LSSVM aplicada en la estimación de la resistencia de rotor en motor de inducción jaula de ardilla

Autores/as

  • Pablo Alexander Santafe Gutierrez Universidad de Pamplona
  • Jorge Luis Díaz Rodriguez Universidad de Pamplona
  • Oscar Eduardo Gualdrón Guerrero Universidad de Pamplona

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, Editorial Equinoccio, 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 specific to problem kernel functions for time series modeling. In ESTSP’08: Proceedings of the European Symposium on Time Series Prediction, pp. 177–186.

Rubio, G.; Pomares, H.; Rojas, I.; Herrera, L. J., y Guillén, A. (2009). Efficient 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 001, 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 — Actualizado el 2013-01-02

Versiones

Cómo citar

Santafe Gutierrez, P. A., Díaz Rodriguez, J. L., & Gualdrón Guerrero, O. E. (2013). 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), 88–95. https://doi.org/10.24054/rcta.v1i21.1895 (Original work published 8 de noviembre de 2022)

Número

Sección

Artículos

Artículos más leídos del mismo autor/a

1 2 > >>