Internati o nal  Journal of Ele c trical   and Computer  Engineering  (IJE CE)  Vol.  4, No. 6, Decem ber  2014, pp. 952~ 961  I S SN : 208 8-8 7 0 8           9 52     Jo urn a l  h o me pa ge : h ttp ://iaesjo u r na l.com/ o n lin e/ind e x.ph p / IJECE  A Neural Network Based Speed  Control of  a Dual Star  Induction Motor       Meliani B o uz iane,  Mer o u f el  Ab delkader   F acult y of Engin eer  S c ien c e ,   Dep a rtem ent   of Ele c t ric a l Engin eerin g,  Dji l al i Liab es  Univers i t y ,   Alge ria       Article Info    A B STRAC T Article histo r y:  Received  J u n 12, 2014  Rev i sed  Au 20 , 20 14  Accepted Aug 26, 2014      This paper propose the use of  artificial neural networ ks to control the speed   of a Double Star  Induction  Moto r drives fed  b y  a two matrix  con v erter  using  Venturini modulation  algor ithm, The  a dvent o f  the field oriented with   modern speed control techniqu e has pa rtially  solved DSIM control problems  because i t  is sensitive to driv para m e ter v a ri at ions and perfor m ance m a deter i orate if convention a l con t rolle rs are used. Neural network based   controll er  is  co ns idered  as  pote n tial  c a ndida tes  for s u ch an  ap plic ation .  In   this work the si m u lations result s are  provided  to  evalu a te p e rfor m ance of the  proposed contro l strateg y .   Keyword:  Dual Star  Fi el d O r i e nt e d   C ont r o l   I ndu ctio n Mach in e   Matrix  Conv erter  Neu r al Netw or k   Copyright ©  201 4 Institut e  o f   Ad vanced  Engin eer ing and S c i e nce.  All rights re se rve d Co rresp ond i ng  Autho r M e l i a ni  B ouzi a ne,    Faculty of E n gineer  Science,  Depa rt m e nt  of  El ect ri cal  Engi neeri n g ,     Dj ilali  Liab es Un i v ersity, 2 2 0 0 , Alg e ria,  Em a il: melfat0 6 @ yah o o . fr.      1.   INTRODUCTION   The  use  of si x-phase induct ion m o t o r  f o r  i n d u st ri al   dri v es  pre s ent s  s e veral  a d vant a g es  o v er  t h e   co nv en tio n a l  th ree-ph ase dri v e su ch  as i m p r o v e d   reliab ility,  m a g n e tic flux h a rm o n i c redu ction ,  to rqu e   pul sat i o ns m i nim i zati on, a n red u ct i o on  t h po we r rat i n gs  fo r t h e  st at i c  co nve rt er.  F o r t h ese  reas o n s,  si x- pha se induction m o tors are begi nni ng to  be a widely  acceptable alternative in  high power applications.  D u r i ng  t h e last year s, t h e mo d e ling   and  co n t r o o f   d ouble star  indu ctio n m ach in e h a s b e en  t h e subj ect  o f   in v e stig ation s   [1,  2 ] , it is d e sirab l e to co n t ro l t h e fl u x  an d torqu e  separately in  order to h a v e  t h e same   per f o r m a nces as t hose o f  D C   m o t o rs. O n e way  of d o i n g t h i s  i s  by  usi ng t h e fi el ori e nt ed co nt r o l .  Thi s   m e t hod a ssu re s t h dec o u p l i n of  fl u x  a n d t o r q ue. T h vec t or-c o n t r ol l e DSIM  wi t h  a c o n v e n t i onal   PI  spee d   cont roller is used e x tensi v el y in industry, beca use  has   easily im ple m ented. Al ongsi d e this  succes s, the   p r ob lem  o f  tu nin g  PI-con tro llers h a rem a in ed  an  activ re search a r ea.  Furtherm ore,  with cha n ges in s y ste m   dy nam i cs and vari at i o ns i n   o p erat i n poi nt s PI-C ont rol l e rs  sh ou ld   b e  r e t u r n ed  on  a r e gular  b a sis.  O n o f  the  m o st noticeable control t h eories is the m e thod  us ing  t h e   Ada p tive Ne ural Ne twork .Recently,  the neural   net w or k ( N N )  i s  wi del y  use d  as a u n i v e r s a l  appr o x i m ator i n  t h e area  of  no nl i n ea r m a ppi n g  an unce r t a i n   no nl i n ea r c ont rol   pr o b l e m s  [3] ,  T h NN  st r u ct u r e i s  t o   be  im pl em ent e d by  i n put   o u t p u t  no nl i n ea r m a ppi ng   m odels and is constructe d wi th input, out p ut and hi dd en la yers of activati on  functions.  Because the  NN can  be  used  f o uni versal  a p pr oxi m a t o r l i k fuzzy  a n d  ne u r al  sy st em s, i t  has  bee n  i n t r od uce d  as a  p o ssi b l e   so lu tion  t o  th real m u ltiv ariat e  in terp o l ation   p r ob lem.  Th e i n du ction m o to r driv e fed   b y  a m a trix  co nv erter is sup e ri o r  to  t h e co nv en tional PW M-VS  inve rter  becaus e  of the lack of bulk DC-link ca pacitors  wi th lim ited lif e tim e, the bi-directional power flow  capability, the   sinusoidal  input/ output c u rrents, and  adjustable input pow e r   fa ctor. Furthe rm ore, because   of a   high integration ca pa bility  and a  hi gher  reliability of the sem i conduct or de vice struct ures , the  m a trix  Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN 2 088 -87 08  IJECE Vol. 4, No. 6, D ecem ber 2014   952 – 961  9 53  con v e r t e r t o p o l ogy  i s  recom m e nded f o r extrem e te m p er atures and cri ti cal  vol um e/wei g ht  appl i c at i ons.   Ho we ver ,   onl y  a fe of  t h pract i cal  m a t r ix c o n v e r t e rs  h a ve  been  ap pl i e d t o  i n duct i o n  m o t o dri v sy st e m   because the im plem entation of the switc h de vices in  the m a trix converter is  diffi c ult and m odulation  technique  and  comm utation c ont rol a r e m o re com p li cated than the c o nve ntional PWM inverter [4, 5].      2.   DOUBLE ST AR IND UCTION MODELING  Ex pl ai ni n g  r e s earch  ch ro n o l o gi cal , i n cl udi n g  r e searc h   des i gn,  resea r c h   pr oce d u r (i t h e f o rm  of   alg o rith m s , Pseu do co d e  or o t h e r),  h o w t o  test an d   d a ta  acq u i sition  [1 ]-[3 ]. Th e d e scri p tio n   of th e cou r se  of  researc h  s h oul be s u pporte refe rences , s o  t h e e xpl a n ation can be  acce pte d   sc ie ntifically  [2], [4].  Th e m ach in e styd ied  is rep r esen ted   b y  with  two  stators wind ing s 1 , 1 1 sc sb , sa  and  2 , 2 2 sc sb , sa   whic a r e displaced by  0 30 α  and  the rotorical phases:  rc rb, , ra , this is a m o st r ugg ed  an d m a in te n a n c free m achine           Figu re  1.    Do u b le stator  wi nd ing  re prese n tation       The following assum p tions have been m a de in deriving the m achine m odel   - Machine windings are si nusoidally  distributed  - M achine m a gnetic saturation and the m u tu al leakage inductances are neglected  - The two stars have sam e  param e ters  The  m a them atical m odel of the m ach ine is  written as a set of state  e quations, both for th e electrical and  m echanical parts,  the voltage equation is[2] :             qdr r s dqr dqr r dqr qds s dq dqs s dqs qds s dq dqs s dqs Φ ). ω ( ω Φ dt d I . R V Φ . ω Φ dt d I . R V Φ . ω Φ dt d I . R V 2 2 2 2 2 1 1 1 1 1  (1 )      with:     dqr dqs dqs m dqr s dqr dqr dqs dqs m dqs s dqs I I I L I L I I I L I L 2 1 12 2 1 12 12 12 ] [ ] [ ] [ ] [  (2 )     the electrical state varia b les in the “ dq” syst em  are the flux  represe n ted  by  vector [ Φ ], while the input  variable  in the “ d q”syste m  are expressed  by vect or [V].  Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN:  208 8-8 7 0 8     A N e ur al N e tw ork B a se S p e e d C ontr o l of  a  D ual  Sta r  I n d u ction  M o tor   ( M eliani B o uzia ne)   95 4    V B A dt d . .  (3 )     with:       T dqr dqs dqs T dqr dqs dqs V V V V 2 1 2 1 ,     the equation of the electrom a gnetic torque is:      qr ds ds dr qs qs r m m e I I I I L L L p T ). ( ). ( 2 1 2 1   (4 )                                               the equation of flux is:    ) ( ] [ 2 1 dqr dqs dqs m dqm I I I L  (5 )     or:     r dqr s dqs s dqs a dqm L L L L 2 2 1 1 . ] [  (6 )     W h ere    r s s m a L L L L L 1 1 1 1 1 2 1  (7 )     the state m a trix  A a n d vect or B in t h d-q a x is are:      66 65 64 63 56 55 52 51 46 44 43 42 36 34 33 31 25 24 22 21 15 13 12 11 0 0 0 0 0 0 0 0 0 0 0 0 a a a a a a a a a a a a a a a a a a a a a a a a A  (8 )      0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 B  (9 )     whe r e:     1 1 1 33 11 1 s s s a T L T L a a    2 2 2 44 22 1 2 43 21 1 35 15 42 31 24 12 1 , , s s s a s s a r s a s T L T L a a L T L a a L T L a a a a a a   Evaluation Warning : The document was created with Spire.PDF for Python.
                        ISS N 20 8 8 - 8 70 8   IJECE Vol. 4, No. 6, Decem ber 2014   952 – 961  9 55  r s a r s a L T L a a L T L a a 1 63 51 2 46 25 ,    r r r s s s r r r r a r s a R L T R L T a a T L T L a a L T L a a , , 1 , 65 56 66 55 2 64 52   and                   m s r       3.   MAT R I X  CO NVE RTER M O DELIN G   In this section, it is explained the resul t s of  resea r ch  and at the sam e  tim e   is given th e   com p rehe nsive  discus sio n. R e sults can  be  pr esented i n  fi gu res,  gra p hs, ta bles and ot hers t h at m a ke the reade r   un de rstan d  eas ily  [2] ,  [ 5 ] .     A m a trix converter is a variable a m plitude and fr e que ncy  po we r su pply  that con v e r ts the three pha se   line voltage di rectly. It is very si m p le  in structure  and has powerful cont rollability . The  real developm ent of  the m a trix converter st arts wi th the  work of  Vent uri n i and  Alesin who  propose d  a m a the m atical analysis and  intro d u ced t h e  low  fre q u enc y   m odulatio m a trix con cep t to desc ribe t h e lo fre que ncy  be ha vior   of t h e   m a trix conve r ter [1]. In th is the output voltages a r e obtained  by  m u ltiplication of the  m odulation m a trix  or  transfer m a trix with  the inpu t voltages. T h e basic diagra m  of a  m a trix converter ca n be repre s ente d by    Figu re 2.       Figu re  2.   B a si c struct ure  o f   m a trix co nve rt er       The existence  function provides a  m a the m atical  expressi on f o r descri bi ng s w itchin g  p a tterns. Th existence  funct i on  for a  single switch a ssum e s a value  of  unity whe n  the switch is cl osed a n d zero  when the   switch is  ope n. For the m a trix conve r ter shown i n  Fi gure 2, the existence  function fo r ea ch of the  switc hes is  exp r esse d by   t h e follo win g   e quatio ns:     open S switch closed S switch S kj kj kj , 0 , 1  (1 0)     where k= {A, B ,  C }  is input phase  and j={a, b, c} is output phase.  The above constraint can be e xpressed in the following form   1 Cj Bj Aj S S S  (1 1)     with the above restrictions a 3 X 3 m a trix  converter has 27 possi ble switching states.  the m a them atical  expression that  represents the  operati on of  a three  phase ac to  ac M a trix  C onverter can be  expressed as follows:  Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN:  208 8-8 7 0 8     A N e ur al N e tw ork B a se S p e e d C ontr o l of  a  D ual  Sta r  I n d u ction  M o tor   ( M eliani B o uzia ne)   95 6 ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( t v t v t v t S t S t S t S t S t S t S t S t S t v t v t v C B A Cc Bc Ac Cb Bb Ab Ca Ba Aa c b a  (1 2)     ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( t i t i t i t S t S t S t S t S t S t S t S t S t i t i t i c b a T Cc Bc Ac Cb Bb Ab Ca Ba Aa C B A  (1 3)     where va, vb  and vc  and iA,  iB  and  iC  are  the output  voltages and  input currents  re spectively .  To  determ ine  the behavior of the  M C  at output frequencies  well  below the switching  frequency ,  a m odulation duty   cy cle  can  be defined for  each switch. The  m odulation duty cycle  MKj for the  switc h SKj in  Figure.2 is defined as  in equation (14) below.    s kj kj T t M   (1 4)     where  kj t  is the  one tim e for  the switch  kj S   between input phase k={A,  B ,  C }  and  j={a, b, c}  and  s T  is the  period of the PWM   switching signal or  sam p ling period. In term of the m odulation duty   sy cle,  equations  12,  and 13 can be rewritten as given below.     ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( t v t v t v t M t M t M t M t M t M t M t M t M t v t v t v C B A Cc Bc Ac Cb Bb Ab Ca Ba Aa c b a  (1 5)     ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( t i t i t i t M t M t M t M t M t M t M t M t M t i t i t i c b a T Cc Bc Ac Cb Bb Ab Ca Ba Aa C B A   1 Cj Bj Aj M M M  (1 6)   j={a, b,   c}     the  high-frequency  sy nthesis t echnique introduced by  Venturini and Ales ina in [4-5]  allows the use of low  frequency  continuous  functions , referred to as the m odulation m a trix  m ( t), to calculate the existence  functions for each  switch of the  m a trix converter.  T hus, the aim   when using the  Alesina and  Venturini  m odulation m e thod is to find a m odulation m a trix which satisfies  the following set of equations.    ) ( . ) ( ) ( t v t m t v i o  (1 7)     ) ( . ) ( ) ( t i t m t i o T i  (1 8)     where the input voltages  (t) v i  are given by  the following set of functions    ) 3 2 cos( ) 3 2 cos( ) cos( ) ( t t t V t v i i i in i  (1 9)     an d th d e sir e d ou tpu t  vo ltag e s (t) v o   are   Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN:  2 088 -87 08  IJECE Vol. 4, No. 6, D ecem ber 2014   952 – 961  9 57  ) 3 2 cos( ) 3 2 cos( ) cos( ) ( t t t V t v o o o o o  (2 0)     output currents ) ( t i o  can be expressed as:    ) 3 2 cos( ) 3 2 cos( ) cos( ) ( o o à o o o o o t t t I t i  (2 1)     where  o  is the phase angle of the linear load.  fi nal l y t h e desi red i nput  current  has an arbi t r ary  phase i . Thi s   angl e can be set  t o  0 t o  obt ai n uni t y  i nput   power fact or of t h e m a t r i x  convert er.    ) 3 2 cos( ) 3 2 cos( ) cos( ) ( i i i i i i i i t t t I t i  (2 2)     The el em ent s  of m a t r i x  m ( t )  t h at  sat i s fy  equat i ons 17 and 18 are gi ven by   ) 2 ( 3 2 ) ( cos 1 3 1 ) ( 3 2 ) ( cos 1 3 1 ) ( 2 1 j i q j i q t m i o i o ij  (2 3)     where  ) tan( ) tan( 1 2 1 1 1 o 1 2 1  , i o V V q   W ith the following restrictions 0 1 ,   0 2 2 1 0 q       4.   SPEED  CO N T ROL O F  T H E DS IM  WI TH NE UR AL  NETWO R K   Feed fo rwa r d artificial neural  netw or ks ( A N N ’s ) are  uni ve rsal ap pr oxim a tors o f  n o n line a r f unctio ns   [7] .   As s u ch , t h e A N N ’s  use  a de nse interc on nectio of  n e ur o n s that c o r r esp o nd t o  c o m puting n o d es . Each   node  perform s  the m u ltiplicati on  of  its  input signals by constant weights,  sum s  up the results, and m a p y s the  sum  to a nonlinear functi on (activation  function); t h result  is  then transferred to its  output. T h e m a them atical  m odel of a  ne u r o n  is  give by     ) . ( b x w y i i  (2 4)     whe r e ( x 1, x2,  ..., xN)  are inputs fr om  the previ o us  layer neur ons, ( w 1,  w2, . .., w N )  are the cor r es pondi ng  weig hts, a n is the  bias o f  t h e ne ur o n .   fo r a l oga rithm i c sigm oidal activation  fu nctio n, t h out put is   give by                                                                                                                            Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN:  208 8-8 7 0 8     A N e ur al N e tw ork B a se S p e e d C ontr o l of  a  D ual  Sta r  I n d u ction  M o tor   ( M eliani B o uzia ne)   95 8 N i i i b x w e y 1 ] . [ 1 1   (25)                                              A fee d f o r w a r d  neu r al netw o r k is or ga nized  in lay e rs : an in put lay e r,  one  or m o re hi dde n lay e rs, a n d   an o u tp ut lay e r. No c o m putation is  pe rf o r m e d in the in put l a y e r: the signa ls are directly supplied to the first   h i dd en  layer.  Hidd en  and  outp u t  n e ur on gen e r a lly h a ve  a sigm oidal activation f u nction .  T h e k n o wl edge i n   an ANN is acquire d through a learning  algo rithm ,  which p e rf orm s  the adaptation o f  wei ghts o f  the net w o r k   iteratively unti l  the error bet w een the  target vect ors  and  output  of the   net w ork falls  bel o w a certain error goal.  The m o st popular learni ng algorithm  for m u l tilayer  net w orks is the backprop agation algorithm ,  which  con s ists of a f o r w ar d a nd  ba ckwa r d  action.  In the fi rst, th e signals are  p r o p a g ated th ro ug h the  netw or k lay e r   by  lay e r.  A n   o u tp ut v ector  is  thus  ge ner a ted  and  s ubtra cted  fr om  the de sire d out put   vect or T h e resulta nt err o r   vecto r  is  pr op a g ated  bac k wa r d  in  the  netw or k a n d  ser v es  t o  ad just t h weights i n   or der  to  m i nim i ze the out put   err o r .  T h bac k p r opa gatio n t r ainin g  al go rithm  and its  va riants a r e im plem ented  by  m a ny  ge ne ral- pu rp ose   soft ware  pac k ages s u c h  as t h neural-network to o l bo f r o m  MATLAB, Th str u ctur e of   NN contr o ller   selected in this paper is shown in  Fi gu re 2 .   The N N  c ont r o ller co nsists  of three  neurons in the i n put  layer ,   seve neu r o n s   in the  hid d e n  l a y e r an d a  ne ur on  in t h out pu t lay e r.  The three inputs signals e(k), e(k-1) ,  isq1 (k -1 ),  and  th e to rq u e   ( T em * ( k) ) o u t pu t ar e expo r t ed  to  the  MATLAB  Wo rks p ace  (e(k) i s  the speed e r ror a n d e(k-1)    pre v ious s p ee d error  ). T h followi ng M A T L AB  code trai ns the  Neural Network. The  fi rst section of code generates the  ‘c ell array’. The  cell array com b ines   the  diffe re nt in puts  into  1  in put  vecto r .   The acti v a tio n fu n c tion s  of  th h i dd en  an d ou tpu t   n e uron s are  Hy pe rb olic tange nt sigm oid  and linea r,  r e spectively .  T h e lear nin g  o f  NN c o ntrolle r is d one  usi ng t h Leve nbe rg -M a r q u ar dt bac k -p ro pa gation al g o rithm  [7] .  Th e trainin g  pa ra m e ters for t h Leve nbe rg -M a r q u ar dt  algorithm  ( trainlm )  are:  M a xim u m  num ber of e p ochs to trai n                                                    ( n et.trainP a r a m . epoc hs= 4 00)   Perform a nce goal(net.trainPa ram . goal =  1e-5;)          E p och s   betwee displa y s  (net.t rainPa r a m . sho w  =  5;)           Figu re  2.   M u lt ilay e r Feedf o r w ar Ne ural  N e two r k       The o f f - line le arni ng  pr ocess  of  NN c o ntroll er is sh ow n in   Figu re 3 .  Th e data traini ng is taken from   the input  and  out put val u es of the PI cont roller by sim u lati ng it under norm a l and disturba nce  conditions, (the fuzzy   logic sy stem  is used o n - line to ge nera te the  PI controller param e ters), the  learning rate were taken equal to  0. 2. T h e electr o m a gnetic tor que  fr om  PI cont roller  a n d the electrom a gnetic tor que  fr om  NN co ntr o ller are   com p ared  t o  obtain desi r e d  er ro r go al [8 ,9 ].  ta n s i g 1 ta n s i g pu r e l i n ne t s um 2 ne t s um 1 ne t s um do t p rod 9 w p z do t p rod 8 w p z do t p rod 7 w p z do t p rod 6 w p z do t p rod 5 w p z do t p rod 4 w p z dot p r od 3 w p z dot p r od 2 w p z dot pr o d 1 1 w p z do t p rod 1 0 w p z dot p r od 1 w p z b{ 3} bi as b{ 2} bi a s b{ 1} bi as Uni t  Del a y 2 z 1 Uni t  Del a y 1 z 1 Mu x 1 Mu x Mu x Mu x I W { 3 ,2 } ( 1 ,:) ' wei g h t s I W {2 , 1 }(7 , : ) ' wei g ht s I W {2 , 1 }(6 , : ) ' wei g ht s I W {2 , 1 }(5 , : ) ' wei g ht s I W {2 , 1 }(4 , : ) ' wei g ht s I W {2 , 1 }(3 , : ) ' wei g ht s I W {2 , 1 }(2 , : ) ' wei g ht s I W {2 , 1 }(1 , : ) ' wei g ht s I W { 1 ,1 } ( 3 ,:) ' w ei g h t s I W { 1 ,1 } ( 2 ,:) ' w ei gh t s I W { 1 ,1 } ( 1 ,:) ' w ei gh t s [T e m ] [ Wr e f ] [W m ] [ i s q1] Ad d Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN:  2 088 -87 08  IJECE Vol. 4, No. 6, D ecem ber 2014   952 – 961  9 59      Figu re  3.  Lear nin g   pr ocess  o f  N N  c ont roller       5.   SIMULATION RESULTS  The S I M U LI N K  m odel f o r i ndi rect FOC   o f  the  4. Kw  c a ge r o tor  DS I M  a ssociated with  a d aptive   FLC - P I  co ntr o ller is show n in Fig u re   4. T h m achine is fed by a m a trix  converte r. The param e ters of the   induction m o tor  are  s u m m a rized in Appendi x   The fi rst test conce r ns a  no -load  startin g of  the m o tor with a refe rence speed  ref ω = 28 rad/ sec. a n d   a n o m i nal load distu r ba nce t o rq ue  (1 4 N .m ) is su d d enly  a p p lied betwee 1 s ec an 2sec,  f o llowe by  a c onsi g n   inve rsio (- 28 8ra d /sec)  at 2 . 5sec.  At  4. 5s,  a  -1 4 N m  load  di stur bance  is a p plied  du rin g  a   peri od  o f   2 s.  t h is test  has  fo o b ject t h e st udy   of  co n t roller  beh a vi o r s in  p u r suit a n d in  re g u lation.   The test result s obtaine d are  shown in fi gure 5. The s p ee d of the m o tor reaches  ω ref  at 0.2 s  with  al m o st no  overshoot. It t h en begins t o   oscillate inside a  0.4% error stri p around   ω ref ,   The ne ural netwo r k   cont roller re jec t the  loa d  dist ur ba nce very  q u ickly   with   n o  ove rs ho ot  a n d  with  a ne g ligible steady state  error.    In  o r de r to tes t  the r o b u stn e ss o f  the  use d  m e t hod  we  h a ve stu d ied  th e effect  of  the  param e ters  uncertainties on the perform ances  of the spe e d control. To  show the effect  of the pa ram e t e rs uncertainties, we   have sim u lated the system  wi th diff ere n values  of t h e pa ra m e ter consi d er ed a nd c o m p ar ed to  n o m i nal  value   (real  value ) . T h e Fi gu re  6 a n d  Fig u r e  7  s h o w   res p ectiv ely  the be havi or  o f  the  D S I M  whe n   R r   is 10%   increased of its nom inal value and  is inc r ea sed and  decrea sed 10%  of its   nom inal value. An inc r ease  of the  m o m e nt of ine r tia gives  best  per f o r m a nces, but it p r es ents  a slow  dynam i c response. T h e figures s h ow that   the  p r op ose d   c ont roller ga ve satisfactory  per f o r m a n ces thus  judges  that th e controller is  robust .             Figu re  5.  Sim u lated res u lts o f   neu r al  netw or k  co ntr o ller f o r   DSIM   0 1 2 3 4 5 6 -30 0 -20 0 -10 0 0 10 0 20 0 30 0 Ti m e ( s ) Wm ( r a d / s )     R e f  S p eed D S I M  S p eed 0 1 2 3 4 5 6 -4 0 -2 0 0 20 40 60 80 Ti m e ( s ) To r q ue[ N . m ] 0 1 2 3 4 5 6 -2 0 -1 5 -1 0 -5 0 5 10 15 20 i s q1( A ) Ti m e ( s ) 0 1 2 3 4 5 6 0 1 2 d- ax i s Ti m e ( s ) Fl u x [ w e b ] 0 1 2 3 4 5 6 -1 0 1 Ti m e ( s ) q- a x i s Evaluation Warning : The document was created with Spire.PDF for Python.
I J ECE   I S SN:  208 8-8 7 0 8     A N e ur al N e tw ork B a se S p e e d C ontr o l of  a  D ual  Sta r  I n d u ction  M o tor   ( M eliani B o uzia ne)   96 0     Figu re 6.     Sim u lated results o f  ne u r al net w o r k c ont roller  f o r  DS IM   with   va riation  of  the  r o to r re sistance   at t=2s         Figu re  7.  Sim u lated res u lts o f   neu r al  netw or k  co nt roller for  DSIM  with variation of t h rotor i n ertia  (+10 %J )         Figu re  4.   Sim u link  dia g ram  fo DSIM  co nt rol sy stem     6.   CO NCL USI O N   In this  paper   a contr o l strat e gy  whic h inc o r p orates the  neu r al netw o r k f o r c ont rol  of  no n linear  sy stem   is described an d use d  to dem onstrate the effec tive n e ss of the ne ura l  networ k f o r c ont rol o f  no n linea r   sy stem  is describe d an d use d  to dem onstrate the effec tive n ess o f  the  neu r al netw or k f o r  contr o l the s p eed  o f   dual star i n duc tion m o tor ba s e d o n  the  in dir ect FOC .  T h m achine is fe d by a m a tr ix c o nverter. Sim u lation  results sh o w  that the designe d  neural  co ntr o l l er realizes a goo d dy nam i c behavi or o f  the m o tor, with a rapid   settling ti m e , no overshoot, al m o st  instan taneous rej ection  of load dist urba nce, a perfect  speed tracki ng  and it  deals  well with param e ter variations  of  the m o to r.  It seem s to  be a  hig h -   pe rf orm a nce r o b u st c ontr o ller.   0 1 2 3 4 -5 0 5 10 15 20 Ti m e ( s ) i s q1(A ) 0 1 2 3 4 0 1 2 Ti m e ( s ) d- ax i s Flu x ( w e b ) 0 1 2 3 4 -1 0 1 Ti m e ( s ) q- ax i s 0 1 2 3 4 -5 0 0 50 100 150 200 250 300 Ti m e ( s ) W m ( r ad/ s ) -1 0 %  J + 10%  J 0 1 2 3 4 -1 0 0 10 20 30 40 50 60 Ti m e ( s ) T o r que[ N . m] -1 0 % J +1 0 % J Evaluation Warning : The document was created with Spire.PDF for Python.
                        I S SN:  2 088 -87 08  IJECE Vol. 4, No. 6, D ecem ber 2014   952 – 961  9 61  REFERE NC ES   [1]   D. Hadiouche, “Contribution to  the stud y  of dual stator  inductio n m achines: m odelling ,  suppl y i ng and structure”,  Ph.D. dissertatio n (in french), G R EEN, Faculty   of Sciences  and  Techniqu es , Univers i t y  Henri  P o incaré-Nan c I ,   France, Dec. 20 01.    [2]   Bojoi R.,  Tenco n i A., Griva G., Profumo  F, “Vector Cont ro l of  Dual-Three-Phase induction-Mo tor Drives Using   Two Current Sensors”,  IEEE Tr ans. on Industry Applications , v o l. 42 , no . 5 ,  pp . 1284-1292 , September/Octob e r   2006.  [3]   B. K. Bose, N e ural Network, “Applications  in Po wer Electronics and Motor Drives—An Introduction and  P e rs pectiv e” IEEE Transactions  on I ndustrial Electronics , vo l. 5 4 , no . 1 ,  pp . 14- 33, Februar y  20 07.  [4]   S. Sunter, H. Altun and J.C. Clar e,  “A Control Techniqu e for Compensating th Effects of Input Voltage var i atio ns  on Matrix Converter Modulatio n Algorithms”,  Electric Pow e r Components and Systems , Tay l or and Francis, Vol.  30, 2002 , pp . 80 7 – 822 [5]   M. Venturin i,  an d A. Alesin a, “ A na ly sis  and d e sign of optimum-amplitude ni ne  switch dir ect AC-AC converter s”,  IEEE Trans. on  Power Electronics , vol. 4 ,  pp . 10 1 - 112 , Jan .  198 9.  [6]   Nara yanas w am y. P . R. I y er , “ C a rrier Bas e d M o d u lation  Techn i q u e for  Three P h as e M a trix Co nverters  – S t at e of  the Art Progress”,  I E EE Region   8 SIBIRCON-20 1 0 , Irkutsk  Listv y ank a , Russia, July  11 —  15, 20 10  [7]     Tien-Chi Chen , Tsong-Terng Sheu, “Model Reference Ne ural  Network Controller for Indu ctio n Motor Speed   Control”,  I EEE  Trans, Energy C onversion , vo l. 1 7 , No. 2, June 20 02  [8]   Chich-Yi Huang, Tien-Ch i  Chen  , Ching-Lien Huang,  “Robust control of induction motor with a  neural-networ k   load torque  esti m a tor and a neur al-ne t work ident i fic a tion IEEE  Transaction on Industrial Electr onics , Volum e 46  Issue: 5, Oct 199 9, Pages   990 –  9 98  [9]   A. Ba-Razzouk, A. Cheriti, G.  Olivier ,  and P.  Sicard, “Field o r iented cont ro of Induction M o tors using Neural  Network decoup lers”,  IEEE Transactions  on Pow e Electronics , v o l. 12 , no . 4 ,  pp 752-763, July   19 97.      Evaluation Warning : The document was created with Spire.PDF for Python.