ارزیابی جریان راه اندازی موتورهای القایی با استفاده از شبکه عصبی
محورهای موضوعی : طراحی و کنترل ماشین الکتریکی
ایمان صادق خانی
1
*
,
علیرضا صدوقی
2
1 - دانشگاه صنعتی اصفهان
2 - دانشگاه صنعتی مالک اشتر، اصفهان
کلید واژه:
چکیده مقاله :
موتورهای القایی به صورت گسترده‌ای در صنعت مورد استفاده قرا می‌گیرند. با این وجود در طول پروسه راه‌اندازی، جریان راه‌اندازی آنها آنچنان بزرگ است که می‌تواند به تجهیزات آسیب برساند. بنابراین این جریان بایستی با دقت تخمین زده شود. در این مقاله، از شبکه عصبی مصنوعی برای ارزیابی مقدار پیک جریان راه‌اندازی موتورهای القایی استفاده می‌شود. هر دو ساختار متداول پرسپترون چندلایه (MLP) و تابع پایه‌ای شعاعی (RBF)مورد بررسی قرار می‌گیرند. برای آموزش ساختار MLP از شش الگوریتم پس انتشار (BP)، دلتا-بار-دلتا (DBD)، دلتا-بار-دلتا توسعه‌یافته (EDBD)، جستجوی تصادفی جهت‌دار (DRS)، انتشار سریع (QP) و لونبرگ مارکواردت (LM) استفاده می‌شود. نتایج شبیه‌سازی نشان می‌دهند که هرچند اکثر شبکه‌های آموزش‌دیده قادر به تخمین مناسب مقدار پیک جریان راه‌اندازی هستند، اما الگوریتم‌هایLM و EDBD بهترین نتیجه را بر اساس میانگین خطای نسبی و مطلق ارائه می‌دهد. این روش می‌تواند به شرکت‌های سازنده و اپراتورها برای ارزیابی مقدار پیک جریان راه‌اندازی در مرحله طراحی و بهره‌برداری کمک کند تا بتوانند تدابیر لازم را برای عملکرد ایمن موتور فراهم نمایند.
Induction motors (IMs) are widely used in industry including it be an electrical or not. However during starting period, their starting currents are so large that can damage equipment. Therefore, this current should be estimated accurately to prevent hazards caused by it. In this paper, the artificial neural network (ANN) as an intelligent tool is used to evaluate starting current peak of IMs. Both Multilayer Perceptron (MLP) and Radial Basis Function (RBF) structures have been analyzed. Six learning algorithms, backpropagation (BP), delta-bar-delta (DBD), extended delta-bar-delta (EDBD), directed random search (DRS), quick propagation (QP), and levenberg marquardt (LM) were used to train the MLP. The simulation results using MATLAB show that most developed ANNs can estimate the starting current peak of IMs with good accuracy. However, it is proven that LM and EDBD algorithms present better performance for starting current evaluation based on average of relative and absolute errors.