COMPARAISON DES DIFFÉRENTES COMMANDES DU MOTEUR À RÉLUCTANCE COMMUTÉE 12/8
DOI :
https://doi.org/10.59277/RRST-EE.2023.68.1.9Mots-clés :
Machine à réluctance commutée (SRM), Proportionnel-intégral-dérivé (PID), Contrôleur, Commande neuronale, Contrôle de logique floueRésumé
Le contrôle de la machine à réluctance variable soulève un certain nombre de contraintes, parmi lesquelles on peut citer : l'effet des perturbations extérieures, la nature des non linéarités, l'ondulation de son couple, et les erreurs de modélisation. Les différentes approches de classement proposées dans cet article traitent de toutes ces contraintes. Les algorithmes de commande classique, par exemple, d'action proportionnelle complète dérivée peuvent s'avérer suffisants si les exigences en matière de précision et de performances des systèmes sont flexibles. Dans le cas contraire, notamment lorsque la partie contrôlée est soumise à de fortes non-linéarités et variations temporelles, les techniques de contrôle doivent être conçues pour assurer la robustesse du procédé vis-à-vis des incertitudes sur les paramètres et leurs variations. Ces techniques comprennent des techniques basées sur l'intelligence artificielle constituées de réseaux de neurones et de logique floue. Cette technique peut remplacer les régulateurs PID par des régulateurs non linéaires en utilisant le raisonnement et le fonctionnement du cerveau humain et est simulée à l'aide du logiciel MATLAB/Simulink. Enfin, en utilisant les formes d'onde obtenues, ces résultats seront comparés.
Références
(1) O.K. Krinah, R. Lalalou, Z. Ahmida, S. Oudina, Performance investigation of a wind power system based on double-feed induction generator: fuzzy versus proportional integral controllers, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 67, 4, pp. 403–408, Bucarest (2022).
(2) K.R. Chichate, S.R. Gore, A. Zadey, Simulation of Switched Reluctance Motor for Speed Control Applications, 2nd International Conference on Innovative Mechanisms for Industry Applications (ICIMIA), Bangalore, India (5-7 March 2020).
(3) J.W. Ahn, G.F. Lukman, Switched reluctance motor: Research trends and overview, CES Transactions on Electrical Machines and Systems, 2, 4, pp. 339 - 347 (Dec. 2018).
(4) D.F. Valencia, R. Tarvirdilu-Asl, C. Garcia, J. Rodriguez et al. A review of predictive control techniques for switched reluctance machine drives. Part I: Fundamentals and Current Control, IEEE Transactions on Energy Conversion, 36, 2, pp. 1313 - 1322 (29 Dec 2020).
(5) A. Tahour, A.G. Aissaoui, A.C. Megherbi, Position control of switched reluctance motor using an adaptive backstepping controller, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 56, 3, pp. 314-324 (2011).
(6) J. Han, G. Baojun, K. Zhang, Y. Wang, C. Wang, Influence of control and structure parameters on the starting performance of a 12/8 pole switched reluctance, Energies, A6: Electric Vehicles, 13, 14, pp. 3744, July (2020).
(7) I.A. Viorel, L. Strete, I.F. Soran, Analytical flux linkage model of switched reluctance motor, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg.,54, 2, pp. 139–146, Bucarest (2009).
(8) P. Srinivas, Implementation of PWM control of dc split converter fed switched reluctance motor drive. International Journal of Electrical and Computer Engineering IJECE. 7, 2, pp. 604-609 (April 2017).
(9) M. Chouitek, Control of a variable reluctance motor by the use of artificial intelligence. Doctoral thesis, Université des Sciences et de la Technologie d’Oran Mohamed Boudiaf (2016).
(10) A. Tahour, Neural controller for a switched reluctance machine, Revue Roumaine des Sciences Techniques - Série Électrotechnique et Énergétique, 53, 4, pp. 473-482 (2008).
(11) M. Habbab, A. Hazzab, P. Sicard, real time implementation of fuzzy adaptive PI-sliding mode controller for induction, International Journal of Electrical and Computer Engineering, 8, 5, pp. 2883-2893 (2018)
(12) E. Daryabeigi, A.H. Zarchi, G.R.A. Markadeh, J. Soltani, R.A, F. Blaabjerg, Online MTPA control approach for synchronous reluctance motor drives based on emotional controller. IEEE Transactions on Power Electronics, 30, pp. 2157-2166 (2015).
(13) M. Ferrari, N. Bianchi, E. Fornasiero, Analysis of rotor saturation in synchronous reluctance and pm-assisted reluctance motors. IEEE Transactions on Industry Applications, 51, pp. 169-177 (2015)
(14) D. Flieller, N.K. Nguyen, P. Wira, G. Sturtzer, D.O. Abdeslam, J. Merckle Self-learning solution for torque ripple reduction for nonsinusoidal permanent magnet motor drives based on artificial neural networks, IEEE Transactions on Industrial Electronics, 61, pp. 655-666 (2014).
(15) D. Csaba, A. Binder, Design of compact permanenet-magnet synchronous motors with concentrated windings, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 52 2, pp. 182-198 (2007).
(16) K. Makhloufi, S. Zegnoun, A. Omari, I.K. Bousserhane, Commande neuro-floue-glissant adaptatif d'unemachine synchrone linéaire, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 67, 4, pp. 425–431, Bucarest (2022).
(17) M. Gamal, H. Hashem, Speed control of switched reluctance motor based on fuzzy logic controller, Proc. of the 14th Int.l Middle East Power Systems Conference (MEPCON’10), Cairo University, Egypt. Paper ID 166, Pp. 19-21 (2010).
