NHẬN DẠNG ĐỘNG CƠ KHÔNG ĐỒNG BỘ SÁU PHA SỬ DỤNG MẠNG NEURON RBF

Tạp chí Khoa học Trường Đại học Cần Thơ Tập 57, Số 4A (2021): 18-29 DOI:10.22144/ctu.jvn.2021.110 NHẬN DẠNG ĐỘNG CƠ KHÔNG ĐỒNG BỘ SÁU PHA SỬ DỤNG MẠNG NEURON RBF Nguyễn Việt Trung* Phạm Thanh Tùng Trường Đại học Sư phạm Kỹ thuật Vĩnh Long *Người chịu trách nhiệm viết: Nguyễn Việt Trung (email: trungnv@vlute.edu.vn) Thông tin chung: Ngày nhận bài: 29/03/2021 Ngày nhận sửa: 20/05/2021 Ngày duyệt đăng: 20/08/2021 Title: Identification of six phase induction motor using RBF neural network Từ khóa: Động khơng đồng sáu pha, hệ trục cố định (ab ) , mạng neuron RBF, nhận dạng hệ thống Keywords: Six phase induction motor, axis (ab ) , RBF neural network, system identification ABSTRACT System identification is one of the first things that must be done when solving an automatic control problem because it is impossible to analyze and synthesize the system without the mathematical model that describes the system This paper presents and simulates the identification method of six phase induction motors using RBF (Radial Basis Function) neural network, identification parameters include speed, torque and the rotor flux on the fixed (ab ) shaft system The RBF neural network is built and trained online based on input and output data of the object Simulation results using Matlab/Simulink software show that the error of the identification coverges to Identifying parameters follow the object parameters during the engine starting time, after load and is active white noise, the match between output response and recognition response is between 98%-99% This study is a prerequisite to high performance control methods such as DTC (Direct Torque Control), FOC (Field Oriented Control), Fuzzy Logic be more advantageous TÓM TẮT Nhận dạng hệ thống công việc phải thực giải tốn điều khiển tự động khơng thể phân tích, tổng hợp hệ thống khơng có mơ hình tốn mơ tả hệ thống Bài báo trình bày mơ phương pháp nhận dạng động không đồng sáu pha sử dụng mạng neuron hàm sở xuyên tâm (RBF – Radial Basis Function), thơng số nhận dạng gồm có tốc độ quay, mômen xoắn, từ thông rotor hệ trục cố định (ab ) Mạng RBF xây dựng, huấn luyện trực tuyến dựa liệu vào đối tượng Kết mô dùng phần mềm Matlab/Simulink cho thấy sai số nhận dạng hội tụ Thông số nhận dạng bám theo thông số đối tượng khoảng thời gian động khởi động, sau lắp tải có nhiễu trắng tác động, độ phù hợp đáp ứng ngõ đáp ứng nhận dạng nằm khoảng 98%-99% Nghiên cứu tiền đề để tiến đến phương pháp điều khiển hiệu suất cao điều khiển trực tiếp mômen (DTC – Direct Torque Control), điều khiển tựa từ thông (FOC – Field Oriented Control), Logic mờ thuận lợi 18 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 57, Số 4A (2021): 18-29 nhận dạng đối tượng MIMO phi tuyến phương pháp mạng neuron RBF cho thấy có nhiều ưu điểm Một số ưu điểm kể đến như: thời gian đáp ứng nhanh, trọng số tuyến tính lớp độc lập với neuron lớp ẩn, hoạt động tốt ổn định có nhiễu tác động Với ưu điểm nêu nhóm tác giả lựa chọn phương pháp mạng neuron RBF để nhận dạng thông số SPIM, hệ thống phi tuyến nhiều ngõ vào nhiều ngõ (MIMO – Multi Input Multi Output) Mạng neuron RBF sử dụng với ưu điểm sau: - Không cần biết thông tin đối tượng nhận dạng - Chỉ cần lớp ẩn thời gian đáp ứng nhanh GIỚI THIỆU Động không đồng sáu pha (SPIM – SixPhase Induction Motor) sở hữu nhiều ưu điểm so với động không đồng ba pha truyền thống Một số ưu điểm kể đến giảm xung mômen, tổn hao hài rotor, hay nhiều pha hệ thống hoạt động mức công suất thấp (Williamson & Smith, 2003), dòng điện pha SPIM chân biến tần nguồn áp có giá trị thấp nên không cần phải sử dụng linh kiện bán dẫn với tần số đóng cắt cao, cơng suất lớn (Golubev & Ignatenko, 2000) Với ưu điểm nêu SPIM thường ứng dụng vào hệ thống địi hỏi cơng suất lớn, độ tin cậy cao ngành ô tô, xe điện, tàu thủy, (Ojeda et al., 2016) - Huấn luyện online, Có nhiều phương pháp sử dụng để điều khiển SPIM như: kỹ thuật điều khiển vô hướng V/f, kỹ thuật điều khiển FOC, DTC, (Finch & Giaouris, 2008) Trong đó, kỹ thuật điều khiển vô hướng V/f cung cấp chất lượng chế độ độ thấp, sử dụng ứng dụng khơng địi hỏi độ xác cao Ngược lại, hệ truyền động SPIM yêu cầu chất lượng điều khiển cao kỹ thuật điều khiển FOC DTC thường sử dụng Tuy nhiên, muốn sử dụng kỹ thuật điều khiển nêu việc quan trọng phải ước lượng thông số mô hình hay cịn gọi nhận dạng mơ hình Nhiều nghiên cứu gần sâu vào chủ đề phân tích hiệu suất SPIM (Mandal, 2015) điều khiển SPIM (Bojoi et al., 2005) chưa có nghiên cứu cụ thể việc nhận dạng thơng số, báo trình bày sở lý thuyết mơ tốn nhận dạng SPIM hệ trục cố định (ab ) , tạo tiền đề để áp dụng kỹ thuật điều khiển sau Tốc độ quay rotor, mômen xoắn từ thông rotor thông số tiến hành nhận dạng nghiên cứu MƠ HÌNH TỐN ĐỘNG CƠ KHƠNG ĐỒNG BỘ SÁU PHA Xây dựng mơ hình tốn xác cho SPIM cần thiết để nghiên cứu mô hệ truyền động hồn chỉnh Mơ hình động xây dựng theo hai cách sau: thứ nhất, động biểu diễn hai cặp cuộn dây (hệ trục quay dq) đại diện cho hai pha ba cuộn dây (Mandal, 2015); thứ hai, dựa phân rã không gian vector (hệ trục cố định (ab ) , động đại diện với hai cặp cuộn dây stator biểu diễn khung tham chiếu stator (Ghosh et al., 2019) Ở hai cách tiếp cận, thành phần thứ tự không bỏ qua điểm trung tính hai cuộn dây ba pha cách ly Trong báo này, mô hình SPIM xây dựng dựa phương pháp phân rã không gian vector (VSD – Vector Space Descriptor) Lý thuyết VSD dùng để biến đổi không gian sáu chiều ban đầu SPIM thành ba không gian trực giao hai chiều khung tham chiếu cố định (ab ) , (xy) (z1z2) Từ cách tiếp cận VSD, thấy chuyển đổi lượng điện diễn không gian (ab ) , thành phần dịng khơng gian (xy) tạo tổn thất Các vector điện áp (z1z2) cấu hình trung tính cách ly SPIM Do đó, hai khơng gian (xy) (z1z2) khơng ảnh hưởng đến q trình điều khiển (Golubev & Ignatenko, 2000) Bài toán nhận dạng cần giải bốn vấn đề sau (Huỳnh Thái Hoàng, 2006): thí nghiệm thu thập liệu (bỏ qua bước sử dụng phương pháp nhận dạng online), chọn cấu trúc mơ hình, chọn tiêu chuẩn ước lượng thơng số; đánh giá chất lượng mơ hình Ngày nay, cơng cụ phổ biến sử dụng tốn nhận dạng kể đến như: giải thuật di truyền (Huỳnh Thái Hồng, 2006), mơ hình logic mờ (Tanaka & Tanino, 1994), mạng neuron truyền thẳng mạng neuron RBF (Xie & Yu, 2011), công cụ có đặc thù, ưu điểm nhược điểm riêng, nhiên áp dụng tốn Có hai cách phân bố cuộn dây SPIM: Phân bố đối xứng (hai dây ba pha đặt lệch 60 độ điện); phân bố bất đối xứng (đặt lệch 30 độ điện) Trong đó, SPIM có kiểu phân bố cuộn dây bất đối xứng ứng dụng rộng rãi 19 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 57, Số 4A (2021): 18-29 Bố trí lệch 30 độ điện hai dây stator giúp SPIM loại bỏ thành phần xung hài mômen bậc sáu làm giảm đáng kể tổn thất rotor phân bố làm giảm thành phần hài dòng rotor (Jones et al., 2001) Nghiên cứu trình bày mơ hình tốn SPIM kiểu rotor lồng sóc Sơ đồ tương đương với hai dây đặt lệch 30 độ điện trung tính cách ly thể (Hình 1) Để xây dựng mơ hình SPIM số giả thuyết đưa sau: (Bojoi et al., 2005): - Khoảng cách khe hở khơng khí đều, cuộn dây stator bố trí đối xứng khơng gian - Từ trường dịng từ hóa phân bố hình sin khe hở khơng khí - Bỏ qua bão hòa từ tổn hao lỗi thép Hình Phân bố cuộn dây SPIM Trong đó: Q trình biến đổi lượng điện diễn không gian (ab ) thành phần hài thành phần hài bậc 12n ± (n = 1, 2,3, ) biểu diễn không gian Các biến đổi lượng điện khơng tìm thấy hai không gian ( xy ) , ( z1z 2) (Zhao, 1995) Sơ đồ mạch tương đương theo hệ trục cố định (ab ) thể (Hình 2) as , bs , cs : Biểu diễn vector dây stator pha a, b, c hệ trục cố định (ab ) ; As , Bs , Cs : Biểu diễn vector dây stator pha A, B, C hệ trục cố định (ab ) ; ar , br , cr : Biểu diễn vector dây rotor pha a, b, c hệ trục cố định (ab ) ; Bằng cách áp dụng kỹ thuật VSD, không gian sáu chiều ban đầu SPIM chuyển thành ba không gian hai chiều ba hệ tọa độ cố định (ab ),( xy ) ( z1z 2) Sự chuyển đổi thực thông qua ma trận chuyển đổi T6 (6x6) (Golubev & Ignatenko, 2000): T6 = é ê1 ê ê0 ê ê 3ê ê ê0 ê ê1 êë0 - 2 - 3 2 2 - - 3 2 2 Hình Sơ đồ mạch tương đương theo hệ trục αβ ù 0ú ú -1ú ú (2.1) ú 0ú ú -1ú ú 0ú 1ú û Phương trình điện áp stator, rotor hệ trục (ab ) (Ghosh et al., 2019): va s = Rsia s + rla s (2.2) vb s = Rs ib s + rlb s (2.3) va r = Rr ia r + wr lb r + rla r (2.4) 20 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 57, Số 4A (2021): 18-29 vb r = Rr ib r - wr la r + rlb r (2.5) Phương trình từ thơng stator, rotor hệ trục (ab ) (Ghosh et al., 2019): la s = ( L1s + Lm )ia s + Lmia r (2.6) lb s = ( L1s + Lm )ib s + Lmib r (2.7) é - Rs Rr (1 - s ) ês L + s L r ê s é ia s ù ê êi ú ê bs ú ê r =ê ê la r ú ê R Lm r ê ú ê Lr êëlb r úû ê ê ê ë - Rs + Rr (1 - s ) s Lr Lm s Ls Lr (2.9) Lm wr Rr Lr Rr Lr wr Lm ù w s Ls Lr r ú ú Lm Rr ú é ia s ù s Ls Lr Lr úú êê ib s úú + ú ê la r ú s Ls -wr ú ê ú ú êëlb r úû ú Rr ú Lr û é va s ù êv ú ê bs ú ê0ú ê ú ë0û (2.10) Lm : Hỗ cảm stator rotor; Te , TL : Mômen xoắn, mômen tải; Lm ib s L i P (( lb r ( la r - m a s ) - la r ( lb r )) Lr Lr J: Mơmen qn tính cơ; (2.11) P: Số đơi cực; Phương trình tốc độ quay rotor (Ghosh et al., 2019): wr = lb r = ( L1r + Lm )ib r + Lmib s Lm Rr s Ls Lr Lr Mơmen xoắn trình bày sau (Ghosh et al., 2019): Te = (2.8) Phương trình không gian trạng thái (Ghosh et al., 2019): s Ls la r = ( L1r + Lm )ia r + Lmia s J s = 1- ò (Te - TL ) dt (2.12) r = Trong đó: va s , vb s , va r , vb r : Điện áp stator, rotor hệ d dt Lm : Hệ số từ tản tổng; Ls Lr ; MẠNG NEURON HÀM CƠ SỞ XUYÊN TÂM RBF trục (ab ) ; Ngày nay, mạng neuron nhân tạo sử dụng phổ biến giải thuật điều khiển thông minh với nhiều giải thuật khác Mạng neuron RBF trường hợp đặc biệt mạng neuron truyền thẳng nhiều lớp, mạng có khả xấp xỉ hàm hiệu quả, ngồi mạng RBF huấn luyện dễ dàng nhanh chóng Cấu trúc mạng gồm có lớp vào, lớp ẩn lớp (Liu, 2013) ia s , ib s , ia r , ib r : Dòng điện stator, rotor hệ trục (ab ) ; la s , lb s , la r , lb r : Từ thông stator, rotor hệ trục (ab ) ; we , wr : Tốc độ điện, tốc độ quay rotor; R s , Rr : Điện trở dây quấn stator, rotor; Mạng neuron RBF sử dụng nghiên cứu có cấu trúc gồm ngõ vào, 17 neuron lớp ẩn ngõ (Hình 3) Các neuron lớp ẩn kích hoạt hàm Gauss Mỗi neuron lớp ẩn chứa vector tâm c có kích thước với vector L1s , L1r : Điện kháng tản dây quấn stator, rotor; Ls , Lr : Điện cảm stator điện cảm rotor; 21 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 57, Số 4A (2021): 18-29 ngõ vào x định nghĩa sau (Liu, 2013): Phương pháp Gradient Descent áp dụng để cập nhật thông số (Liu, 2013): x(t ) - c j (t ) Dw j (t ) = -h ¶E ¶w j = h ( y (t ) - yˆ (t )) h j (3.5) w j (t ) = w j (t - 1) + Dw j (t ) + a [ w j (t - 1) - w j (t - 2)] Db j (t ) = -h Hình Cấu trúc mạng neuron RBF Vector ngõ vào x có dạng: T x = [ x1 x2 x8 ] hj x -cj 2 2b j (3.1) Dc ji (t ) = -h yˆ (t ) = w1h1 + w2 h2 + + w17 h17 b j > mô tả giá trị độ rộng hàm Gauss neuron thứ j; (3.9) Phần ứng dụng mạng RBF để nhận dạng tốc độ quay, mômen xoắn, từ thông rotor SPIM kết mô đạt T w = [ w1 w2 w17 ] : Giá trị trọng số; Để huấn luyện mạng neuron RBF, hàm mục tiêu định nghĩa sau (Liu, 2013): x j - c ji bj Trọng số ban đầu neuron lớp ẩn chọn dựa vào phân nhóm liệu vào Quá trình huấn luyện chủ yếu chỉnh định trọng số tuyến tính lớp Các trọng số tuyến tính lớp xem độc lập với neuron lớp ẩn Khả xấp xỉ xác tốc độ mạng RBF cịn cải thiện việc chọn tâm, độ rộng phù hợp cho hàm sở lớp ẩn Tuy nhiên, mạng RBF thường đáp ứng chậm giai đoạn huấn luyện số lượng neuron lớp ẩn chọn lớn (3.3) T b = [b1 b2 b17 ] : Vector độ rộng hàm ¶c ji = h [ y (t ) - yˆ (t )]w j (3.8) a Ỵ (0,1) : Hệ số mơmen; j; ( y (t ) - yˆ (t )) ¶E (3.7) h Ỵ (0,1) : Tốc độ học; c j = [c j1 c j c j8 ] : Vector tâm neuron thứ bj Trong đó: Trong đó: E (t ) = = h [ y (t ) - yˆ (t )]w j h j c ji (t ) = c ji (t - 1) + Dc ji (t ) + a [c ji (t - 1) - c ji (t - 2)] (3.10) ÷ , với j=1,2,…,17 (3.2) ÷ ÷ ø Ngõ mạng neuron RBF: Gauss, với ¶b j x-cj b j (t ) = b j (t - 1) + Db j (t ) + a [b j (t - 1) - b j (t - 2)] Phương trình hàm Gauss neuron th j (Liu, 2013): ổ ỗ = exp ỗ ç è ¶E (3.6) NHẬN DẠNG SPIM TRÊN HỆ TRỤC (αβ) SỬ DỤNG MẠNG NEURON RBF 4.1 Sơ đồ mô (3.4) Sơ đồ mô hệ thống nhận dạng SPIM sử dụng mạng neuron RBF phần mềm Matlab/Simulink có dạng sau (Hình 4): 22 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 57, Số 4A (2021): 18-29 Hình Sơ đồ hệ thống nhận dạng SPIM - Ngõ vào đối tượng: Điện áp sáu pha, mômen 4.2 Kết mô tải Thông số đối tượng tham khảo từ tài liệu (Mandal, 2015): - Ngõ đối tượng: Mômen xoắn, tốc độ quay từ thông rotor - Ngõ vào nhận dạng RBF: Điện áp sáu pha, mômen tải, mômen xoắn, tốc độ quay từ thông rotor - Ngõ nhận dạng RBF: Mômen xoắn, tốc độ quay từ thông rotor L1s = 0, 0132 H ; Lm = H ; L1r = 0, 0132 H ; Rs = 1, W; Rr = 2,1 W; Van = 230 V ; p = 2; w = 314 rad / s; J r = 0, 02 kg m ; Thông số mạng neuron RBF khởi tạo sau: a = 0, 9; Kết mô nhận dạng mômen xoắn, tốc độ quay từ thơng rotor hệ trục (ab ) trình bày phần Tâm c chọn với giá trị (Ma trận x 17, hàng đến hàng có giá trị giống nhau): -7,5 -6,25 -5 -3,75 -2,5 -1,25 1,25 2,5 3,75 6,25 7,5 8,75 10 ù é-10 -8,75 ê -1 -0.875 -0.75 -0.625 -0.5 -0.375 -0.25 -0.125 0.125 0.25 0.375 0.5 0.625 0.75 0.875 ú ê ú ê ú ! ê ú ë -1 -0.875 -0.75 -0.625 -0.5 -0.375 -0.25 -0.125 0.125 0.25 0.375 0.5 0.625 0.75 0.875 û b = [200; 200; 200; 200; 200; 200; 200; 200; 200; 200; 200; 200; 200; 200; 200; 200; 200]; w = [0, 23;0,15;0,06; -0, 44; -0,50; -0,09; -0,54;0,60;0,97; -0,94;0,07; -0,82;0,60;0,97; -0,86;0,87; -0,96]; Hình 12) Trong (Hình 5, Hình 7, Hình Hình 11) thể lúc đáp ứng đối tượng nhận dạng để dễ dàng so sánh Nét liền thể đáp ứng đối tượng nét đứt đậm thể đáp ứng nhận dạng Kết nhận dạng sai số nhận dạng tín hiệu mơmen xoắn thể hình (Hình 5, Hình 6), tốc độ quay (Hình 7, Hình 8) từ thơng rotor hệ trục (ab ) (Hình 9, Hình 10, Hình 11 23 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 57, Số 4A (2021): 18-29 Hình Kết nhận dạng mômen xoắn Đáp ứng đối tượng nhận dạng thể hình Hình Sai số mơmen xoắn Hình Kết nhận dạng tốc độ quay rotor 24 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 57, Số 4A (2021): 18-29 Hình Sai số tốc độ quay Quan sát kết mô nhận dạng mômen xoắn tốc độ quay SPIM thể hình (Hình 5, Hình 6, Hình 7, Hình 8) cho thấy đáp ứng nhận dạng bám theo đáp ứng đối tượng: - Trong (Hình 6) sau khoảng 0,2 giây sai số mômen xoắn xác lập Tải lắp vào động thời điểm 0,6 giây nên làm cho sai số mơmen xoắn có độ vọt lố bị dao động khoảng 0,02 giây Sau khoảng thời gian 0,02 giây sai số tiếp tục hội tụ - Sai số tốc độ quay thể (Hình 8), đáp ứng xác lập khoảng 0,1 giây Thời điểm 0,6 giây tải lắp vào động nên đáp ứng có độ vọt lố khơng đáng kể - Độ phù hợp đáp ứng ngõ đáp ứng nhận dạng mơmen xoắn có giá trị xấp xỉ 99,8% tốc độ quay rotor 99,95% Độ phù hợp tính dựa (Nguyễn Hồng Dũng, 2013) Hình Kết nhận dạng từ thông rotor trục a Hình 10 Sai số từ thơng rotor trục a 25 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 57, Số 4A (2021): 18-29 Hình 11 Kết nhận dạng từ thơng rotor trục b Hình 12 Sai số từ thông rotor trục b nhận dạng hoạt động ổn định, sai số nhận dạng thấp Kết mô nhận dạng từ thông rotor hệ trục cố định (ab ) thể (Hình 9, Hình 10, Hình 11 Hình 12) Kết cho thấy từ thơng nhận dạng bám theo từ thông đối tượng sau khoảng thời gian 0,4 giây Độ phù hợp đáp ứng ngõ đáp ứng nhận dạng từ thông rotor trục a có giá trị xấp xỉ 99,82% trục b 99,85% Thời điểm 0,4 giây động hồn tất q trình khởi động, đáp ứng (Hình 10 Hình 12) cho thấy Khảo sát trường hợp hệ thống có nhiễu trắng tác động với cơng suất 0,001 (Hình 13): Hình 13 Tín hiệu nhiễu trắng 26 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 57, Số 4A (2021): 18-29 Hình 14 Kết nhận dạng mơmen xoắn trường hợp có nhiễu tác động Hình 15 Kết nhận dạng tốc độ quay rotor trường hợp có nhiễu tác động Hình 16 Kết nhận dạng từ thơng rotor trục a trường hợp có nhiễu tác động 27 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 57, Số 4A (2021): 18-29 Hình 17 Kết nhận dạng từ thông rotor trục b trường hợp có nhiễu tác động Kết mơ nhận dạng mômen xoắn, tốc độ quay rotor từ thông rotor hệ trục cố định (ab ) trường hợp có nhiễu trắng tác động thể (Hình 14, Hình 15, Hình 16 Hình 17) Kết cho thấy đáp ứng nhận dạng hoạt động tốt không bị ổn định Độ phù hợp đáp ứng ngõ đáp ứng nhận dạng có giá trị sau: Mômen xoắn xấp xỉ 99,21%, tốc độ quay rotor xấp xỉ 99,38%, từ thông rotor trục a xấp xỉ 98,85% trục b 98,89% FOC, DTC, Logic mờ,… thuận lợi ước lượng giá trị tức thời mômen xoắn, tốc độ quay từ thơng rotor Nhóm tác giả tiếp tục nghiên cứu giải thuật tối ưu để lựa chọn số lượng neuron lớp ẩn thông số mạng tối ưu số lượng neuron thơng số mạng lựa chọn khởi tạo kinh nghiệm TÀI LIỆU THAM KHẢO Bojoi, R., Farina, F., Griva, G & Profumo, F (2005) Direct Torque Control for Dual Three – Phase Induction Motor Drives IEEE Transactions on Industry Applications, 41(6), 1627-1635 Finch, J & Giaouris, D (2008) Controlled AC electrical drives IEEE Trans Ind Electron, 39(4), 986-993 Ghosh, B C., Habibullah, M., Ali, M E (2019) Performance Comparison of Five and Six-Phase Induction Motors Operating under Normal and Faulty Conditions Electrical Information and Communication Technology (pp 140-146) Golubev, A.N., & Ignatenki, S.V (2000) Influence of number of stator-winding phases on the noise characteristics of an asynchronous motor Russ Electr Eng., 71(6), 41-46 Huỳnh Thái Hoàng (2006) Hệ thống điều khiển thông minh NXB Đại học Quốc gia TP Hồ Chí Minh Jones, M., Vukosavic, S N., & Levi, E (2001) Experimental performance evaluation of sixphase series – connected two – motor drive systems European Power Electronics and Applications Conf EPE (pp 95-102) Liu, J (2013) Radial Basis Function (RBF) neural network control for mechanical systems: Design, analysis and Matlab simulation Springer Science & Business Media Việc áp dụng luật cập nhật trọng số online để nhận dạng đối tượng mạng neuron RBF thông qua mô phần mềm Matlab/Simulink cho thấy ưu điểm thuật tốn: - Đáp ứng từ thơng hệ trục (ab ) nhận dạng bám sát từ thông đối tượng sau thời gian khoảng 0,4 giây - Sai số nhận dạng tiến Hệ thống làm việc xác lập ổn định trường hợp động khởi động sau lắp tải KẾT LUẬN Bài báo trình bày phương pháp nhận dạng SPIM, cụ thể nhận dạng thông số mômen xoắn, tốc độ quay từ thông rotor hệ trục cố định (ab ) sử dụng phương pháp mạng neuron RBF Kết mô sử dụng phần mềm Matlab/Simulink cho thấy nhận dạng đạt hiệu cao, sai số nhận dạng hội tụ độ phù hợp đáp ứng ngõ đáp ứng nhận dạng nằm khoảng 98%-99% hệ thống hoạt động khơng tải, có tải nhiễu trắng tác động Nghiên cứu tiền đề để việc điều khiển SPIM sử dụng phương pháp truyền thống hay thông minh 28 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 57, Số 4A (2021): 18-29 Mandal, M S (2015) Performance Analysis of SixPhase Induction Motor IJERT, 60(4), 589-593 Nguyễn Hoàng Dũng (2013) Đồng hệ CHAOTIC LORENZ dùng điều khiển trượt Tạp chí Khoa học Trường Đại học Cần Thơ, 27, 25 – 30 Ojeda, J , Bouker, H., Vido, L & Ben Ahmed, H (2016) Comparison of 3-phase and 5-phase high speed synchronous motor for EV/HEV applications IEEE Industry Applications Society Ann Meeting IAS, 60(6), 250-265 Tanaka, M., & Tanino, T (1994) Identification of Nonlinear Systems using Fuzzy Logic and Genetic Algorithms IFAC Syst Identif., 50(4), 265-270 Williamson, S., & Smith, S (2003) Pulsating torque and losses in multiphase induction machines IEEE Trans Ind Appl, 39(4), 986-993 Zhao, Y (1995) Space Vector PWM Control of Dual Threephase Induction Machine using Vector Space Decomposition IEEE Trans Ind Appl, 56(2), 1100-1108 29