Investigation of Performance Based on Online Adaptive Neuro-Fuzzy Inference System (ANFIS) for Speed Control of Induction Motors

Yıl 2016, Cilt: 31 Sayı: ÖS2, 33 - 42, 15.10.2016

Sami Şit Hasan Rıza Özçalık Erdal Kılıç Osman Doğmuş Mahmut Altun

https://doi.org/10.21605/cukurovaummfd.315861

Cited By: 2

Öz

In the speed control of three-phase induction motor, conventional PI type control can not provide a good performance due to non-linear structure of the system, change in load torque, change in parameters and unknown disturbance effects. Therefore, adaptive control methods have been applied in speed control of induction motor in order to obtain better performance. In this study of speed control of vector controlled induction motor, adaptive neuro-fuzzy inference system (ANFIS) which is one of modern control techniques are commonly proposed compared to conventional PI control. The aim of the study is to set the parameters of proposed controller and to obtain high performance in speed control of induction motor by using obtained input-output data over PI control. The performance of both the control systems in MATLAB/Simulink environment was investigated in case of different operating conditions. In this simulation study of speed control of induction motor, the suggested controller produces better performance compared with the conventional PI controller by arranging the performance parameters such as rise time, overshoot, settling time and steady state error. Besides, it is observed that in the region of change in reference speed and change in load, ANFIS provided better performance than PI type control.

Anahtar Kelimeler

Induction motor, Adaptive neuro-fuzzy inference system (ANFIS), PI control, Artificial neural networks

Asenkron Motorların Online Adaptif Sinirsel-Bulanık Denetim (ANFIS) Sistemine Dayalı Hız Denetim Performansının İncelenmesi

Öz

Üç fazlı asenkron motorların hız denetiminde sistemin doğrusal olmayan yapısı, yük momentindeki değişimler, parametre değişimleri ve bilinmeyen bozucu etkilerinden dolayı geleneksel PI tipi denetim ile iyi bir performans sağlanamamaktadır. Bu nedenle asenkron motorun hız denetiminde, daha iyi bir performans elde etmek için adaptif kontrol yöntemleri uygulanmaya başlamıştır. Bu çalışmada vektör kontrollü asenkron motorun hız denetiminde geleneksel PI denetim yerine modern denetim yöntemlerinden olan adaptif sinirsel-bulanık denetim (ANFIS) sistemi önerilmiştir. Bu çalışmanın esas amacı, PI denetimli çalışmadan elde edilen giriş-çıkış verileri kullanılarak önerilen denetleyici parametrelerini ayarlamak ve asenkron motorun hız denetiminde yüksek performans elde etmektir. Her iki denetim sisteminin performansı MATLAB/Simulink ortamında farklı çalışma koşullarında incelenmiştir. Asenkron motorun hız kontrolü simülasyon çalışmasında, yükselme zamanı, aşım, yerleşme zamanı ve sürekli hal hatası gibi performans parametreleri ayarlanarak önerilen denetim sistemi geleneksel PI denetime kıyasla daha iyi bir performans sağlamıştır.

Ayrıca, sistemde referans hızın değiştirildiği ve yükün değiştirildiği bölgelerde ANFIS, geleneksel PI tipi denetimden daha iyi bir performansa sahip olduğu simülasyon sonuçlarından gözlemlenmiştir.

Anahtar Kelimeler

Asenkron motor, Adaptif sinirsel-bulanık denetim (ANFIS), PI denetim, Yapay sinir ağları

Kaynakça

• 1. Sit, S., Kilic, E., Ozcalik, H.R., Altun, M., Gani, A., 2016. Model Reference Adaptive Control based on RBFNN for Speed Control of Induction Motors, International Conference on Natural Science and Engineering (ICNASE’16), pp. 3355-3364.
• 2. Kim, G-S., Ha, I-J., Myoung-Sam KO., 1992. Control of Induction Motors for Both High Dynamic Performance and High Power Efficiency, IEEE Transactions on Industrial Electronics, Vol. 39, No. 4, August 1992.
• 3. Sit, S., Ozcalik, H.R., Kilic, E., Yilmaz, S., 2015. Investigation of Speed Control Method in Three-Phase Induction Motor Drives, International Refereed Journal of Engineering and Sciences, Vol:2 No:5, pp. 125-151 (Open Access, DRJI, ISRA).
• 4. Eltamaly, A.M., Alolah, A.I., Badr, B.M., 2010. Fuzzy Controller for Three Phases Induction Motor Drives, IEEE Autonomous and Intelligent Systems-First International Conference, (AIS 2010), Povoa de Varzim, Portugal, June 21-23.
• 5. Fu, X., Li, S., 2015. A Novel Neural Network Vector Control Technique for Induction Motor Drive, IEEE Transactions on Energy Conversion, Vol. 30, No. 4, December 2015. pp. 1428-1437.
• 6. Niasar, A.H., Khoei, H.K., 2015. Sensorless Direct Power Control of Induction Motor Drive Using Artificial Neural Network, Hindawi Publishing Corporation Advances in Artificial Neural Systems, Volume 2015, Article ID 318589, p. 9.
• 7. Jang, J.S.R., 1993. ANFIS: Adaptive-Network-Based Fuzzy Inference System, IEEE Transactions on Systems, Man, and Cybernetics, Vol. 23, No. 3, pp. 665-685. http://dx.doi.org/10.1109/21.256541
• 8. Kilic, E., Ozcalik, H.R., Yilmaz, S., Sit, S., 2015. A Comparative Analysis of FLC and ANFIS Controller for Vector Controlled Induction Motor Drive, 2015 IEEE International Aegean Conference on Electrical Machines & Power Electronics (ACEMP2015), 2-4 September 2015, Side-Antalya, Turkey.
• 9. Özçalık, H.R., Kılıç, E., Şit, S., 2013. Uzay Vektör Darbe Genişlik Modülasyonu İle Sürülen Üç Fazlı Bir Asenkron Motorun Denetiminde PI-Fuzzy Tipi Denetim Yönteminin Başarımının İncelenmesi, 15. Otomatik Kontrol Ulusal Toplantısı, TOK2013, Malatya, Türkiye, ss:1153-1158, 26-28.
• 10. Paçacı, S., 2011. Yapay Sinir Ağları, Bulanık Mantık ve Sinirsel Bulanık Denetleyiciler ile Asenkron Motorların Hız Denetimi için Simülatör Tasarımı, Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, Isparta.
• 11. Şit, S., 2013. Üç Fazlı Sincap Kafesli İndüksiyon Motorunun Bulanık Mantık Esaslı Yöntemler Kullanılarak Denetimi. Yüksek Lisans Tezi, KSÜ, Fen Bilimleri Enstitüsü, Kahramanmaraş, 87.
• 12. Sugeno, M., Takagi, T., 1985. Fuzzy Identification of Systems and its Applications to Modelling and Control, IEEE Transactions on Systems, Man, and Cybernetics, Vol. 15, pp. 116-132.
• 13. Tutmez, B., Hatipoglu, Z., Kaymak, U., 2006. Modelling Electrical Conductivity of groundwater using an Adaptive Neuro-Fuzzy Inference System. Computer & Geosciences 32 (4), 421-433.
• 14. Elmas, Ç., 2011. Yapay Zeka Uygulamaları, Seçkin Yayıncılık, Ankara.