RIGEL

Editor-in-chief Prof. Amine Boudghene Stambouli

Revue of the Electrical & Electronic Engineering Faculty University of Sciences & Technology of Oran Mohamed Boudiaf (USTO-MB) BP 1505, EL M’Naouer, ORAN (31000). ALGERIA Tel & Fax: + (213) 41 56 03 29 + (213) 41 56 03 01 E-mail: revue_rigel@univ-usto.dz Web site: www.univ-usto.dz/revue/rigel

Revue Internationale de Génie Electronique

RIGEL Revue Internationale de Génie Electronique

International Revue on Electronics Engineering Editorial Objectives This revue provides a central, authoritative and independent forum for the exchange of information pertaining to the electronics associated fields. It makes an important contribution to the technical body of knowledge and expertise in this crucial area, linking research to current practice and application.

Revue of the Electrical & Electronic Engineering Faculty University of Sciences & Technology of Oran Mohamed Boudiaf (USTO-MB) BP 1505, EL M’Naouer, ORAN (31000). ALGERIA Tel & Fax: + (213) 41 56 03 29 + (213) 41 56 03 01 E-mail: revue_rigel@univ-usto.dz Web site: www.univ-usto.dz/revue/rigel

AIMS AND SCOPE The International Revue on Electronics Engineering (RIGEL) is dedicated to providing a multidisciplinary platform for the exchange of information and ideas pertaining to the area of electronics engineering. It makes an important contribution to the technical body of knowledge and expertise in this crucial area, linking research to current practice and application without the constraints imposed by aiming at a restricted audience. The breadth of coverage ranges from advances in the field and state of the art developments of electronic systems to all sources of energy and conversion processes. It is also concerned with the attendant problems of the environmental and social impacts of energy policy and usage as well as the development and exploitation of new fuels and other sources of energy. RIGEL aims to provide a forum for disseminating high quality research results in the electronics field. Paper on related topics such as telecommunication, signal processing, robotics, automatism, optoelectronics, micro-electronics, theory and modelling, TIC, artificial intelligence, Industrial surveillance, biomedical electronics, biomedical data processing, theory, computational simulation, design, experimentation, measurement, energy systems, industrial ecology, sustainable development and environmental modelling are welcome. Interdisciplinary subjects are also encouraged. Types of contributions

• Original papers not previously published; • Invited review articles; • Letters, 2000-2500 words; • Announcements, reports on conferences, news…

Submission of papers Papers, case studies, etc. in the areas covered by the RIGEL are invited for submission. Papers will only be published in English and French. Each typescript must be accompanied by a statement that it has not been previously published nor be currently under consideration for publication elsewhere. All papers are refereed through a double blind process. Authors are encouraged to approach their chosen topic with an international perspective. Authors may send 3 hard copies or one copy in the form of an MS World file attached to the address and e-mail of the revue. A complete one column typescript should include, in the following order:

• Title (TNR 14); • Names of authors (TNR 12); • Address: department, name of institution, full postal address and e-mail address (TNR 10); • Abstract: approximately 150 words, maximum 200 (TNR 12); • Short list of keywords (TNR 10); • Text (TNR 12).

All illustrations, whether diagrams or photographs, suitable for printing in black and white, are referred to as figures and are numbered sequentially. Electronic copies of the figures are also required. RIGEL uses short reference system, example [1], for citation in the text with a detailed list at the end of the paper. References should be made only to works that are published, accepted for publication, or available through libraries or institutions. Full reference should include all authors,

date of publication, title of the paper, volume and issue number, publisher and form, page numbers. Footnotes should be avoided. RIGEL follows the International System for units of measurement. Frequency Two volumes per year are scheduled for publication. Prices are available from the publisher upon request. Editor-in-chief Prof. Amine Boudghene Stambouli Associate editors

Prof. Abdelhamid Midoun

Dr Mohamed Benkhedda

Dr Zoubir Ahmed Fouatih

Dr Wahid Nouibat

Dr Nasreddine Mekkakia Maaza

Dr Salim Bettahar

Mr Amine Daoud

Editorial Advisory Board

Prof. Enrico Traversa University of Roma "Tor Vergata". Italy

Prof. Riccardo Polini University of Roma "Tor Vergata". Italy

Prof. Dave Thomas George Green Institute for Electromagnetics Research School of Electrical and Electronic Engineering. University of Nottingham. England

Dr Souad A. Benromdhane-Kilani Vice President, Chief Environmental Officer Clongen Laboratories, LLC. USA

Prof. Peter Novak Energotech d.o.o. Slovania

Prof. M. Yusof Hj. Othman University Kebangsaan, Malaysia

Prof. Abdel Cherigui Université Joseph Fourier-Grenoble1. France

Prof. Omar Badran Albalqa Applied University. Jordan

Prof. Erwin S. Sadirsan Indonesian Renewable Energy Society Graha Niaga 16th FI. Jakarta 12190. Indonesia

Prof. Fethi Bereksi Reguig University of Tlemcen. Algeria

Prof. Etienne Colle Université d’Evry Val D’Essonne. France

Prof. Alain Pruski Université de Metz, Ile du Saulcy. France

Prof. Ara Sayegh University of Aleppo. Syria

Prof. Ali Hamzeh University of Damascus. Syria

Prof. Abdelkader Saidane (ENSET-Oran). Algeria

Prof. Ammar Moussi University of Biskra. Algeria

Prof. Abdelkader Belaidi (ENSET-Oran). Algeria

Prof. Faiçal Khelfi Faculty of Sciences, University of Oran. Algeria

Prof. Tarik Bendimered University of Tlemcen. Algeria

Prof. Mohamed Faouzi Belbachir University of Sciences and Technology of Oran. Algeria

Prof. Zaki Sari University of Tlemcen. Algeria

Prof. Abdelkader Benyettou University of Sciences and Technology of Oran. Algeria

Prof. Abdelaziz Ouamri University of Sciences and Technology of Oran. Algeria

Prof. Benyebka Belmekki University of Sciences and Technology of Oran. Algeria

Prof. Nasreddine Berrached University of Sciences and Technology of Oran. Algeria

Prof. Rachida Mostefaoui University of Sciences and Technology of Oran. Algeria

Prof. Saad Hamzaoui University of Sciences and Technology of Oran. Algeria

Dr Abdelhamid Loukil University of Sciences and Technology of Oran. Algeria

Dr Salem Kahlouche Centre des Techniques Spatiales. Algeria

Dr Nasreddine Hamdadou (ENSET-Oran). Algeria

Dr Said Karoui University of Sciences and Technology of Oran. Algeria

Advertising information

Advertising orders and enquiries may be sent to the revue addresses.

Contents I. Al-Adwan, G. Pissanidis, O. Badran and N. Kadhim

1 Theoretical Analysis of Permanent Magnet Brushless Motors

D. Benouali N. Benabadji S. Kherici and M. Benyettou

21 Etude assistée par microordinateur de la décantation des particules en suspension

S.M. Debbal and L. Hamza Cherif

28 Analyse des signaux PCG par la TOD et la TPO : Comparaison et choix de l’ondelette analysante

M. Bekhti and M.N. Sweeting 48 High Temperature Effects on the Performances of the Alsat-1 Power Subsystem

T. Benmiloud, M. A. Denai and A. Omari

57 Commande adaptative à base de Réseau Neuro-flou adaptatif (ANFIS) du moteur asynchrone

R. Bouziani, Y. Bentoutou and C. Serief

67 Fusion des images satellitaires basée sur la Transformée en Contourlettes non sous-échantillonnée (NSCT)

R. Chiban , E.M. Berkouk and M.S. Boucherit

77 Elimination de l’instabilité des tensions continues de l’onduleur NPC à cinq niveaux par l’utilisation d’un Pont de Clamping inductif dans une cascade redresseur MLI à Cinq niveaux – Onduleur de tension à cinq niveaux à structure NPC- Machine Synchrone à aimants

A. Tienti

91 Analyse des circuits électriques linéaires permanents R, L, C par la méthode topologique directe

Ibrahim Al-Edwan, Omar Badran and Mohammad Al Khawaldah

97 An investigation on iterative learning control method to compensate torque ripples

RIGEL www.univ-usto.dz/revue/rigel

International Revue on Electronics Engineering Volume 1-2 ⁄January 2011

]

57

Commande adaptative à base de Réseau Neuro-flou adaptatif (ANFIS) du moteur

asynchrone

T. Benmiloud, M. A. Denai and A. Omari

Laboratoire d'Automatisation et Contrôle des Systèmes, Département d'Electrotechniques, Faculté de Génie Electrique, Université des Sciences et de la Technologie d'Oran

BP 1505 El-Mnaouar - Oran, Algeria. tar_b2001@yahoo.fr

Résumé

Dans cet article, nous proposons une commande robuste du moteur asynchrone. Cette commande est basée sur l’identification, par un réseau neuro-flou adaptatif (ANFIS), du modèle inverse du moteur asynchrone. La commande adaptative proposée est étudiée à travers des tests de simulation pour prouver son efficacité. Les résultats de simulation montrent que cette commande permet de s’adapter aux non-linéarités du moteur asynchrone, et d’avoir un rejet des perturbations de charge.

1. Introduction

Pendant une longue période, le moteur asynchrone (MAS), malgré ses avantages, n’a pas été utilisé dans les applications à hautes performances. Ceci est du à sa haute non-linéarité et à la présence du couplage entre le flux et le couple. Le problème de couplage est résolu par la commande vectorielle [1,6].

A cause de la non-linéarité du MAS, des régulateurs linéaires tel que le PI classique, ne permettent pas d’avoir de bonnes performances de commande [4]. Pour cela, des techniques de commande plus puissantes, ont été appliquées, telles que la logique floue [11] et les réseaux de neurones artificiels [5]. Ces techniques de commande, peuvent s’adapter avec la non-linéarité du MAS, ainsi qu’avec les variations paramétriques et les perturbations de charge.

Le réseau neuro-flou est une association des réseaux neurones artificiels et de la logique floue, il possède en même temps, les qualités de la logique floue, et celles des réseaux de neurones. L’appli-cation des réseaux neuro-flous dans le domaine du contrôle et de l’identification des systèmes est très prometteuse. Ceci revient à leur grande capacité d’apprentissage, qui leur permet d’identifier un système non-linéaire ou mal identifié, avec une grande précision.

Afin d’avoir une commande du MAS avec une bonne dynamique et une grande précision, nous proposons d’utiliser une commande basée sur l’identification par un réseau neuro-flous adaptatif (ANFIS), du modèle du MAS.

2. Commande vectorielle du moteur asynchrone

Le modèle du MAS est non-linéaire et contient un couplage entre le couple et le flux ce qui rend difficile sa commande [2]. Une simplification de la commande du moteur consiste à faire le découp-lage entre le flux et le couple, c’est ce que fait la commande vectorielle.

2.1 Commande vectorielle du moteur asynchrone

Afin de simplifier la modélisation du MAS, le modèle du moteur est donné dans un référentiel bip-hasé dq. La commande vectorielle consiste à placer le référentiel dq, de telle manière à orienter un des trois champs qui existent dans le moteur (statorique, rotorique ou d’entrefer) sur l’axe direct d. La composante du flux en

RIGEL www.univ-usto.dz/revue/rigel

International Revue on Electronics Engineering

Volume 1-2 ⁄January 2011 (pp 57-66)

]

58

quadrature va donc s’annuler. Dans ce travail on va opter pour l’orien-tation du flux rotorique pour sa simplicité,

elle implique que rdr ϕϕ = , et 0=qrϕ .

Le couple s’écrit sous la forme : drqsr

mem ip

LLC ϕ⋅= (1)

Ceci simplifie le modèle du MAS qui devient [3] :

=

•

•

•

•

m

r

qs

ds

w

i

i

ϕ

⋅

+⋅

− rr

ms

sR

LLR

L

2

1σ

0

2rs

rm

LLRL⋅⋅

⋅σ

0

m

r

qs

ds

w

i

i

ϕ

+

⋅

−

⋅

⋅

r

qs

ds

s

s

C

v

v

Jp

L

L

00

000

010

001

σ

σ (2)

sw−

⋅

+⋅

− rr

ms

sR

LLR

L

2

1σ

mrs

m wLL

L⋅⋅σ

0

2r

rm

LRL ⋅

0

r

r

LR−

0

0

0

qsr

mi

JL

Lp

⋅⋅2

2 Jf−

avec : qsrr

rmms i

LRL

ww ⋅⋅⋅+=ϕ

, qsrr

rmg i

LRL

w ⋅⋅⋅=ϕ

(3)

Deux méthodes de commande vectorielle sont utilisées, la méthode directe et la méthode indirecte, on va opter pour cette dernière pour sa simplicité [1,7].

2.2 Commande vectorielle indirecte par orientation du flux rotorique

Le principe est de négliger l’utilisation du module du flux rotorique et de considérer uniquement sa position de référence [7]. Pour assurer un bon fonctionnement du moteur, le flux doit être maintenu constant à sa valeur nominale, lors des changements de vitesse. La référence du flux est contrôlée par réaction. Une régulation du courant ids est nécessaire pour maintenir le flux à sa référence. Le flux étant constant dans le moteur, la régulation du couple se fera à travers le réglage du courant iqs. On peut ajouter une boucle externe [8] pour contrôler la vitesse de rotation mécanique. Le schéma global de la commande vectorielle indirecte du MAS est donné par la figure1[1].

Les régulateurs de vitesse et des courants statoriques est un PI classique. On utilise la méthode de placement de pôles [9] pour le choix des paramètres de réglage, on impose deux pôles complexes conjugués à partie réelle négative ( )js ±−= 12,1 ρ , soit : ρ = 5 , pour le régulateur de vitesse, et ρ = 300 , pour les régulateurs de

courants.

3. Résultats de simulation

Les figures suivantes représentent les différents essais de commande de vitesse du MAS par PI classique. La simulation est réalisée par logiciel Matlab 6.5 - Simulink.

Essai1 : Démarrage à vide du MAS avec application d’une perturbation de charge à t=2 sec, et une variation de consigne à t=3 sec.

Ω

ref r ϕ

ref e C

Reg Bloc de

découplage

ref qs i

ref

ds i

ref qs v

Reg

Reg

ref

ds v P(θ s )

T 32

M as

Ond

M LI

P( - θ s ) T 23

p

∫

qs i

ds i

g w

m w

s w s θ

ref as v

ref bs v

ref

cs v

ref Ω

Fig I Schéma de principe de la commande vectorielle indirecte

59

Essai2 : Démarrage en charge avec application de deux perturbations de charge à t=2sec et t =4sec.

Essai3 : Démarrage en charge avec application de deux variations de consigne à t =2sec et t=4sec.

Essai4 : Démarrage en charge avec application de con-signe trapézoïdale et deux variation de consigne trapézoïdale à t =2 sec et t =4 sec. La trajectoire trapézoïdale est la meilleure en terme de performances, car le changement de vitesse se fait en douceur [10].

Ces simulations montrent la non-linéarité du MAS qui apparaît avec les changements de consigne. Afin d’obtenir de meilleurs performances de réglage, on va utiliser une commande adaptative du MAS, basée sur l’identification par un réseau ANFIS.

4. Commande par réseau neuro-flou adaptatif du MAS

Les réseaux neuro-flous sont l’association de la logique floue et des réseaux de neurones artificiels. Il existe plusieurs approches à intégrer les réseaux de neurones et la logique floue ; Dans ce travail, nous allons utiliser un réseau neuro-flou adaptatif (ANFIS), pour faire la commande du MAS.

4. 1 Architecture du réseau neuro-flou adaptatif (ANFIS)

L’architecture d’un réseau ANFIS modèle flou de type Sugeno, telle que représenté par la figure suivante est constituée de cinq couches de neurones de type neuro-flou.

temps [sec]

Figure 4 : Démarrage en charge avec application de deux variations de consigne

0 1 2 3 4 5 6

Vite

sse Ω

m [r

ad/s

ec]

temps [sec]

Figure 5 : Démarrage en charge avec application d’une consigne trapézoïdale

200

150

100

50

0

0 1 2 3 4 5 6

V

itess

e Ωm [r

ad/s

ec]

200

150

100

50

0

200

150

100

50

0

temps [sec]

V

itess

e Ωm [r

ad/s

ec]

Vite

sse Ω

m [r

ad/s

ec] 200

150

100

50

0

temps [sec]

0 1 2 3 4 5

temps [sec]

40

30

20

10

0 10

Cou

ple

Ce [

Nm

]

Figure 2 : Démarrage à vide avec application d’une perturbation de charge et une variation de consigne.

Figure 3: Démarrage en charge- application de deux perturbations

60

A1

A2

B1

B2

x1

x2

Π

Π

N

N

Σ y

x1

x1

x2

x2

w1

w2

w1

w2

y1=w1f1

y2=w2f2

La sortie de chaque neurone des différentes couches sont représentée par jiO , où i est le ieme neu-rone de la

couche j. La première couche génère le degré d’appartenance :

1 ( )iO g x= (4)

g : la fonction d’appartenance de ANFIS.

Les grandeurs ai, bi, ci di sont les paramètres locaux du réseau ANFIS formant la fonction d’appartenance de celui-ci. La deuxième couche génère les poids d’activation :

2

1 ( )mi i jO w g x== = Π (5)

La troisième couche normalise les poids d’activation :

3

1 2

ii i

wO w

w w= =

+ (6)

La quatrième couche calcule les sorties des règles, basées sur les paramètres conséquents pi ,qi ,r i.

4

1 2( )i i i i i i i iO y w f w p x q x r= = ⋅ = ⋅ ⋅ + ⋅ + (7)

La cinquième et dernière couche fait la sommation de toutes les entrées de la couche précédente :

∑∑

∑∑ ===

ii

ii

iiii

w

fw

fwyO5

(8)

4. 2 Apprentissage des réseaux ANFIS

La règle d’apprentissage spécifie la méthode de modification des paramètres du réseau ANFIS, pour minimiser une erreur prédéterminée. Le changement des valeurs de ces paramètres entraîne le chan-gement des fonctions de la sortie [12]. La procédure d'apprentissage se fait en deux étapes :

a) en premier les entrées sont propagées, et les paramètres conséquents résultants optimaux sont estimés par la méthode des moindres carrés itérative, tandis que les paramètres locaux sont sup-posés être fixes pour chaque exemple, pour l'ensemble de l’action d’apprentissage.

b) dans la seconde étape les entrés sont toujours propagée, la rétropropagation est utilisée pour mod-ifier les paramètres locaux, tandis que les paramètres conséquent restent fixés. Cette procédure est alors itérée jusqu'à ce que le critère d'erreur soit satisfait [14].

4. 3 Etape de rétropropagation.

Le signal d'erreur est rétropropagé et les paramètres locaux sont mis à jour par la méthode du gradi-ent descendant.

Figure III.5 : Réseau neuro-

Figure 6 : Architecture d’un réseau neuro-flou adaptatif (ANFIS) à deux entrées

61

( 1) ( )ij ij

ij

Eha t a t

p a

∂+ = − ⋅∂ (9)

h : le taux d'apprentissage pour ija , la règle suivante est utilisée pour calculer les dérivés partielles employée à la

mise à jour des paramètres des fonctions d’appartenance.

i i ij

ij i i ij ij

f w gE E f

a f f w g a

∂ ∂ ∂∂ ∂ ∂= ⋅ ⋅ ⋅ ⋅∂ ∂ ∂ ∂ ∂ ∂ (10)

Les poids initiaux devraient être de petites valeurs aléatoires, dans le but d’éviter une saturation pré-maturée de la fonction d’activation [9].

4.1. Identification et commande par réseau neuro-flou adaptatif

Le mode d’apprentissage qu’on va utiliser est celui du modèle inverse. L’entrée du réseau neuro-flou est la sortie y du MAS (sa vitesse) et la sortie du réseau est l’estimation de la commande du moteur ues,(t), comme illustré par figure 6.

4.2. Commande du moteur asynchrone par réseau neuro-flou

La commande basée sur le réseau ANFIS utilise le modèle inverse du MAS (identifié par ANFIS), pour commander la vitesse du moteur. C’est une commande par modèle inverse ; le modèle inverse identifié est utilisé directement comme contrôleur. Il peut s’agir soit d’une identification en temps réel ou en temps séparé. Quand l’identification se fait en temps réel la commande est dite adapt-ative. Pour commander le MAS on va utiliser une commande adaptative par modèle inverse (Figure 7).

Une commande adaptative est constituée d’une boucle de commande à contre réaction, ayant un régulateur à paramètres ajustables et d’une deuxième boucle, qui agit sur les paramètres du régulateur, afin de maintenir les performances du système en présence de variations paramétriques. On va considérer l’ensemble MAS-Commande vectorielle comme un seul système, pour lequel on fait l’identification du modèle inverse. La structure de cette commande est donnée par figure 8.

Figure 9: Commande de vitesse de la MAS par modèle inverse basée sur réseau neuro-flou adaptatif (ANFIS)

Ω refrϕ

refeC Bloc de

Découp- lage (IFOC)

refΩ Commande par modèle inverse à ANFIS

Park

inv MAS

Ond Hyst

Figure 7 : Identification du modèle inverse par ANFIS

Processus u(k) y(k+1)

eu +

- Réseau neuro-flou adaptatif

)(ˆ ku

Figure 8 : Commande directe-inverse adaptative par réseau neuro-flou adaptatif

yd(k)

eu(k)

Contrôleur ANFIS

Identificateur Inv à ANFIS

u(k) y(k) eu

y(k+1)

+

-

Processus

62

4.3. Choix du modèle du contrôleur neuro-flou

Afin de représenter des procédés non-linéaires, plusieurs structures de modèles de type boites noires non-linéaires ont été développées comme : FIR, NARX, NOE, NARMAX. Ces modèles peuvent être utilisés en injonction avec le réseau ANFIS [13]. Pour identifier le modèle inverse du MAS, on va utiliser le modèle NARX (non-linéaire, autorégressif avec entrée exogène). Ce modèle est le plus utilisé pour sa simplicité et sa structure non-récursive. Le prédicteur est donné par la formule suivante ;

)nu)-u(t ,… 1),-u(t ny),-(ty ,… 1),-(ty( = (t)y ϕ (15)

avec ; y ,u sortie et entrée du réseau de neur-flou,

La régression est composée de sorties et d’entrées passées, la fonction (.)ϕ est la fonction non-liné-aire

qu’on cherche à approximer. Le choix du nombre d’entrées et de couches internes d’un réseau neuro-flou ne se déduit pas d’une règle générale, mais plutôt d’essais successifs.

Le réseau ANFIS utilisé pour cette commande, contient 4 neurones dans la couche d’entrée, les fonctions d’appartenance sont des triangulaires. Chaque entrée du réseau possède une seule fonction d’appartenance. La sortie du réseau est la commande u(t) du moteur asynchrone. La première entrée du réseau est la référence yd(t), les autres entrées sont ; la sortie du système à commander y(t+1), la sortie avec un retard y(t+2), et la commande u(t+1).

5. Simulation et résultats

Les essais suivants ont été réalisés pour la commande de la vitesse du MAS par modèle inverse à base de réseaux ANFIS. Le temps d’échantillonnage du contrôleur ANFIS est Te=0.02 sec [9], et le coefficient d’apprentissage h = 0,2.

Essai1 : (Fig 11) - essai en asservissement :

Démarrage en charge (nominale) par application d’un échelon de vitesse de 150 rad/sec, et applica-tion d’une perturbation sur la sortie à l’instant t = 4 sec.

Essai2: (Fig 12) Démarrage en charge avec application d’un échelon de vitesse de 150 rad/sec et;

- application à t=2 sec et t=4 sec de deus variations de consignes positive et négative 50 rad/sec.

La figure 13 représente la commande du moteur et son estimation par ANFIS, pour le 2ème essai.

La figure 14 représente la comparaison entre les résultats de réglage en charge, par PI classique et par contrôleur ANFIS en asservissement avec application de perturbation de charge.

Essai3 : (Fig 15) Démarrage en charge avec deux variations de consigne par application d’une réfé-rence trapézoïdale (le changement de consigne se fait pendant 0.5 sec).

Essai4 : (Fig 16) Démarrage en charge et deux variations de consigne, par application d’une réfé-rence trapézoïdale (le changement de consigne se fait pendant 1 sec).

x1 x2

Σ N

x1 xw2

w1

N

x1 x2

w3

w2

N w4 w2

yd(t) N

x1 x2 w1

w1

y(t+1)

y(t+2)

u(t+1)

u(t)

Figure 10: Topologie du réseau neuro-flou utilisé dans la commande du moteur asynchrone.

63

Figure 11 : Commande neuro-floue du moteur asynchrone en pleine charge– Application d’une perturbation à t=4 sec

ΩΩ ΩΩm

Figure 12 : Commande neuro-floue du moteur asynchrone en pleine charge – Application de deux variations de consigne

ΩΩ ΩΩm

Figure 13 : La commande u(t) et son estimation ues(t)

64

Figure 14 : Comparaison entre la commande de la MAS par un PI et par régulateur ANFIS - avec application d’une perturbation

ΩΩ ΩΩm

Fig 15 : Commande neuro-floue du moteur asynchrone en pleine charge –Consigne de forme trapézoïdale (temps de montée sec5.0=mt )

ΩΩ ΩΩm

Co

up

le

[N m

]

Fig 16 : Commande neuro-floue du moteur asynchrone en pleine charge –Consigne de forme trapézoïdale (temps de montée sec1=mt )

ΩΩ ΩΩm

ΩΩ ΩΩm

65

6. Interprétation des résultats

Dans la commande du MAS à vide par PI classique (Fig.2), la vitesse suit sa référence avec une bonne dynamique et un dépassement Mp = 18%. La non-linéarité du moteur apparaît avec les variations de consigne. On note aussi un rejet des perturbations de charge qui se fait d’une manière relativement lente tr =1sec. En charge (Fig.4), la non-linéarité apparaît plus avec l’application d’une charge nominale, les performances ne sont pas les mêmes : le changement de consigne de 0 à 150 rad/sec est plus rapide que celui de 150 à 220 rad/sec. La marge de variation de la vitesse diminue.

Pour la commande du moteur par contrôleur neuro-flou en plein charge, ce contrôleur permet d’avoir un rejet de perturbations de charge avec un temps de réponse tr = 1 sec (ce qui n’est pas très différent du rejet de perturbation par PI classique). Pour les variations de consigne (Fig.12-14), la réponse du moteur est moins rapide que celle pas PI classique tr = 3 sec, le dépassement trois fois plus grand Mp =25 %. Par contre, le contrôleur neuro-flou permet de garder les performances de commande presque les mêmes devant un changement de consigne, ce qui montre l’aspect adaptatif de ce contrôleur. L’application d’une consigne trapézoïdale (Fig.15-16) pour le contrôleur neuro-flou, donne de meilleurs résultats de poursuite en charge, que ceux avec une consigne échelon, le dépassement est très limité (moins de 5 rad/sec) pour une pente moins importante (Fig.16).

7. Conclusion

La commande adaptative par modèle inverse à base de réseau neuro-flou ANFIS, permet d’obtenir de meilleures performances de réglage que ceux obtenues par le PI classique. Les principales améliorations sont la précision de réglage et l’adaptation de la commande avec la non-linéarité du moteur asynchrone.

En effet, cette commande permet de garder de bonnes performances de commande devant les chan-gements de consigne et devant les perturbations de charge. Ainsi, une plus grande marge de varia-tion de la vitesse du moteur asynchrone est assurée. Pour une consigne trapézoïdale la commande par contrôleur neuro-flou donne un dépassement très limité.

Références

[1] L. Baghli, "Contribution à la commande de la machine asynchrone, utilisation de la logique floue, des réseaux de neurones et des algorithmes génétiques ", Thèse de Doctorat de l’université Henri Poincaré, Janvier 1999.

[2] Luc Mutrel, “ Le moteur asynchrone ”, Edition Ellipses 1999.

[3] I. K.Bousserhane, "Contrôleurs flous optimisés par algorithme génétique pour la commande d’une machine asynchrone ". Thèse de Magister, USTO 2003.

[4] H. Razik, "La machine à induction commande et défaillance", Habilitation à faire des Recherches, Université Henri Poincaré Nancy 1, 2000.

[5] Y. Mihoub, "Commande Neuro-floue d’une machine asynchrone", Thèse de Magister, USTO 2002.

[6] M.A. Ouhrouche, C. Volet, "Simulation of a direct field–oriented controller for an induction motor using Matlab/Simulink software Package", Proc. of IAS-TED INC.

[7] A. Boukhelifa, "sensibilité de la commande par flux orienté indirecte aux variations des paramètres rotoriques ", International Conférence on Electrotechnic ICEL 2000, USTO, Algérie.

[8] M. Zelmat, ¨Commande modale et adaptative ¨, p 250, OPU, 2000.

[9] V. Manzun, B.Lang, " Commande automatique des Systèmes linéaires continus ", Ellipses 2001.

[10] Julien Laumonier, “ Application aux systèmes de transport intelligents ”, Proposition de thèse, Département d'informatique et de génie logiciel, Université Laval, Aout 2004.

[11] Li. Zhen, Longya Xu, “On-Line Fuzzy Tuning of Indirect Field-Oriented Induction Machine Drives”, IEEE trans. On Power Electronics, Vol.13 n°1, 1998.

[12] Hongxing Li, C.L.Philip Chen, Han-Pang Huang " Fuzzy Neural Intelligent Systems", by CRC Press LLC 2001.

[13] G.Dreyfus, J.M.Martinez, M.Samuelides,"Réseaux de neurones- méthodologis et applications",Eyrolles.

[14] J. Wesley, " Fuzzy and Neural Approaches in Engineering " , Hines New York 1997.

[15] J.S.R Jang, "Neuro-Fuzzy and Soft Computing", Prentice Hall, Upper Saddle River, NJ: 07458.

66

Abbreviations

MAS Moteur asynchrone. ANFIS Réseau neuro-flou adaptatif PI régulateur à action proportionelle-Intégrale v tension s, r indices correspondants aux stator et rotor a, b,c indices correspondants aux trois phases a, b et c. d q axes correspondants au référentiel lié au champ tournat.

sϕ rϕ mϕ flux statorique, rotorique et magnétisant

ids, iqs courant statorique direct et en quadrature is abc courants des trois phases statoriques ϕ s abc les flux des trois phases statoriques

h coefficeint d’apprentissage du réseau neuro-flou Ls Lr inductances cyclques statoriques et rotoriuque par phase.

Msr maximum de l’inductance entre une phase du stator et une phase du rotor lorsque les axes sont alignés

Rs, Rr résistance d’enroulement statorique et rotorique par phase

σ coefficient de fuite total p nombre de paires de pôles Cem , Cr couple électromagnétique et couple résistant J moment d’inertie f coefficient de frottement

Sθ rθ angle électrique statorique et rotorique ws wr pulsation électrique statorique, et rotorique wg pulsation électrique de glissement

mΩ NmΩ vitesse mécanique du rotor et vitesse mécanique nominale

Paramètres du moteur asynchrone

Désignation parm valeur

Puissance nominale Pn 15 KW

Tension nominale Vn 220 V

Nombre de paires de pôles 2p 4

Moment d’inertie J 0.031 Kg.m2

Coefficient de frottements f 0.003 N.m.s/rad

Résistance statorique Rs 0.1062 Ω

Résistance rotorique Rr 0.0764 Ω

Inductance cyclique statorique Ls 16.0439 mH

Inductance cyclique rotorique Lr 16.0439 mH

Inductance mutuelle Lm 16.0439 mH

RIGEL

Revue of the Electrical & Electronic Engineering Faculty University of Sciences & Technology of Oran Mohamed Boudiaf (USTO-MB) BP 1505, EL M’Naouer, ORAN (31000). ALGERIA Tel & Fax: + (213) 41 56 03 29 + (213) 41 56 03 01 E-mail: revue_rigel@univ-usto.dz Web site: www.univ-usto.dz/revue/rigel

RIGEL

Revue of the Electrical & Electronic Engineering Faculty University of Sciences & Technology of Oran Mohamed Boudiaf (USTO-MB) BP 1505, EL M’Naouer, ORAN (31000). ALGERIA Tel & Fax: + (213) 41 56 03 29 + (213) 41 56 03 01 E-mail: revue_rigel@univ-usto.dz Web site: www.univ-usto.dz/revue/rigel