LSSVM APLICADA EN LA ESTIMACIÓN DE LA RESISTENCIA DE ROTOR EN MOTOR DE INDUCCIÓN JAULA DE ARDILLA
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.
Texto completo:
ART 12Referencias
Aller, J. M. (2006). Máquinas Eléctricas Rotativas:
Introducción a la Teoría General, Eeditorial
Eequinoccio, Universidad Simón Bolívar,
Caracas, Venezuela.
Álvarez, M.; Henao, R. y Duque, E. (2007).
Clasificación de Eventos Sísmicos Empleando
Procesos Gaussianos.
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.
Diaz, 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, 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 speci?c to problem
kernel functions for time series modeling”. In
ESTSP’08: Proceedings of the European
Symposium on Time Series Prediction, pp.
–186.
Rubio, G.; Pomares, H.; Rojas, I.; Herrera, L. J., y
Guillén, A. (2009). “Ef?cient 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
, Universidad de Carabobo, Valencia,
Venezuela, pp. 56-61, 2004
Sixto Berrocal, J. A. (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. (1998). Sensorless Vector and Direct
Torque Control. United States: Oxford
University Press.
Villasana, S.; Caralli, A.; Seijas, C.; Villanueva,
C.; Saenz L. y Arteaga, F. (2006). “Un
novedoso método para estimar la resistencia
rotorica 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., G. B. (2005). “Discussion about
nonlinear time series prediction using least
squares support vector machine".
Communications in Theoretical Physics,
:1056–1060.
DOI: https://doi.org/10.24054/16927257.v21.n21.2013.280
Enlaces refback
- No hay ningún enlace refback.