Etat de l’art

4.3. Design de l’estimateur neuronal ...86 4.4. Application de l’estimateur CFNN à de BBP à la MCC ...88 4.5. Application de l’estimateur CFNN à de BFGS BP à la MCC ...92 4.6. Application de l’estimateur CFNN à de RBP à la MCC ...96 4.7. Comparaison des performances des trois algorithmes d'apprentissage ... 101 4.8. Conclusion ... 104

4.1. Introduction

Ce chapitre est consacré à l’application de trois RNA à la MCC pour l’estimation simultanée de la vitesse, de la température d’induit et sa résistance en utilisant seulement la mesure du courant et de la tension. Des comparaisons sont faites entre ces trois estimateurs de point de vue rapidité d’apprentissage et la qualité d’estimation.

4.2. Etat de l’art

On dit que quand nous pouvons mesurer une quantité physique, nous savons quelque chose à son sujet, mais quand nous ne pouvons pas la mesurer, notre connaissance à son sujet est très pauvre et insuffisante, ainsi sans mesure la science n'avance pas.

Les contrôleurs de vitesse de moteur à CC emploient fréquemment un feedback d'un appareil de mesure de vitesse, tel qu'un tachymètre ou un encodeur optique [1-2], mais ceci plus tard, ajoute un coût additionnel et la congestion dans toute l'installation [2-3], les problèmes liés à la mesure de vitesse sont détaillés dans [3]. La méthode la plus simple d’estimation de vitesse est basée sur l'équation de tension au régime permanant, où la vitesse est écrite en fonction de la tension et du courant d'armature ; les crêtes dues au convertisseur particulièrement dans l'état transitoire affectent cette vitesse et le lien entre la résistance et la température est ignoré d'autre part, ils sont les deux principaux inconvénients de cette méthode [1].

84

Welch. et al [4] discutent les effets de la température sur des constantes de temps électriques et mécaniques, ils montrent que ces constantes de temps ne sont pas une valeur constante mais ils varient en fonction de la température, en outre la résistance électrique et la force contre-électromotrice (back EMF) du moteur sont aussi dépendent de la température.

Dans [5-8] nous trouvons plusieurs méthodes au sujet de la mesure de température de la MCC, mais les problèmes de mesure de température sont plus compliqués et difficiles à résoudre que les problèmes de mesure de la vitesse, puisque, le rotor est en rotation. La variation de température est fortement non linéaire et dépend de la charge, de la qualité de l'alimentation, des conditions de refroidissement, de la conception de la machine et des conditions environnementale. En effet, les problèmes de mesure de température d'armature ne sont pas totalement résolus.

En littérature [9-10], la méthode des éléments finis (FEM) a été habituellement employée pour obtenir généralement une distribution thermique en 3D dans tous les points de la machine électrique. Le principal avantage de cette méthode est qu'il est approprié pour aider le concepteur des machines électrique à optimiser le coût, le poids et le mode de refroidissement dans le but d'augmenter l'efficacité et la durée de vie des machines [10], généralement, la FEM est difficile à mettre en œuvre en temps réel tant pour le contrôle que pour la surveillance, d'autre part, cette approche nécessite un temps de résolution énorme.

Selon la littérature [11-15], nous pouvons distinguer deux types d'approches de modélisation thermiques des machines électriques :

La première est basée sur des modèles thermiques, le principe de base de cette approche est de diviser la machine en composants homogènes afin de garantir que chaque pièce présente des caractéristiques thermiques uniformes telles que des condensateurs thermiques, des résistances thermiques et des coefficients de transfert thermique [11, 15]. L'identification du modèle est réalisée soit par la technique des éléments finis, soit par un grand nombre de mesure de température dans différentes parties de la machine. Ces modèles sont généralement très détaillés, donc trop complexes pour une application en temps réel [16], cependant de nombreux chercheurs simplifient ces modèles pour les applications en temps réel [15, 17]. Cette approche est robuste, malheureusement ce modèle n'est pas généralisé et quelques mesures sont nécessaires pour chaque moteur [11, 16].

La deuxième approche est à base des paramètres, cette approche étant basée sur l'estimation de la résistance en ligne [12-14] ou identifiée [18-19]. Par conséquent, la température estimée prend en compte les conditions thermiques d’environnement. Cette méthode peut répondre à des changements dans les conditions de refroidissement, elle est précise, mais elle est généralement trop sensible [13].

85

Acarnley et all [1] propose le Filtre Kalman Etendu (FKE) pour estimer à la fois la vitesse et la température d'induit, mais le FKE à des problèmes avec l'étape d'initialisation des matrices pour chaque machine, donc le risque de divergence n'est pas très loin et ne nous oublié pas sa dépendance du modèle mathématique.

Pantonial et al [20] proposent et l'utilisent le FKE en deux étapes, la première l'état stationnaire utilisé pour estimer le comportement électromécanique et le seconde c’est une version transitoire utilisée pour estimer le comportement thermique de la machine. Cependant, dans ce cas, le système est découplé et l'effet de la température sur la résistance n'est pas pris en compte pour le modèle en régime permanent.

Une nouvelle stratégie d'estimation non linéaire est proposée dans un récent article de ce domaine de recherche [21] ; en combinant des éléments de FKE avec le filtre à structure variable lisse (SVSF) pour estimer la résistance d'enroulement du stator, dans cette recherche les auteurs se limitent seulement à l'estimation de la résistance, aussi le lien entre la température et la résistance est ignorée, alors c'est la version la plus simple de l'estimateur.

Jabri et al. utilisent la technique de la logique floue pour estimer le flux et la résistance de l'induit du moteur à CC à excitation série, ceci est un problème important pour implémenter un contrôleur robuste en boucle fermée [22], dans leur dernière version [23], ils présentent une étude comparative entre un Levenberg-Marquardt (LM) et LM avec les algorithmes génétiques (GA) pour ajuster la relaxation. Cependant, dans les deux versions, seules la résistance et le flux ont été estimés, en revanche, le lien entre la résistance et la température est ignoré.

Le paramètre le plus important dans une machine électrique est la température de son enroulement ; la température de l'enroulement affecte à la fois la durée de vie de la machine et la précision de la commande, lorsque la température d'enroulement est égale ou supérieure à la température d’isolant de l'enroulement supporté, cette température critique affecte directement la durée de vie de la machine, alors comme conséquence, la bonne connaissance de l'état thermique de la machine est très importante.

Dans ce contexte, l'obtention de la température par les capteurs fragiles et chers ajoute une congestion à l'installation globale, sans oublier la problématique du placement de capteur, donc, le capteur n'est pas la bonne solution [16]. En outre, l'obtention de la température à l'aide de FK, qu’il est difficile à stabiliser, en plus la problématique de choix des matrices de covariance, reste les deux problèmes principaux du FK, nous proposent un estimateur universel intelligent basé sur le RNA.

86

Le RNA largement répandu dans différents domaines de technologie, tel que l'énergie renouvelable [25], la chimie [26], pharmaceutique [27] et mécanique [28], aussi bien l'RNA est utilisée dans plusieurs applications de technologie telles que la commande [29], l’optimisation [30], la modélisation [31] et la surveillance [32]. En outre, le RNA peut employer seul [33] ou mélangé avec d'autres techniques telles que GA [34], optimisation des essaims de particules (PSO) [35] et logique floue [36]. Une des questions les plus généralement exprimées dans les techniques de calcul neurales se rapporte à la taille du réseau qui fournit les meilleurs résultats. Bien que de divers `` conseils et astuces' il n'y a toujours pas de réponse claire pour répondre à cette question [37, 38].

L'utilisation de la méthode proposée pour l’estimation simultanée combine beaucoup d'avantages, nous n'avons pas besoin d'utiliser les capteurs de vitesse et de température, l’estimation de la température d'armature peut être employée pour la surveillance thermique, et l’estimation de la vitesse peut être employée dans un processus d'entraînement de vitesse. L’estimation de résistance peut être employée dans des calculs adaptatifs dans le but d’échapper au phénomène de déréglage de la commande par des variations paramétriques telles que la correction de gain de PID. L'estimateur proposé convient dans la commande et dans la surveillance thermique [39].