Red de neuronas impulsada por control de velocidad sin sensor de la unidad EV utilizando PMSM
Autores: Mohan, Harshit; Agrawal, Gopal; Jately, Vibhu; Sharma, Abhishek; Azzopardi, Brian
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Red de neuronas impulsada por control de velocidad sin sensor de la unidad EV utilizando PMSM
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Reducir la contaminación
Ahorro de energía
Vehículos eléctricos
Estrategias de control del motor
Técnicas de control de velocidad sin sensor
Red neuronal artificial.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
Para reducir la contaminación y el consumo de energía, especialmente en la industria automotriz, el ahorro de energía es la principal preocupación, por lo tanto, los vehículos eléctricos (EVs) están recibiendo significativamente más atención que los vehículos con motores de combustión interna (motores de CI). Los motores eléctricos utilizados en los vehículos eléctricos (EVs) deben tener una alta eficiencia para la máxima utilización de la energía de las baterías o celdas de combustible. Además, estos motores deben ser compactos, ligeros, menos costosos y muy fáciles de reciclar. Además, para obtener un mejor rendimiento dinámico, se utilizan diversas estrategias de control del motor para controlar la velocidad del motor. Y para tener una mayor fiabilidad, se utilizan técnicas de control de velocidad sin sensores que ofrecen un rendimiento suficientemente alto. Las técnicas de control de velocidad sin sensores se dividen principalmente en tres grupos: métodos de observador de estado, métodos de medición indirecta y métodos basados en saliencia. Generalmente, el observador de estado utiliza la fem o el enlace de flujo para estimar la velocidad del motor. Dado que la fem es directamente proporcional a la velocidad del rotor, en velocidades bajas, el método basado en fem dará un mal rendimiento. El modelo basado en corriente del Sistema Adaptativo de Referencia de Modelo (MRAS) también es popular para estimar baja velocidad; sin embargo, las evaluaciones se deterioran durante aplicaciones de alto rendimiento como los EV. Este documento presenta un control de velocidad sin sensores desplegado mediante una red neuronal artificial (ANN) de un motor síncrono de imán permanente (PMSM) utilizado en EVs. En este documento, se discute la estimación de velocidad utilizando el modelo MRAS basado en corriente y se compara con el controlador propuesto basado en ANN, que muestra una mejora significativa en el rendimiento de los motores de EV. Se presentan los resultados de simulación y experimentales de MATLAB para validar el algoritmo propuesto.
Descripción
Para reducir la contaminación y el consumo de energía, especialmente en la industria automotriz, el ahorro de energía es la principal preocupación, por lo tanto, los vehículos eléctricos (EVs) están recibiendo significativamente más atención que los vehículos con motores de combustión interna (motores de CI). Los motores eléctricos utilizados en los vehículos eléctricos (EVs) deben tener una alta eficiencia para la máxima utilización de la energía de las baterías o celdas de combustible. Además, estos motores deben ser compactos, ligeros, menos costosos y muy fáciles de reciclar. Además, para obtener un mejor rendimiento dinámico, se utilizan diversas estrategias de control del motor para controlar la velocidad del motor. Y para tener una mayor fiabilidad, se utilizan técnicas de control de velocidad sin sensores que ofrecen un rendimiento suficientemente alto. Las técnicas de control de velocidad sin sensores se dividen principalmente en tres grupos: métodos de observador de estado, métodos de medición indirecta y métodos basados en saliencia. Generalmente, el observador de estado utiliza la fem o el enlace de flujo para estimar la velocidad del motor. Dado que la fem es directamente proporcional a la velocidad del rotor, en velocidades bajas, el método basado en fem dará un mal rendimiento. El modelo basado en corriente del Sistema Adaptativo de Referencia de Modelo (MRAS) también es popular para estimar baja velocidad; sin embargo, las evaluaciones se deterioran durante aplicaciones de alto rendimiento como los EV. Este documento presenta un control de velocidad sin sensores desplegado mediante una red neuronal artificial (ANN) de un motor síncrono de imán permanente (PMSM) utilizado en EVs. En este documento, se discute la estimación de velocidad utilizando el modelo MRAS basado en corriente y se compara con el controlador propuesto basado en ANN, que muestra una mejora significativa en el rendimiento de los motores de EV. Se presentan los resultados de simulación y experimentales de MATLAB para validar el algoritmo propuesto.