Nhận dạng đặc tính từ thông của động cơ từ trở có xét đến ảnh hưởng của hỗ cảm và bão hòa mạch từ

 j j θ  θ
  1 a ()()()()θ i f θ 1  a θ i f θ
 0 ψ ej e j j ψ e j e j j 
 s s 
 θ fj()() θ f j θ  θ
 1 a ()()()θ i f θ  1 a θ 1  a ()θ
 ψ ej e j j ψ e j ψ e j
 s s s 
 fj()()()θ θ  θ f j θ f j θ  θ
 Mô men của pha j được xác định xấp xỉ: 
 Hình 2. Cấu trúc mạng nơ ron của hệ thống 
 ψ dfj ()θ a ()()θ i f θ
 s j j j Mạng nơ ron thứ nhất dùng để tính toán hàm fj(θ). 
 Tj(,)[(()]θ i j 2 e 1 1 if j θ e
 fj ()θ dθ Mạng nơ ron thứ hai dùng để tính toán hàm aj(θ). Cấu trúc 
 (10) của hai mạng nơ ron này là giống hệt nhau từ lớp Pf, Rf, Sf 
 ψ da ()θ a ()()θ i f θ
 +s j ej ( 1 e j j ) chỉ khác nhau ở lớp ra Tf với đầu ra khác nhau. Do đó, cấu 
 f ()θ dθ
 j trúc mạng nơ ron thứ nhất và thứ hai được thêm chỉ số 1 và 
 Công thức (10) là đảm bảo tính hợp lý bởi mô men của 2 ở dưới các lớp và các trọng số tương ứng. Vì cấu trúc hai 
một pha thứ j là tổng của mô men riêng (mô men tự cảm) mạng là giống nhau, nên thuật toán trình bày trong bài báo 
và mô men hỗ cảm do thành phần hỗ cảm sinh ra. mang tính chất tổng quát nên không phân biệt cụ thể cho 
 J từng mạng. Sự khác biệt giữa hai mạng nơ ron này sẽ được 
 phân tích đầy đủ. 
 Te(θ , i 1 , i 2 ,..., i J )  T j ( i j , θ ) T Mj (11) 
 j 1 Lớp Pf: có p nơ ron ở lớp này. Đầu vào và đầu ra của lớp 
 Khi đó, mô men hỗ cảm TMj của pha thứ j trong phương được tính: 
trình (10) là: f f f f
 xp θ và yp x p x p (14) 
 da ()θ
 ψs j aj()()θ i j f j θ
 TM(,)()θ i j e 1 e (12) với p = 0. Hàm kích hoạt được giả định là thống nhất ở 
 f ()θ dθ
 j lớp này. 
 f
 Vì ta coi aj(θ) là một tham số phụ thuộc vị trí rotor, nên Lớp R : có r nơ ron ở lớp này. Đầu vào và đầu ra của lớp 
phương trình (12) có thể viết lại như sau: được tính: 
 ψ ()() 2
 s ajθ i j f j θ f f 
 TM(,)()()θ i j a j θ e 1 e (13) f f f f xr c r 
 f ()θ xr y p .w pr và yr exp (15) 
 j σf 
 r 
 Tất cả các thành phần phi tuyến trong (1), ngoại trừ mô 
 f f f
men tải Tl đều có thể sử dụng các mô hình (6), (7), (10) với với p = 0 và r = 0...R . Trong đó, cr và σr lần lượt là tâm 
độ chính xác cao. f
 và độ rộng của hàm kích hoạt Gauss. wpr là trọng số giữa 
 hai lớp Pf và Rf. 
 Website: https://tapchikhcn.haui.edu.vn Vol. 57 - No. 3 (June 2021) ● Journal of SCIENCE & TECHNOLOGY 11
 KHOA H ỌC CÔNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 
 Lớp Sf: có s nơ ron ở lớp này. Đầu vào và đầu ra của lớp 
 ef ψ k ψ k với k 1,..., K f (22) 
 được tính: j j 
 f f f
 f 2 các trọng số w , w và w sẽ được cập nhật thông 
 R xf c f pr rs st
 f f. f f s s f
 xs y r w rs và ys exp f (16) qua hàm năng lượng E . 
 σ 
 r 0 s Lớp Uf - Tf: Bởi vì trọng số giữa các lớp này là thống nhất, 
 f f
 f f f f sai lệch e được truyền trực tiếp vào đầu vào T theo quy tắc 
 với r = 0...R và s = 0...S . Trong đó, cs và σs lần lượt là 
 f
 f chuỗi. Vì vậy, phần sai số δt được xác định bởi: 
 tâm và độ rộng của hàm kích hoạt Gauss. wrs là trọng số 
 f f  f f f f f f f
 giữa hai lớp R và S . fE  e yu  x u  y t f  y u  y t
 δ e i (23) 
 f tf f f f f j f f
 Lớp T : Bao gồm t nơ ron và được tính: e  yu  x u  y t  x t  x u  x t
 f f
 Mạng nơ ron thứ nhất: Hàm fj(θ) tính được ở lớp này. Có Lớp T - S : Ở lớp này sự thay đổi của trọng số: 
 t nơ ron ở lớp này và được tính: f
 f f E 
 f
 R Dwst η st f 
 f f f f f
 x y .w và y x f θ (17) wst 
 t s st t t j (24) 
 r 0 f  f yf  x f  y f  x f 
 f fE e u u t t f f f
 với s = 0...S và t = 0. ηst f f f f f f η st δ t y s
 e  yu  x u  y t  x t  w st 
 Mạng nơ ron thứ hai: Hàm aj(θ) tính được ở lớp này. Có t 
 f
 nơ ron ở lớp này và được tính: trong đó, st là hệ số học của trọng số giữa hai lớp. 
 Rf Lớp Sf - Rf: Sai lệch ef được truyền trực tiếp vào đầu vào 
 xf y f. w f và yf x f a θ (18) 
 t s st t t j của lớp Sf theo quy tắc chuỗi. Vì vậy, phần sai số f được 
 r 0 s 
 với s = 0...Sf và t = 0. xác định bởi: 
 f f f f f f f  f
 Sau khi tính toán được các hàm fj(θ) và aj(θ) từ đầu ra fE  e yu  x u  y t  x t  y s f f  y s
  δs f f f f f f f δ s w st f (25) 
 f e  yu  x u  y t  x t  y s  x s  x s
 của lớp T , các hàm từ thông xấp xỉ ψj θ và hàm mô men 
 Ở lớp này sự thay đổi của trọng số: 
 xấp xỉ Tˆ (,)θ i được tính trong lớp Uf theo công thức sau: 
 j j f
 f f E 
 f  Dw η 
 f f xu rs rs f 
 xu f j θ i j a j θ và yu 1 e ψj θ (19) wrs 
 (26) 
 f f f f f f f f 
 với u = 0. Trong đó ij là dòng điện chạy trong cuộn dây E  e y  x  y  x  y  x 
 ηf u u t t s s η f δ f y f
 stator. rs f f f f f f f f rs s r
 e  yu  x u  y t  x t  y s  x s  w rs 
 Mô men được xấp xỉ theo công thức: f
 trong đó, rs là hệ số học của trọng số giữa hai lớp. 
  1 a ()()()()θ i f θ 1  a θ i f θ
 ˆ j j j j j j f f f
 Tj(,)θ i j e e e e Lớp R - P : Sai lệch e được truyền trực tiếp vào đầu vào 
 θ f()() θ f θ  θ 
 j j (20) f f
 của lớp R theo quy tắc chuỗi. Vì vậy, phần sai số δr được 
 1 a ()()()()θ i f θ  1 a θ 1  a θ
 ej e j j e j e j xác định bởi: 
 f ()()()θ θ  θ f θ f θ  θ f
 j j j f f f f f f f f f S 
 fE  e yu  x u  y t  x t  y s  x s yr f f
 δr δ s w rs (27) 
 Trong các công thức trên hệ số từ thông bão hòa ψs f f f f f f f f f 
 e  y  x  y  x  y  x  y  x s 0
 không được sử dụng bởi vì mạng nơ ron nhân tạo có cấu u u t t s s r r
 trúc thích nghi thông qua các trọng số và hàm kích hoạt. Ở lớp này sự thay đổi của trọng số: 
 Thuật toán lan truyền ngược huấn luyện cho mạng nơ ron Ef 
 Dwf  f 
 được trình bày chi tiết trong phần tiếp theo. pr rs f 
 wrs 
 3.2. Thuật toán lan truyền ngược huấn luyện mạng (28) 
 Ef  e f yf  x f  y f  x f  y f  x f yf 
 Trong ANN, mục đích chính của việc huấn luyện mạng f u u t t s s r  f  fy f
 pr ef  y f  x f  y f  x f  y f  x f  y f  w f pr r p
 chính là cập nhật trọng số của mạng. Thuật toán huấn u u t t s s r pr 
 luyện mạng của hai mạng nơ ron được sử dụng là giống f
 trong đó, pr là hệ số học của trọng số giữa hai lớp. 
 nhau sẽ được trình bày chung như dưới đây. 
 f f f
 f Sự thay đổi của trọng số DDDw,, w w được sử dụng 
 Hàm năng lượng E được chọn là: st rs pr
 để cập nhật trọng số cho mạng nơ ron như dưới đây: 
 f1 f 2 f
 E e k với k 1,..., K (21) f f f
 2 wst k 1 w st k D w st
 f f f f f
 trong đó, K là tổng số đầu vào và đầu ra và e là sai lệch wrs k 1 w rs k D w rs (29) 
 
 f f f
 giữa từ thông ψj và từ thông xấp xỉ ψ j . Sai số đầu ra được wpr k 1 w pr k D w pr
 biểu diễn: với k 1,..., K f . 
12 Tạp chí KHOA HỌC VÀ CÔNG NGHỆ ● Tập 57 - Số 3 (6/2021) Website: https://tapchikhcn.haui.edu.vn 
 P-ISSN 1859-3585 E-ISSN 2615-9619 SCIENCE - TECHNOLOGY 
4. KẾT QUẢ MÔ PHỎNG VÀ THẢO LUẬN phương trình (6), có xét đến ảnh hưởng của hỗ cảm giữa 
 Với các thông số mạng nơ ron như sau: các pha và bão hòa mạch từ. Ở cả hai trường hợp, bài báo 
 đều so sánh với đặc tính thực nghiệm. Kết quả nhận dạng 
 Số lớp mạng: R = 20; S = 20; K = 500. 
 cho thấy tính chính xác ở cả hai hàm từ hóa, đặc tính nhận 
 Thông số mạng nơ ron thứ nhất: cr1 = linspace(-5,5,R); dạng bám sát, gần như trùng khớp với đặc tính thực. 
c = linspace(-5,5,S); w = 0,01/3; w = 0,01/3; w = 0,01/3; 
 s1 st1 rs1 pr1 Tuy nhiên, với hàm từ hóa (6) mà nhóm tác giả đề xuất 
σ = 0,5; σ = 0,5. 
 r1 s1 khi xét đến ảnh hưởng của hỗ cảm giữa các pha trong động 
 Thông số mạng nơ ron thứ hai: cr2 = linspace(-10,10,R); cơ, độ chính xác được khẳng định khi cho sai số nhỏ hơn 
cs2 = linspace(-10,10,S); wst2= 0,05/3; wrs2 = 0,05/3; nhiều với trường hợp hàm từ hóa bỏ qua hỗ cảm. Sai số 
wpr2 = 0,05/3; σr2 = 0,3; σs2 = 0,3. được so sánh với các trường hợp dòng khác nhau là 1A, 5A, 
 9A tương ứng trong các hình 5, 6, 7. 
 
 Hình 3. Đường đặc tính từ thông nhận dạng ψj θ phụ thuộc vào dòng 
điện và vị trí rotor trường hợp chưa xét đến ảnh hưởng của hỗ cảm 
 (a) 
 0.3
 9A
 0.25 7A
 5A
 0.2 3A
 0.15
 0.1
 1A
 0.05
 0
 0 5 10 15 20 25 30
 Rotor position (degree) 
  
 Hình 4. Đường đặc tính từ thông nhận dạng ψ θ phụ thuộc vào dòng 
 j (b) 
điện và vị trí rotor trường hợp xét đến ảnh hưởng của hỗ cảm 
 Hình 5. Đồ thị sai lệch giữa đặc tính từ thông thực nghiệm và đặc tính từ 
 Nhóm tác giả sử dụng phần mềm Matlab/Simulink để thông nhận dạng với dòng 1A trường hợp: (a) chưa xét ảnh hưởng hỗ cảm, (b) có 
mô phỏng. Kết quả nhận dạng đặc tính từ thông được hỗ cảm 
nhóm tác giả đưa ra có sự so sánh, đánh giá với đặc tính từ 
 Bảng 1. Giá trị sai số với dòng 1A 
thông thực nghiệm được công bố trong tài liệu [18], đồng 
thời sử dụng bảng giá trị từ thông thực nghiệm này làm tập Hàm đặc tính Sai số 
 Sai số max Sai số min 
mẫu. Hình 3 là đặc tính từ thông nhận dạng dựa vào hàm từ thông trung bình 
đặc tính từ thông theo phương trình (5) công bố trong [1], Bỏ qua hỗ cảm 8,8463.10-4 4,9956.10-4 3,855.10-4 
chưa xét đến ảnh hưởng của hỗ cảm giữa các pha. Hình 4 là 
 Có hỗ cảm 4.10-15 0 2,7644.10-15 
đặc tính từ thông nhận dạng dựa vào hàm từ hóa theo 
 Website: https://tapchikhcn.haui.edu.vn Vol. 57 - No. 3 (June 2021) ● Journal of SCIENCE & TECHNOLOGY 13
 KHOA H ỌC CÔNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 
 việc xây dựng mô hình động cơ từ trở, tạo thuận lợi cho 
 quá trình tổng hợp bộ điều khiển sau này. 
 (a) 
 (a) 
 (b) 
 Hình 6. Đồ thị sai lệch giữa đặc tính từ thông thực nghiệm và đặc tính từ 
 thông nhận dạng với dòng 5A trường hợp: (a) chưa xét ảnh hưởng hỗ cảm, (b) có (b) 
 hỗ cảm Hình 7. Đồ thị sai lệch giữa đặc tính từ thông thực nghiệm và đặc tính từ 
 Bảng 2. Giá trị sai số với dòng 5A thông nhận dạng với dòng 9A trường hợp: (a) chưa xét ảnh hưởng hỗ cảm, (b) có 
 hỗ cảm 
 Hàm đặc tính Sai số 
 Sai số max Sai số min 
 từ thông trung bình Bảng 3. Giá trị sai số với dòng 9A 
 -4 -6 -5 Hàm đặc tính Sai số 
 Bỏ qua hỗ cảm 2,8228.10 1,7958.10 8,3778.10 Sai số max Sai số min 
 từ thông trung bình 
 Có hỗ cảm 1,7.10-16 0 4,1410.10-16 
 Bỏ qua hỗ cảm 7,0226.10-5 8,5390.10-7 2,0710.10-5 
 Ở cùng tập mẫu đầu vào, cùng số vòng lặp giống nhau, 
 -17 -17
 đặc tính nhận dạng hàm từ hóa với trường hợp bỏ qua hỗ Có hỗ cảm 8,5.10 0 4,0738.10 
 cảm và trường hợp có xét đến hỗ cảm có giá trị sai số khác 5. KẾT LUẬN 
 nhau. Giá trị sai số trung bình, sai số nhỏ nhất và sai số lớn Bài báo cung cấp hàm nhận dạng đặc tính từ thông của 
 nhất được thể hiện trong bảng 1, 2 và 3. Từ các kết quả mô động cơ từ trở có xét đến ảnh hưởng của hỗ cảm và bão 
 phỏng này cho thấy, khi xét đến ảnh hưởng của hỗ cảm, hòa mạch từ. Thuật toán nơ ron được sử dụng để nhận 
 đặc tính nhận dạng gần như trùng khớp với đặc tính thực dạng và tìm các tham số trong hàm. Kết quả mô phỏng cho 
 nghiệm chứng tỏ tính đúng đắn của hàm đặc tính từ thông thấy hàm đặc tính từ thông là chính xác, bám sát với đặc 
 đề xuất khi có xét đến hỗ cảm giữa các pha. Đồng thời, sai tính từ thông thực, sai số rất nhỏ. Hàm đặc tính từ thông 
 lệch ở trường hợp này nhỏ hơn nhiều so với trường hợp bỏ mới này góp phần cải thiện độ chính xác của mô hình và 
 qua ảnh hưởng của hỗ cảm. Với tính đúng đắn của hàm đặc được sử dụng để đánh giá, phát triển các thuật toán điều 
 tính từ thông đề xuất này sẽ tăng thêm độ chính xác trong khiển cho động cơ từ trở. 
14 Tạp chí KHOA HỌC VÀ CÔNG NGHỆ ● Tập 57 - Số 3 (6/2021) Website: https://tapchikhcn.haui.edu.vn 
 P-ISSN 1859-3585 E-ISSN 2615-9619 SCIENCE - TECHNOLOGY 
 [17]. J. Ye, 2014. Advanced Control Methods For Torque Ripple Reduction And 
 TÀI LIỆU THAM KHẢO Performance Improvement In Switched Reluctance Motor Drives. Thesis Doctor of 
 Philosophy, McMaster University. 
 [1]. M. Ilic’-Spong, R. Marino, S. M. Peresada, D. G. Taylor, 1987. Feedback 
Linearizing Control of Switched Reluctance Motors. IEEE Trans. Automat. Contr., [18]. Sanjib Kumar Sahoo, 2006. High-performance torque control of 
vol. 32, no. 5, pp. 371–379. switched reluctance motor. Thesis of National University of Singapore. 
 [2]. C. Mademlis, I. Kioskeridis, 2003. Performance optimization in switched 
reluctance motor drives with online commutation angle control. IEEE Trans. Energy 
Convers., vol. 18, no. 3, pp. 448–457. AUTHORS INFORMATION 
 [3]. S. Mir, I. Husain, M. E. Elbuluk, 1998. Switched reluctance motor Phi Hoang Nha1,2, Le Xuan Hai1, Nguyen Thu Ha1, Dang Dinh Chung1 
modeling with on-line parameter identification. IEEE Trans. Ind. Appl., vol. 34, no. 
 1Hanoi University of Industry 
4, pp. 776–783. 
 2Hanoi University of Science and Technology 
 [4]. L. Ben Amor, L. A. Dessaint, O. Akhrif, 1995. Adaptive nonlinear torque 
control of a switched reluctance motor via flux observation. Math. Comput. Simul., 
vol. 38, no. 4–6, pp. 345–358. 
 [5]. W. K. Ho, S. K. Panda, K. W. Lim, F. S. Huang, 1998. Gain-scheduling 
control of the Switched Reluctance Motor. Control Eng. Pract., vol. 6, no. 2, pp. 
181–189. 
 [6]. A. Nirgude, M. Murali, N. Chaithanya, S. Kulkarni, V. B. Bhole, S. R. Patel, 
2017. Nonlinear mathematical modeling and simulation of switched reluctance 
motor. IEEE Int. Conf. Power Electron. Drives Energy Syst. PEDES 2016, vol. 2016- 
Janua, pp. 1–6. 
 [7]. X. Sun, K. Diao, Z. Yang, G. Lei, Y. Guo, J. Zhu, 2019. Direct Torque Control 
Based on a Fast Modeling Method for a Segmented-Rotor Switched Reluctance 
Motor in HEV Application. IEEE J. Emerg. Sel. Top. Power Electron., vol. PP, no. c, 
pp. 1–1. 
 [8]. H. Le-Huy, P. Brunelle, 2005. A versatile nonlinear switched reluctance 
motor model in simulink using realistic and analytical magnetization 
characteristics. IECON Proc. (Industrial Electron. Conf., vol. 2005, no. c, pp. 1556– 
1561. 
 [9]. L. E. Somesan, E. Padurariu, I. A. Viorel, 2013. Two simple analytical 
models, direct and inverse, for switched reluctance motors. Prog. Electromagn. 
Res. M, vol. 29, no. March, pp. 279–291. 
 [10]. S. H. Mao, M. C. Tsai, 2004. An analysis of the optimum operating point 
for a switched reluctance motor. J. Magn. Magn. Mater., vol. 282, no. 1–3, pp. 
53–56. 
 [11]. T. J. E. Miller, M. Mcgilp, 1990. Nonlinear Theory of the Switched 
Reluctance Motor for Rapid Computer-Aided Design. IEE Proc. B Electr. Power 
Appl., vol. 137, no. 6, pp. 337–347. 
 [12]. D. A. Torrey, J. H. Lang, 1990. Modelling a Nonlinear Variable-
Reluctance Motor Drive. IEE Proc. B Electr. Power Appl., vol. 137, no. 5, pp. 314–
326. 
 [13]. E. Mese, 2002. A rotor position, estimator for switched reluctance motors 
using CMAC. IEEE Int. Symp. Ind. Electron., vol. 4, pp. 1184–1189. 
 [14]. J. A. Makwana, P. Agarwal, S. P. Srivastava, 2018. Modeling and 
Simulation of Switched Reluctance Motor. Lect. Notes Electr. Eng., vol. 442, pp. 
545–558. 
 [15]. O. Ustun, 2009. A nonlinear full model of switched reluctance motor with 
artificial neural network. Energy Convers. Manag., vol. 50, no. 9, pp. 2413–2421. 
 [16]. B. Fahimi, C. Edrington, 2017. Switched reluctance motor drives. CRC 
Press. 
 Website: https://tapchikhcn.haui.edu.vn Vol. 57 - No. 3 (June 2021) ● Journal of SCIENCE & TECHNOLOGY 15