimentales del
4.9. Datos experimentales de la velocidad del segundo arranque de la maquina
de inducci
on. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.10. Corrientes de estator en los ejes a b c con los datos experimentales del
segundo arranque de la m aquina de induccion . . . . . . . . . . . . . . . . 47
4.11. Corrientes de rotor en los ejes a b c con los datos experimentales del
segundo arranque de la m aquina de induccion. . . . . . . . . . . . . . . . 48
4.12. Corrientes de estator en los ejes con los datos experimentales del
4.13. Corrientes de rotor en los ejes con los datos experimentales del
4.14. Esquema de obtenci on de los datos experimentales de la maquina de
inducci
on. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.16. Ingreso de los datos de entrenamiento. . . . . . . . . . . . . . . . . . . . . 51
4.15. Esquema del modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.17. Ingreso de los datos de comprobacion. . . . . . . . . . . . . . . . . . . . . 52
4.18. Ingreso de los datos de verificacion. . . . . . . . . . . . . . . . . . . . . . . 53
4.19. Ingreso del conjunto de datos entrenamiento. . . . . . . . . . . . . . . . . 54
4.20. Ingreso del conjunto de datos de comprobacion. . . . . . . . . . . . . . . . 55
4.21. Ingreso del conjunto de datos de verificacion. . . . . . . . . . . . . . . . . 55
4.22. Entrenamiento datos experimentales, errortr = 2,6355[rad/s] . . . . . . . 56
4.23. Comprobaci on datos experimentales, errorchk = 3,4217[rad/s]. . . . . . . 56
4.24. Verificaci
on datos experimentales, errortst = 3,6373[rad/s]. . . . . . . . . 57
4.25. Error de entrenamiento y verificacion usando una estructura ANFIS. . . . 57
4.26. Estructura del modelo FIS con una entrada y 6MF. . . . . . . . . . . . . . 58
4.27. Validacion del modelo numero tres con una entrada de datos experimental. 58
4.28. Validacion con una nueva entrada de datos experimentales. . . . . . . . . 59
4.29. Diagrama de control voltaje-frecuencia constante. . . . . . . . . . . . . . . 60
4.30. Esquema de control voltaje-frecuencia constante en lazo cerrado, dise nado
en Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.31. Ingreso de la velocidad al esquema de control de voltaje-frecuencia constante. 62
4.32. Salida de la velocidad de la maquina de Simulink comparada con la salida
de la velocidad estimada del modelo de la maquina de induccion de Simulink. 63
4.33. Ingreso de la velocidad al esquema de control de voltaje-frecuencia constante. 63
4.34. Salida de la velocidad del motor Asynchronous de Simulink comparada
con la salida de la velocidad estimada del modelo del motor de Simulink. . 64
Indice de Tablas
2.1. Representaci
on numerica, por su estatura y color de piel. . . . . . . . . . 14
3.1. Tabla de entrenamientos una entrada y una salida Simulado. . . . . . . . 36
4.1. Datos de la placa de la maquina de induccion trifasica. . . . . . . . . . . . 42

4.2. Diferentes datos de entrenamientos, para la obtencion de los modelos de
la m
aquina de induccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
xi
Dedicatoria
A mi familia por su apoyo en todo

momento.
Patricio
Prefacio
Este proyecto de investigaci on y desarrollo presenta los resultados de la obtencion

del modelo din amico de la m aquina de induccion trifasica utilizando tecnicas de
identificaci
on de sistemas con l
ogica difusa.
En el desarrollo de este trabajo, primero se utilizo un maquina de induccion trifasica

simulada en MATLAB, se obtuvo el modelo y su respectiva validacion. En segundo
lugar se usa una m aquina de induccion trifasica con una configuracion tipo doblemente
alimentada y rotor bobinado. Para la obtencion de los datos experimentales se aprovecha
una tarjeta de adquisici on de procesamiento de se nales ADSP-21369 y el software
MATLAB, y adicionalmente Simulink. Con los datos necesarios se identifico la maquina
y luego se valid
o el modelo. La tarjeta de adquisicion y la maquina se encuentran en
los laboratorios de m aquinas electricas de la Universidad Politecnica Salesiana. Los
resultados de este trabajo serviran como base para investigaciones posteriores en el
campo de m aquinas electricas.
Prologo
En el presente proyecto de investigacion y desarrollo se presentan los resultados de

la obtenci on del modelo din amico de una maquina de induccion trifasica utilizando
tecnicas de identificacion de sistemas con logica difusa. El trabajo esta dividido en cinco
captulos, en los que se presenta el metodo de identificacion del modelo de la maquina de
inducci on, se valida este, primero con datos simulados luego con datos experimentales de
una m aquina de inducci on trif
asica con una configuracion tipo doblemente alimentada
y rotor bobinado y adicionalmente un control simple de voltaje-frecuencia constante.
En el captulo I, se trata de conocer el comportamiento de un sistema en una region

especfica. Tambien se esquematiza el objetivo general y objetivos especficos. Ademas se
ha realizado un an alisis de informacion de casos similares en la revision del estado del arte.
En el captulo II, se describe el modelo de la maquina, y las transformaciones

vectoriales que simplifican su an
alisis. De igual forma se presentan detalles acerca de la
descripci
on de los fundamentos de logica difusa. Tambien, se presenta la seleccion del
modelo difuso con una estructura ANFIS.
En el captulo III, se presenta una metodologa de la maquina de induccion trifasica

simulada en MATLAB, para obtencion del modelo y tambien se utilizo la estructura
ANFIS para este desarrollo. Luego de identificar la maquina de induccion se procede a
validar el modelo.
En el captulo IV, se utiliza los datos experimentales del motor de induccion trifasico,
con una configuraci on tipo doblemente alimentada y rotor bobinado, estos datos
(corrientes de estator y corrientes de rotor) se adquiere con la tarjeta de procesamiento
de se
nales ADSP-231369 disponibles en los laboratorios de maquinas electricas de la
Universidad Politecnica Salesiana (UPS). Finalmente se obtiene el modelo y se valida.
Se realiza un controlador voltaje-frecuencia constante de lazo cerrado para validar un
modelo de una m aquina en Simulink.
En el captulo V, se presentan las conclusiones obtenidas por la realizacion del

trabajo de investigaci
on y se proponen trabajos futuros de modelacion on-line.
Agradecimientos
A Dios por brindarme el conocimiento para el estudio.
Un agradecimiento especial a mi director de proyecto de investigacion, Dr. Julio

Cesar Viola, por todo el apoyo brindado, dedicacion y orientacion para poder culminar
con exito este trabajo.
A un gran amigo por su apoyo en estos proyectos de la vida, que es el estudio.
A las autoridades de la Universidad Politecnica Salesiana por todas las facilidades

brindadas en el transcurso de este tiempo para poder culminar con mi formacion
profesional.
A todos, gracias.
William Patricio
CAPITULO 1
Y MARCO
INTRODUCCION

TEORICO
1.1. Introducci
on
Al aplicar las leyes fsicas a un sistema es posible encontrar una expresion matematica
que represente a dicho sistema. Sin embargo existen casos donde las leyes fsicas que
describen el comportamiento de un sistema no estan completamente definidas y obtener
un modelo matem atico resulta una tarea difcil y a veces hasta imposible. En estos casos
se puede usar un procedimiento experimental o tambien llamado identificacion [Patete,
2012].
Durante anos se fueron desarrollando metodos en los cuales, si los sistemas

presentan incertidumbre en sus variables no es necesario un conocimiento cuantitativo
del sistema para obtener el modelo para su analisis, como por ejemplo para el
control del sistema. Si utilizamos el razonamiento y los aspectos cualitativos del
conocimiento humano es posible elaborar reglas del tipo if-then, con estas reglas se
puede elaborar un sistema de inferencia difusa, que nos ayuda a obtener un modelo
apropiado para un sistema determinado. La identificacion con incertidumbre o tambien
modelacion difusa fue presentada por primera vez en [Takagi and Sugeno, 1985]. Un
procedimiento denominado ANFIS [Jang, 1993], permite transformar automaticamente
los conocimientos difusos y sus correspondientes reglas en sistemas de inferencia difusa
mediante datos de entrada-salida del proceso [del Pozo Quintero, 2012]. Luego de
determinar el modelo, es importante validarlo, comparando los datos obtenidos del
sistema con los datos del modelo real.
1.2. Descripci
on del problema
Determinar el comportamiento de un sistema en una region especfica de operacion,
se puede utilizar una experimentacion sobre el para observar dicho comportamiento.
1
2 1.3. OBJETIVOS
Puede ser costosa para ciertas plantas y por esta razon resulta mas conveniente contar
con un modelo del sistema.
Las maquinas de inducci on en ambientes industriales tpicamente operan a una

velocidad la cual no puede ser variada continuamente sin un equipo adicional. Este
equipo generalmente est a formado por: el inversor que es el actuador, tarjeta de sensores
de variables electricas (corriente, tension), encoder, para la medicion de la velocidad
mecanica del eje, la tarjeta de control,
Los encoders, son sensores que generan se

nales digitales cuando existe movimiento
en su eje. Sirven para medir movimientos lineales, velocidad angular y posicion. Si
deseamos obtener cualquiera de estas medidas, es necesario realizar un montaje mecanico
del encoder, en el eje de la m
aquina.
Los encoders, actuan como transductores de retroalimentacion para el control de

posici
on o de velocidad angular. Trabaja en ambientes industriales por consecuencia este
sensor mec anico necesita un mantenimiento regular, y con el tiempo puede presentar
danos propios del desgaste por su uso. El cambio de este sensor puede representar costos
en inversi
on, mantenimiento y perdidas de produccion. Para prescindir del encoder, se
tiene que realizar una estimaci
on de la velocidad o posicion que este debera proporcionar
y que permita a la m aquina seguir operando tal como lo hara con el sensor original. En
esta investigaci
on la medida estimada es la velocidad angular.
Las caractersticas de la m
aquina de induccion trifasica, hacen que su modelo sea un
sistema no lineal. Este problema dificulta obtener el modelo matematico.
1.3. Objetivos
1.3.1. Objetivo general
Dise
nar e implantar una metodologa de identificacion difusa para una maquina de
inducci
on trif
asica tipo doble alimentado (DFIG por sus siglas en ingles) que permita
estimar la velocidad a partir de las mediciones de corriente de estator y rotor. El modelo
generado ser a validado mediante simulaciones, datos experimentales y, finalmente
mediante un algoritmo de control.
Reemplazar el encoder, mec anico por un estimador de velocidad que utilice

solamente variables electricas las cuales ya estan medidas en un sistema real de control.
1.3.2. Objetivos Especficos

1. Realizar la revisi
on del estado del arte en tecnicas de identificacion para maquinas
de induccion trif
asicas.
2. Evaluar detalladamente las diferentes tecnicas de identificacion basadas en logica

difusa.
CAPITULO 1. INTRODUCCION
Y MARCO TEORICO
3
3. Desarrollar una tecnica de identificacion mediante la aplicacion de logica difusa

para un motor de induccion trifasica.
4. Programar el sistema de identificacion difuso en el ambiente de MATLAB y

obtener los datos experimentales requeridos para la validacion mediante la tarjeta
DSP.
5. Implantar un algoritmo de control para la maquina de induccion basado en el

modelo difuso obtenido que permita validarlo.
1.4. Revisi
on del estado del arte
Existen trabajos de investigacion que han sido enfocados en la identificacion de
m
aquinas de inducci
on, algunos de ellos son:
[Cuce et al., 1996], propone un metodo para identificar el comportamiento de un

motor de inducci on con un convertidor DC/AC controlado a traves de una tecnica de
modulaci on por ancho de pulso (PWM). Es complicado obtener un modelo matematico
del sistema compuesto por el motor y el convertidor juntos, la propuesta para la
identificaci
on es una Red Neuro Difusa, entrenada con un conjunto de medidas
entrada-salida, que es capaz de identificar todo el sistema. Los autores de este trabajo
de investigaci
on no describen sus limitaciones.
[Wai et al., 2000], presenta un estudio experimental de un controlador hbrido

que est a formado por un PI y redes neuronales difusas de control (FNNC) y para la
identificacion (FNNI) de un servo motor de induccion. El algoritmo de aprendizaje
basado en el metodo de backpropagation, se utiliza para entrenar tanto la red neuronal
difusa de identificaci on (FNNI) y la red neuronal difusa de control (FNNC) en lnea. La
FNNI estima la posici on del rotor (r ) mientras que el proposito de la FNNC es generar
una se nal compensada para el controlador PI. Una limitacion es que los parametros de
la red no se pueden modificar en lnea durante el control en tiempo real, la red basada
en el aprendizaje no tiene la propiedad de control adaptador verdadera y por lo tanto,
es difcil de aplicar a los problemas de control en tiempo real.
[Khemliche et al., 2004], proponen la identificacion de una maquina asncrona por un

controlador difuso con el metodo de Strejc. Con este metodo se obtiene una funcion de
transferencia aplicando la trasformacion de Park. La logica difusa realiza la correccion y
la adaptacion del modelo. Para la identificacion parametrica de la maquina se utiliza un
metodo geometrico y una tabla que se llama abaco de Strejc, mediante estos calculos se
obtiene la funci
on de transferencia de tal manera que estos calculos generan errores.
[Ju
arez et al., 2014], presentan una propuesta interesante de un sistema tipo caja de
negra para un motor de corriente continua (C.C.), que es una investigacion muy cercana
a la de una m aquina de inducci on trifasica. Los parametros internos no son observables
con respecto a su relacion entrada-salida. Se desarrolla un filtro identificador adaptativo
para describirlos, que se realiza fuera de lnea. Por otra parte, dentro de la caja negra,
4 DEL ESTADO DEL ARTE
1.4. REVISION
los par
ametros internos son desconocidos; es decir, no se pueden medir directamente y
menos a un construir o usar la funci
on de transicion requerida en el identificador.
[Zuluaga and Giraldo, 2013], presenta una metodologa de identificacion de un

generador de inducci on doblemente alimentado (DFIG) en presencia de datos espurios.
El DFIG es ampliamente utilizado en la produccion de energa eolica. Para llevar a cabo
la identificaci
on se emplean tres filtros de Kalman secuenciales, dos de ellos corresponden
al filtro de Kalman dual(DKF), el otro corresponde al filtro de Kalman de estadstica
robusta (rsKF). El filtro de Kalman dual realiza la identificacion mas rapido que el filtro
de Kalman de estadstica robusta y la limitacion es que se trabaja a una velocidad del
viento promedio de 12m/s, el di ametro del rotor de 15 m, nivel de turbulencia de 4 y un
tiempo de muestreo de 0,1s.
[Kai et al., 2008], este trabajo presenta una identificacion y control dinamico de
un motor de inducci on (IM) con arranque suave (Soft-Start) usando redes neuronales
artificiales (ANN). Se demuestra que utilizando cargas ligeras, sin exigencias precisas de
la velocidad y empleando dispositivos de estado solido, se obtiene un ahorro de energa
y se mejora la eficiencia. Cuando se utiliza un driver, se genera armonicos de alto
orden, y estos arm onicos contienen componentes de secuencia positiva y negativa, estos
resultados influyen en la velocidad de rotacion del campo magnetico y traen pulsaciones.
Estos an alisis requieren modelo fsico detallado y grandes calculos matematicos. Trae
dificultades para controlar las decisiones
En trabajos citados anteriormente y otros revisados no se trata la identificacion

de la maquina de inducci
on trif
asica doble alimentada mediante modelos difusos ni su
implementacion mediante un DSP. En este trabajo se utiliza la tarjeta de procesamiento
de se
nales ADSP-21369 disponibles en los laboratorios de maquinas electricas de la UPS
para a obtenci
on de los datos experimentales y la validacion del metodo desarrollado
mediante simulaci
on en MATLAB.
CAPITULO 2
DE LA MAQUINA
DESCRIPCION
2.1. Descripci
on del modelo de la m
aquina
El motor de inducci
on es una de las maquinas electricas mas utilizadas en aplicaciones
industriales por su simplicidad, fiabilidad, bajo costo y porque su mantenimiento es
mnimo. El motor de inducci on se esta utilizando actualmente en nuevos campos y
esto se debe al avance en la electronica de potencia y al desarrollo de algoritmos de
control [B
ocker and Mathapati, 2007].
Se tiene dos tipos de rotor para un motor de induccion, el rotor jaula de ardilla y el
rotor bobinado, siendo el primero el mas utilizado a nivel industrial. En este trabajo la
identificaci
on se realizar
a sobre una maquina disponible en los laboratorios de maquinas
electricas de la Universidad Politecnica Salesiana la cual posee una configuracion tipo
doblemente alimentada y rotor bobinado.
Las aplicaciones tpicas de estas maquinas son como motor, es decir transformando
la energa electrica en mecanica, aunque en los u ltimos a
nos el uso de maquinas de
inducci
on se han estado popularizando como generadores especialmente en su version
doblemente alimentada, la cual ofrece acceso a los terminales de rotor mediante anillos
deslizantes. Dentro de las aplicaciones mas comunes como motor se pueden mencionar:
maquinas de lavar, compresores, bombas, aire acondicionado, en la industria como servo
motores, y tambien en los automoviles electricos, etc.
El comportamiento de la m aquina de induccion puede ser descrito por una ecuacion

diferencial de quinto orden con dos entradas, tres variables de estado, que estan
disponibles para la medicion directa. Cuando se trata de realizar un control de alto
rendimiento para un motor de induccion este resulta mas complicado, si se compara con
un control de un motor de corriente continua (c.c.) debido a que el motor de induccion
posee una dinamica no lineal [Chan and Shi, 2011].
5
6 DEL MODELO DE LA MAQUINA
2.1. DESCRIPCION
Figura 2.1: Modelo simplificado de la m

aquina de inducci
on trif
asico [Viola, 2007].
El funcionamiento b asico de la maquina de induccion consiste en alimentar el

devanado del estator desde una fuente trifasica para producir un campo electromagnetico
rotatorio, el cual induce fuerzas electromotrices al rotor (parte movil de la maquina)
que se convierten en corrientes por el rotor en cortocircuito, produciendose as un par
motriz en el eje de la m
aquina [Obando et al., 2011].
Una m aquina de inducci on trif

asica se puede representar mediante una estructura
simplificada que se muestra en la Figura 2.1. Esta representa una maquina de 2 polos
y 3 fases en el estator. Los devanados se encuentran colocados radialmente con una
separacion espacial de 23 rad. En el caso del rotor, e independientemente de que la
maquina sea de tipo rotor bobinado o tipo jaula de ardilla, se puede representar mediante
3 bobinas que tiene una separaci on de 2
3 rad. Los arrollamientos del rotor se encuentran
cortocircuitados y por estos circulan las corrientes irA , irB , irC . A los devanados del
estator se conectan 3 tensiones vea , veb , vec , que haran circular corrientes iea , ieb , iec . A
cada bobina en el estator se le asocia un eje, con lo cual se crea un sistema o marco de
referencia a b c, que se encuentra fijo respecto al estator. De manera similar se crea
un sistema de referencia A B C que se encuentra fijo al rotor y que por lo tanto gira
respecto al sistema de referencia a b c con la velocidad mecanica del rotor m . Las
cantidades electricas y magneticas que interact uan en el interior de la maquina pueden
representarse vectorialmente usando como referencia estos sistemas de ejes [Viola, 2007].
CAPITULO 2. DESCRIPCION
DE LA MAQUINA
7
Figura 2.2: Representaci

on gr
afica del vector espacial de un sistema trif
asico [Aller, 2012].
2.1.1. Vectores espaciales
La transformaci on a vectores espaciales permite representar un sistema de corrientes,

tensiones o flujos trif
asicos mediante vectores en el espacio cuya magnitud y direccion
son variantes en el tiempo [Aller, 2012]. Esto nos permite un notacion mas compacta y
simple de las ecuaciones. En la Figura 2.2 se muestra una representacion grafica con la
interpretaci
on geometrica de la transformacion a vectores espaciales para un instante de
tiempo dado [Cuce et al., 1996].
Se consideran tres corrientes sinusoidales en el estator :
iea (t) = Ie sin(e t e ) (2.1)
2
ieb (t) = Ie sin(e t e ) (2.2)
3
4
iec (t) = Ie sin(e t e ) (2.3)
3
y considerando una m aquina de induccion trifasica con un par de polos en la que existe
una diferencia espacial de 2
3 rad. entre cada eje, podemos obtener un solo vector de la
forma:
2 4
ie (t) = iea ej0 + ieb (t)ej 3 + iec (t)ej 3 (2.4)
2.1. DESCRIPCION
a
l ea
e
Figura 2.3: Espacio vectorial de las corrientes de estator de un sistema trif
asico [Viola, 2007].
r
3 j(e te )
ie = Ie e (2.5)
2
Si observamos la ecuaci
on (2.4), se trata de un vector que se encuentra en los ejes
abc asociado a cada arrollamiento del estator y cuya magnitud vara sinusoidalmente.
ie (t) = iea (t) + ieb (t) + iec (t) (2.6)

La Figura 2.3 corresponde a la suma de vectores, obtenida seg un la ecuacion 2.6 la
magnitud de la resultante de la corriente de estator ie resulta constante e igual a 32 Ie y
de fase e t 2 , por lo que se encuentra girando respecto al sistema de referencia con
frecuencia angular e [Viola, 2007].
2.1.2. Transformaciones vectoriales

Considerando un sistema trif
asico balanceado, la magnitud del vector espacial resulta
constante. Los vectores espaciales expresados en el sistema de referencia a b c
requieren de 3 componentes para ser representados, por lo que cada ecuacion de la
maquina expresada en este sistema esta realmente compuesta por tres ecuaciones. El
vector espacial puede ser representado por una cantidad compleja, es decir con una
componente real y una componente imaginaria ortogonal, por ejemplo, el vector espacial
DE LA MAQUINA
9
de corriente de estator se puede escribir [Viola, 2007]
ie = ie + jie (2.7)
donde la dependencia respecto al tiempo de las variables se considera implicita. Esta

forma de representaci on ortogonal es valida para cualquier vector espacial y reduce el
numero de ecuaciones en las que se descompone, pasando de las 3 originales en el sistema
de ejes a b c, a s
olo 2 en el sistema de ejes ortogonales y . Para pasar del sistema
de ejes a b c al sistema y se utiliza la transformacion directa de Park. Para esto
se supone al eje como coincidente con el eje a y al eje como ortogonal a [Viola,
2007].
Tomando como ejemplo la corriente de estator en el sistema abc, descomponiendo
estas cantidades en los ejes y [Delgado, 2014].
i = iea ieb sin( 6 ) iec sin( 6 )
1 1
i = iea ieb iec (2.8)
2 2
i = ieb cos( 6 ) iec cos( 6 )

3 3
i = ieb iec (2.9)
2 2
o en forma matricial :

1 i
12 ea

ie 1 2
= 3 ieb (2.10)
ie 0 2 23 iec
como se ilustra en la Figura 2.4.
2.1.3. Modelo de la m
aquina de inducci
on
Para encontrar las ecuaciones diferenciales que rigen el comportamiento de la
maquina de inducci on tememos que analizar la malla para los circuitos de estator y rotor
que se ilustra en la Figura 2.5. Las bobinas rotoricas se encuentran en cortocircuito y al
estator se le aplica un sistema trifasico de tensiones balanceadas.
de
ve = Re ie + (2.11)
dt
dr
vr = 0 = ir Rr + (2.12)
dt
: es un vector espacial de flujo ya sea de estator o rotor.
vr : es igual a cero porque las bobinas del rotor estan cortocircuitadas.
En este punto vamos a definir los enlaces de flujo de estator e y rotor r que se
encuentran en las ecuaciones (2.11) y (2.12).
2.1. DESCRIPCION
ie ie
a
ie
Figura 2.4: Descomposici on del vector espacial de la corriente de estator en el sistema de ejes
de referencia ortogonales .
Figura 2.5: Circuito equivalente de la m aquina de inducci

on en vectores espaciales referidos al
sistema de referencia estat
orico. [Aller, 2012].
DE LA MAQUINA
11
Vector espacial de enlace de flujo de estator en el marco de referencia

estacionario [Vas, 1998].
e = Le ie + Mre i0r (2.13)

j
e = Le ie + Mre ir e (2.14)
Le ie : es el vector espacial de auto enlace de flujo de las fases de estator que son
causadas por las corrientes de estator.
Mre ir : es el vector espacial de enlace de flujo mutuo que es debido a las corrientes de
rotor y es expresado en el marco de referencia estacionario.
Vector espacial de enlace de flujo de rotor en el marco de referencia

estacionario [Vas, 1998].
0r = Lr i0r + Mre ie (2.15)

0r = Lr i0r + Mre i0e ejr (2.16)
ie = i0e ejr (2.17)
i0e = ie ejr (2.18)
Reemplazando la ecuaci
on (2.18) en (2.16) y se tiene:
r = Lr ir + Mre ie ejr (2.19)
Lr i0r : es la componente del enlace de auto flujo producido por la corriente de rotor y
expresado en el marco de referencia estacionario.
Mre ie ejr : es la componente de enlace de flujo mutuo producido por la corriente de

estator, expresado en el marco de referencia estacionario.
Le : es la autoinductancia propia del estator.

Lr : es la autoinductancia propia del rotor.
Las ecuaciones (2.14) y (2.19) del flujo de estator y del flujo de rotor obtenidas, son
reemplazadas en las ecuaciones (2.11) y (2.12) respectivamente, y se tiene:
d
ve = Re ie + (Le ie + Mre ir ej ) (2.20)
dt
d
vr = 0 = ir Rr + (Lr ir + Mre ie ejr ) (2.21)
dt
Desarrollando primero la ecuacion (2.20) se tiene:
ve = Re ie + Le ie + Mre ir ej + Mre jir ej (2.22)

2.1. DESCRIPCION
Haciendo lo mismo la ecuaci

on (2.21) se obtiene:
0 = ir Rr + Lr ir + Mre is ejr Mre is jejr (2.23)

donde:
3
Mre = Lre (2.24)
2
La ecuaci
on (2.24) es la inductancia mutua entre los circuitos de rotor y estator,
depende del
angulo instant
aneo .
Desarrolladas las ecuaciones (2.22), (2.23) y (2.24) se pueden presentar en forma

matricial como:
j 23 Ler ej 3 j

Re Le 2 Ler e

ve ie ie
= + 3 (2.25)
j 3 Ler ej Rr Ler ej Lr
ir

0 2 ir 2
El par electrico generado por la maquina es

1 t
Te = [i] [i] (2.26)
2
i: corrientes de estator y rotor.
t: transpuesto.
d
: d C() es la matriz que determina el comportamiento cclico de los acoplamientos
mutuos entre bobinas del rotor y del estator, por esta razon aparece el angulo como
argumento de la funci on coseno [Aller, 2012].
Este desarrollo de la ecuaci

on se puede observar en la referencia [Aller, 2012], donde
se obtiene el resultado:
3
Te = Ler =[ie (ir ej ) ] (2.27)
2
La ecuaci
on mecanica que establece la dependencia entre la aceleracion angular del
eje del motor en funci
on del par electrico, el par mecanico y la inercia del rotor [Viola,
2007] es :
Te Tm
m = (2.28)
J
Reemplazando la ecuaci
on (2.27) en (2.28) obtenemos :
3
m = Ler =[ie (ir ej ) ] Tm (2.29)
2J
Este modelo simplifica notablemente las ecuaciones al representar magnitudes
trif
asicas mediante vectores espaciales. El sistema se ha reducido a dos ecuaciones
principales (2.25) y (2.29), las cuales simulan dinamicamente el comportamiento de una
DE LA MAQUINA
13
m
aquina de inducci
on trif
asica.
2.2. Descripci
on de los fundamentos de l
ogica difusa
La l
ogica difusa es una tecnica de computacion flexible que le permite a un computador
clasificar informaci
on del mundo real en una escala acotada por los valores falso,
verdadero. Tiene por objetivo proporcionar un soporte matematico formal al
razonamiento basado en el lenguaje natural, el cual se caracteriza por tratarse de
un razonamiento de tipo aproximado que hace uso de proposiciones que expresan
informaci on de car
acter impreciso [Jose, 2009, DNegri and De Vito, 2006, Jang and Sun,
1995].
Se puede resaltar algunas caractersticas importantes de la logica difusa:
1. Tolera los datos imprecisos [Jose, 2009, DNegri and De Vito, 2006, Jang and Sun,
1995].
2. Modela las funciones no-lineales de complejidad arbitraria [Jose, 2009, DNegri and
De Vito, 2006, Jang and Sun, 1995].
3. Puede ser construida sobre la informacion de la experiencia de los operarios

que manejan el sistema que se desea modelar [Jose, 2009, DNegri and De Vito,
2006, Jang and Sun, 1995].
4. Es complementaria a las tecnicas de control convencionales [Jose, 2009, DNegri

and De Vito, 2006, Jang and Sun, 1995].
5. Est
a basada en el lenguaje utilizado por los humanos [Jose, 2009, DNegri and
De Vito, 2006, Jang and Sun, 1995].
La raz
on es simple, durante muchos a nos la logica clasica y binaria (crisp & binary)
han sustentado que la clasificaci
on de las cosas debe ser como:
-Blanco o negro (Binary)
-Blanco, negro, rojo, azul, etc (crisp).
Pero no se pens
o que algo podra ser:
-medio negro
14 DE LOS FUNDAMENTOS DE LOGICA
2.2. DESCRIPCION DIFUSA
-un poco rojo
-casi verde
-escasamente amarillo
Si tomamos en cuenta las palabras medio, poco, escaso, casi, son subjetivas,
sin embargo esa subjetividadpermite que se tenga una clasificacion mas amplia y
menos excluyente [Minchala, 2013].
Conjuntos difusos: los conjuntos clasicos pueden definirse por funciones

caractersticas, estos se encuentran delimitados claramente y son excluyentes. Los
conjuntos difusos en cambio tienen lmites suaves los cuales se definen mediante
funciones de pertenencia, pudiendo existir pertenencia a uno o mas conjuntos. [Minchala,
2013, Passino et al., 1998, MORALES LUNA, 2002, Jang and Sun, 1995].
Por ejemplo un conjunto cl

asico es:
X = integrantes
A = grupo de hombres
B = estudiantes de m
usica
Pero un conjunto difuso es:

A = Personas moderadamente altas
B = Personas medianamente blancas
Para estos conjuntos no se puede utilizar los diagramas de Venn, porque

moderadamente altas, medianamente blancas, varan de persona a persona y
dependen de la situacion. Por ejemplo, se observar en la Tabla 2.1 como se asigna
un grado entre 0 y 1 para denotar moderadamente altas y medianamente blancas,
obteniendo [Minchala, 2013, MORALES LUNA, 2002, Jang and Sun, 1995]
Tabla 2.1: Representaci

on numerica, por su estatura y color de piel.
Donde 1 representa un total de pertenencia a cada grupo y 0 una no pertenencia al

grupo. En un conjunto clasico se tiene que decidir entre 0 y 1 exclusivamente, pero en
un conjunto difuso puede ser cualquier valor dentro de este rango [0, 1] [Minchala, 2013].
DE LA MAQUINA
15
1 Baja Media Alta 1 Baja Media Alta
1.70 1.80 Altura(cm) 1.70 1.80 Altura(cm)

(a) (b)
Figura 2.6: (a) Conjunto cl

asico, (b) Conjunto Difuso.
Funcion de pertenencia: si A representa un conjunto del universo X, su funcion

de pertenencia A puede definirse por la aplicacion [Minchala, 2013, Jose, 2009, Jang
and Sun, 1995].
A : X{0, 1}
El valor de A (x) para el conjunto difuso A se le llama valor de membreca o grado
de pertenencia, donde xX. El grado de membreca es la pertenencia de x al conjunto
difuso A.
Por ejemplo si tenemos 3 personas A =[1.79], B = [1.71], C = [1.68], luego

clasificamos en estaturas: Baja, Media, Alta. Realizamos una comparacion de
las funciones de pertenencia y las funciones caractersticas, que se ilustran en la figura 2.6.
La funci
on de pertenencia aplica cada punto del universo a un valor numerico entre 0
y 1, dentro de la grafica de dominios. Como se menciono anteriormente se define con el
smbolo al grado de pertenencia. Existen varios tipos de funciones de pertenencia que
se presentan en la figura 2.7, sin embargo las dos mas comunes son, la funcion triangular
y tiene el nombre de funci on trimf, para describir esta funcion de pertenencia se necesita
tres puntos que forman un tri angulo y la funcion trapezoidal llamada tambien trapmf,
tiene una parte superior plana y realmente es solo una curva de triangulo truncado.
Estas funciones de pertenencia de lnea recta tienen la ventaja de la simplicidad. Pero
tambien tenemos funciones de pertenencia gaussmf y gbellmf se construyen sobre la
curva de distribucion de gauss con una simple curva de gauss y de dos caras gaussianas
diferentes [Minchala, 2013, Jose, 2009, Jang and Sun, 1995].
La funcion de pertenencia tipo campana generalizada que se muestra en la Figura 2.7

est
a especificada por tres par
ametros y tiene el nombre de la funcion gbellmf. La funcion
de pertenencia de campana tiene un parametro mas que la funcion de pertenencia de
gauss. Debido a su suavidad, las funciones de pertenencia tipo gaussianas son populares
para la especificaci
on de los conjuntos difusos. Ambas curvas tienen la ventaja de ser
suaves y distintas de cero en todos los puntos [Minchala, 2013, Jose, 2009, Jang and Sun,
1995].
16 DE LOS FUNDAMENTOS DE LOGICA
2.2. DESCRIPCION DIFUSA
Figura 2.7: (a)Funci on de pertenencia triangulares trimf, (b)Funci

on de pertenencia trapezoidal
trapmf, (c)Funci on de pertenencia gausiana gaussmf, (d)Funci on de pertenencia campana
generalizada gbellmf.
Grado de pertenencia: es el valor numerico que se asigna como pertenencia a

un conjunto difuso para una variable ling
ustica [Minchala, 2013, Passino et al., 1998].
Como ejemplo se presenta en la Figura 2.8 .
Grado de pertenencia de la edad de 17 a

nos
(17)Adolescentes = 0,4
(17)Jovenes = 0,6
(17)Adultos = 0
Variable ling ustica: es aquella que toma valores con palabras o descripciones
simbolicas en lugar de valores numericos, para las entras y salidas. En una funcion de
membreca los conjuntos son asociados con variables lingusticas [Passino et al., 1998]. El
ejemplo se muestra en la Figura 2.8.Adolescentes, jovenes, adultos, son variables
ling
usticas, de la funcion de pertenencia: Edad
2.2.1. Sistemas l
ogicos Difusos
En general, un Sistema l ogico Difuso (SLD) realiza una aplicacion no-lineal de un vector
de datos de entrada, con una salida escalar. Es decir aplica n umeros con n umeros. La
teora de los conjuntos difusos y la logica difusa establecen las especificaciones de esta
aplicacion no-lineal u
nica. Es capaz de manejar datos numericos y conceptos ling usticos
simultaneamente. Los SLD han sido aplicados exitosamente en campos tales como el
DE LA MAQUINA
17
Adolecentes Jvenes Adultos

1
0.6
0.4
0
17 Edad
Figura 2.8: Grado de pertenencia y variable ling

ustica.
control autom atico, clasificaci

on de datos, analisis de decisiones, sistemas expertos y
visi
on por computadora. Este sistema de logica difusa consta de 4 etapas: fusificacion,
mecanismo de inferencia, base de conocimiento y defusificacion [Efren, 2012, Passino
et al., 1998, Jang and Sun, 1995].
Mecanismo de
Defusificacin
inferencia
Fusificacin
ENTRADA SALIDA
Base del
conocimiento
Figura 2.9: Esquema del sistema difuso.
Fusificacion: Los elementos fundamentales en esta etapa son las Funciones de

Pertenencia de Entrada. La variable del proceso (entrada definida, no-difusa o crisp)
intersecta las funciones de pertenencia generando las entradas difusas. Mediante este
procedimiento, el fusificador establece una relacion entre los puntos de entrada no
difusos y sus correspondientes conjuntos difusos [Efren, 2012, Passino et al., 1998, Jang
and Sun, 1995].
Base de Conocimiento: La base de conocimiento contiene el conocimiento asociado

con el dominio de la aplicaci on y los objetivos de identificacion del modelo. En esta etapa
se definen las reglas ling
usticas de identificacion que realizan la toma de decisiones que
a su vez decidira la forma en la que debe actuar el sistema de identificacion [Passino
18 DEL MODELO DIFUSO
2.3. SELECCION
et al., 1998, Jang and Sun, 1995].
Mecanismo de inferencia: Calcula el valor de la manipulacion o salida del

sistema de identificacion, con base en las reglas de inferencia difusas. Este proceso
involucra la utilizaci
on de funciones de pertenencia y las reglas generadas en la base de
conocimiento. Existen diferentes metodos de inferencia como por ejemplo: Mamdani,
Takagi-Sugeno-Kang [Efren, 2012, Passino et al., 1998, Jang and Sun, 1995].
Defusificaci on: La salida del proceso de inferencia es hasta ahora un conjunto difuso
que indica la posibilidad de realizar una accion de control. Sin embargo, las aplicaciones
de los sistemas difusos no pueden interpretar los valores ling usticos obtenidos, por lo
que se utilizan funciones de pertenencia de salida para retransformar los valores difusos
nuevamente en valores definidos o crisp mediante la defusificacion [Efren, 2012, Jang and
Sun, 1995].
2.3. Selecci
on del modelo difuso
La l
ogica Difusa y las Redes Neuronales tienen propiedades computacionales particulares
que las hacen adecuadas para ciertos problemas especficos y no para otros. Por ejemplo,
mientras las redes neuronales ofrecen ventajas como el aprendizaje, adaptacion,
tolerancia a fallas, paralelismo y generalizacion, no son buenas para explicar como han
alcanzado sus decisiones. En cambio, los sistemas difusos, razonan con informacion
imprecisa a traves de un mecanismo de inferencia bajo incertidumbre ling ustica y son
buenos explicando sus decisiones pero no pueden adquirir automaticamente las reglas
que usan para este fin [Efren, 2012, Jang and Sun, 1995].
Los sistemas Neuro-Difusos combinan la capacidad de aprendizaje de las redes

neuronales (RNAs) con el poder de interpretacion ling ustica de los sistemas de
inferencia difusos, obteniendose los siguientes resultados [Efren, 2012, Jang and Sun,
1995]
1. Aplicabilidad de los algoritmos de aprendizaje desarrollados para redes neuronales.
2. Posibilidad de promover la integracion de conocimiento: implcito que puede ser

adquirido a traves del aprendizaje y, explcito que puede ser explicado y entendido.
3. La posibilidad de extraer conocimiento para una base de reglas difusas a partir de

un conjunto de datos.
Existen sistemas de desarrollo que han logrado unir la logica difusa con las redes
neuronales, por ejemplo se tiene:
DE LA MAQUINA
19
ANFIS (Adaptive Neuro Fuzzy Inference System): es un metodo que permite

sintonizar o crear la base de reglas de un sistema difuso, utilizando el algoritmo de
entrenamiento de retropropagacion a partir de la recopilacion de datos de un proceso.
Su arquitectura es funcionalmente equivalente a una base de reglas tipo Sugeno [Efren,
2012, Jang and Sun, 1995].
FSOM (Fuzzy Self-Organizing Maps): consiste en un sistema difuso optimizado

a partir de la tecnica de los mapas auto-organizados de Kohonen [Efren, 2012, Jang and
Sun, 1995].
NEFCLASS: El algoritmo NEFCLASS esta basado en la estructura del perceptron

multicapa cuyos pesos son modelados por conjuntos difusos. As, se preserva la estructura
de una red neuronal, pero se permite la interpretacion del sistema resultante por el
sistema difuso asociado, es decir, la RNA deja de ser una caja negra [Efren, 2012,Jang
and Sun, 1995].
El modelo difuso que se escogio para este trabajo es el Sugeno o Tsukamoto. Un

procedimiento denominado ANFIS [Jang, 1993], permite transformar automaticamente
los conocimientos difusos y sus correspondientes reglas en sistemas de inferencia difusa
mediante el empleo inicial de un juego de datos de entrada-salida del proceso.
2.3.1. Estructura del ANFIS
Una red adaptativa es una estructura que consiste en nodos y enlaces direccionales
a traves de los cuales los nodos se conectan. En cada nodo puede haber un conjunto
de parametros, los cuales ejecutan una funcion particular sobre las se
nales de entrada
a ese nodo. Las formulas para las funciones de los nodos pueden variar de uno a otro.
De tal manera que se logra una relacion deseada de entrada-salida, los parametros del
nodo son actualizados de acuerdo a los datos de entrenamiento y a un procedimiento
de aprendizaje. El ANFIS o Sistema de Inferencia Neuro-Difusa Adaptativa es una
clase de red adaptativa que es funcionalmente equivalente a los sistemas de inferencia
difuso (SID). Esencialmente consiste en la utilizacion de los modelos difusos de Sugeno
o Tsukamoto y utilizando la arquitectura de una red adaptativa se actualizan los
parametros de los nodos, mediante una ley de aprendizaje hbrido o algoritmo de
adaptacion. La arquitectura del ANFIS se presenta en este proyecto con el modelo de
Sugeno de primer orden. M as adelante se presenta las 5 capas y en cada capa puede
haber varios nodos. La funci on de cada nodo dentro de una capa es la misma [Jang,
1993, Jang and Sun, 1995].
2.3. SELECCION
A1 B1
W1 f1 = p1x+q1y+r1
W1 f1 + W2 f2
Y f=
A2 X
B2 W1 + W2
W2 f2 = p2x+q2y+r2 = W1 f1 + W2 f2
x X y Y
(a)
Capa 1 Capa 4
Capa 2 Capa 3
x y
A1
Capa 5
x
W1 W1 W1 f1
A2
f
B1
y
W2 W2 W2 f2
B2
x y
(b)
Figura 2.10: (a)Un sistema de inferencia difuso tipo Sugeno con dos entradas de primer orden
modelado con dos reglas, (b)Arquitectura Equivalente ANFIS.
Capa 1: cada nodo i en esta capa es un nodo adaptativo con la funcion nodal
O1i = Ai (x),
donde x es la entrada para el nodo i y Ai es una etiqueta ling ustica, tal como
pequeno, grande, etc. Se especifica el grado al cual la entrada x satisface al conjunto
difuso A. La funci
on de pertenencia (FP) para el conjunto difuso A puede ser cualquier
funci
on parametrizada como la funcion campana generalizada [Jang, 1993, Jang and
Sun, 1995]
1
A = , (2.30)
1 + ( xci 2bi
ai )
donde (a, b, c) es el juego de parametros. El centro de la FP es determinado por

c y la mitad del ancho de la FP viene dado por a. El ajuste de la pendiente en los
puntos de cruce lo realiza b. Cuando los valores de esos parametros cambian, la funcion
campana tambien cambiar a y as se formaron varias FP para el conjunto difuso A. Los
par
ametros de esta capa son denominados parametros premisas [del Pozo Quintero, 2012].
Capa 2: Cada nodo de esta capa es un nodo fijo denominado , cuya salida es el
producto de todas las se
nales de entrada [Jang, 1993, Jang and Sun, 1995].
DE LA MAQUINA
21
O2i = wi = Ai (x) (2.31)

O2ies la salida del nodo i en la capa 2, cada salida de nodo representa un porcentaje
de cumplimiento de la regla [del Pozo Quintero, 2012, Jang and Sun, 1995].
Capa 3: cada nodo en esta capa es tambien un nodo fijo denominado N y calcula
la relaci
on de los cumplimientos de la i-esima regla a la suma de los cumplimientos de
todas las reglas.
wi
O3i = wi = , i = 1, 2.. (2.32)
w1 + w2
Para conveniencia la salida de esta capa es llamada normalizada.
Capa 4: cada nodo de esta capa es un nodo adaptativo con una funcion del tipo
O4i = wi fi = wi (pi x + qi y + ri ) (2.33)
donde wi es la salida de la capa 3 y (pi x, qi y, ri ), es el conjunto de parametros de ese

nodo denominado par ametros consecuentes.
Capa 5: esta constituida por un u nico nodo y este es denominado fijo O el cual
calcula la salida total como la suma de todas las se
nales de entrada.
P
X wfi
O5i = wi fi = Pi (2.34)
i i wi
2.3.2. Algoritmo de Entrenamiento Hbrido

La asignaci on de funciones a cada nodo y la configuracion de la red pueden ser
arbitrarias, siendo posible elaborar un ANFIS a partir de los otros esquemas SID. Sin
embargo, el ANFIS construido a partir del modelo de Sugeno es el mas eficiente y
transparente de todos [del Pozo Quintero, 2012, Jang and Sun, 1995].
La efectividad del ANFIS depende de la regla de aprendizaje para identificar sus

parametros [Jang, 1993, Jang and Sun, 1995]. Aunque se puede aplicar el metodo del
descenso m as r
apido (steepest descent), el cual consiste en obtener recursivamente el
vector gradiente, en el cual cada elemento de este es definido por la derivada del error
con respecto a un par ametro. Este procedimiento de hallar el vector gradiente en una
estructura de redes adaptativa se denomina retropropagacion, porque el gradiente se
calcula en la direcci
on opuesta a la salida de cada nodo. Sin embargo este metodo de
optimizaci
on, requiere generalmente mucho tiempo para converger [del Pozo Quintero,
2012, Jang and Sun, 1995].
Si la salida de una red adaptativa es lineal en algunos de sus parametros, podemos

identificar esos par
ametros lineales por un metodo de Mnimos Cuadrados Lineales
(MCL). Si combinamos ambos metodos se obtiene un metodo de Aprendizaje Hbrido
2.3. SELECCION
(MAH), para la identificacion r

apida de los parametros en una red adaptativa. Durante
el c
alculo cada epoca est
a compuesta por un paso hacia adelante y otro hacia atras.
En el paso hacia adelante se utiliza el metodo de MCL. Con el vector de las senales de
entrada presente se calcula la salida de todos los nodos de la red, capa a capa, hasta
que una fila correspondiente a la matriz A y al vector y es obtenida [del Pozo Quintero,
2012, Jang and Sun, 1995].
Se presenta la siguiente ecuaci

on:
A = y (2.35)
onde: A: es una matriz de m n de funciones conocidas del vector de entrada.

d
: es el vector de parametros desconocidos que se estima, de dimension n.
y: es el vector de salida lineal, de dimension n.
El paso hacia atr

as utiliza el metodo de retropropagacion, las se
nales del error se
propagan desde el nodo de salida hasta el nodo de entrada. El vector gradiente es
calculado para cada par de datos de entrenamiento. Al terminarse el calculo para todos
los datos de entrenamiento, los par ametros en la parte no lineal son actualizados y se
comienza de nuevo el c
alculo hacia adelante [del Pozo Quintero, 2012,Jang and Sun, 1995].
En el paso hacia adelante partiendo de los parametros premisas fijos se calcula la

salida de los nodos hasta la capa 4 y los parametros consecuentes que estan en esa capa
son identificados por el metodo de MCL [del Pozo Quintero, 2012, Jang and Sun, 1995].
En la arquitectura ANFIS, los valores de los parametros de la premisa son fijos.

Entonces la salida total puede ser expresada como una combinacion lineal de los
par
ametros consecuentes [del Pozo Quintero, 2012, Jang and Sun, 1995].
El metodo de aprendizaje hbrido converge mucho mas rapido, que el metodo original
de retropropagacion, debido a que reduce la b usqueda en el espacio dimensional. Como
regla las FP deben ser mantenidas fijas mientras dure el proceso de aprendizaje [Jang,
1993, Jang and Sun, 1995].
CAPITULO 3

ANALISIS DE LAS SIMULACIONES
Este captulo presenta la metodologa utilizada para la obtencion de los datos de la

maquina de induccion como tambien las simulaciones necesarias de la identificacion de
la m
aquina de induccion trif
asica, y su posterior validacion.
3.1. Recolecci
on de datos simulados
La recolecci
on de datos simulados se realiza tomando en cuenta las variables involucradas
en las ecuaciones (2.14) y (2.18).
- Primero: se recolecta los datos de las corrientes de estator, corrientes de rotor y

velocidad angular de la maquina de induccion trifasica. Estos tres datos son necesarios
para trabajar en el desarrollo planteado del proyecto.
- Segundo: determinar los angulos de los vectores de las corrientes de estator y

rotor en el marco de referencia estacionario. En este punto se tienen que realizar calculos
adicionales para obtener los datos ya mencionados.
- Tercero: para el entrenamiento y obtencion del modelo de la maquina se utiliza

una estructura ANFIS (sistemas de inferencia difusa basados en redes adaptativas).
3.1.1. C
alculo del
angulo del vector de corrientes
Funcionamiento de la m aquina de inducci on trif
asica: La maquina de
inducci
on trif
asica tiene tres bobinados en el estator y tres bobinados en el rotor,
pudiendose alimentar mediante un sistema de voltaje trifasico a 60Hz de la lnea o
puede ser alimentado por un inversor con frecuencia variable. En cualquiera de estos
casos se genera un campo electromagnetico giratorio producido por el estator, que gira
23
24 DE DATOS SIMULADOS
3.1. RECOLECCION
ie
ie
ie
Figura 3.1: Vector espacial de las componentes de la corriente de estator y su proyecci

on
a velocidad sincr onica. El rotor se encuentra cortocircuitado e inicialmente no esta

en movimiento. El campo electromagnetico generado por el estator a la frecuencia de
excitacion induce al rotor una fuerza electro motriz (fem) a la misma frecuencia; las
fem inducidas en el rotor se convierten en corrientes que producen a su vez un campo
electromagnetico rotorico o campo inducido que genera un par, el rotor empieza a girar
con una aceleracion hasta alcanzar una velocidad cercana a la velocidad angular de giro
del flujo de estator e que depende de la carga en el eje mecanico.
La Figura 3.1 corresponde a un vector espacial de corriente de estator con una

velocidad de giro, tambien se puede observar las componentes y , que nos ayudan a
obtener el
angulo denominado en nuestro proyecto e .
Este angulo, se encuentra formado por el vector espacial de corriente de estator

respecto al eje y puede obtenerse trigonometricamente como la relacion entre las
componentes ie e ie :
ie
e = arctg (3.1)
ie
De la misma forma se obtiene el angulo formado por el vector espacial de corriente
de rotor y el eje del sistema de ejes del rotor. Se proyecta las componentes y
del vector espacial de corriente de rotor como:
ir
r = arctg (3.2)
ir
Considerando empricamente el comportamiento que tienen las corrientes de estator

y rotor, la tasa de variaci
on de la diferencia de angulos es una buena entrada (ya que se
asemeja visualmente) para ser usada en la estimacion de velocidad.
d = e r (3.3)
El angulo que forma el vector de corriente espacial de estator e se encuentra

adelantado respecto al
angulo que forma el vector espacial de corriente de rotor r .
CAPITULO 3. ANALISIS
DE LAS SIMULACIONES 25
Datos de salida ()
Datos de ingreso
Modelo FIS
estimada
Algoritmo de
entrenamiento
Figura 3.2: Diagrama de bloques de la estructura del modelo de la m

aquina de inducci
on.
Si el
angulo del rotor r empieza a acelerarse este trata de igualar en posicion al
ngulo de estator e . En el instante en que se igualan estos dos angulos el par es igual a
a
cero. El rotor disminuye la aceleracion porque el par generado por la maquina es igual a 0,
el
angulo r comienza a retrasarse respecto al angulo de estator e y nuevamente existe
par, esto sucede cuando la maquina electrica llega a su velocidad nominal. En estado
estacionario existe un peque no desfase denominado deslizamiento y se define como:
e r
s= (3.4)
s
3.1.2. Entrenamiento con una estructura ANFIS

Se presenta un diagrama de flujo en la Figura 3.3 para la recoleccion de datos de las
corrientes de estator y corrientes de rotor. Luego de recolectar los datos de entrada y
salida se procede a realizar el calculo de los angulos de los vectores de las corrientes de
estator y corrientes de rotor, se clasifican los datos en 3 vectores: datos de entrenamiento
(dataTRN), datos de comprobacion (dataCHK), datos de verificacion (dataTST), estos
datos se utiliza como entrada para el entrenamiento del modelo de la maquina de
induccion y como salida de comparacion se utiliza la velocidad angular media, por
u
ltimo se valida el modelo de la maquina del proyecto.
La Figura 3.2 presenta un diagrama de bloques de la estructura del modelo donde se

encuentra un bloque central llamado FIS y otro bloque de entrenamiento el cual toma
como entrada el error entre la salida del FIS y la salida almacenada de la planta.
Para trabajar con una estructura ANFIS, se necesita las siguientes variables:
entradas (input): las variables de ingreso son creadas por las corrientes de estator,
corrientes de rotor, que est
a formada por la diferencia de los angulos
Salidas (output): es la velocidad angular medida.
Uno de los metodos de modelado incluidos en la herramienta ANFIS de MATLAB

es el metodo de partici
on de datos en grilla (Grid Partition-GP) es una estructura FIS
3.1. RECOLECCION
Inicio
Obtencin de datos simulados
Gestin de datos
Datos de las corrientes estator y rotor: ir,ie
Datos de velocidad angular de rotor wr
Datos variables entrada para el ANFIS

ngulo de la corriente de estator en Ie_alfa, Ie_ beta
ngulo de la corriente de rotor en ir_alfa, ir_beta
Generacin de la data:
dataTRN, dataCHK, dataTST
Entrenamiento, chequeo y verificacin

del modelo ANFIS
Validacin del modelo ANFIS
La validacin es
correcta
no
si
Fin
Figura 3.3: Diagrama de flujo para obtener el modelo de la m

aquina de inducci
on.
inicial tipo Sugeno o Mamdani. Si existen varias dimensiones es difcil e ineficiente

aplicar este metodo, ya que si se tienen K entradas y m funciones de pertenencia, se
tendran mK reglas. Sin embargo, para un n umero peque no de funciones de pertenencia
y entradas, el metodo es bastante eficiente. En este metodo el antecedente esta definido
por el numero de funciones de pertenencia y el tipo de dicha funcion el cual podra ser
triangular, trapezoidal, gaussiana, campana generalizada, etc, [Efren, 2012].
Para obtener el modelo de la maquina de induccion trifasica se realizo una serie de

entrenamientos con diferentes funciones de pertenencia tipo gaussiana, gebell y trimf.
El numero de iteraciones utilizadas para el entrenamiento oscilan entre 20 y 30, ya

que el error medio (ME) fue disminuyendo hasta que el valor del error se mantena.
Se puede definir el error medio mediante la siguiente ecuacion:
ni=1 [Yi Di ]
ME = (3.5)
n
donde:
Yi = Valor medido de velocidad angular.
Di = Valor estimado de la velocidad angular por el ANFIS.
n = Numero de muestras del conjunto de datos.
La Figura 3.4 ilustra el diagrama de flujo del proceso en MATLAB mediante la

herramienta Fuzzy Logic Toolbox y su funcion ANFIS Editor GUI.
3.1.3. Descripci
on de los datos para entrenamiento,
comprobacion y verificaci
on
Los diferentes modelos del motor de induccion trifasico se entrenaron con 30000 datos
y a estos datos se realiza una particion, para los conjuntos de datos de entrenamiento
(trn), verificaci
on (tst) y comprobacion (chk). Cada uno de los conjuntos de datos se
define como:
El entrenamiento es el conjunto de datos de entrenamiento para el modelo FIS creado

mediante un procedimiento, que minimiza una funcion de error y a la vez ajusta los
par
ametros del modelo (funciones de pertenencia y conjunto de reglas) con la finalidad
de lograr que cada modelo difuso obtenga la mejor estimacion de la velocidad angular
m [Efren, 2012].
Conjunto de datos de comprobacion, establece en cada paso de entrenamiento la

capacidad de generalizacion o aprendizaje que va adquiriendo el modelo neuro-difuso.
Los datos de comprobaci on evitan tambien que se presente sobreentrenamiento en
el modelo. En principio, el error para el conjunto de datos de comprobacion tiende
a disminuir a medida que el entrenamiento toma lugar hasta el punto en que el
sobreentrenamiento comienza, entonces el error para los datos de comprobacion aumenta
repentinamente [Efren, 2012].
3.1. RECOLECCION
Inicio
Caga de la data:
TRNdata, CHKdata, TSTdata
Generacin de la estructura FIS inicial

Genfis1: FIS tipo Sugeno usando una particin en grilla
Genfis2: Obtencin del FIS aplicando agrupamiento de datos
Entrenamiento del FIS

Mtodo: hybrido
Error de tolerancia
Numero de iteraciones (Epochs)
Verificacin del FIS entrenado

Graficas del FIS entrenado contra:
Data entrenamiento
Data verificacin
Data cheching
Validacin del FIS entrenado

Se realiza evaluando el modelo FIS (salida wm)
usando una data de entrada X.
Utilizamos el comando evalfis para su validacin
Fin
Figura 3.4: Diagrama de flujo del ANFIS editor GUI en Matlab.

Una vez que el modelo FIS ha sido entrenado, se prueba el modelo obtenido con
los conjuntos datos de verificaci
on (testing), para indagar que el modelo, provea como
resultado, la mejor estimacion de la velocidad angular m . Esta verificacion se realiza
con datos que no fueron usados durante el entrenamiento y que no han sido vistos, en
consecuencia, por el modelo ya entrenado. [Efren, 2012].
3.2. Obtenci
on del modelo difuso
La Figura 3.5 corresponde al proceso de la obtencion de los datos de las corrientes,
par electrico y la velocidad angular. Cabe aclarar que los datos del par electrico no
se est
an utilizando para los calculos y entrenamientos, estos datos se obtienen de las
simulaciones y son presentados como informacion. Luego se ingresan estos datos a la
estructura ANFIS, para los entrenamientos y la obtencion el modelo de la maquina.
ie_alpha
Angulo
_e
ie_beta
Salida velocidad
Filtrado con derivada
d=(_e _r) FIS estimada
ir_alpha
Angulo
_r
ir_beta
Figura 3.5: Diagrama de obtenci

on de los datos para las simulaciones.
Para obtener el modelo difuso a continuacion se presentan tres pasos para la

recolecci
on de datos de las corrientes de estator y rotor en el marco de referencia
estacionario y .
1. Para obtener los datos de las corrientes de estator ie , corrientes de rotor ir , par
electrico Te y la velocidad angular m se realiza las simulaciones respectivas.
La cantidad de datos que tiene cada variable es de 30000 valores. Las unidades
son por unidad (p.u). La Figura 3.6 corresponde a las se nales de corriente,
par y velocidad angular como se menciona anteriormente. A hora ingresamos un
3.2. OBTENCION
Figura 3.6: Gr aficas de las corrientes ie , ir , par electrico Te , velocidad angular m con v =
1[p.u.], = 1[p.u.].
voltaje de v = 1 y la frecuencia de = 1. Los datos son almacenados en un vector y.
y = [ie , ir , wm , ] (3.6)
Se realiza otra simulacion de la maquina de induccion para una nueva obtencion de

datos que son de utilidad para el proyecto, se ingresa un voltaje de v = 0,5[p.u.],
y manteniendo la frecuencia con el mismo valor de = 1[p.u.]. En la Figura 3.7
se muestran las senales de corriente, par electrico y velocidad angular para este caso.
2. En este punto se convierte a los vectores espaciales de corriente de rotor y estator

en sus componentes en el marco de referencia estacionario () y (). En la
simulacion se tiene un vector espacial complejo, es decir se tiene un dato real y
un dato imaginario, esto facilita el calculo para obtener las corrientes en el marco
de referencia estacionario ie - ie e ir - ir . La parte real del vector espacial
complejo es igual al valor instantaneo del eje directo de la componente de corriente
del estator ie y la parte imaginaria es igual al eje de cuadratura de la componente
de corriente de estator ie . Por lo tanto, el vector espacial complejo de la corriente
de estator en el marco de referencia estacionario unido al estator se puede expresar
como [Lepka and Stekl, 2005].
is = ie + jie (3.7)
Figura 3.7: Gr aficas de las corrientes ie , ir , par electrico Te , velocidad angular m con v =
0,5[p.u.], = 1[p.u.].
3. Con los datos obtenidos hasta este momento, en las simulaciones mostradas en las
Figuras 3.6 y 3.7 se realiza una division en los vectores de datos de: entrenamiento,
comprobaci on y verificacion. Los datos ingresan a la estructura ANFIS para ser
entrenados y luego obtener el modelo FIS de la maquina de induccion.
A continuaci
on se presenta los subconjuntos de datos obtenidos con sus respectivas
figuras.
La Figura 3.8 se muestra los datos de entrenamiento que seran enviados al ANFIS.
La Figura 3.9 se exhibe los datos de comprobacion que seran usados en el ANFIS.
La Figura 3.10 se ilustra los datos de verificacion. Estos datos no se utilizan en
ning
un momento durante el entrenamiento ya que se desea utilizar para comprobar la
adaptaci
on lograda por el modelo cuando se le presenta datos nunca antes vistos.
En las siguientes figuras se presenta los modelos neuro-difusos que son entrenados
usando el algoritmo ANFIS hbrido. El entrenamiento consiste en un n umero predefinido
de iteraciones (epochs), se utiliz
o 20 iteraciones que fue necesaria para minimizar una
funci
on de error y ajustar los parametros del sistema difuso (funciones de pertenencia y
conjunto de reglas) en cada iteracion, con la finalidad de lograr en el modelo obtenido
una mejor estimacion de la velocidad angular.
3.2. OBTENCION
Figura 3.8: Datos de entrada para el entrenamiento del modelo de la m

aquina de inducci
on.
Figura 3.9: Datos de entrada de comprobaci

on para el entrenamiento de la m
aquina de
inducci
on.
Figura 3.10: Datos de entrada de entrenamiento para la verificaci

on luego del entrenamiento.
La Figura 3.11 corresponde al conjunto de datos de entrenamiento versus la salida

deseada que es la velocidad angular y tiene un error de 0,0803[p.u].
La Figura 3.12 ilustra el conjunto de datos de comprobacion versus la salida deseada

que es la velocidad angular con un error de 0,0838[p.u].
La Figura 3.13 se muestra el conjunto de datos de verificacion versus la salida deseada

que es la velocidad angular con un error de 0,0436[p.u]. Se menciono anteriormente que
la verificaci
on se carga luego del entrenamiento.
La Figura 3.14 corresponde a las funciones de pertenencia del modelo FIS inicial,
aplicando el algoritmo de Grid Partition con 5 funciones de pertenencia (MF) tipo
campana generalizada. Las funciones de pertenencia se afinan para lograr una mejor
estimaci
on de la velocidad angular.
En la tabla 3.1 se exhibe los diferentes entrenamientos, con sus respectivos errores,
funciones de pertenencia y datos. Se realizo varios entrenamientos antes de obtener
el modelo de la m aquina de induccion trifasica. Realizando un analisis de los datos
de entrenamiento, podemos decir que existe entrenamientos con diferentes funciones
de pertenencia y que el error es menor seg un vara las funciones. Si incrementamos el
n
umero de funciones de pertenencia existe un cambio mnimo de error; pero no quiere
decir que incrementar el n
umero de FP, garantice que el error disminuya en su totalidad.
Desde el punto de vista de implementacion en un microprocesador, implementar

las funciones de pertenencia es bastante complejo, por ejemplo si se desea obtener una
recta para formar una funci on de pertenencia triangular se necesita dos puntos o un
3.2. OBTENCION
Figura 3.11: Gr
afica del entrenamiento con un error = 0,0803[p.u].
Figura 3.12: Gr
afica de la comprobaci
on del modelo con un error = 0,0838[p.u].
Figura 3.13: Gr
afica de verificaci
on luego de obtener el modelo con un error = 0,0436[p.u].
Figura 3.14: Funciones de pertenencia del FIS inicial.

36 DEL MODELO
3.3. VALIDACION
Tabla 3.1: Tabla de entrenamientos una entrada y una salida Simulado.
DATOS DE ENTRADA-SALIDA Error MSE

ENTRADA N TRN CHK TST TIPO TRN CHK TST
30002 29503 29503 29503 5MF-gauss 0.080393 0.08389 0.043679
30002 29503 29503 29503 3MF-trim 0.087349 0.1535 0.05611
30002 29503 29503 29503 6MF-gebellmf 0.075805 0.14669 0.048754
30002 29503 29503 29503 6MF-gaussmf 0.075316 0.16968 0.052044
30002 30002 30002 30002 6MF-gaussmf 0.049534 0.26653 0.04848
30002 30002 30002 30002 5MF-gebellmf 0.1167 0.16384 0.27183
30002 30002 30002 30002 5MF-gaussmf 0.1175 0.078098 0.088233
30002 30002 30002 30002 6MF-gbellmf 0.021634 0.15578 0.0577
punto y pendiente, entonces se puede calcular la recta. En el calculo existe un nivel

de complejidad, para obtener esta funcion. Pero si se pretende obtener la funcion de
pertenencia tipo gaussiana el nivel de complejidad es mayor ya que existe ecuaciones de
segundo grado para formar la funci on. Por otra parte el microprocesador necesita mas
recursos de procesamiento para formar estas funciones.
La Figura 3.15 presenta los errores de entrenamiento y comprobacion y tambien

el numero de iteraciones vs. el error. Para el presente caso de estudio, se logro un
error de entrenamiento de 0,070046[p.u] y un error de verificacion de 0,08571[p.u] en 50
iteraciones, obtenidas mediante el metodo Grid Partition.
3.3. Validaci
on del modelo
La Figura 3.16 corresponde a un esquema en Simulink, utilizado para validar el modelo
de la m
aquina de inducci
on trif
asica. A continuacion se describe los bloques utilizados
en Simulink:
- Primer From Workspace: en este bloque se encuentra dos datos que son datos
de la diferencia de los
angulos para ser usada en la estimacion de la velocidad y datos
de la velocidad obtenida a partir de la simulacion de la maquina.
- Segundo From Workspace: contiene los datos de medida de la velocidad.
-Fuzzy Logic Controller: es el modelo FIS que se genero en el entrenamiento.
Despues de varios entrenamientos (prueba y error) se escogio el mejor modelo de la

maquina de induccion trif
asica. La Figura 3.17 exhibe los resultados en Simulink del
modelo de la maquina de inducci on. La salida es la velocidad estimada del modelo FIS
que es comparada con la velocidad obtenida a partir de la simulacion de la maquina,
se puede ver que si existe una similitud de las dos velocidades angulares. Todas las
* Error Training Data + Error Checkig DataI
**************************************************
0.0815
o
u

"'
,:
i3 0.081
o
i5
a,
E

o
Lb 0.0805
w
([)
2
o::
O.OS
11111111111111111111111111111111111111111111111111
o 5 10 15 20 25 30 35 40 45 50
Numero de iteraciones
Figura 3.15: Error de entrenamiento y error de comprobaci

on.
simulaciones son por unidad por esa razon su amplitud llega hasta la unidad.
Tambien se valida el modelo desarrollado de la maquina de induccion trifasica con

el comando evalfis. Para esto se realizo un codigo en MATLAB como se muestra en el
Anexo B, a partir del cual se obtiene la Figura 3.18. En esta grafica se presenta la salida
del modelo FIS que es la velocidad angular estimada, comparada con la velocidad angular
medida de la m aquina simulada.
Se realiza una nueva validacion del modelo con otro ingreso y se observa en la Figura
3.19, que la se
nal de velocidad angular estimada le sigue a la se
nal de velocidad angular
medida de la m aquina simulada.
38 DEL MODELO
3.3. VALIDACION
Figura 3.16: Esquema realizado en Simulink para validar el modelo obtenido.
Figura 3.17: Salida de la velocidad estimada del modelo FIS, que es comparada con la velocidad
obtenida a partir de la simulaci
on de la m
aquina.
Figura 3.18: Salida de la velocidad estimada del modelo FIS vs. la velocidad obtenida a partir
de la simulaci
on de la m
aquina de inducci
on.
40 DEL MODELO
3.3. VALIDACION
Figura 3.19: Salida de la velocidad estimada del modelo FIS, comparada con el nuevo ingreso
de la velocidad obtenida a partir de la simulaci
on de la m
aquina de inducci
on.
CAPITULO 4

ANALISIS EXPERIMENTAL
Este captulo aborda las pruebas experimentales realizadas sobre una maquina de
inducci
on trif
asica que se encuentra en el laboratorio de maquinas electricas de la
Universidad Politecnica Salesiana.
Datos t ecnicos de la placa de la m aquina de inducci on: en la Tabla 4.1 se

presentan los datos de placa de la maquina de induccion trifasica que se utilizo para
obtener el modelo difuso.
La Figura 4.1 corresponde a la maquina de induccion trifasica del tipo doble

alimentado y que posee, en consecuencia, anillos deslizantes que dan acceso al bobinado
del rotor.
Figura 4.1: M
aquina de inducci
on trif
asica a ser modelado.
41
42 DE DATOS EXPERIMENTALES
4.1. RECOLECCION
Tabla 4.1: Datos de la placa de la m

aquina de inducci
on trif
asica.
VEW motors
Made in Germany
IEC/EN 60034-1
3~ Mot.Nr. / N 406724/0001 H
Typ/Type SPER 132M 4 HW
5.5 PS /4kW cos 'j 0.83
D/Y 220/380 V 15/8.8A
1435 min / rpm 50Hz
Th.Kl./ Th.cl. 155(F/B) IP 54 85 kg
Laufer : Y 130 V. 19 A.
IM B3ZZ 06/2014
4.1. Recolecci
on de datos experimentales
En la recoleccion de datos experimentales de la maquina de induccion trifasica se utilizo

una tarjeta DSP modelo ADSP-21369 de Analog Devices disponibles en los laboratorios
del Grupo de Investigaci on en Energas (GIE) de la Universidad Politecnica Salesiana.
Esta tarjeta posee adosada una tarjeta de expansion encargada de la recoleccion de
datos provenientes de una tarjeta de sensores. Se creo un archivo con las tres corrientes
de estator (iea , ieb , iec ), tres corrientes de rotor (ira , irb , irc ), tres tensiones de lnea a
neutro (van , vbn , vcn ) y la velocidad angular en rad/s. Las tensiones se adquieren porque
los sensores est
an disponibles pero que no son usadas en el modelo que se va a aproximar.
Una vez recolectados los datos se realiza la transformacion de la corriente y tension

del sistema a b c al marco de referencia . La conversion se presenta mediante
las siguientes transformaciones:
2
ie = (iea 0,5ieb 0,5iec ) (4.1)
3
r
3 3
ie = (ieb iec ) (4.2)
2 2
2
ir = (ira 0,5irb 0,5irc ) (4.3)
3
r
3 3
ir = (irb irc ) (4.4)
2 2
Forma matricial de la corriente de estator:

EXPERIMENTAL 43
Figura 4.2: Tarjeta DSP modelo ADSP-21369 de Analog Devices.
Figura 4.3: Tarjeta de sensores.

4.1. RECOLECCION

2 1 iea
ie 12
= 3 3 3
2 ieb (4.5)
ie 0 2 2 32 23 iec
tambien se presenta en forma matricial la corriente de rotor:

2 1 1 ira
ir
= 3 3 23 2
irb (4.6)
ir 0 2 2 32 23 i rc
En las siguientes figuras se expone las corrientes experimentales de estator en los ejes
a b c y los ejes como tambien las corrientes experimentales de rotor en los ejes
a b c y los ejes , y la velocidad del motor. Para la obtencion de estos datos se
realiz
o dos arranques de la m aquina de induccion.
La Figura 4.4 muestra la velocidad de la maquina de induccion en el primer arranque.
Figura 4.4: Datos experimentales de la velocidad de la m

aquina de inducci
on con el primer
arranque de la m
aquina de inducci
on
La Figura 4.5 presenta las corrientes de estator en los ejes a b c con el primer
arranque de la m
aquina de induccion.
EXPERIMENTAL 45
Figura 4.5: Corrientes de estator en los ejes a b c con los datos experimentales del primer
arranque de la m
aquina de inducci
on.
La Figura 4.6 muestra las corrientes de rotor en los ejes a b c con el primer
arranque de la m
Figura 4.6: Corrientes de rotor en los ejes a b c con los datos experimentales del primer
arranque de la m
aquina de inducci
on.
La Figura 4.7 presenta las corrientes de estator en los ejes con el primer
arranque de la m
4.1. RECOLECCION
Figura 4.7: Corrientes de estator en los ejes con los datos experimentales del primer
arranque de la m
aquina de inducci
on.
La Figura 4.8 exhibe las corrientes de rotor en los ejes con el primer arranque
de la m
Corrientes de rotor experimentales
Figura 4.8: Corrientes de rotor en los ejes con los datos experimentales del primer
arranque de la m
aquina de inducci
on.
La Figura 4.9 ilustra la velocidad de la maquina de induccion con el segundo arranque.

EXPERIMENTAL 47
Figura 4.9: Datos experimentales de la velocidad del segundo arranque de la m

aquina de
inducci
on.
La Figura 4.10 corresponde a las corrientes de estator en los ejes a b c con el

segundo arranque de la m
Figura 4.10: Corrientes de estator en los ejes a b c con los datos experimentales del segundo
arranque de la m
aquina de inducci
on
La Figura 4.11 presenta las corrientes de rotor en los ejes a b c con el segundo
arranque de la m
4.1. RECOLECCION
Figura 4.11: Corrientes de rotor en los ejes a b c con los datos experimentales del segundo
arranque de la m
aquina de inducci
on.
La Figura 4.12 muestra las corrientes de estator en los ejes con el segundo
arranque de la m
aquina de inducci
on.
Figura 4.12: Corrientes de estator en los ejes con los datos experimentales del segundo
arranque de la m
aquina de inducci
on.
La Figura 4.13 expone las corrientes de rotor en los ejes con el segundo
arranque de la m
aquina de inducci
on.
EXPERIMENTAL 49
Figura 4.13: Corrientes de rotor en los ejes con los datos experimentales del segundo
arranque de la m
aquina de inducci
on.
Luego de la conversi on se procede con el preprocesamiento de los datos para ser

utilizados en la obtenci
on del modelo difuso de la maquina de induccion trifasica.
4.1.1. C
alculo del
angulo del vector de corriente
En primer lugar se realiz o el calculo de los angulos de las corrientes de estator
angulos de las corrientes rotor en el marco de referencia estacionario , este
y
an
alisis ya se describi
o en el captulo tres, sin embargo, en la Figura 4.14 se reproduce
nuevamente el esquema utilizado. A continuacion se realiza una descripcion breve del
procedimiento.
para la obtenci
on de los angulos e y r se tiene los siguientes pasos:
1. Las corrientes de estator (ie ) y rotor (ir ), se transforman con las ecuaciones (4.1),
(4.2), (4.3) y (4.4) al marco de referencia estacionario .
2. Los datos anteriores proporcionan el vector espacial de las corrientes de estator y

rotor, entonces son: ie = ie + jie .
El
angulo que se forma entre la componente ie y la componente ie , se obtiene de
ie
la siguiente manera e = arctg ie , el mismo proceso se realiza con la corriente de
rotor ir = ir + jir .
3. Cuando se genera par motriz en una maquina electrica, existe una diferencia entre
angulos e r , es decir el angulo e esta adelantado al angulo r .
los
4.1. RECOLECCION
ie_alpha
Angulo
_e
ie_beta
Salida velocidad
Filtrado con derivada
d=(_e _r) FIS estimada
ir_alpha
Angulo
_r
ir_beta
Figura 4.14: Esquema de obtenci

on de los datos experimentales de la m
aquina de inducci
on.
angulos de fase e r , es la tasa de cambio y se considera

4. La diferencia de los
como una buena se nal para ser alimentada al FIS y lograr su entrenamiento.
5. Por u
ltimo se disen
o un filtro que calcula la derivada de la diferencia de los angulos
de fases (d = e r ). Este c
alculo se realiza mediante un filtro derivador basado
en los coeficientes de Savitzky-Golay [Savitzky and Golay, 1964]. Que en el caso
experimental existe el ruido natural de cuantizacion y de adquisicion por lo que la
derivada numerica suele ser altamente rizada y se requiere de una herramienta mas
elaborada (como el filtro S-G) para obtener resultados que puedan ser utilizados.
Para el calculo de estos procedimientos se realizo un codigo en Matlab que se
muestra en el Anexo A.
d = e r (4.7)
La Figura 4.15 ensena el esquema de una entrada y ademas pre-calculada la derivada

por un filtro derivador, por esta caracterstica el entrenamiento es mejor y mas rapido
para la obtenci
on del modelo FIS.
EXPERIMENTAL 51
Figura 4.16: Ingreso de los datos de entrenamiento.
Salida velocidad
d=e - r
FIS estimada
Figura 4.15: Esquema del modelo.
4.2. Validaci
on del modelo experimental
Esta secci
on presenta los resultados de los entrenamientos realizados para obtener el
modelo experimental de la maquina de induccion trifasica.
4.2.1. Adaptaci
on del modelo con el conjunto de datos de
entrenamiento.
Los primeros entrenamientos se realizaron sin utilizar los datos de comprobacion y
como los errores resultaron ser altos, entonces se modifico los conjuntos de datos de
entrenamiento para incluir un subconjunto que haga las veces de datos de comprobacion,
la Figura 4.16 presenta el error, error = 4,4696[rad/s], al entrenar sin los datos de
comprobacion.
Este proceso se realiza para demostrar que se necesita un conjunto de datos de
comprobacion, que generalice el entrenamiento.
La Figura 4.17 presenta el conjunto de datos de comprobacion vs. la salida deseada

(velocidad estimada) con un error = 9,4358[rad/s]. Este error determina el desempe no
52 DEL MODELO EXPERIMENTAL
4.2. VALIDACION
del modelo, medido entre los datos comprobacion y la salida deseada, bajo las mismas
condiciones de entrada. Estos entrenamientos fueron los primeros que se realizaron, al
momento de entrenar el modelo no se utilizaron los datos de comprobacion por esta
raz
on el error es alto.
Figura 4.17: Ingreso de los datos de comprobaci

on.
La Figura 4.18 presenta el conjunto de datos de verificacion vs. la salida deseada

(velocidad estimada) con un error = 10,8422[rad/s]. El error determina el desempe no
del modelo, medido entre los datos de verificacion y la salida deseada, bajo las mismas
condiciones de entrada. En los entrenamientos no se utilizo los datos comprobacion, por
esta raz
on del error es alto.
EXPERIMENTAL 53
Figura 4.18: Ingreso de los datos de verificaci

on.
4.2.2. Adaptaci
on del modelo con los conjuntos de datos de
entrenamiento, comprobaci
on y verificaci
on.
Se realiz
o una adquisici
on de 10000 datos de las corrientes, tensiones y velocidad
angular. De acuerdo a los datos adquiridos se realizaron las respectivas divisiones de los
conjuntos de datos, luego fueron entrenados para obtener el modelo de la maquina de
inducci
on trif
asica.
La Tabla 4.1 presenta diez entrenamientos, el modelo n umero uno se entreno con
seis funciones de pertenencia (MF) tipo gaussianas, el error de comprobacion es el mas
alto. El modelo n umero dos se entreno con seis MF tipo gbell y los errores resultaron
ser altos. El modelo n umero tres se entreno con seis funciones de pertenencia y es el
que tiene el mas bajo error de todos los modelos obtenidos, los datos de entrenamiento
fueron de 9000 valores, siendo seleccionado para su respectiva validacion. Como se puede
observar en la Tabla 4.1 los entrenamientos varan seg
un las funciones de pertenencia y
en ciertos casos tienen diferentes conjuntos de datos de entrenamiento.
A continuaci
on se presentan los ingresos de los conjuntos de datos: entrenamiento,
comprobacion y verificaci
on, que a su vez se utilizan para el entrenamiento y obtencion
del modelo.
4.2. VALIDACION
Tabla 4.2: Diferentes datos de entrenamientos, para la obtenci

on de los modelos de la m
aquina
de inducci
on.
DATOS DE ENTRADA-SALIDA Error MSE

ENTRADA N TRN CHK TST TIPO TRN CHK TST
10000 8000 8000 2000 6MF-gaussmf 3.9735 4.432 3.791
10000 8000 8000 2000 6MF-gbellmf 4.0656 29.7547 4.1112
10000 9000 9000 2000 6MF-gaussmf 2.6355 3.4217 3.6373
10000 9000 9000 2000 5MF-gaussmf 2.75518 3.7177 3.6018
10000 9000 9000 2000 6MF-gauss2mf 4.3997 4.0039 4.4761
10000 9500 6000 4000 6MF-gaussmf 2.7789 4.9884 4.7543
10000 6000 1000 4000 6MF-gaussmf 4.4904 30.7586 36.2744
10000 9000 9000 2000 6MF-gauss2mf 3.926 5.1393 5.83
10000 9000 9000 2000 8MF-gaussmf 3.915 4.3273 4.3794
10000 9000 9000 2000 15MF-gaussmf 3.86697 4.3448 4.3825
La Figura 4.19 presenta el ingreso del conjunto datos de entrenamiento para la

estructura ANFIS.
Figura 4.19: Ingreso del conjunto de datos entrenamiento.
La Figura 4.20 exhibe el ingreso del conjunto datos de comprobacion para la

estructura ANFIS.
EXPERIMENTAL 55
Figura 4.20: Ingreso del conjunto de datos de comprobaci

on.
La Figura 4.21 muestra el ingreso del conjunto de datos de verificacion para la

estructura ANFIS.
Figura 4.21: Ingreso del conjunto de datos de verificaci

on.
Seleccionamos el modelo n umero tres que tiene el menor error: errortr =

2,6355[rad/s], errorchk = 3,4217[rad/s], errortst = 3,6373[rad/s]. En funcion de
estos datos obtenidos se nuestra los conjuntos de datos de entrenamiento, conjuntos de
4.2. VALIDACION
datos de comprobaci
on y conjuntos de datos de verificacion vs. la salida deseada.
La Figura 4.22, corresponde al conjunto de datos de entrenamiento vs. la salida

deseada que es la velocidad angular.
Figura 4.22: Entrenamiento datos experimentales, errortr = 2,6355[rad/s]
La Figura 4.23, presenta el conjunto de datos de comprobacion vs. la salida deseada

que es la velocidad angular.
Figura 4.23: Comprobaci

on datos experimentales, errorchk = 3,4217[rad/s].
La Figura 4.24, ense

na el conjunto de datos de verificacion vs. la salida deseada que
EXPERIMENTAL 57
es la velocidad angular.
Figura 4.24: Verificaci

on datos experimentales, errortst = 3,6373[rad/s].
La Figura 4.25 exhibe el error medio del conjunto de datos de entrenamiento y del
conjunto de datos de comprobacion, en donde se ratifica graficamente que el error es
igual al calculado en la estructura ANFIS.
Figura 4.25: Error de entrenamiento y verificaci

on usando una estructura ANFIS.
Observamos en la Figura 4.26 la estructura que forma el modelo FIS con una entrada
y seis funciones de pertenencia tipo gaussmf.
4.2. VALIDACION
Figura 4.26: Estructura del modelo FIS con una entrada y 6MF.
La Figura 4.27 presenta la validacion del modelo n umero tres de la maquina de

induccion trif
asica para la cual ingresamos una velocidad angular, que se compara con
la salida del modelo numero tres de la maquina de induccion y observamos que son muy
similares, esto quiere decir que la validacion es aceptable.
Figura 4.27: Validaci

on del modelo n
umero tres con una entrada de datos experimental.
La figura 4.28 corresponde a nueva entrada de velocidad angular y se compara con

la salida que es la velocidad angular estimada del modelo n
umero tres de la maquina de
induccion trif
asica seleccionado anteriormente. Podemos decir que la salida del modelo
EXPERIMENTAL 59
n
umero tres es similar a la velocidad de ingreso.
Figura 4.28: Validaci

on con una nueva entrada de datos experimentales.
4.2.3. Implementaci
on de un control voltaje-frecuencia constante
(VFC) para un modelo de motor en Simulink
El control voltaje-frecuencia constante en lazo cerrado, nos ayuda a validar un
modelo de una m
aquina de induccion trifasico en Simulink.
Primero vamos a hablar sobre el controlador voltaje-frecuencia constante (VFC),

luego se presenta el esquema de control y el modelo difuso obtenido por el entrenamiento
FIS y por ultimo se presenta las graficas que demuestra su validacion del modelo.
Control mediante una relaci

on voltaje-frecuencia constante
El controlador de velocidad de las maquinas de induccion, es el mas utilizado

en la pr actica, consiste b
asicamente en regular la fuente de alimentacion, variando
la frecuencia de las tensiones aplicadas a las bobinas del estator. La variacion de la
frecuencia afecta proporcionalmente las reactancias de magnetizacion y dispersion en
el circuito equivalente, pero las resistencias se mantienen aproximadamente constantes
si el efecto pelicular no es muy pronunciado. Para que la densidad de flujo magnetico
sea practicamente constante, dentro de los lmites de dise
no de la maquina, es necesario
variar la amplitud de la tension de alimentacion en la misma proporcion que se vara la
frecuencia. Con esta estrategia la magnitud del par electrico obtenido en cada velocidad
puede ser cercano, o incluso superior al par nominal [Aller, 2012].
El control tensi
on-frecuencia constante, permite mantener cualquier punto de
operaci on intermedio, aumentar o reducir la velocidad mecanica de la maquina.
Operando a bajas frecuencias, se incrementa el par electrico de arranque, pero el par
electrico m
aximo de la m aquina es practicamente constante, siempre y cuando las
4.2. VALIDACION
V[pu]
1
0.2
f[pu]
0.2 0.5 1
Figura 4.29: Diagrama de control voltaje-frecuencia constante.
reactancias del circuito equivalente de la maquina en regimen permanente sean mucho

mayores que las respectivas resistencias [Aller, 2012].
La Figura 4.29, presenta la variacion del voltaje en forma proporcional a la frecuencia

hasta su valor nominal que son valores por unidad (p.u), con la finalidad de conservar el
par constante a traves del rango de operacion del motor.
La Figura 4.30 ilustra el esquema de control voltaje-frecuencia constante realizado

en Simulink.

CAPITULO 4. ANALISIS EXPERIMENTAL
Figura 4.30: Esquema de control voltaje-frecuencia constante en lazo cerrado, dise

nado en Simulink
61
4.2. VALIDACION
Figura 4.31: Ingreso de la velocidad al esquema de control de voltaje-frecuencia constante.
La 4.31 ense
na la velocidad de ingreso al esquema de control, que es un bloque
Repeating Sequence con los siguientes valores:
Valores de Tiempo =[0 0.2 0.7 1 1.5 2 2.5 3 3.5 4 4.5 5]

Valores de Salida = [0 0 350 350 -350 -350 350 350 -350 -350 0 0]
La figura 4.32 corresponde a la salida de la velocidad del motor Asynchronous del

Simulink comparada con la salida de la velocidad estimada del modelo del mismo motor.
Entonces se puede decir que el modelo obtenido es valido para el caso a lazo cerrado
presentado.
Se ingresa una nueva entrada de velocidad que se exhibe en la Figura 4.33 al esquema
de control de voltaje-frecuencia constante, este bloque es Repeating Sequence con los
siguientes valores:
Valores de Tiempo =[0 0.7 5]
Valores de Salida = [30 350 350]
Al obtener una nueva entrada se observa en la Figura 4.34 que corresponde a la salida de
la velocidad del motor Asynchronous del Simulink vs. la salida de la velocidad estimada
del modelo del motor asncrono de Simulink.
EXPERIMENTAL 63
Figura 4.32: Salida de la velocidad de la m

aquina de Simulink comparada con la salida de la
velocidad estimada del modelo de la m
aquina de inducci
on de Simulink.
Figura 4.33: Ingreso de la velocidad al esquema de control de voltaje-frecuencia constante.

4.2. VALIDACION
Figura 4.34: Salida de la velocidad del motor Asynchronous de Simulink comparada con la
salida de la velocidad estimada del modelo del motor de Simulink.
CAPITULO 5
CONCLUSIONES Y TRABAJOS
FUTUROS
Este captulo aborda las conclusiones determinadas a partir de la obtencion del modelo
dinamico de un motor trif asico de induccion utilizando tecnicas de identificacion de
sistemas con logica difusa y se proponen trabajos futuros que puedan ser implementados
a partir del presente trabajo de investigacion .
5.1. Conclusiones
El trabajo de investigacion se enfoco en la identificacion de un modelo dinamico de
un motor de inducci on trif
asico con logica difusa considerando los siguientes aspectos
fundamentales: la utilizaci on de las ecuaciones que modelan al motor de induccion
mediante el uso de vectores espaciales, la identificacion de las variables mas apropiadas
para ser usadas como entradas de entrenamiento del modelo basado en la estructura
ANFIS, la validaci on del modelo entrenado en pruebas simuladas y experimentales a
lazo abierto y lazo cerrado.
Se ha cumplido con el objetivo general que fue dise

nar e implementar una metodologa
de identificaci
on difusa para un motor trifasico de induccion que permita estimar la
velocidad a partir de las mediciones de corriente de estator y rotor. El modelo generado
fue validado mediante simulaciones y datos experimentales y, finalmente mediante un
algoritmo de control. La obtencion del modelo del motor se realiza off-line, quiere decir
que los datos pueden ser almacenados en un archivo y realizar los entrenamientos para
la obtencion del modelo en cualquier lugar.
Se model o el funcionamiento de la maquina de induccion trifasica mediante el

desarrollo de cinco ecuaciones diferenciales del motor de induccion que son: corriente de
estator ( ), flujo de estator ( ), y la ecuacion mecanica que es el par electrico.
Estas ecuaciones deben representar correctamente el comportamiento de la maquina en
estado estacionario, las cuales son usadas para la simulacion.
65
66 5.2. TRABAJOS FUTUROS
Para la obtencion del modelo se trabajo con los datos de los vectores de corrientes
de estator y de rotor en el marco de referencia estacionario ( ), sistematicamente
se calcularon los
angulos que forman los vectores de corrientes, para luego obtener la
angulos (e r ), la cual una vez derivada resulta proporcional a la
diferencia de los
velocidad que se desea estimar.
angulos d = e r (filtrada y derivada), es la entrada al modelo

La diferencia de los
FIS y su salida representa una estimacion de la velocidad. El entrenamiento del modelo
del motor en la estructura ANFIS fue rapida y sus resultados fueron exitosos porque
primero derivamos (d), antes de cargar los datos al entrenamiento del modelo FIS.
El metodo fue probado para distintas plantas simuladas y para una planta
experimental demostrando poder ser entrenado para proveer de una estimacion confiable
de la velocidad de giro.
La obtencion del modelo del motor simulado tiene menor error, comparado con
el modelo del motor con los datos experimentales, esto se debe a que los datos
experimentales tienen ruido. La validacion de los modelos con diferentes se nales de
ingreso arroj
o muy buenos resultados a la salida del modelo, que es la estimacion de la
velocidad.
El motor que se utiliz o para la identificacion se encuentra en los laboratorios de

maquinas electricas de la Universidad Politecnica Salesiana que posee una configuracion
tipo doblemente alimentada y rotor bobinado.
Se realiz
o un control voltaje-frecuencia constante (VFC) para corroborar la validacion
del modelo del motor simulado.
Los resultados simulados y experimentales obtenidos permiten concluir que el

metodo es valido de ser utilizado como reemplazo directo del encoderde velocidad
en aplicaciones que involucren el uso de maquinas de induccion trifasicas. El metodo es
suficientemente general para proveer de informacion de velocidad a otros controles a lazo
cerrado distintos del voltaje-frecuencia constante.
5.2. Trabajos futuros

Utilizando el mismo concepto presentado en este proyecto de investigacion se espera
que futuros investigadores apliquen la tecnica para controles vectoriales de la maquina
de induccion operando como motor, como as tambien en su operacion en generacion.
Aplicando la misma metodologa descrita en el presente trabajo de investigacion, se puede
implementar un esquema de modelado y entrenamiento on-line para el sistema difuso,
esto quiere decir que se necesita trabajar con la maquina de induccion y la adquisicion de
datos en tiempo real. Los datos de ingreso para el entrenamiento del modelo FIS pueden
ser las corrientes del estator, corrientes de rotor, velocidad y la integral de velocidad que
es la posici
on theta (). La salida del modelo tiene que ser la velocidad estimada.
ANEXO A
Codigo de MATLAB del algoritmo de

trasformacion, filtrado y derivacion.
trasnformacion.m
67
68
%************ Procesamiento de data experimental************************

clc; clear; close all
load(Prueba1.mat) %Primero se carga los datos de prueba1
load(Prueba2.mat) % luego los datos de prueba2

is_alfa_ex = (2/3)*(isa-0.5*isb-0.5*isc);%Las corrientes se encuenttran
%en los ejes a-b-c
is_beta_ex = (3/2)*(sqrt(3)/2)*(isb-isc);%transfromamos las corrientes
%a ejes alfa-beta
ir_alfa_ex = (2/3)*(ira-0.5*irb-0.5*irc);%para los datos experimentales
ir_beta_ex = (3/2)*(sqrt(3)/2)*(irb-irc);
theta_s_ex=angle(is_alfa_ex+j*is_beta_ex);%Calculamos el angulo del vector
%espacial de corriente de estator
theta_r_ex=angle(ir_alfa_ex+j*ir_beta_ex);%Calculamos el angulo del vector
%espacial de corriente de rotor
theta_s_ex1=unwrap(theta_s_ex); %Se elimina el diente de sierra
%que se genera con el angulo de estator
theta_r_ex1=unwrap(theta_r_ex); % Se elimina el diente de sierra
%que se genera con el angulo de rotor
dtheta_ex=-theta_s_ex1+theta_r_ex1;% Calculamos la diferencia de los
%angulos para obtener el par del motor
b=sgcoeff(1,50); %C
alculo de coeficientes Savitzky-Golay
ddtheta_ex=filter(-b(2,:),1,dtheta_ex);%Filtrado con derivaci
on
ANEXO B
Codigo de MATLAB del algoritmo

para validar el modelo. validacion.m
69
70
% *****************Validaci
on del modelo***********************************
clc; clear; close all
fismat = readfis(modelo4.fis);% Cargamos los modelos entrenados
w_theta_est= evalfis([ddtheta_ex],fismat);%validaci
on con los datos
%experimentales de ingreso vs. el modelo
figure(1)
plot(w_m,r) % Gr
afica de la velocidad obtenida por los
% datos experimentales.
hold on;
grid on;
plot(w_theta_est,k)% Grafica de la velocidad
% estimada del modelo
legend(Velocidad angular de ingreso,Salida velocidad estimada)
xlabel(Datos Prueba);
Bibliografa
[Aller, 2012] Aller, P. J. M. (2012). Introduccion a la modelacion de maquinas electricas

rotativas mediante transformaciones vectoriales.
[B
ocker and Mathapati, 2007] Bocker, J. and Mathapati, S. (2007). State of the art of
induction motor control. In Proceedings of 2007 International Conference on Electric
Machines & Drives.
[Chan and Shi, 2011] Chan, T.-F. and Shi, K. (2011). Applied intelligent control of
induction motor drives. John Wiley & Sons.
[Cuce et al., 1996] Cuce, A., DAngelo, G., Di Guardo, M., Giacalone, B., Mazzaglia,
S., and Vinci, C. (1996). System identification through neuro-fuzzy methodologies.
In Neuro-Fuzzy Systems, 1996. AT96., International Symposium on, pages 129138.
IEEE.
[del Pozo Quintero, 2012] del Pozo Quintero, A. (2012). Identificacion no lineal mediante
el sistema anfis. Revista Control Cibernetica y Automatizaci
on.
[Delgado, 2014] Delgado, A. D. V. (2014). Analisis de la teora de marcos de referencia

de la maquina de inducci
on con un enfoque en
algebra lineal. PhD thesis, Universidad
Michoacana de San Nicol as de Hidalgo.
[DNegri and De Vito, 2006] DNegri, C. E. and De Vito, E. L. (2006). Introduccion al

razonamiento aproximado: l
ogica difusa. Revista Argentina de medicina respiratoria,
4:126136.
[Efren, 2012] Efren, A. G. V. (2012). Algoritmo neuro-difuso para la deteccion y

clasificaci
on de fallas en lneas de transmision electrica del sistema ecuatoriano usando
simulaciones y datos de registradores de fallas.
[Jang, 1993] Jang, J.-S. R. (1993). Anfis: adaptive-network-based fuzzy inference system.
Systems, Man and Cybernetics, IEEE Transactions on, 23(3):665685.
71
72 BIBLIOGRAFIA
[Jang and Sun, 1995] Jang, J.-S. R. and Sun, C.-T. (1995). Neuro-fuzzy modeling and
control. Proceedings of the IEEE, 83(3):378406.
[Jose, 2009] Jose, C. (2009). Sistemas Neuro-Difusos. PhD thesis, UNMSM.
[Ju
arez et al., 2014] Ju
arez, M., de Jes
us, J., Zagaceta Alvarez, M. T., and Palma Orozco,
R. (2014). Identificaci
on con estimacion para sistemas tipo caja negra. Revista Facultad
de Ingeniera Universidad de Antioquia, (72):3546.
[Kai et al., 2008] Kai, L., Qiang, T., et al. (2008). Dynamic identification and control of
im soft-start using ann. In Industrial Technology, 2008. ICIT 2008. IEEE International
Conference on, pages 16. IEEE.
[Khemliche et al., 2004] Khemliche, M., Latreche, S., and Khellaf, A. (2004). Modelling
and identification of the asynchronous machine. In Control, Communications and
Signal Processing, 2004. First International Symposium on, pages 815818. IEEE.
[Lepka and Stekl, 2005] Lepka, J. and Stekl, P. (2005). 3-phase ac induction motor vector
control using a 56f80x, 56f8100 or 56f8300 device. Freescale Semiconductor Application
Note AN1930 Rev, 2(2).
[Minchala, 2013] Minchala, I. (2013). Fundamentos del control difuso. UPS C

atedra de
Control Digital Avanzado.
[MORALES LUNA, 2002] MORALES LUNA, G. (2002). Introduccion a la logica difusa.

Centro de Investigaci
on y Estudios Avanzados. Mexico.
[Obando et al., 2011] Obando, F. F., Grueso, J. A., and Torres, D. (2011). Journal de
ciencia e ingenieria.
[Passino et al., 1998] Passino, K. M., Yurkovich, S., and Reinfrank, M. (1998). Fuzzy
control, volume 20. Citeseer.
[Patete, 2012] Patete, A. (2012). Sistemas de identificacion. Departamento de Sistemas

de Control. Escuela de Ingeniera de Sistemas. Universidad de Los Andes, Merida,
Venezuela.
[Savitzky and Golay, 1964] Savitzky, A. and Golay, M. J. (1964). Smoothing and
differentiation of data by simplified least squares procedures. Analytical chemistry,
36(8):16271639.
[Takagi and Sugeno, 1985] Takagi, T. and Sugeno, M. (1985). Fuzzy identification of
systems and its applications to modeling and control. IEEE transactions on systems,
man, and cybernetics, (1):116132.
[Vas, 1998] Vas, P. (1998). Sensorless vector and direct torque control. Oxford University
Press, USA.
[Viola, 2007] Viola, J. C. (2007). Control adaptativo de sistemas electr

onicos de potencia
con redes neuronales y criterio de estabilidad de lyapunov. PhD thesis, Universidad
Simon Bolvar.
BIBLIOGRAFIA 73
[Wai et al., 2000] Wai, R.-J., Lin, H.-H., and Lin, F.-J. (2000). Hybrid controller using
fuzzy neural networks for identification and control of induction servo motor drive.
Neurocomputing, 35(1):91112.
[Zuluaga and Giraldo, 2013] Zuluaga, C. D. and Giraldo, E. (2013). Identificacion de

un generador de induccion doblemente alimentado basado en el filtro de kalman en
presencia de datos espurios. Ingeniera y competitividad, 15(1):4961.
UNIVERSIDAD POLITCNICA SALESIANA
UNIDAD DE POSGRADOS
MAESTRA EN CONTROL Y
AUTOMATIZACIN INDUSTRIALES
Autor: Director:
William Patricio Navas Cajamarca. Dr. Julio Cesar Viola.
OBTENCIN DEL MODELO DINMICO

DE UN MOTOR TRIFSICO DE INDUCCIN
UTILIZANDO TCNICAS DE IDENTIFICACIN
DE SISTEMAS CON LGICA DIFUSA
Es necesario obtener un modelo del sistema para su anlisis, como por ejemplo
para el control del sistema. Este proyecto de investigacin y desarrollo se plantea
una identificacin neuro-difusa (sistema de inferencia neuro- difusa adaptativa),
para obtener el modelo de un motor de induccin trifsico, con una configuracin
doblemente alimentada y rotor bobinado. Se requiere encontrar las ecuaciones
diferenciales que rigen el comportamiento correcto de la mquina de induccin en
estado estacionario. El modelo generado fue validado mediante simulaciones y
datos experimentales y, finalmente mediante un algoritmo de control voltaje-
frecuencia constante (VFC).
Se utiliz un motor para la identificacin y una tarjeta DSP modelo ADSP-21369
de Analog Devices para la recoleccin de datos experimentales de la mquina de
induccin trifsica, estos equipos se encuentran en los laboratorios de mquinas
elctricas de la Universidad Politcnica Salesiana.

Obtencion Del Modelo Dinamico de Un Motor Trifasico

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Obtencion Del Modelo Dinamico de Un Motor Trifasico

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD POLITCNICA SALESIANA

OBTENCIN DEL MODELO DINMICO

WILLIAM PATRICIO NAVAS CAJAMARCA

JULIO CESAR VIOLA

NAVAS CAJAMARCA WILLIAM PATRICIO

Obtencin del modelo dinmico de un motor trifsico de induccin utilizando tcnicas

Universidad Politcnica Salesiana, Cuenca Ecuador, 2016

MAESTRA EN CONTROL Y AUTOMATIZACIN INDUSTRIALES

Formato: 170x240mm Pginas: 73

WILLIAM PATRICIO NAVAS CAJAMARCA

Todos los derechos reservados.

1. INTRODUCCION Y MARCO TEORICO 1

5. CONCLUSIONES Y TRABAJOS FUTUROS 65

2.1. Modelo simplificado de la maquina de induccion trifasico . . . . . . . . . . 6

3.1. Vector espacial de las componentes de la corriente de estator y su proyeccion 24

4.1. Maquina de induccion trif

3.1. Tabla de entrenamientos una entrada y una salida Simulado. . . . . . . . 36

4.1. Datos de la placa de la maquina de induccion trifasica. . . . . . . . . . . . 42

A mi familia por su apoyo en todo

Este proyecto de investigaci on y desarrollo presenta los resultados de la obtencion

En el desarrollo de este trabajo, primero se utilizo un maquina de induccion trifasica

En el presente proyecto de investigacion y desarrollo se presentan los resultados de

En el captulo I, se trata de conocer el comportamiento de un sistema en una region

En el captulo II, se describe el modelo de la maquina, y las transformaciones

En el captulo III, se presenta una metodologa de la maquina de induccion trifasica

En el captulo V, se presentan las conclusiones obtenidas por la realizacion del

A Dios por brindarme el conocimiento para el estudio.

Un agradecimiento especial a mi director de proyecto de investigacion, Dr. Julio

A un gran amigo por su apoyo en estos proyectos de la vida, que es el estudio.

A las autoridades de la Universidad Politecnica Salesiana por todas las facilidades

Durante anos se fueron desarrollando metodos en los cuales, si los sistemas

Las maquinas de inducci on en ambientes industriales tpicamente operan a una

Los encoders, son sensores que generan se

Los encoders, actuan como transductores de retroalimentacion para el control de

Reemplazar el encoder, mec anico por un estimador de velocidad que utilice

1.3.2. Objetivos Especficos

2. Evaluar detalladamente las diferentes tecnicas de identificacion basadas en logica

3. Desarrollar una tecnica de identificacion mediante la aplicacion de logica difusa

4. Programar el sistema de identificacion difuso en el ambiente de MATLAB y

5. Implantar un algoritmo de control para la maquina de induccion basado en el

[Cuce et al., 1996], propone un metodo para identificar el comportamiento de un

[Wai et al., 2000], presenta un estudio experimental de un controlador hbrido

[Khemliche et al., 2004], proponen la identificacion de una maquina asncrona por un

[Zuluaga and Giraldo, 2013], presenta una metodologa de identificacion de un

En trabajos citados anteriormente y otros revisados no se trata la identificacion

El comportamiento de la m aquina de induccion puede ser descrito por una ecuacion

Figura 2.1: Modelo simplificado de la m

El funcionamiento b asico de la maquina de induccion consiste en alimentar el

Una m aquina de inducci on trif

Figura 2.2: Representaci

2.1.1. Vectores espaciales

La transformaci on a vectores espaciales permite representar un sistema de corrientes,

Se consideran tres corrientes sinusoidales en el estator :

iea (t) = Ie sin(e t e ) (2.1)

ie (t) = iea (t) + ieb (t) + iec (t) (2.6)

2.1.2. Transformaciones vectoriales

de corriente de estator se puede escribir [Viola, 2007]

donde la dependencia respecto al tiempo de las variables se considera implicita. Esta

vr : es igual a cero porque las bobinas del rotor estan cortocircuitadas.

Figura 2.5: Circuito equivalente de la m aquina de inducci

Vector espacial de enlace de flujo de estator en el marco de referencia

e = Le ie + Mre i0r (2.13)

Vector espacial de enlace de flujo de rotor en el marco de referencia