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.
⎛ (x i - m ji )2 ⎞
rs ωλds uAj = exp ⎜ ⎟ (3)
+ Lls - L’lr - + r'r ⎜ σ 2ji ⎟
⎝ ⎠
i
+ +
iqs (ω − ωr )λ'dr
i'qr
Vqs M V’qr dengan mji dan σji adalah rata-rata (mean) dan
standar deviasi.
- -
rs
ωλqs Lapisan ketiga merupakan penentuan kondisi
+ Lls - L’lr + - r'r
+ + 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:
- -
µ1 µ2 µM
⎡vds ⎤ ⎡ Rs + pLs 0 0 ⎤ ⎡ids ⎤
. .. . . . . . . . . . . . . . . . . . . ..
pM
µ A2 ( x 2 )
⎢v ⎥ ⎢ 0 ⎢ ⎥
Rs + pLs 0 pM ⎥⎥ ⎢iqs ⎥
2
⎢ qs ⎥ = ⎢ . (2) µ A1 ( x 2 )
µ AM ( x 2 )
⎢ 0 ⎥ ⎢ pM ωr M Rr + pLr ω r ) Lr ⎥ ⎢idr ⎥
2
2
⎢ ⎥ ⎢ ⎥⎢ ⎥ µ A1 ( x 1 )
µ A 2 ( x1 ) µ A M ( x1 )
⎣ 0 ⎦ ⎣ − ωr M − ωr Lr Rr + pLr ⎦ ⎢⎣iqr ⎥⎦
i
pM i
1
.........
.........
81
Jurnal Teknik Elektro Vol. 8, No. 2, September 2008: 79 - 87
mencari space input fuzzy logic partition dan Untuk menghindari membership function yang
fuzzy logic subject yang bertujuan baru sama dengan yang telah ada, kesamaan
meminimalkan jumlah rule dan meminimalkan antara membership function yang lama dan baru
fuzzy set dalam semesta pembicaraan dari setiap harus diperiksa, yaitu dengan assumsi bahwa
variabel input. Pelatihan parameter jika terdapat dua fuzzy set A dan B dengan
menggunakan algoritma supervised learning, membership function adalah uA(x) = exp [-(x –
sedangkan untuk menentukan bobot dan m1)2/σ12] dan uB(x) = exp [-(x – m2)2/σ22], dan
parameter dari membership function diatur asumsikan m1 ≥ m2, maka |A ∩ B| dapat dihitung:
dengan algoritma pelatihan backpropagasi.
A∩ B =
[
1 h 2 (x ) m2 − m1 + π (σ 1 + σ 2 )
+
]
Fasa Pelatihan Struktur 2 π (σ 1 + σ 2 )
82
Pengaturan Motor Induksi Menggunakan Observer Self ConstructingFuzzy Neural Network
[Suhariningsih, at al]
1 1
E = (ω m − ω r ) = em2 (14)
2
2 2
dengan ηm dan ησ adalah parameter learning rate
dari mean dan standar devisasi fungsi Gaussian.
Kemudian algoritma pelatihan parameter ber-
Mean dan standar deviasi dari membership
dasarkan backpropagasi dijelaskan sebagai
function pada lapisan ini di-update dengan:
berikut [6]:
m ji ( N + 1) = m ji ( N ) + ∆m ji (22)
Lapisan keempat; bentuk error dipropagasi dan
dihitung sebagai berikut: σ ji ( N + 1) = σ ji ( N ) + ∆σ ji ) (23)
∂u j ⎣ ∂y ∗ ⎦ ⎣⎢ ∂u j ⎦⎥ Wk +1 = Wk − Ak−1 .g (26)
Lapisan kedua; error dihitung sebagai berikut: Ak adalah matrik Hessian (elemennya adalah
turunan kedua error terhadap bobot) sebagai
∂E ⎡ ∂E ∂y ∗ ⎤ ⎡ ∂u j ⎤
(19)
δ 2ji = − = ⎢− ⎥⎢ ⎥ = δ 3j berikut:
∂u A j ⎢⎣ ∂y ∗ ∂u j ⎥⎦ ⎢ ∂u A j ⎥⎦
i ⎣ i
⎡ ∂2E ∂2E ∂2E ⎤
⎢ .... .... ⎥
Hukum update dari mji adalah: ∂W1∂W1 ∂Wn ∂W1 ⎥
⎢ ∂W
2
1
⎢ ∂ E ∂2E ∂2E ⎥
2
A= ⎢ .... .... (27)
∂E ⎡ ∂E ∂u Aij ⎤ ∂W ∂W
⎢ 1 2
∂W∂W22 ∂Wn ∂W2 ⎥
⎥
∆m ji = −ηm = ⎢− ηm ⎥ ⎢ .... .... .... .... .... ⎥
∂m ji ⎢ ∂u A j ∂m ji ⎥
⎣ i ⎦ ⎢ .... .... .... .... .... ⎥
(20) ⎢ ∂2E ∂2E ∂2E ⎥
= ηmδ 2
(
2 x − m ji
2
i ) ⎢
⎢⎣ ∂W1∂Wn ∂W2 ∂Wn
.... .... ⎥
∂W∂W 22n ⎥⎦
ji
(σ )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
N
1
π
Vds 2
2 λdr
π ∑
1
Vqs 2
π
1 N
ωr 2
Gambar 8 menggambarkan tentang struktur dari Jumlah blok SCFNNO ada 3 yaitu blok untuk
estimator fluksi direct λ dr menggunakan SCFNNO λ dr , λ qr dan ω r , blok SCFNNO
SCFNN dan input terdiri atas I ds , Vds , Vqs dan untuk λ dr dan λ qr yang dihitung dulu, kemudian
ω r , masuk ke blok SCFNNO. hasilnya dimasukkan ke blok SCFNNO ω r .
Blok model motor menentukan nilai kecepatan Pada saat pelatihan, jumlah rule yang tercipta
(kecepatan referensi ω r* ) sehingga didapatkan untuk masing-masing input bisa berbeda dari
rule yang tercipta untuk satu blok SCFNNO,
fluksi direct referensi λ*dr . Bagian SCFNNO
karena karakteristik I ds , I qs , Vds , Vqs dan ω r
menghasilkan fluksi direct pelatihan λ̂ 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
fluksi direct pelatihan λ̂ 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 Volt
error hubungan antara flux dari model fluksi Rr (resistansi rotor) = 190 ohm, Jumlah pasang
kutub = 2
direct pelatihan λ̂ 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
SCFNN dan pembebanan dari SCFNN adalah M (induktansi gandeng) = 3,21 H
adjusted on line untuk mengurangi error. J (momen inersia) = 0,0000105 Kg.m2
Akhirnya, output dari SCFNN merupakan model Kd (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