dc.contributor | Sánchez, Alberto (dir) | |
dc.creator | Llano Chiguano, Danilo Xavier | |
dc.date | 2013-07-30T16:24:02Z | |
dc.date | 2013-07-30T16:24:02Z | |
dc.date | 2012 | |
dc.date.accessioned | 2023-08-08T20:03:31Z | |
dc.date.available | 2023-08-08T20:03:31Z | |
dc.identifier | Tesis (Ingeniero Electrónico), Universidad San Francisco de Quito, Colegio de Ciencias e Ingeniería el Politécnico; Quito, Ecuador, 2012. | |
dc.identifier | http://repositorio.usfq.edu.ec/handle/23000/1958 | |
dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8061624 | |
dc.description | Internal induction motor variables estimators are highly required in field applications [3].
They are the entrance to modern control techniques for induction machines. Even though
there is a huge range of variables or parameters which can be estimated, load torque and rotor
speed are prior in sensorless control techniques because most industrial applications require
control of these variables. To estimate rotor speed is neccesary to estimate rotor and stator
currents or fluxes (depending on the model used) as well. As consequence with an estimator is
possible to know and control almost all the performance in an induction machine in sensorless
way.
One of the most known and used estimator is the Kalman filter and its extended version
for parameter estimation, not only states in non-linear systems [10]. Theory regarding this
estimator applied to induction machines is well known and authors have proposed different
techniques and models [11, 12, 2] to approach. However, all the algorithms need stator voltages
and currents measurements to work. Stator voltage measurements are used to calculate
the states in the model and stator currents measurements are used to calculate the error between
estimated and measured outputs in most of the models. All the estimation is based
on the error mentioned above. To reduce computation requirements some authors have proposed
alternative algorithms for Kalman estimation [13, 14], but they are usually restricted
to particular problems or models.
H1 filter is less known and there is no much information about real-problem implementations,
but this filter was specifically developed for robustness. H1 filters are robust filters that
minimizes the worst-case error (bounded peak error gain). Perturbations are assumed to be
energy-bounded signals without specific statistics. H1 filters do not make assumptions about
error statistics and are robust to uncertain in the model parameters or errors in covariance
matrices tunning.
This articule presents an estimation for both variables, speed and load torque by using
a sixth order extended Kalman Filter and an extended H1 Filter. In the case of the H1
filter the cost function to be minimizated will be limited to rotor speed and load torque error
estimation to reduce computation required. The space state model for the motor is writen
as function of machine magnetic fluxes because it reduces significantly the number of non
constant terms in the model and also reduces the number of computations perform by the
DSP in real implementation. | |
dc.description | El presente proyecto comprende un análisis comparativo de dos técnicas de estimación
de variables de estado en una máquina de inducción operando como motor, el filtro Kalman
Extendido y el filtro H1 extendido. Los dos filtros han sido modificados para la estimación
de sistemas no lineales como es el caso de la máquina de inducción. El análisis considera los
resultados en simulación y en tiempo real. La implementación consideró no solo la estimación
sino también la complejidad del algoritmo y la carga computacional. Para las pruebas
experimentales se aplicaron perturbaciones de carga y cambios en frecuencia.
En términos generales, el filtro Kalman Extendido es una técnica de estimación clásica, en
la que se asume ruido gaussiano y no correlación en el ruido de proceso y ruido de medición.
Este filtro minimiza la varianza del error de forma óptima. Por años ha sido estudiado e
implementado debido a su gran versatilidad y poca complejidad. Sin embargo, debido a sus
limitaciones sugieron también métodos de estimación más robustos. En el caso de Kalman, el
desempeño del filtro depende fuertemente de un conocimiento profundo de la planta, lo cual en
la mayoría de aplicaciones reales no es posible. Así también, la sintonización de sus parámetros
es engorrosa.
El filtro H1 extendido es una técnica de estimación robusta moderna, menos estudiada
que el filtro Kalman. Debido a su formulación matemática, este filtro estima minimizando
el error en el peor de los casos, es decir cuando el sistema se comporta de forma tal que el
error en la estimación es máximo. No se requiere asumir condiciones sobre la naturaleza del
ruido en el sistema, lo cual hace que el filtro sea más real en la medida que los parámetros
de sintonización pueden determinarse experimentalmente y deben ajustarse a una forma en
particular. No obstante, al ser un caso más general requiere de una mayor carga computacional
que puede llegar a ser crítico en una implementación real. A nivel simulación este detalle no
es fundamental.
Todo el análisis de estas dos técnicas de estimación parten de un modelo de la máquina
de inducción que tiene a los flujos magnéticos qd0 de rotor y estator, la velocidad del rotor
y el torque de carga como variables de estado. Las salidas del modelo son las corrientes qd0
del estator. Sobre este modelo se desarrollan los algoritmos de estimación. A través de los
resultados de la simulación e implementación de los filtros se identificaron sus principales
características, ventajas y desventajas. | |
dc.format | 23 h. | |
dc.format | application/pdf | |
dc.language | esp | |
dc.publisher | Quito, 2012. | |
dc.rights | openAccess | |
dc.rights | http://creativecommons.org/licenses/by-nc-sa/3.0/ec/ | |
dc.subject | Electrónica | |
dc.subject | Tecnología | |
dc.subject | Ingeniería Eléctrica | |
dc.title | Estimación en tiempo real de torque y velocidad en un motor trifásico. | |
dc.type | bachelorThesis | |