Esta es un versión antigua publicada el 2022-11-08. Consulte la versión más reciente.

LSSVM APLICADA EN LA ESTIMACIÓN DE LA RESISTENCIA DE ROTOR EN MOTOR DE INDUCCIÓN JAULA DE ARDILLA

Autores/as

Pablo Santafé Gutiérrez
Jorge Luis Díaz R
Oscar Gualdrón G.

DOI:

https://doi.org/10.24054/rcta.v1i21.1895

Palabras clave:

Motor de inducción, control vectorial, resistencia de rotor, LSSVM

Resumen

En este artículo se estima la resistencia de rotor presente en la dinámica de un motor de inducción Jaula de Ardilla aplicando LSSVM en regresión. El problema es que la resistencia de rotor es difícil de medir por lo que se requiere estimarla. Además, de ser
afectada por el incremento en la temperatura, conllevando a que la constante de tiempo del rotor cambie y afecte los parámetros del motor. Se plantea un modelo del motor, en Simulink de Matlab, del cual se extrae la data, se preprocesa y se aplica el algoritmo LSSVM en regresión con Kernel no lineal RBF y la optimización de gamma se hace por validación cruzada. La medición del desempeño del modelo se utilizó la raíz cuadrada del error medio de predicción. Obteniendo buenos resultados.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Aller, J. M. (2006). Máquinas Eléctricas Rotativas:

Introducción a la Teoría General, Eeditorial

Eequinoccio, Universidad Simón Bolívar,

Caracas, Venezuela.

Álvarez, M.; Henao, R. y Duque, E. (2007).

Clasificación de Eventos Sísmicos Empleando

Procesos Gaussianos. Scientia Et Technica,

vol. XIII, núm. 35, agosto, 2007, pp. 145-150.

Basak, D.; Pal, S. and Chandra Patranabis, D.

(2007). “Support Vector Regression”, Neural

Information Processing – Letters and Reviews,

Vol. 11, No. 10, India.

Blaschke, F. (1972). “The principle of field

orientation as applied to the new transvector

closed loop control for rotating machines”,

Siemens Review, Vol 30, no. 5, pp. 217-220.

Díaz, J. L. (2000). Control por Campo Orientado

del Motor de Inducción con adaptación de los

parámetros por modelo de referencia, Tesis de

Maestría, UCLV, Santa Clara, Cuba.

Durán Acevedo, C. M. (2005). Diseño y

optimización de los subsistemas de un sistema

de olfato electrónico para aplicaciones

agroalimentarias e industriales, Universidad

Rovira i Virgili, Cataluña, España, pp. 59-60.

Huerta, P. F. y González, J. (2005). Estimación de

la Resistencia del Rotor en el Control Vectorial

Indirecto del Motor de Inducción utilizando

una Red Neuronal Artificial, México, D. F.

Jaramillo Garzón, J. A. (2007). Metodología de

optimización de los parámetros de control de

un algoritmo genético, Manizales Colombia.

Maldonado Alarcón, S. (2007). Utilización de

Support Vector Machines no Lineal y Selección

de Atributos para Credit Scoring, Chile.

Resendiz Trejo, J. A. (2006). Las máquinas de

vectores de soporte para identificación en

línea, México, D.F., Sep.

Rojas, I.; Pomares, H.; Gonzáles, J.; Bernier, J.;

Ros, E.; Pelayo, F. y Prieto, A. (2000).

“Analysis of the functional block involved in

the design of radial basis function networks”.

Neural Processing Letters, 12:1–17.

Rubio Flores, G. (2010). Modelos Avanzados de

Inteligencia Computacional para Aproximación

Funcional y Predicción de Series Temporales

en Arquitecturas Paralelas, España.

Rubio, G.; Guillen, A.; Herrera, L. J.; Pomares, H.

y Rojas, I. (2008). “Use of speci?c to problem

kernel functions for time series modeling”. In

ESTSP’08: Proceedings of the European

Symposium on Time Series Prediction, pp.

–186.

Rubio, G.; Pomares, H.; Rojas, I.; Herrera, L. J., y

Guillén, A. (2009). “Ef?cient optimization of

the parameters of LSSVM for regression versus

cross-validation error”. ICANN, pp. 406–415.

Seijas Fossi, C. y Caralli D’Ambrosio, A. (2004).

“Uso de las Máquinas de Vectores de Soporte

para la Estimación del Potencial de Acción

Celular”, Ingeniería UC, abril, vol. 11, número

, Universidad de Carabobo, Valencia,

Venezuela, pp. 56-61, 2004

Sixto Berrocal, J. (2004). Control Vectorial del

Motor de Inducción en Bajas Velocidades,

Instituto Politécnico Nacional, México, D.F.

Valdés, G. D. (2007). Prónostico Del Precio Del

Oro Mediante Least Square Support Vector

Machine (LSSVM), Univ. de las Américas.

Vapnik, V. (1995). The Nature of Statistical

Learning Theory, Springer-Verlag, New York.

Vapnik, V. and Lerner, A. (1963). “Pattern

recognition using generalized portrait method”,

Automation and Remote Control, 24.

Vas, P. (1990). Vector control of AC machines:

Clarendon Press Oxford.

Villasana, S.; Caralli, A.; Seijas, C.; Villanueva,

C.; Saenz L. y Arteaga, F. (2006). “Un

novedoso método para estimar la resistencia

rotórica del motor de inducción usando

máquinas de vectores de soporte”, Rev.

Ingeniería UC. Vol. 13, No. 1, Venezuela.

Wang, H. and Hu, D. (2005). Comparison of SVM

and LSSVM for regression, Shanghai, Jiao

Tong University, IEEE Press.

Xu, R. R., Bian, G. X and Chen T. L. (2005).

“Discussion about nonlinear time series

prediction using least squares support vector

machine". Communications in Theoretical

Physics, 43:1056–1060.

Descargas

Publicado

2022-11-08

Versiones

Cómo citar

Santafé Gutiérrez, P., Díaz R, J. L., & Gualdrón G., O. (2022). LSSVM APLICADA EN LA ESTIMACIÓN DE LA RESISTENCIA DE ROTOR EN MOTOR DE INDUCCIÓN JAULA DE ARDILLA. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 1(21). https://doi.org/10.24054/rcta.v1i21.1895