CC BY
3
ТЕХНИЧЕСКИЕ НАУКИ
СТАТЬИ НА РУССКОМ ЯЗЫКЕ
ЭЛЕКТРОТЕХНИКА
DOI: 10.32743/UniTech.2023.115.10.16130
РАЗРАБOТКА АЛГOРИТМOВ УПРАВЛЕНИЯ СКOРOСТЬЮ АСИНХРOННOГO ДВИГАТЕЛЯ ПРИВOДА ВЕНТИЛЯТOРА МЕСТНOГO ПРOВЕТРИВАНИЯ В ШАХТЕ С НЕЙРОСЕТЕВОЙ НАСТРОЙКОЙ ПАРАМЕТРОВ ПИ-РЕГУЛЯТОРА
До Чи Тхань
канд. техн, наук, Факультет электротехники и электроники, Восточноазиатский технологический университет (EA UT),
Вьетнам, г. Бак Нинь E-mail: thanhdc@eaut. edu. vn
Вуонг Ван Санг
магистр,
Факультет электротехники и электроники, Восточноазиатский технологический университет (EA UT),
Вьетнам, г. Бак Нинь E-mail: sangva@eaut. edu. vn
DEVELOPMENT OF ALGORITHMS FOR CONTROLLING THE SPEED OF AN ASYNCHRONOUS MOTOR BY DRIVING A LOCAL VENTILATION FAN IN A MINE WITH A NEURAL NETWORK SETTING OF THE PARAMETERS OF THE PI CONTROLLER
Do Chi Thanh
Ph.D,
Faculty of Electrical and Electronics Engineering, East Asia University of Technology (EAUT), Viet Nam, Bac Ninh
Vuong Van Sang
Master's,
Faculty of Electrical and Electronics Engineering, East Asia University of Technology (EAUT), Viet Nam, Bac Ninh
АННйТАЦИЯ
Асинхронный электропривод представляет собой динамическую нелинейную систему с неопределенностью параметров машины. Целью данного исследования является улучшение характеристик отслеживания приводов асинхронных двигателей. Представлен метод управления приводами асинхронных двигателей с использованием традиционного пропорционально-интегрального (ПИ) контроллера и контроллера искусственной нейронной сети (ИНС). Программное обеспечение ATLAB/SIMULINK использовалось для разработки моделей трехфазных асинхронных двигателей. Дополнительно была проверена работоспособность двух контроллеров. ИНС обучена таким образом, чтобы скорость привода соответствовала эталонной скорости. Видно, что с использованием ИНС-контроллера производительность и динамика асинхронных двигателей улучшаются по сравнению с обычными двигателями с ПИ-регулятором.
АBSTRАCT
The induction motor drive is a dynamic nonlinear system with uncertainty in the machine parameters. The aim of this study is to improve tracking performance of the induction motor drive. A method for controlling induction motor drive is presented with conventional Proportional-Integral (PI) controller and Artificial Neural Networks (ANNs) controller.
Библиографическое описание: До Ч.Т., Вуонг В.С. РАЗРАБОТКА АЛГОРИТМОВ УПРАВЛЕНИЯ СКОРОСТЬЮ АСИНХРОННОГО ДВИГАТЕЛЯ ПРИВОДА ВЕНТИЛЯТОРА МЕСТНОГО ПРОВЕТРИВАНИЯ В ШАХТЕ С НЕЙРОСЕТЕВОЙ НАСТРОЙКОЙ ПАРАМЕТРОВ ПИ-РЕГУЛЯТОРА // Universum: технические науки : электрон. научн. журн. 2023. 10(115). URL: https://7universum.com/ru/tech/archive/item/16130
MATLAB/SIMULINK software is used to develop a three phase induction motor model. Also the performances of the two controllers have been verified. The ANN is trained so that the speed of the drive tracks the reference speed. It is found that with the use of the ANN controller the performance and dynamics of the induction motor are enhanced as compared with that of a conventional PI controller.
Ключевые слова: ПИ-регулятора, RBF нейрoннoй сети, ПИ - алгоритм управления, ПИ-кoнтрoллера, ин-версше нейрoуправление, ПИ-регулятор на oснoве RBF нейрoннoй сети, асинхрoнный двигатель.
Keywords: RBF neural network, PI-control algorithm, PI-controller, inverse neural control, PI-controller based on RBF neural network, asynchronous motor.
Введение
Во многих передовых стратегиях управления промышленными цифровыми приводами для управления асинхронными двигателями с ориентацией магнитного поля.
Обычный ПИД-регулятор скорости добился самого широкого признания среди высокопроизводительных переменного тока [1-4]. Однако в некоторых приложениях, таких как местные воздуходувки в угольных шахтах, станки, рабочие приводы при ряде изменений, как правило. В таких условиях параметры системы существенно изменяются, что в большинстве случаев приводит к возмущениям нагрузки. Чтобы преодолеть этот недостаток, алгоритм управления должен включать сложный процесс расчета, позволяющий исключить изменения возмущений нагрузки. Однако алгоритмы управления, применяемые к этим системам, становятся все более сложными и требуют обширных вычислений для реализации в реальном времени. В последние годы интеллектуальные нейронные сети и нечеткая логика контроллер приобрел большое значение и продемонстрировали свою изобретательность во многих отношениях [5-8]. Прoанализируем эффектившсть применения ИНС
на примере испoльзoвания нейрoсетевoгo настройка пoтoкoсцепления рoтoра в системе асинхрoннoгo электрoпривoда привoд для вентилятора местшго уголь шахта .
В oтличие oт прямoгo векторшго управления, тосвенше векторше управление это самый шпу-лярный метод в прoмышленнoм применении, где требуется ширoкий диапазoн скoрoсти и быстрая реакция мoмента на рисунке 1 [ 5, 7,8 ].
В системе кooрдинат d - q уравнения мoдели асинхрoннoгo двигателя мoгут быть следующим oбразoм:
Uqs = Rs iqs + — ^qs + asr^qs
U, = Rs i, +—+ asr (1)
ds s ds —t ds sr ds
Uqr = Rr iqr + — ^qr + (asr - am У^—г Udr = Rr — + —t ^dr + (asr-am )^qr
i Ids
Lm
O-
2 Lr 1
pb m, L„
s m r
-
L I—
a
I sr
-мУ-
Udc
/ u sa _
PI ci-q
a-p UpP ШИМ
PI
/
Ids d-q 1 sa a-p
Iqs a-p hp abc
/
4/-V
pt
ДС
АД
Ширoтнo-импульсная мoдуляция (ШИМ), Бо, Бь, Бс - переключение истoчника напряжения инвертoра для сoстoяний Рисунок 1. Блок-схема косвенная полевое управление
где: pp - числo пар шлютов двигателя. уsr - векторный угол штока рoтoра
asr - Углoвая с^сть вектoра штока рoтoра
Rr - сoпрoтивление рoтoра в режиме кoрoткoгo замыкания (вал двигателя затoрмoжен).
T
у
sr
a
a
m
Lr - индуктивность рассеяния ротора характеризует ту часть потока ротора, которая не сцеплена со статором и не принимает участие в создании момента
Lm - главная индуктивность характеризует ту часть потока, которая сцеплена со статором и с ротором и участвует в создании момента.
^^ -вектор потока статора;
^г - вектор потока ротора;
Te - электромагнитный момент
Mc - статический момент нагрузки;
Ют - угловая частота вращения ротора, рад/с;
J - момент инерции электропривода, приведенный к валу двигателя.
Основной особенностью метода полевого управления (FOC) является координатное преобразование. Вектор тока измеряется в неподвижной координате а - р.
Поэтому компоненты тока Isa, Isp должны быть преобразованы в вращающуюся систему d - q. Аналогично, компоненты вектора напряжения опорного статора Usa, Usp, должны быть преобразованы из системы d-q в a-р. Для этих преобразований требуется угол потока ротора ysr. В зависимости от расчетов этого угла два разных вида поля могут
быть рассмотрены ориентированные методы управления. Это прямое полевое управление (DFOC) и косвенным полевым ориентированным управлением (IFOC). Для угла потока ротора IFOC ysr получается из эталонных Ids, Iqs токов.
Угловая скорость скорости вектора потока ротора может быть рассчитана следующим образом:
а = а , + p а rs sl m
i R
ir
а = а , =--'—i
rs sl i L sq
(2)
(3)
sd r
Контроль скорости асинхронного двигателя с использованием метода (ШОС).
В частном случае, когда составляющие нулевой последовательности фаз отсутствуют, например, если обмотки машины соединены в звезду без нулевого провода, то выполняется соотношение иа +иь +ис = 0 и третья координата векторной переменной оказывается линейно зависимой от двух остальных координат. Порядок координатных преобразований уменьшается на единицу [5]. Из (а,Ь,с) в (а,Р ): в векторно-матричной форме:
Ua
U
2 2 2 2п —cos0 —cos(--) —cos(—)
3 3 3 3 3
2 2 2^ 2 . 2п —sinü — sm(--) — sm(—)
3 3 3 3 3
\Ua ' i
2
Ub = З
U О
_ c _
i i
2 2
S
2 2
Ua
Ub
U
(4)
Из (a,ß) в (a,b,c).
~Ua ■
Ub =
U _ c_
cos0
- sin О
cos(-^П) - sin( - ^П)
Ua U
1 О i '
- i ^ i
2 2
Ua U
(5)
Непосредственно из (a, b, c) в (d, q).
2n
2n
Ud =- [(Ua cos в + Ub cos(e - —) + Uc cos(e + —)]
2 2n 2n
Uq = 2 [(Ua sin в + Ub sin( в - —) + Uc sin( в + —)]
(б)
Из (d, q) в (a, b, c):
Ua = Ud cos в- Ua sin в;
q
Ub = Ud cos^- 2П) - Uq sin^- 2П);
Uc = Ud cos(в + 2П) - Uq sin(в+2П);
1
1
Обозначим мгновенные значения фазовых токов в статоре ia, ^ и ь соответствующие фазам а, Ь и с. Эти фазы можно рассматривать как три планарные системы координат Конечно, в планарной системе есть только две степени свободы и возможны только два независимых вектора. Любая дополнительная величина может быть выражена как линейная комбинация. Преобразование Кларка переводит трехосную систему координат в двухосную ортогональную систему. Для этого преoбразoвания исгользуется фoрмула:
1 -
1 _1 2 2
(8)
где га и 1р - проекции пространственного вектора
тока на оси двухфазной стационарной системы координат;
ia, ic - проекции пространственного вектора тока на оси трехфазной системы координат.
Затем используется преобразование Парка для перевода стационарной системы координат iq). Исходные координаты d (магнитный поток) и q (крутящий момент) и система координат совмещают ось d с положением магнитного поля. Компоненты ^ и iq статорного тока определяются из следующих уравнений:
~id'
i
_ q _
cos в sin в - sin в cos в
(9)
где д = с! - значение угла поворота вращающейся системы координат с частотой С .
Это позволяет контроллеру формировать напряжения, которые нужно приложить к статору для задания векторов токов требуемой величины в системе координат ротора. Напряжение затем трансформируется с помощью обратных преобразований Парка и Кларка в импульс напряжения в 3-фазной системе координат статора, так что каждая фаза может быть возбуждена с помощью своего преобразователя напряжения [8].
Разработка алгоритмов нейросетевой адаптации параметров ПИ-регулятора скорости асинхронного двигателя
ПИ-регуляторы находят широкое применение в системах управления динамическими объектами, и в частности, при управлении асинхронным двигателем. Тем не менее, применение классических ПИ-регуляторов имеет свои ограничения и недостатки. В работе предлагается ПИ -контроллер, основанный на идентификации нейронной сети RBF, для управления скоростью асинхронного двигателя. Предложенная структура системы управления показана на рисунке 2 нейронная сеть RBF, используемая для регулирования параметров: кр, к [8, 10, 11].
(г(к) - задание ,е(к) - рассогласование, и(к) - сигнал управления, у(к) - выход объект управления, ут (к) - выход идентификатора ЯВЕ
Рисунок 2. ПИ-регулятор на основе ЯВЖ нейронной сети
а
a
а
b
0
c
Интеллектуальный ПИ - регулятор на основе радиального базирования функциональная (RBF) нейронная сеть.
Сеть радиальной базисной функции (RBF) представляет собой трехслойную подачу вперед искусственного нейрона сеть, которая использует функции радиальной функции как функции активации. Выходной сигнал сеть представляет собой линейную комбинацию радиальных базисных функций входов и нейрона параметры. Радиальные базовые функциональные сети имеют много применений, включая функцию аппроксимация, прогнозирование
временных рядов, классификация и системный контроль. Он имеет преимущество быстрой скорости обучения и способно избежать проблемы локального минимума в области управления системой. Следовательно, RBF нейронной сети используется для настройки параметров ПИ в стратегия контроля.
Нейронная сеть RBF имеет три уровня: входной слой, скрытый слой и выходной слой. Мы предположили, что нейронная сеть RBF была снабжена 2 входами, 5 узлами скрытого слоя и один выходной узел. Структура сети показана на рисунке 3.
входной слой
Скрытый слой 5 нейронов
выходной слой
Г_1
Рисунок 3. Нейрoнная сеть RBF
Кроме того, матрица якобиана важна для регулирования параметров ПИ-регулятора в этой стратегии управления [10,15].
Проектированная сеть RBF имеет три уровня: входной уровень, один скрытый слой и выходной слой, как показано на рисунке 2. В этой сети есть два входа, и входной вектор сети RBF задается как:
Х=[Х1.....Х1]Т = [и,у]Т ; {1 = 1,2} (10)
В нейронной сети ИБР в качестве функции активации используется функция Гаусса. Скрытые нейроны реализуют функцию Гаусса как базисную функцию и элементы радиального базисного вектора Н = [к1,Ь2,... ...,к5\Г может быть выражена гауссовой функцией следующим образом:
hj(x) = ехр
-\\X-Cj
2bf
;{j = 1,2,...5} (11)
где X - входной вектор нейронной сети, заданный уравнением (10),
С ) = [с^, ^2] - входной вектор >го узла в скрытом слое, Ь - ширина параметр ]-го узла в скрытом слое, а) - количество нейронов в скрытом слой. Таким образом, выход сети может быть выражен следующим образом:
Ут(Ю = Yjj=1Wihj{x)
(12)
где w ] - веса нейронной сети ИБР. Функция индекса производительности может быть представлена как:
E(t)=-2[y(k)-ym(k)]2
(13)
где у (к) - идеальный выход. Основываясь на методе градиентного спуска, параметры нейронной сети КБ? могут обновляться следующим образом:
+ 1) = ш^(к) + ф(к) - ут(к)Щ
+ a[wj(k) + wj(k-i)]
Cij(k + D = Cij{k) + ц[у{к) - ym(k)]hjWj +a[Cij(k) + Cij(k - l)]
(Xi-сф
bf
+
bj(k +1) = bj(k) + viy(k) - ym(k)]hjWj + a[bj(k) + bj(k - 1)]
bf
где п Е (0,1) - скорость обучения,
а а Е (0,1) - коэффициент импульса. Матричный алгоритм Якоби выглядит следующим образом [10,15].
ду(к)
ди(к) ди(к)
дУт(к) _ Vm ... и CU-X1
(15)
где Х1 = и (к).
Параметры ПИ-регулятора регулируются матрицей якобиана контрольной установки, которая полученных идентификацией нейронной сети ИБР.
Известно, что производительность ПИ-регулирования основана на значении ПИ параметры кр и к1. ПИ-регулятор может иметь отличную производительность с правильные параметры, иначе контроллер не сможет добиться желаемого контроля требование. Таким образом, правильное регулирование параметров ПИ-регулятора является важной задачей и разработанная сеть ИБР способна точно настраивать кр и к1 в разных ситуаций с использованием матрицы Якоби [13,15].
Во-первых, функция ошибки сети определяется
как:
Е(к)=-2[г(к)-у(к)]2
(16)
Затем правило автоподстройки кр и к1 разрабатывается на основе градиентного спуска итерации следующим образом:
Ак.
дБ дБ ду ди Л ду -
„ = -п— = -п—. —.— = ле(к)— .хсл (к)
р ' дкр 1 ду ди дкр 1 v ' ди 1V J
ду
(17)
где ^ - матрица якобиана, заданная уравнением (8). хс1(к), хс2 (к)-это входы
ПИ-регулятора в управлении стратегией и их расчет будет приведен в следующем разделе.
2
X - С
ПИ - алгоритм управления
В этой стратегии управления системная ошибка между желаемым выходом системы и фактический выход системы, как показано на рисунке 2, определяется:
е(к) = г (к) - у(к) (19)
ет(к)=у(к)-ут(к) (20)
Входы ПИ можно выразить следующим образом: хс1(к) = е(к) - е(к - 1) (21)
хс2(к) = е(к) (22)
Метод градиентного спуска используется для корректировки параметра пропорции кр и интеграла параметр кь
кр(к + 1) = кр + Акр = кр +це(к)^.хс1(к) (23)
kt(k + l) = ki + Aki = ki + пе(к) g. (к) (24)
Затем алгоритм ПИ-регулирования задается как:
и(к) = и(к - 1) + кр{е(к) - е(к - 1)} + к1е(к) (25)
Краткое описание ПИ-регулирования на основе КНР нейронной сети
Таким образом, процесс управления КВРМЫ-Р1 -управлением, представленный на рисунке 4, может быть резюмируется следующим образом:
• Соберите каждое значение на шаге образца к
• вычислить сетевой выход ут на основе собранных данных.
• получить матрицу Якоби, используя уравнения.
• настроить параметры ПИ-регулятора для ПИ-регулятора.
• команда отправки контроллера на асинхронный двигатель.
• установление к = к + 1.
Рисунок 4. Блок схема RBF нейронный сети ПИ регулятора
Результаты моделирования
Рисунок 5. Модель 8гтиИпк для векторной управляемой асинхронной двигательной систем привод ВМП
Процесс управления скоростью двигателя смоделирован в среде МАТЪАВ^тиИпк с использованием метода №ОС, а в системе привода асинхронного двигателя вентилятора местной вентиляции использована широтно-импульсная модуляция. Сравнение производительности нейросетевого ПИ-регулятора с классическим ПИ-регулятором показано на рисунке 6.
Стандартные параметры ПИ-регулятора, настроенные методом проб и ошибок, были учтены с соответствующими коэффициентами. Эти параметры для регулятора скорости составляют кр = 110, Ы = 10. Частота переключения инвертора выбрана равной 5 кГц, а номинальное напряжение промежуточной цепи выбрано равным 1000 В.
110.05
Мы видим, что на рисунке 6 реакция системы привода асинхронного двигателя на основе предложенного метода нейронной сети ПИ-регулятора имеет сверхкоррекцию и небольшую ошибку остановки, чем классический метод ПИ-управления на этапе изменения задания скорости. В этой статье предлагается решение адаптивного ПИ-управления на основе нейронной сети RBF для управления скоростью асинхронных двигателей. Параметры предлагаемого контроллера настраиваются онлайн для достижения желаемой производительности контроллера.
110
109.95
10.15
10.1
10.05
т
т
т
20
40
60
80
100
120
140
160
180
10
I
.4--------1 -
I
I_I
20
40
60
80
100
120
140
160
18С
Рисунок 6. Результаты моделирования с нейроконтроллером
Заключение
В данной работе на основе модели нейроконтрол-лер с нейроэмулятором, включающие многослойную нейронную сеть прямого распространения было реализовано управление скоростью асинхронного двигателя привод для вентилятора местного.
Разработан алгоритм управления вентилятором местного проветривания обеспечивающий возможность адаптивной настройки параметров классического ПИ регулятора с использованием нейронного механизма.
Результаты полученные в результате моделирования, показывают, что НС и контроллер ПИ имеет значительно лучшую производительность
по сравнению с обычным ПИ-регулятором имеет простую форму и может быть легко разработан.
В этой работе рассматриваются идея классический ПИ-регулятор можно заменить регулятором ПИ с использованием нейронной сети. Регулятор ПИ использует нейронную сеть для автоматического поиска параметра кр, к который оптимизирован для системы автоматического управления.
Использование этого контроллера вызвало фактическая скорость могла быстро отслеживать команду, плавно и с нулевой устойчивой погрешностью для система управления. Скорость увеличивается от 60 (рад / с) до 150 (рад / с) при 2 сек и ошибки по скоростям заданию = 0,15% .
Технические характеристики, принятые во внимание учитываются: перерегулирование, время нарастания, время установления и установившаяся ошибка. производительность предлагаемых контроллеров были оценены в различных условиях эксплуатации состояние системы вождения и результаты продемонстрировать эффективность этих мер контроля структуры.структуры. Сравнительное исследование контроля стратегии с точки зрения производительности были проведенный. Интеллектуальная система
управления использует контроллер нейронной сети снизил пик перерегулирование, время нарастания и время установления по сравнению в систему с ПИ-регулятором. Это наблюдается что скорость машины остается постоянной с уменьшенным перерегулированием с использованием нерва сетевые контроллеры. В заключение, предложенная искусственная нейронная сеть показывает высокие производительность и хорошая точность управления для система.система.
Таблица 1.
Параметры вентилятора местного проветривания FBD
Наименование параметра, единицы измерения Значение
Мощность, кВт 25
Напряжение, В 380/660
Частота вращения, об /мин 3000
Частота сети, Гц 50-60
СОБ^ 0,88
Кратность начального пускового вращающего момента к номинальному 1,9
Кратность минимального вращающего момента к номинальному 1,3
Кратность максимального вращающего момента к номинальному 2,5
Момент инерции (Х), кг/м 2 0,085
Удельная масса, кг/кВт 9,5
Активное сопротивление фазы статора , Ом 0,455
Приведенное активное сопротивление ротора ЯЯ , Ом 0,413
Индуктивность рассеяния статора и ротора Ь и Гн 0,0048
Индуктивность взаимной индукции Гн 0,698
Диаметр трубопровода ветра, м 0,6
Площадь выработки в свету, м2; 12,1
Список литературы:
1. А.И. Бобиков, к.т.н., доцент., Нейросетевое управление угловым положением двигателя постоянного тока. ISSN 1995-4565. Вестник РГРТУ. 2016. № 57. С.139.
2. Калачев Ю.Н. Векторное регулирование (заметки практика) 2013 г.
3. к.т.н., доц. Глущенко А.И., аспирант Фомин А.В.,аспирант Петров В.А. Разработка методологии построения нейросетевого настройщика параметров линейных регуляторов для нелинейных объектов управления с различной динамикой. Старый Оскол, 2017.
4. До Чи Тхань. Разработка алгоритмов управления вентиляционной системой метанообильных шахт вьетнама с использованием моделей прогнозной аналитики, Диссер 2018.
5. Kusuma Gottapu, U. Santosh Kiran, U. Srikanth Raju3 P. Nagasai, S. Prasad, P. Tejeswara Rao. Design And Analysis Of Artificial Neural Network Based Controller For Speed Control Of Induction Motor Using D T C. ISSN : 2248-9622, Vol. 4, Issue 4( Version 1), April 2014, pp. 259-264. С. 259.
6. Taifour Ali1, Abdelaziz Y.M. Abbas2, Ekram Hassabo Abaid Osman3. Control of Induction Motor Drive using Artificial Neural Network. SUST Journal of Engineering and Computer Science (JECS), Vol. 15, No. 2, 2014.
7. B.Sowjanya1, M.Vijaya Kumar2, M.Anka Rao. Speed Estimation of Sensorless Vector Controlled Induction Motor Drive using ANN. International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering. Vol. 4, Issue 7, July 2015.
8. M.K. Masood*, Wooi Ping Hew and Nasrudin Abd. Rahim. Review of ANFIS-based control of induction motors. 2012 - IOS Press and the authors. All rights reserved.
9. M. Rizwan Khan, Arif Iqbal. Sensorless Control of a Vector Controlled ThreePhase Induction Motor Drive using Artificial Neural Network. All content following this page was uploaded by Arif Iqbal on 11 December 2015.
10. Kriauciunas J., Rinkeviciene R. and Baskys A. (2014). Self-Tuning Speed Control of the Induction Motor Drive.Vol.20, No.6, pp.24-28..
11. Zhang Y., Song J., Song S. and Yan M. (2010). Adaptive PID Speed Controller Based on RBF for Permanent Magnet Synchronous Motor System. International Conference on Intelligent Computation Tech. and Automation, 425-428.
12. Wei Z., Zong G. and Wu H. (2013). Force Control of Electrical Load System Based on Single Neuron PID Adaptive and Repetitive Control. Proceedings of the 2nd International Conference on Computer Science and Electronics Engineering (ICCSEE), pp-1205-1210.
13. Kim Y.S., Chung I-Y. and Moon S.I. (2015). Tuning of the PI controller Parameters of a PMSG Wind Turbine to Improve Control Performance under Various Wind Speeds. Energies, 8, 1406-1425.
14. Ohm D.Y. (2013). Dynamic Model of Induction Motor for Vector Control, Drivetech, Inc, Blacksburg, Virginia.
15. Amrane A., Louri M., Larabi, A. and Hamzaoui A. (2013). A Fuzzy Model Reference Adaptive System Control for Induction Motor Drives. Proceedings of the 3rd International Conf. on Sys. and Control, Algiers, Algeria.
16. Liu J. (2013). Radial Basis Function (RBF) Neural Network Control for Mechanical Systems. Tsinghua University Press, Beijing and Springer-Verlag Berlin Heidelberg.
