ABSTRAK
Dalam penelitian ini dikembangkan pengaturan kecepatan motor induksi 3 phase tanpa sensor yang dioperasikan
dengan metoda Field Oriented Vector (FOC). Kecepatan motor diestimasi oleh suatu observer dengan suatu
metoda Self Constructing Fuzzy Neural Network (SCFNN) dimana pelatihannya menggunakan metode algoritma
pelatihan Levenberg Marquardt (LM), yang menggantikan metode Backpropagasi karena metode ini kurang
cepat mencapai konvergen. Metode SCFNN mempunyai kemampuan untuk menggabungkan Fuzzy dan Neural
Networks. Hasil simulasi menunjukkan sistem dapat mengestimasi fluksi dan kecepatan dengan kekonvergenan
yang lebih cepat dari metode backpropagasi. Hasil estimasi dapat digunakan untuk mengidentifikasi kecepatan
rotor motor induksi
Kata kunci: pengaturan kecepatan, motor induksi tanpa sensor, FOC, SCFNN observer, Levenberg Marquardt
ABSTRACT
This paper describes about development of 3 phase speed sensorless induction motor speed controller using
Field Oriented Vector(FOC) method. Motor speed is estimated by an observer using Self Constructing fuzzy
Neural Network (SCFNN) with Levenberg Marquardt(LM) learning algorithm method, that replaces
backpropagation method because this method is slow to reach convergent. SCFNN method combines the fuzzy
and neural network. The simulation results show that the system can estimate flux and speed of induction motor
and it converges faster than backpropagation method. .The estimation result can be used to identify rotor speed
of induction motor with good performance
Keywords: speed control, induction motor, sensorless, FOC, SCFNN observer, Levenberg Marquardt
79
Jurnal Teknik Elektro Vol. 8, No. 2, September 2008: 79 - 87
80
Pengaturan Motor Induksi Menggunakan Observer Self ConstructingFuzzy Neural Network
[Suhariningsih, at al]
Model Motor Induksi Pada lapisan kedua terjadi proses fuzzifikasi dan
pembentukan membership fungsi. Fungsi yang
Rangkaian ekivalen motor induksi dalam dipergunakan adalah fungsi Gaussian.
koordinat d-q dapat dilihat pada gambar 4. i
- m ji
(x ) 2
(3)
rs ωλds + Lls - L’lr - + r'r u j
= exp 2
Ai
+ + σ
iqs (ω −ωr )λ'dr i'qr ji
Vqs
M V’qr dengan mji dan σji adalah rata-rata (mean) dan
- -
standar deviasi.
rs ωλqs + Lls - L’lr + - r'r
Lapisan ketiga merupakan penentuan kondisi
+ + awal dari aturan fuzzy. Langkah ini adalah untuk
ids (ω −ωr )λ'qr i'dr
memperoleh hasil perkalian antara semua
Vds
M V’dr komponen input dari error dan delta error
- -
dengan persamaan untuk rule node ke-j:
y* = ∑w j u j
( s )M r Rr r (s r
)L dr
r
i
0 (ω −ω )M pM (ω −ω )L R + pL qr
j=1
s
s r r r r r
d
dengan: p=
dt y*
ω1 ω2
r
r r r
r µ Ai ( x1 ) µ Ai ( x1 ) µ ( x1 )
0 − ωM 1 2 M
pM − ωL R + pL i
qr A
1
.........
r r r r r .........
81
Jurnal Teknik Elektro Vol. 8, No. 2, September 2008: 79 - 87
Jika Dmax
Pelatihan struktur diperlukan. Selanjutnya
menentukan node baru (membership function)
mencari space input fuzzy logic partition dan pada lapisan kedua dan menghubungkan fuzzy
fuzzy logic subject yang bertujuan meminimalkan logic rule pada lapisan ketiga. Jika adanya satu
jumlah rule dan meminimalkan fuzzy set dalam cluster diberikan pada input akan menyebabkan
semesta pembicaraan dari setiap adanya sebuah rule fuzzy logic pada lapisan
ketiga, maka persamaan kekuatan penyulutan
variabel input. Pelatihan parameter
(firing strength) dari sebuah rule untuk setiap data
menggunakan algoritma supervised learning,
sedangkan untuk menentukan bobot dan masukan xi dapat ditunjukkan sebagai sudut
parameter dari membership function diatur dimana data masukan memiliki hubungan
terhadap cluster data. Firing strength diperoleh
dengan algoritma pelatihan backpropagasi.
dari persamaan 4 yang digunakan sebagai
Fasa Pelatihan Struktur pengukuran sudut :
Dj =uj j = 1,..., Q(t) (6)
Langkah pertama pada pelatihan struktur adalah
menentukan perlu tidaknya melakukan pelatihan Dengan Q(t) adalah jumlah rule yang ada pada
struktur. Jika emin ≤ |e| atau ∆emin ≤ |∆e|, dimana waktu t. Kriteria pembentukan fuzzy rule baru
emin dan ∆emin adalah konstanta positif, maka
untuk data masukan baru dinyatakan sbb.
Dengan menentukan pengukuran sudut
maksimum Dmax Untuk menghindari membership function yang baru
sama dengan yang telah ada, kesamaan antara
D = max D j (7) membership function yang lama dan baru harus
max 1≤ j≤Q( t ) diperiksa, yaitu dengan assumsi bahwa jika
terdapat dua fuzzy set A dan B dengan membership
≤ D , maka dibentuk membership function adalah uA(x) = exp [-(x – m1)2/σ12] dan
function dengan D ∈ (0,1). Kemudian mean dan 2 2
uB(x) = exp [-(x – m2) /σ2 ], dan asumsikan m1 ≥
standar deviasi dari membership function yang
m2, maka |A ∩ B| dapat dihitung:
baru, dinyatakan lebih dulu dengan nilai tertentu
A∩B =1 +
secara heuristik atau cara lain. Jadi mean dan [
h2 (x) m2 − m1 + π (σ1 + σ 2 ) ]
standar deviasi dari membership function baru 2 π (σ1 + σ 2 ) (10)
sebagai berikut:
m (8) [
1 h2 ( x ) m2 − m1 + π (σ1 + σ 2 ) ]
+
(new) =x 2 π (σ 1 + σ 2 )
i i
σi (new) = σ i (9) [
1 h2 ( x ) m2 − m1 + π (σ1 + σ 2 ) ]
2 π (σ 1 + σ 2 )
dengan xi adalah data masukan yang baru dan σi dimana h(x) = max{0,x}.
adalah standard deviasi.
E( A, B) = A ∩ = A∩B (11)
B
A∪B σ1 π + σ 2 π A ∪ B ∗
82
Pengaturan Motor Induksi Menggunakan Observer Self ConstructingFuzzy Neural Network
[Suhariningsih, at al]
didefinisikan sebagai: 2( x i2 − m ji )
= ησ δ ji
1 2
1 2
(14)
(σ ji )2
E= 2 (ωm −ωr ) = e dengan ηm dan ησ adalah parameter learning rate
2 m dari mean dan standar devisasi fungsi Gaussian.
Kemudian algoritma pelatihan parameter ber- Mean dan standar deviasi dari membership function
dasarkan backpropagasi dijelaskan sebagai
pada lapisan ini di-update dengan:
berikut [6]:
m ji (N +1) = m ji (N ) + ∆m ji (22)
Lapisan keempat; bentuk error dipropagasi dan
σ ji (N + 1) = σ ji (N ) + ∆σ ji ) (23)
dihitung sebagai berikut:
E E e E e
δ 4 = − ∂ = − ∂ ∂ m = − ∂ ∂ m ∂ωr (15) Setelah didapatkan persamaan-persamaan ini
∂y∗∂em ∂y∗∂em ∂ωr ∂y∗ maka disimulasikan rangkaian kontrol dengan
Self Constructing Fuzzy Neural Networks dengan
plant motor induksi.
dan bobot di-update sebesar:
∗
∂E ∂y (16) Pada penelitian ini metode pelatihan
∂E 4
u Backpropagasi diganti dengan metode pelatihan
∆ω j = −ηω = − ηω = −ηω δ j
∂ω
∗
Wk +1 = Wk + α.g (25)
(σ ji )
1 2 n
m ji 2
83
Jurnal Teknik Elektro Vol. 8, No. 2, September 2008: 79 - 87
A = 2J T J (28)
Wk +1 = Wk − (J kT J k + µI )−1 J kT e (29)
84
Pengaturan Motor Induksi Menggunakan Observer Self ConstructingFuzzy Neural Network
[Suhariningsih, at al]
Pembelajaran Off-line Fluksi Direcf λdr backpropagasi untuk mendapatkan hasil SCFNN
yang mengikuti kecepatan yang sesungguhnya.
Pembelajaran off-line self constructing fuzzy
neural network observer untuk identifikasi fluksi 1
I
direct λdr , ditunjukkan pada gambar 8. ds 2
N 1
π
1
V
ds 2
λ
π 2 dr
∑
1
2
Vqs
π
1 N
ωr 2
Gambar 8 menggambarkan tentang struktur dari Jumlah blok SCFNNO ada 3 yaitu blok untuk
estimator fluksi direct λdr menggunakan SCFNNO λdr , λqr dan ωr , blok SCFNNO
SCFNN dan input terdiri atas I ds , Vds , Vqs dan untuk λdr dan λqr yang dihitung dulu, kemudian
ω r , masuk ke blok SCFNNO. hasilnya dimasukkan ke blok SCFNNO ωr .
Blok model motor menentukan nilai kecepatan Pada saat pelatihan, jumlah rule yang tercipta
(kecepatan referensi ωr* ) sehingga didapatkan untuk masing-masing input bisa berbeda dari
fluksi direct referensi λ*dr . Bagian SCFNNO rule yang tercipta untuk satu blok SCFNNO,
ˆ karena karakteristik I ds , I qs , Vds , Vqs dan ωr
menghasilkan fluksi direct pelatihan λ dr . Selisih
tidak sama.
nilai referensi dan pembejaran didapatkan error
atau fluksi direct estimasi. SIMULASI
Output dari SCFNNO didefinisikan sebagai Data motor induksi tiga fasa yang digunakan
ˆ
fluksi direct pelatihan λ dr , yang kemudian untuk simulasi adalah:
digunakan sebagai input yang dapat diubah-ubah.
Jika fluksi direct yang diestimasi merupakan Rs (resistansi stator) = 176 ohm, Tegangan 115
deviasi dari fluksi direct sesungguhnya dan error Volt
hubungan antara flux dari model fluksi Rr (resistansi rotor) = 190 ohm, Jumlah pasang
ˆ kutub = 2
direct pelatihan λ dr dan fluksi direct referensi Ls (induktansi stator) = 3,79 H, Frekuensi 60 Hz
λ*dr, maka error merupakan backpropagasi dari Lr (induktansi rotor) = 3,31 H M (induktansi
SCFNN dan pembebanan dari SCFNN adalah gandeng) = 3,21 H
adjusted on line untuk mengurangi error. J (momen inersia) = 0,0000105 Kg.m2 Kd
Akhirnya, output dari SCFNN merupakan model (konstanta gesek) = 1,9.10-5 Kg.m2/s
fluksi direct yang sesungguhnya.
Gambar 10 dan gambar 11 merupakan hasil
Internal Struktur Dari SCFNNO simulasi yang diperoleh untuk estimasi fluksi dan
kecepatan rotor dengan menggunakan bahasa
Gambar 9 menggambarkan tentang struktur dari ++
pemrograman C . Performansi yang ditunjukkan
SCFNNO dan dilatih dengan algoritma menampilkan pengambilan data pada kecepatan
85
Jurnal Teknik Elektro Vol. 8, No. 2, September 2008: 79 - 87
86
Pengaturan Motor Induksi Menggunakan Observer Self ConstructingFuzzy Neural Network
[Suhariningsih, at al]
87