AI-based field-oriented control for induction motors

• Autorzy: Benmalek Elmehdi , Rayyam Marouane , Gege Ayoub , Ennasiri Omar , Ezzaidi Adil

Identyfikatory

DOI

10.35784/iapgos.6253

Warianty tytułu

PL

Sterowanie zorientowane polowo dla silników indukcyjnych oparte na sztucznej inteligencji

• Języki publikacji: EN

Abstrakty

EN

The current article deals with the implementation of Reinforcement Learning based Field Oriented Control (FOC) for the induction motors (IM). It is pertinent to mention that although conventional controllers like PID are widely used in FOC induction, they are model-based and face problems such as parameter adjustment. PID controllers need to be tuned because of the approximations of the model, variations of the parameters during operation,and the external disturbances that are uncertain and unpredictable. RL is a machine learning approach that is model-free which can adaptto the variations and disturbances. Therefore, these controllers can be an excellent alternative to the conventional controllers. In this study,an RL-based controller was used to control the speed of the induction motor using the FOCand spacevector modulation (SVM). Computational simulations weredone using the MATLAB/SIMULINK to test the controllers’ performance under different operating conditions. This study highlights the effectivenessof RL in optimizing IM control, offering potential benefits in various industrial and automation applications.

PL

Niniejszy artykuł dotyczy implementacji uczenia ze wzmacnianiem (Reinforcement Learning–RL) opartego na sterowaniu polowym (FOC) dla silników indukcyjnych (IM). Należy wspomnieć, że chociaż konwencjonalne regulatory, takie jak PID, są szeroko stosowane windukcji FOC, są one oparte na modelu i napotykają problemy, takie jak dostosowanie parametrów. Regulatory PID muszą być dostrajane ze względu na przybliżenia modelu, zmiany parametrów podczas pracy,oraz zewnętrzne zakłócenia, które są niepewne i nieprzewidywalne. RLto podejście oparte na uczeniu maszynowym, które jest wolne od modelu i może dostosowywać się do zmian i zakłóceń. Dlatego też regulatory temogą być doskonałą alternatywą dla konwencjonalnych regulatorów. W niniejszym badaniu do sterowania prędkością silnika indukcyjnego wykorzystano sterownik oparty na RL, wykorzystujący FOC i modulację wektora przestrzennego (SVM). Symulacje obliczeniowe przeprowadzono przy użyciu MATLAB/SIMULINK w celu przetestowania wydajności sterowników w różnych warunkach pracy. Badanie to podkreśla skuteczność RL w optymalizacji sterowania IM, oferując potencjalne korzyści w różnych zastosowaniach przemysłowych i automatyzacji.

Słowa kluczowe

EN

induction motor; field-oriented control; NPC inverter; reinforcement learning; TD3 agent

PL

silnik indukcyjny; sterowanie polowe; przekształtnik NPC; uczenie ze wzmacnianiem; agent TD3

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 4
• Strony: 75--81
• Opis fizyczny: Bibliogr. 21 poz., wykr.

Twórcy

autor

Benmalek Elmehdi

• Mohammed V University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

• https://orcid.org/0000-0003-1078-1421

autor

Rayyam Marouane

• Mohammed V University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

• https://orcid.org/0000-0002-7071-8953

autor

Gege Ayoub

• Mohammed V University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

• https://orcid.org/0009-0009-7757-1964

autor

Ennasiri Omar

• Mohammed V University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

• https://orcid.org/0009-0007-3656-101X

autor

Ezzaidi Adil

• Mohammed V University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

• https://orcid.org/0009-0004-4960-0784

Bibliografia

• [1] Balal A. et al.: A review on multilevel inverter topologies. Emerging Science Journal 6(1), 2022, 185–200.
• [2] Barzegarkhoo R. et al.: Switched-capacitor multilevel inverters: A compre-hensive review. IEEE Transactions on Power Electronics 37(9), 2022, 11209–11243.
• [3] Blaschke F.: The principle of field orientation as applied to the new transvector closed-loop system for rotating-field machines. Siemens Review 34(3), 1972, 217–220.
• [4] Chinmaya K. A., Singh G. K.: Experimental analysis of various space vector pulse width modulation (SVPWM) techniques for dual three-phase induction motor drive. International Transactions on Electrical Energy Systems 29(1), 2019, e2678.
• [5] Ding Z. et al.: Introduction to reinforcement learning. Deep reinforcement learning: fundamentals, research and applications, 2020, 47–123.
• [6] Goolak S. et al.: Mathematical modeling of an induction motor for vehicles. Eastern-European Journal of Enterprise Technologies 2(2), 2020, 104.
• [7] Hari V., Narayanan G.: Space-vector-based hybrid pulse width modulation technique to reduce line current distortion in induction motor drives. IET Power Electronics 5(8), 2012, 1463–1471.
• [8] Hasse K.: On the dynamics of speed control of a static ac drive with a squirrel-cage induction machine. Ph.D., TH Darmstadt, 1969.
• [9] Kumar P., Hati A. S.: Review on machine learning algorithm based fault detection in induction motors. Archives of Computational Methods in Engineering 28, 2021, 1929–1940.
• [10] Memon A. Y.: Reinforcement Learning Based Field Oriented Control Of An Induction Motor. Third International Conference on Latest trends in Electrical Engineering and Computing Technologies (INTELLECT). Pakistan, Karachi, 2022, 1–8.
• [11] Patel P. J., Patel V., Tekwani P. N.: Pulse-based dead-time compensation method for self-balancing space vector pulse width-modulated scheme used in a three-level inverter-fed induction motor drive. IET Power Electronics 4(6), 2011, 624–631.
• [12] Qi X., Cao W., Aarniovuori L.: Reinforcement learning based parameter lookup table generating method for optimal torque control of induction motors. IEEE Transactions on Industrial Electronics 70(5), 2022, 4516–4525.
• [13] Sistani M. B. N., Hesari S.: Decreasing Induction Motor Loss Using Reinfor-cement Learning. Journal of Automation and Control Engineering 4(1), 2016.
• [14] Stender M., Wallscheid O., Böcker J.: Accurate torque estimation for induction motors by utilizing a hybrid machine learning approach. IEEE 19th International Power Electronics and Motion Control Conference (PEMC). 2021, 390–397.
• [15] Tamilvani M. et al.: Harmonic reduction in variable frequency drives using active power filter. Bulletin of Electrical Engineering and Informatics (BEEI) 3(2), 2014, 119–126.
• [16] Torrey D. A., Selamogullari U. S.: Modelica implementation of field-oriented controlled 3-phase induction machine drive. 2nd Int. Modelica Conf., DLR, Oberpfaffenhofen, Germany 2002, 173–182.
• [17] Vaezi S. A., Iman-Eini H., Razi R.: A New Space Vector Modulation Technique for Reducing Switching Losses in Induction Motor DTC-SVM Scheme. 10th International Power Electronics, Drive Systems and Technologies Conference (PEDSTC). Iran, Shiraz, 2019, 184–188.
• [18] Wang F. et al.: Advanced control strategies of induction machine: Field oriented control, direct torque control and model predictive control. Energies 11(1), 2018, 120.
• [19] Wang H. N. et al.: Deep reinforcement learning: a survey. Frontiers of Information Technology & Electronic Engineering 21(12), 2020, 1726–1744.
• [20] Zahraoui Y., Akherraz M., Fahassa C.: Induction Motor DTC Performance Improvement By Reducing Torque Ripples in Low Speed. U.P.B. Sci. Bull., Series C 81(3), 2019, 249–260.
• [21] Zhang Z. et al.: Novel Direct Torque Control Based on Space Vector Modulation With Adaptive Stator Flux Observer for Induction Motors. IEEE Transactions on Magnetics 46(8), 2010, 3133–3136.