PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

FACULTAD DE CIENCIAS E INGENIERÍA

METODOLOGÍA PARA ESTIMAR LA VELOCIDAD ANGULAR

DE UN MOTOR DE INDUCCIÓN INSTALADO EN UN
VEHÍCULO ELÉCTRICO

Tesis para optar el Título de Ingeniero Electrónico, que presenta el bachiller:

José Carlos Sabana Padilla

ASESOR: Dr. Javier Sotomayor Moriano

Lima, noviembre del 2018

 AGRADECIMIENTOS

Quiero agradecer en primer lugar a mi familia por ser un gran aliento en esta

gran meta trazada y por su apoyo durante todas las horas invertidas para la

realización de este trabajo: a Janella, José Gabriel y Micaela. También a mis padres

Jorge y Liliana por haberme dado el ejemplo y uno de los mejores regalos que puede

alguien recibir en la vida: la educación.

Por otro lado, quiero agradecer a mis profesores que con su paciencia,

dedicación y experiencia ayudaron a motivar y crecer profesional y personalmente.

 RESUMEN

La presente tesis presenta una metodología para la estimación de la velocidad

angular de un motor asíncrono trifásico, también llamado motor de inducción,

instalado en un vehículo eléctrico. Debido a su eficiencia, robustez, bajo costo,

mínimo mantenimiento y con la aparición de la estrategia de control vectorial (la cual

aseguraba precisión en el control de velocidad con un adecuado torque), los motores

de inducción se presentan como una alternativa conveniente para reemplazar a los

motores de combustión interna en los vehículos, contribuyendo de esta manera a

reducir la emisión de gases de efecto invernadero. En la búsqueda evitar añadir

elementos adicionales al sistema de control, se han desarrollado metodologías que

prescinden del uso de instrumentos de medición de velocidad utilizando un estimador

de dicha variable.

Como estrategia de estimación se utilizará en principio un observador de

Luenberger con el cual se determinará el flujo magnético del rotor, para luego

diseñar un sistema adaptativo con modelo de referencia (MRAS) para estimar

finalmente la velocidad. Al ser un sistema no lineal y multi-variable, la dinámica del

motor se describe a través de un modelo de espacio estado. Luego de presentar los

conceptos teóricos que respaldan esta metodología, se modelará este sistema y se

simulará el comportamiento de las variables eléctricas a través de distintos patrones

de velocidad y torque, propios de un vehículo de pasajeros. Finalmente se podrán

apreciar en las gráficas de los errores de estimación, la eficacia de este algoritmo.

Este trabajo busca no solo presentar un algoritmo eficiente en la estimación de la

velocidad angular, sino que además sirva de referencia para futuros estudios que

busquen optimizar estrategias de control mediante un modelamiento que represente

de la forma más fidedigna posible la dinámica de un motor de inducción.

 INDICE

LISTAS DE FIGURAS ……………………………………………………. v

INTRODUCCIÓN …………………………………………………………. 1

Capítulo 1. DESCRIPCIÓN DE LA DINÁMICA DEL UN MOTOR DE

INDUCCIÓN …............................................................................................. 4

1.1. Introducción …………………………………………………. 4

1.2. Ejes de referencia directo-cuadratura (d-q) …………………. 5

1.3. Modelo dinámico con marco de ref. rotativo sincrónicamente. 10

Capítulo 2: ESTIMADOR DE VELOCIDAD CON MRAS Y OBSERVADOR DE

LUENBERGER ……………………………………………………………. 12

2.1. Introducción …………………………………………………... 12

2.2. Modelo dinámico con marco de referencia estacionario ……... 13

2.3. Observador de Luenberger …………………………………… 16

2.4. Objetivo de la Tesis …………………………………………… 21

Capítulo 3: APLICACIÓN DE UN ESTIMADOR DE VELOCIDAD USANDO

MRAS BASADO EN UN OBSERVADOR DE LUENBERGER………… 22

3.1. Introducción ………………………………………...……… 22

3.2. Implementación del modelo del motor de inducción ………. 26

3.3. Implementación del observador de Luenberger y de un MRAS. 37

Capítulo 4: SIMULACIÓN DEL ESTIMADOR DE VELOCIDAD DE UN MOTOR

DE INDUCCIÓN EN UN VEHÍCULO ELÉCTRICO …………………… 30

4.1. Introducción ………………………………………...……… 30

4.2. Pruebas de Simulación ……………………………………... 31

4.3. Análisis del Resultado ……………………………………… 35

iii
CONCLUSIONES…………………………………………………………. 37

RECOMENDACIONES…………………………………………………… 35

BIBLIOGRAFÍA …………………………………………………………... 39

iv
 LISTA DE FIGURAS

Figura 1. Circuito equivalente por fase de un motor asíncrono con transformador de

acoplamiento ........…………………………………………………. 4

Figura 2. Representación de vector espacial mediante ejes ortogonales a, b y c. 6

Figura 3. Representación de vector espacial de dos ejes fijos α-β del planoπ. 7

Figura 4. Representación de vector espacial de dos ejes rotativos …. 9

Figura 5. Estimación de la velocidad de un motor de inducción utilizando un MRAS

…………………………………………………………………….... 19

Figura 6. Diagrama de flujo para la estimación de la velocidad de un motor de

inducción…………………………………………………………… 25

Figura 7. Voltaje de alimentación (Alpha, Beta) …………………………. 32

Figura 8. Torque del motor y torque de carga ……………………………… 33

Figura 9. Corriente del estator y flujo del rotor, estimada y real (Alpha, Beta). 34

Figura 10. Error entre la corriente estimada y la real (Alpha, Beta) ………. 35

Figura 11. Velocidad angular estimada y real ……………………………. 36

iv
 INTRODUCCIÓN
La presión a la que están sometidas las empresas para que asuman prácticas

amigables con el medio ambiente está en aumento. Compañías de diferentes rubros

invierten muchos recursos para cumplir con las cada vez más exigentes regulaciones

impuestas por los estados, mejorando a la vez su imagen hacia sus clientes directos y

en general hacia todos los grupos de interés. El sector automotriz es uno de los

sectores económicos que mayor relación tiene con la contaminación atmosférica, por

los gases de efecto invernadero que genera la combustión interna de sus motores. Tal

como refiere (Rodríguez 2015), en los últimos años muchos fabricantes de autos

vienen presentando iniciativas para hacer este negocio más sostenible. Prueba de ello

es la aparición de modelos de vehículos que no dependen únicamente de motores de

combustión, como los vehículos híbridos o los puramente eléctricos. Son muchos los

factores que pueden ser determinantes para posicionar en poco tiempo este tipo de

autos: la evolución de las baterías con una mayor autonomía y a un menor costo,

altas eficiencias alcanzadas por estos motores en comparación a los de combustión,

los avances en los sistemas de control de velocidad de motores eléctricos, entre otros.

Si bien muchas marcas de vehículos híbridos y eléctricos utilizan motores de

corriente continua, fabricantes como Tesla o General Motor han apostado por

motores de inducción de corriente alterna apoyados en la tecnología alcanzada en los

sistemas de control de velocidad y torque. Como es sabido, para lograr un alto

performance en el control de los motores de inducción es necesario realizar

previamente un adecuado modelamiento, una correcta estimación de los parámetros

internos del motor y de la retroalimentación de variables eléctricas y físicas, tales

como la corriente estatórica y la velocidad angular del rotor. La inclusión de

instrumentos de medición puede crear sobrecostos y distorsiones que terminen por

1
quitarle precisión a los sistemas de control. Es por ello que se han desarrollado

diversos métodos para estimar variables, como la velocidad angular o el flujo

magnético, los cuales vienen siendo aplicados con éxito en aplicaciones industriales

como bombas, ventiladores, entre otros.

El objetivo de la tesis es presentar una metodología basada en un observador

de Luenberger que permitirá la estimación del flujo magnético del rotor y la corriente

del estator, para que luego con un sistema adaptativo basado en un modelo de

referencia (MRAS), se logre estimar la velocidad angular del rotor. Dicho modelo

fue presentado por (Sbita & Ben Hamed,2007). Posterior a la revisión de los

conceptos teóricos en los que se basa esta metodología y de las fórmulas relacionadas

al modelamiento y el estimador, se realizará una simulación basada en un modelo de

un motor de inducción trifásico con las características típicas (potencia, velocidad,

parámetros internos) a los instalados en vehículos eléctricos, sometiendo a este

modelo a un patrón de velocidad o “Driving Cycles” planteado por el estándar

europeo ECR R15 lo cual permitirá mostrar el grado de eficacia de dicho algoritmo.

La presente tesis busca mejorar la eficiencia y el performance de los

vehículos eléctricos, de tal manera que permita aumentar su ventaja competitiva

frente a los autos con motores de combustión interna y contribuir de esta manera con

el medio ambiente (al reducir las emisiones de gases contaminantes). Otra finalidad

es brindar un mejor conocimiento del comportamiento dinámico de un motor de

inducción con el propósito que ayude a futuras investigaciones que busquen

optimizar el control de velocidad y torque en aplicaciones de vehículos eléctricos. La

mayoría de estudios relacionados con motores de inducción están orientados a

equipos industriales. Son muy pocas las investigaciones en aplicaciones de autos

eléctricos. Es por ello que se centrarán los esfuerzos en validar que tan precisa es la

2
estimación de la velocidad angular de un motor de inducción en un vehículo eléctrico

utilizando el modelo de (Sbita & Ben Hamed, 2007).

La situación actual o “estado del arte” en la estimación de la velocidad de los

motores instalados en vehículos eléctricos se basan principalmente en dos tipos de

tecnologías: los métodos expertos y los adaptativos recursivos. Los principales

fabricantes de automóviles mantienen en reserva las metodologías que utilizan, las

cuales son frutos de desarrollos propios y normalmente son patentados. Lo que

actualmente se sabe de los algoritmos con mayor precisión se han podido encontrar

en publicaciones de las principales revistas relacionadas con la ingeniería de control

y automatización. De toda la información obtenida se puede concluir que no existe

una sola tecnología que cumpla con las exigencias que define la dinámica del motor.

En el primer capítulo se analizará el modelo del motor de inducción en

espacio-estado propuesto que permitirá aplicar la metodología de estimación y

posteriormente realizar las simulaciones, tanto para condiciones de estado estable

como para los transitorios. Para ello se revisarán las transformadas de coordenadas

Clark y Park, las cuales permiten llevar el análisis al modelo D-Q y trabajar con

variables ficticias similares a las de un motor de corriente continua. En el segundo

capítulo se desarrollará la metodología de estimación de velocidad basada en un

observador de Luenberger y en un sistema adaptativo basado en un modelo de

referencia. En el tercer capítulo se implementará esta metodología en un programa

realizado en MATLAB, para lo cual se plantea un diagrama de flujo y se definen los

parámetros del motor que se tomarán en cuenta para la simulación. En el cuarto

capítulo se mostrarán los resultados de las simulaciones y la respuesta de este modelo

a diferentes condiciones de operación del vehículo. Por último, se presentarán las

conclusiones y recomendaciones que se deriven del presente estudio.

3
 Capítulo 1

DESCRIPCIÓN DE LA DINÁMICA DE UN MOTOR

DE INDUCCIÓN

1.1. Introducción

Por muchos años los motores de inducción fueron utilizados en aplicaciones

donde la velocidad de giro era prácticamente constante y el torque de la carga solo

variaba durante el proceso de arranque. Los estudios relacionados con este tipo de

motor estaban orientados a su comportamiento en estado estable, para lo cual el

modelo utilizado era principalmente el circuito equivalente aproximado por fase

(Sabana, 2012). A través de este modelo se realizada: los cálculos de sus variables

eléctricas, la determinación de sus parámetros internos, se hallaban las pérdidas

eléctricas y magnéticas, entre otros. Tal como se puede apreciar en la figura 1, este

circuito se basaba en el modelo utilizado para el estudio de transformadores de

corriente alterna, por la similitud existente entre ambas máquinas de inducción,

donde el estator es analizado como el lado primario y el rotor como el secundario.

Re Lle Ir Llr´

Io Ir´
Ie Ip Im
Vm Vr’ = n S Vm Rm´
Ve Rfe Lm

ESTATOR ROTOR

Figura 1. Circuito equivalente por fase de un motor asíncrono con transformador de

acoplamiento

4
 Sin embargo, este modelo estaba limitado al estudio en aplicaciones donde el

motor operaba en condiciones estables y su comportamiento dinámico ante

perturbaciones o cambios bruscos de velocidad y torque no eran trascendentes para el

sistema en el cual trabajaba. Durante mucho tiempo fueron los motores de corriente

continua los que dominaron el mercado en aplicaciones donde el control de

velocidad y torque eran necesarios, como era el caso de la industria papelera, las

imprentas, los sistemas de posicionamiento, etc. Como bien refiere (Leonhard,2008),

la diferencia fundamental entre ambos tipos de motores era que la distribución entre

la corriente de armadura y el flujo magnético principal es fija en el espacio en un

motor de corriente continua y puede ser controlada en forma independiente, mientras

que en un motor de inducción existe una fuerte dependencia entre ellas.

Es por ello que durante muchos años diversos estudios buscaron un nuevo

modelo que permitiera un control de la velocidad y del torque del motor de corriente

alterna por separado, donde además se tenga en cuenta los transitorios que se

presenten en las variables de control. Otra ventaja del motor de corriente continua era

que es un sistema lineal y por tanto muy fácil de controlar. En el año 1920 Robert H.

Park planteó una nueva teoría, en la cual transformaba los tres bobinados del estator

a dos bobinados ficticios dispuestos en cuadratura, similares a un motor de corriente

continua, pero girando en sincronismo con el campo magnético del rotor. Ello fue el

inicio de lo que posteriormente se llamó el Modelo Dinámico d-q, del cual se basa el

Control Vectorial.

1.2. Ejes de referencia directo-cuadratura (d-q)

Un motor de inducción es de por si una máquina muy compleja de analizar y

controlar, toda vez que resulta ser un sistema multi-variable, no lineal y con efectos

de acoplamiento interno (Bose, 2002). Por estas consideraciones sería más que

5
complicado realizar un análisis de este motor en el dominio del tiempo a través de

ecuaciones diferenciales. Es por ello que resulta conveniente un cambio de referencia

donde sin perder las propiedades electromagnéticas originales permita desacoplar el

sistema en componentes de velocidad y torque. Aun cuando no sea completamente

simétrico, un sistema trifásico en función del tiempo se puede representar en el

espacio mediante tres ejes ortogonales tal como se muestra en la figura 2. Para poder

realizar una adecuada transformación del sistema de referencias original trifásico a

uno bifásico es conveniente que el sistema original sea simétrico, sin componente

homopolar, equilibrado y que esté conformado por señales sinusoidales según

(Vernavá, Gibbons, Nachez, y Arias, 2008).

Vc
V(t)

b
Vb
Va
a

Figura 2. Representación de vector espacial mediante ejes ortogonales a, b y c.

Se establece un plano π perpendicular al componente homopolar H(t) en la

dirección de simetría respecto a los ejes ortogonales a, b y c, el cual llamaremos eje

“ ” . Dentro de este plano se definen los ejes α y β normales entre sí, donde el eje α

se define por la proyección perpendicular del eje “a” sobre el plano π. Si

consideramos un sistema trifásico simétrico y equilibrado, la componente homopolar

H(t) sería nula, en consecuencia, el vector espacial V(t) queda contenido en el plano

6
π, tal como se muestra en la figura 3. Para sistemas que presenten señales

sinusoidales (como un motor asíncrono), el vector V(t) describirá una trayectoria

circular en el plano π, con una velocidad angular w constante (Sabana, 2012).


v
0 V(t)

v


0

Figura 3. Representación de vector espacial de dos ejes fijos α-β del planoπ

En un sistema de ejes ortogonales (a,b,c), un voltaje trifásico de magnitud

Vm es representado por la ecuación 1.1:

(1.1)

La manera de llevar este sistema ortogonal trifásico al sistema de ejes de

referencias α y β, es a través de la matriz de cambio de base como lo

indican (Vernavá, Gibbons, Nachez, y Arias, 2008) con la ecuación 1.2, donde el

componente homopolar en el eje es nulo. Para lograr que ambos sistemas posean la

misma fuerza magneto-motriz (fmm), considerando que las corrientes en ambos

sistemas de referencia difieren, los números de espiras de los bobinados de fase

deben diferir en relación inversa a su corriente.

7
 (1.2)

Donde || ||=1 y la matriz inversa por

lo tanto son matrices orto-normales, con lo cual :

(1.3)

La ecuación 1.3 demuestra que el vector V(t) ubicado en el plano π y con ejes

de referencia α y β, posee una trayectoria circular tal como se muestra en la figura 3.

Esto solo es factible cuando la componente homopolar sea nula, para lo cual la carga

debería ser equilibrada. Hasta este momento los nuevos ejes de referencia son fijos,

siendo el vector V(t) el que está en constante movimiento circular. Si se quiere este

vector posea una referencia fija, se tendría que hacer girar ambos ejes en el plano π

con la misma velocidad (w) del vector y en torno al eje γ. A estos ejes rotantes los

llamaremos “d” y “q”. De la misma manera que en la transformada anterior, se debe

asegurar que la fuerza magneto-motriz se mantenga constante. Si definimos el

ángulo θ(t) como el movimiento de rotación de los ejes d y q respecto a los ejes fijos

α y β, la matriz de cambio sería representada por la ecuación 1.4:

(1.4)

8
 Donde al igual que en caso anterior , (Vernavá,

Gibbons, Nachez, y Arias, 2008) indican que se cumplirá la ecuación 1.5 de

transformación inversa:

(1.5)

con:

A través de las matrices de las transformadas anteriormente definidas, se ha

logrado convertir los valores de tensiones y corrientes variables en el tiempo en

forma sinusoidal en un eje de referencia ortogonal y trifásico (a, b, c), a valores

constantes en el eje de referencia d y q en régimen permanente; con lo cual el vector

espacial queda transformado a en un vector fijo respecto a los nuevos ejes. Dado que

el sistema es simétrico y equilibrado, los tres planos referidos (abc, αβγ, dq0) son

coincidentes ya que la componente homopolar es nula para los tres casos, tal como se

muestra en la figura 4.

e
q

 e = e t

vq
s
q
v

vd
e e
d
e

s
d

Figura 4. Representación de vector espacial de dos ejes rotativos

9
 1.3. Modelo dinámico con marco de referencia rotativo sincrónicamente

Luego de haber establecido los nuevos sistemas de referencias, quedaría

pendiente representar los circuitos del estator ( y del rotor ( en

dichos ejes. Para el caso del sistema bajo un marco de referencia que rote a una

velocidad de sincronismo con respecto a los ejes , donde ,

(aplicando las transformadas y ), el motor de inducción se

puede descrito por las ecuaciones 1.6, 1.7, 1.8 y 1.9 (Bose. 2002):

(1.6)

(1.7)

(1.8)

(1.9)

Los últimos términos de las ecuaciones 1.8 y 1.9 pueden ser definidos como

la fuerza electro-magnética (emf), la cual se debe a la rotación de los ejes. La

principal ventaja de este modelo dinámico es que todas las variables aparecen en

forma constante, lo cual lo hace conveniente para el control de velocidad y torque del

motor asíncrono. Los valores de los flujos magnéticos pueden ser representados en

base a las corrientes del estator y rotor en los ejes de referencia d y q:

(1.10)

(1.11)

(1.12)

(1.13)

(1.14)

(1.15)

10
 La ecuación 1.16 es la representación matricial del modelo dinámico con

marco de referencia rotativo resulta de la combinación de las ecuaciones 1.6 al 1.15

(Bose, 2002), siendo S es el operador de Laplace. Este sistema resultante se muestra

como un sistema lineal de cuarto orden, siempre que la velocidad angular del rotor wr

sea asumida constante.

(1.16)

Considerando que la velocidad angular es usualmente variable en el tiempo,

se relaciona esta velocidad con el torque producido por el motor eléctrico a través de

la ecuación 1.17 (Sbita & Ben Hamed, 2007), donde representa el torque de

carga a la cual está sometido el eje del motor, la inercia del rotor y la velocidad

mecánica. El torque del motor eléctrico también puede ser expresado por la ecuación

1.18 (Leonhard, 2008) relacionándolo con el flujo magnético y la corriente.

Finalmente, la ecuación 1.19 representa el torque en el modelo dinámico con marco

de referencia rotativo.

(1.17)

(1.18)

(1.19)

11
 Capítulo 2

ESTIMADOR DE VELOCIDAD CON MRAS Y

OBSERVADOR DE LUENBERGER

2.1. Introducción

Para poder realizar el control del motor asíncrono basado en el modelo

descrito en el capítulo anterior, es necesario contar con los valores en tiempo real de

las variables eléctricas, magnéticas y físicas que conforman las ecuaciones que

definen su comportamiento dinámico. La precisión que obtendremos en el control de

la velocidad de rotación como del torque estará relacionada con exactitud con la que

midamos estas variables. La medición de valores como el voltaje de alimentación o

la corriente del estator no implica mayor dificultad, toda vez que existe en el

mercado diferentes modelos de instrumentos, con distintos precios y precisiones que

se ajustan a nuestras necesidades. Sin embargo, la medición directa o indirecta de

variables como el flujo magnético se vuelve más compleja, tanto por lo difícil de su

montaje, el alto costo de los sensores y la falta de aseguramiento de una adecuada

precisión en la medición. En muchas aplicaciones conocer el valor de la velocidad

angular del rotor puede también resultar una tarea complicada.

Se dice que un sistema representado a través de espacio-estado es observable

si es posible determinar el valor de una de sus variables a partir de la observación de

una de las salidas de dicho sistema, tal como lo define (Ogata, 2003). Con la

representación del motor asíncrono en espacio-estado, a través del modelo dinámico

de la ecuación 1.16 u otro modelo, se podría determinar si el sistema resulta

observable y así prescindir de la medición (directa o indirecta) de algunas de las

variables de estado. En este capítulo se revisarán los conceptos teóricos del

12
observador de Luenberger de orden completo (con elección de una matriz de

ganancia óptima y adaptativa) y de un sistema adaptativo basado en un modelo de

referencia que permiten la estimación del flujo magnético y velocidad del rotor

respectivamente, según la metodología planteada por (Sbita & Ben Hamed,2007).

Si bien en el capítulo anterior se repasaron los cálculos para determinar el

modelo dinámico con marco de referencia rotativo sincrónicamente, en el cual se

basa el control vectorial de velocidad y torque del motor asíncrono, para el caso de la

estimación de la velocidad angular utilizaremos otro modelo dinámico considerando

un marco de referencia estacionario de ejes de referencias α y β (tal como se muestra

en la figura 3) y que resultan de la trasformación luego de aplicada la ecuación 1.3.

Las variables de estado definidas para este modelo serán la corriente del estator y los

flujos magnéticos del rotor representados en el nuevo sistema de referencia.

2.2. Modelo dinámico con marco de referencia estacionario

Si consideramos que la velocidad de sincronismo del modelo con marco de

referencia rotativo es igual a cero ( ), el sistema queda representado bajo un

marco de referencia estacionario. A este sistema de referencia podríamos llegar

utilizando la transformada (si contamos inicialmente con las variables

definidas en el eje de referencia ortogonal a,b,c) o a través de la transformada inversa

de (si tuviésemos ya las variables definidas en el eje de bifásico rotativo

d,q). Las ecuaciones 2.1, 2.2, 2.3 y 2.4 (Bose, 2002), definen el comportamiento del

motor en este marco de referencia estacionario:

(2.1)

(2.2)

(2.3)

13
 (2.4)

Cabe indicar que a diferencia del eje de referencia rotativo sincrónicamente,

en estos ejes de referencia estacionarios las variables eléctricas y magnéticas

aparecen como ondas sinusoidales, tanto de entrada como salida. Despejando de las

ecuaciones 2.1, 2.2, 2.3 y 2.4 la derivada del flujo rotórico, y reemplazando luego la

corriente estatórica con la ayuda de las ecuaciones del 1.10 al 1.15, se obtiene las

fórmulas 2.5 y 2.6.

(2.5)

(2.6)

Siendo la constante sigma . Dadas estas ecuaciones y,

tal como lo adelantamos en la introducción del presente capítulo, considerando como

variables de estado a las corrientes del estator y los flujos magnéticos del rotor

representados en este sistema de referencia estacionario, la representación espacio-

estado del motor de inducción sería la ecuación 2.7 (Sbita & Ben Hamed,2007).

(2.7)

14
Donde:

Al igual que en el modelo dinámico con marco de referencia rotativo, el

torque producido por el motor eléctrico puede ser expresado en términos del flujo del

rotor y de la corriente del estator, como se muestra en la ecuación 2.8. (Leonhard,

2008), relaciona el torque del motor eléctrico Te con el torque de la carga TL a través

de la fórmula 2.9, siendo J el momento de inercia y w la velocidad de giro del rotor.

(2.8)

(2.9)

15
 2.3. Observador de Luenberger

Tal como lo plantean (Kuo,1997), un sistema es completamente observable si

cada variable de estado afecta a una de sus salidas. Dicho de otra manera, cualquiera

de sus estados puede ser observado a partir de la medición de sus salidas. (Sbita &

Ben Hamed,2007). Se propone un observador de Luenberger adaptativo de orden

completo para la estimación del flujo del rotor y la corriente del estator, a través de

las mediciones de la misma corriente y del voltaje del estator. Como se observa en la

ecuación 2.10 (Sbita & Ben Hamed, 2007), es precisamente la diferencia entre la

salida real del sistema y la salida observada (e(t)) la que se multiplica por la matriz

de ganancia de realimentación de Luenberger L, con lo cual se asegura la estabilidad

del observador. son las matrices estimadas de X y A.

(2.10)

Si asumimos que la señal de velocidad wr es una constante conocida (Sabana,

2012), la matriz A fuese de igual manera constante, al ser la velocidad un elemento

de dicha matriz. Siendo la velocidad wr en realidad una variable, la matriz estimada

simboliza la matriz A, donde la velocidad angular es actualizada en cada iteración

con un periodo de muestreo considerablemente menor a la constante de tiempo del

sistema. De no ser así, es probable que exista una diferencia considerable entre el

estado estimado y el estado real. La ecuación 2.11 muestra el error de estimación de

estado, restando el modelo en espacio estado del motor con el modelo observado.

(2.11)

16
donde:

La ecuación diferencial del error 2.11 está compuesta por un elemento lineal

( ) y un elemento no-lineal ( ). Para poder asegurar la estabilidad del

sistema completo, la parte lineal de la ecuación debe ser estable y la parte no lineal

debe converger a cero o a una cantidad de energía mínima, y según (Astrom &

Wittenmark,2008), esto último es alcanzado a través de la selección de una adecuada

función de Lyapunov. Con el propósito de lograr la estabilidad del elemento lineal y

mantener la exactitud en la estimación tanto para bajas como para altas velocidades,

se debe elegir una matriz de ganancia L de tal manera que los polos de la matriz

característica A-LC sean estable. Para ello resulta conveniente utilizar un algoritmo

óptimo y adaptativo (Ogata, 2003), el cual esté basado en un regulador cuadrático

lineal (LQR) que me permita modificar la matriz de ganancia para lograr una rápida

convergencia y exactitud en la estimación de la corriente y el flujo. El principio de

diseño del LQR es el siguiente:

(2.12)

Donde la matriz Q debe ser semi-definida positiva y la matriz R definida

positiva. Si se define una constante (K) como la ganancia de realimentación de

elemento lineal, la cual debe permitir minimizar la performance del índice Im, la

17
ecuación 2.13 permitirá minimizar Im con respecto a esta constante K, siendo así

considerada como una matriz óptima. Reemplazando el valor que asume K en la

ecuación 2.12, la solución debe asegurar la estabilidad del sistema. A esta nueva

ecuación resulta ser ecuación diferencial, a la cual se le puede dar la forma de una

ecuación de Riccati (ecuación 2.14), donde P es la solución de esta ecuación de

matriz reducida. Finalmente se elige a como la ganancia del

observador de Luenberger que garantice que la matriz A-LC sea estable.

(2.13)

(2.14)

Hasta el momento solo se ha logrado minimizar el error entre las variables de

estado observadas y las reales, sin embargo el valor de la velocidad angular es aún

desconocido. Para ello se utilizará un sistema adaptativo con modelo de referencia,

donde el motor será considerado como el modelo de referencia y el sistema

observado como un modelo de ajuste, tal como se puede observar en la figura 5.

Como bien lo señala (Astrom & Wittenmark, 2008), es necesario obtener el error

entre las salidas del modelo real y la salida del modelo observado para luego poder

regular el mecanismo adaptativo y optimizar la estimación de velocida . Para este

caso, el voltaje de alimentación al estator sería la entrada para ambos modelos y la

corriente del estator será la salida, siendo el error entre la corriente real y la estimada

la variable que permite regular dicho mecanismo adaptativo. Existe dos maneras de

ajustar los parámetros en un MRAS: usando el método gradiente (regla MIT) o

aplicando la teoría de estabilidad.

18
Figura 5. Estimación de la velocidad de un motor de inducción utilizando un MRAS

Volviendo a la ecuación 2.11, la manera de asegurar la estabilidad global del

observador, habiendo ya logrado la estabilidad de la parte lineal, es buscando que la

parte no lineal converja a cero o a una cantidad mínima de energía, con lo cual el

sistema sería hiper-estable. Para este propósito aplicaremos el teorema de estabilidad

de Lyapunov, donde se elige una función V definida positiva, de tal manera que su

derivada sea semi-definida negativa. Si bien no existe un método universal que nos

permita construir una adecuada función de Lyapunov, la recomendación de (Astrom

& Wittenmark,2008) es probar con una función cuadrática. (Bose,2002) propuso la

función descrita en la ecuación 2.15, con una constante positiva. La derivada de

esta función la podemos apreciar en la ecuación 2.16.

(2.15)

(2.16)

con: .

19
 De la ecuación diferencial 2.16, se sabe que el primer término es semi-

definido negativo, debido al valor de establecido para lograr que la

parte lineal de la ecuación 2.11 (la matriz A-LC) sea estable. Si lo se logra que la

suma entre el segundo y tercer término de la ecuación 2.16 sea cero, se estaría

cumpliendo la condición de que la derivada de la función de Lyapunov V sea semi-

definida negativa. De esta condición se deriva la ecuación 2.17 (Sbita & Ben Hamed,

2007), la cual representa un esquema de adaptación para la estimación de la

velocidad a través de la aceleración.

(2.17)

(2.18)

Sabiendo que la velocidad puede cambiar rápidamente, se propone el

esquema adaptativo proporcional e integrativo de la ecuación 2.18, como resultado

de integrar la aceleración angula de la ecuación 2.17. Este algoritmo de adaptación

de la velocidad mejora en forma considerable la respuesta de la estimación, siempre

que de elija adecuadamente tanto la constante proporcional Kp como la constante

integrativa Ki. Luego de elegidas estas constantes, resulta que todos los términos de

la ecuación 2.18 son conocidos, debido a que se cuenta con la medición directa de las

corrientes del estator y la estimación de esta misma corriente y del flujo magnético

del rotor, con lo cual se ha definido un algoritmo de estimación de la velocidad

angular de un motor de inducción.

20
 2.4. Objetivo de la Tesis

Objetivo General

La presente tesis tiene como objetivo general, implementar una metodología para la

estimación de la velocidad angular de un motor de inducción instalado en un

vehículo eléctrico.

Objetivos Específicos

Describir una dinámica de un motor asíncrono trifásico y estudiar los conceptos

teóricos relacionados con la estimación de la velocidad angular de este motor de

inducción instalado en un vehículo eléctrico.

Revisar la metodología de estimación basada en el método propuesto por Sbita

Lassaâd y Ben Hamed Mouna.

Implementar un observador de Luenberger que permita estimar las variables de

estado, empleando un modelo de espacio estado del motor de inducción de corriente

alterna trifásico.

Realizar pruebas de simulación del estimador de velocidad del motor de inducción

propuesto, a fin de validar su funcionamiento.

21
 Capítulo 3

APLICACIÓN DE UN ESTIMADOR DE VELOCIDAD

USANDO MRAS BASADO EN UN OBSERVADOR DE

LUENBERGER

3.1. Introducción

Con todos los conceptos teóricos claramente definidos en los capítulos

anteriores, nos quedaría simular el estimador de la velocidad angular utilizando un

MRAS basado en observador de Luenberger, para luego en el siguiente capítulo

evaluar su eficacia y precisión ante diferentes condiciones y perturbaciones que se

pudieran presentar durante un funcionamiento normal. En la figura 6 se puede

apreciar el diagrama de flujo que permitirá la implementación de los algoritmos

revisados a través un programa que será escrito en lenguaje de bajo nivel. El

programa será desarrollado y simulado en el software Matlab, para lo cual se

establecerán un patrón del voltaje de alimentación del estator, cuya amplitud variará

en forma proporcional con la frecuencia con el propósito de mantener un máximo

torque a cualquier velocidad del motor de inducción. Si bien este comportamiento

del voltaje de entrada responde a un control escalar, el cual está basado en una

relación lineal voltaje-frecuencia, este programa podrá también ser simulado con otro

tipo de voltaje de alimentación, como por ejemplo el de un control vectorial.

Antes de iniciar con la programación del algoritmo de estimación de la

velocidad angular del motor de inducción trifásico (con rotor tipo jaula de ardilla),

los parámetros internos deberían ser previamente conocidos. La presente tesis no

incluye la medición, cálculo y/o estimación de dichos parámetros. En principio

resulta necesario determinar cuáles serían los valores que asumirían las constantes o

22
pesos que nos permitirán lograr una adecuada precisión y exactitud en la estimación.

Para el caso de los valores tanto de la matriz Q (diagonal 4x4) como de R (1x1),

sabemos de antemano que deberían ser positiva semi-definida y positiva definida

respectivamente. Debemos recordar que estas matrices son los pesos del regulador

cuadrático lineal (LQR) y multiplican al cuadrado del vector de estado y al cuadrado

de la señal de entrada. Si bien no existe un método que me permita saber cuáles

serían los valores de estos pesos que me aseguren un adecuado comportamiento de la

ganancia variable del observador de Luenberger, conocer el valor de la amplitud del

vector de estado (corriente y flujo magnético) puede servirnos para determinar la

proporción de estos pesos.

Otras constantes con mucha relevancia al momento de optimizar la

estimación son las constantes integrativa Ki y proporcional Kp de la ecuación 2.18.

La constante integrativa permite mejorar el performance del seguimiento de la

velocidad estimada versus la velocidad real, mientras que la constante proporcional

ayuda en atenuar la sensibilidad ante ruidos. Al igual que en el caso de las matrices Q

y R, no existe un método para hallar el valor estos pesos, sin embargo, (Sbita & Ben

Hamed, 2007) sugieren considerar valores de la constante integrativa altos para

lograr un rápido seguimiento de la velocidad, mientras que recomiendan valores de la

constante proporcional bajos para atenuar las señales de alta frecuencia proveniente

de algún tipo de ruido. Se realizaron pruebas con valores de Ki que iban desde

10,000 hasta 100, y valores de Kp que iban desde 10 hasta 0.0001. Lo que vino

después fue probar con diferentes combinaciones de valores de estos pesos y

verificar la respuesta en las simulaciones.

q1 = input('Ingrese el peso q1 : ');

q2 = input('Ingrese el peso q2 : ');

23
 q3 = input('Ingrese el peso q3 : ');

q4 = input('Ingrese el peso q4 : ');

Q = diag([ q1 q2 q3 q4]);

Kp = input('Ingrese la constante proporcional (Kp) : ');

Ki = input('Ingrese la constante integrativa (Ki) : ');

Como se puede apreciar en la figura 6, el diagrama de flujo muestra los

diferentes pasos que sigue esta metodología implementada, iniciando con el ingreso

de los pesos y valores que permitirán minimizar los errores de estimación.

Posteriormente se actualiza las matrices de estado teóricas A y C, con el valor de

velocidad calculado en la iteración anterior. Luego se resuelve la ecuación de Riccati

para con ello calcular la ganancia de realimentación L del observador de

Luemberger. Con los valores de las matrices A, C y L, se calculan las matrices

observadas Ao y Co. Paso siguiente se resuelve la ecuación de estado observada,

hallando el valor del flujo del rotor que forma parte del vector de estado. Finalmente

utilizando una función candidata de Lyapunov, se estima la velocidad del motor. En

los diferentes puntos de este capítulo de describe a detalle la justificación y el

fundamento teórico de cada al algoritmo utilizado para la estimación final de la

velocidad angular.

24
 Inicio

Inicializar: la velocidad angular, la matriz de pesos para la

solución de ecuación de Riccati, y las ganancias proporcional
e integrativa para el cálculo de la velocidad angular:
Q0, KP, KI

Actualizar matrices de estado A y C con el

dato de la velocidad angular estimada.

Se resuelve ecuación de Riccati y se halla la la

ganancia de realimentación del observador de
Luemberger L.

Con el dato de la ganancia L y de las matrices

A y C, se calcula las matrices observadas :
Ao y Co

Estimación del vector de estados:

X(k+1)=Ao X(k)+Bo Vs + Lo Y(k)

Estimación de velocidad angular utilizando

una función candidata de Lyapunov

No
No de datos = N

Si

Guardar resultados

Fin

Figura 6. Diagrama de flujo para la estimación de la velocidad de un motor de

inducción

25
 3.2. Implementación del modelo del motor de inducción

Como se estableció en el capítulo 2.2, para la estimación de la velocidad

angular utilizaremos el modelo dinámico del motor de inducción bajo un marco de

referencia estacionario con ejes de referencias α y β, representado por la ecuación

2.7. Para poder implementar el MRAS es necesario contar con el modelo real del

motor, el cual servirá como modelo de referencia. Salvo el valor de la velocidad,

todos los demás parámetros que conforman las matrices del modelo en espacio-

estados son constantes previamente conocidas. Para poder hallar la velocidad

variable teórica que desarrollará el motor, bajo las condiciones de voltaje de entrada

que establezcamos, se utilizarán las fórmulas 2.8 y 2.9, las cuales relacionan el

torque del motor eléctrico Te, el torque de la carga TL y la aceleración angular, para

posteriormente integrando la ecuación de la aceleración, hallar la velocidad real del

motor. Este último será incluido en el lazo de la figura 6.

a11=-(Lm*Lm*Rr+Lr*Lr*Rs)/(alpha*Ls*Lr*Lr); a12=0;

a13=(Lm*Rr)/(alpha*Ls*Lr*Lr); a14=(Lm*wr*polos)/(alpha*Ls*Lr);

a21=0; a22=-(Lm*Lm*Rr+Lr*Lr*Rs)/(alpha*Ls*Lr*Lr);

a23=-(Lm*wr*polos)/(alpha*Ls*Lr); a24=(Lm*Rr)/(alpha*Ls*Lr*Lr);

a31=Lm*Rr/Lr; a32=0; a33=-Rr/Lr; a34=-wr*polos;

a41=0; a42=Lm*Rr/Lr; a43=wr*polos; a44=-Rr/Lr;

A = [ a11 a12 a13 a14

a21 a22 a23 a24

a31 a32 a33 a34

a41 a42 a43 a44 ];

b11=1/(alpha*Ls); b12=0; b21=0; b22=1/(alpha*Ls);

b31=0; b32=0; b41=0; b42=0;

26
 B = [ b11 b12

b21 b22

b31 b32

b41 b42 ];

C=[ 1 0 0 0

0 1 0 0 ];

3.3. Implementación del observador de Luenberger y de un MRAS

Una vez establecidas las matrices que conforman el modelo espacio-estado

del motor, se debe crear los vectores que representan los voltajes de entrada el cual

someterá el modelo en el sistema de referencia de ejes α y β. La forma del voltaje

(amplitud y frecuencia), los parámetros internos del motor, el torque que desarrollará

la carga y el tiempo de muestreo serán establecidos en el siguiente capítulo, cuando

se simulen al motor instalado en un vehículo eléctrico. La actualización de las

matrices del modelo de referencia (real) y del modelo ajustable, serán realizadas

dentro del lazo de la figura 6, que terminará cuando se haya sometido al motor a todo

el voltaje de entrada definido. Se debe tener en cuenta que todas las matrices

incluidas en este algoritmo estarán en forma discreta. En el programa wx y wrh

representan a la velocidad real y estimada. Las constantes de las formas axx y bxx

representan los elementos de las matrices A y B (Ak y Bk en forma digital):

a14=(Lm*wx*polos)/(alpha*Ls*Lr); a23=-(Lm*wx*polos)/(alpha*Ls*Lr);

a34=-wx*polos; a43=wx*polos;

Ak=[1+a11*dt a12*dt a13*dt a14*dt

a21*dt 1+a22*dt a23*dt a24*dt

a31*dt a32*dt 1+a33*dt a34*dt

a41*dt a42*dt a43*dt 1+a44*dt ];

27
 Bk=[b11*dt b12*dt

b21*dt b22*dt

b31*dt b32*dt

b41*dt b42*dt];

Para la actualización de las matrices observadas, en el capítulo 2.3 se

estableció que se debe de contar con un observador adaptativo de orden completo, el

cual está representado por la ecuación 2.10. Al igual que en la matriz característica

del modelo teórico (real), la matriz observada Ah solo requiere actualizar los

elementos que incluyen a la velocidad estimada (calculada en la iteración anterior del

bucle), para posteriormente llevarla a su forma discretas. Luego se debe calcular la

matriz de ganancia de realimentación de Luemberger L, la cual se actualiza en cada

iteración multiplicando la constante R, la matriz de entrada B y la matriz P que

resulta de la solución de la ecuación de Riccati 2.14, para posteriormente llevarla a

su forma discreta, donde ahxx son los elementos de la matriz Ah.

a14=(Lm*wrh*polos)/(alpha*Ls*Lr); a23=-(Lm*wrh*polos)/(alpha*Ls*Lr);

a34=-wrh*polos; a43=wrh*polos;

Ah = [ a11 a12 a13 a14

a21 a22 a23 a24

a31 a32 a33 a34

a41 a42 a43 a44 ];

Ahk=[1+a11*dt a12*dt a13*dt a14*dt

a21*dt 1+a22*dt a23*dt a24*dt

a31*dt a32*dt 1+a33*dt a34*dt

a41*dt a42*dt a43*dt 1+a44*dt];

R=[1]; P = are(Ah',B*inv(R)*B',Q); L=P*B;

28
 Bhk=Bk;

l11=L(1,1); l12=L(1,2); l21=L(2,1); l22=L(2,2);

l31=L(3,1); l32=L(3,2); l41=L(4,1); l42=L(4,2);

Lk=[l11*dt l12*dt

l21*dt l22*dt

l31*dt l32*dt

l41*dt l42*dt];

Por último, se actualizan los vectores de estado tanto del modelo teórico real

(referencia) como del modelo observado. Es precisamente el mecanismo ajuste del

modelo observado el producto entre la matriz de Luemberger L y la diferencia entre

el vector de estado real y el observado. Luego de la ecuación candidata de Lyapunov

2.15 derivamos la ecuación de la velocidad 2.18, la cual la conforman las diferencias

entre las corrientes y los flujos reales y observados (en los ejes de referencia α y β), y

dos constantes: Kp proporcional y Ki integrativa. Finalmente la velocidad real se

calcula de la ecuación 2.9, integrando la aceleración angular la cual depende del

torque del motor eléctrico y del torque de la carga. A continuación se muestra la

programación del cálculo final de este algoritmo..

x = Ak*x + Bk*[vs(1,k) vs(2,k)]' ;

xh = Ahk*xh+Bhk*[vs(1,k) vs(2,k)]'+Lk*(y-C*xh);

e_ias=y(1,1)-xh(1,1); e_ibs=y(2,1)-xh(2,1);

dif1=e_ias*xh(4,1)-e_ibs*xh(3,1);

integra_1=integra_1+dif1*dt;

wrh=Kp*(dif1)+Ki*integra_1;

Te=polos*(x(3,1)*x(2,1)-x(4,1)*x(1,1)); %Tl=50*torque_q(k,1);

wp=(Te-Tl)/Jm; wx =wx+wp*dt;

29
 Capítulo 4

SIMULACIÓN DEL ESTIMADOR DE VELOCIDAD

DE UN MOTOR DE INDUCCIÓN EN UN VEHÍCULO

ELÉCTRICO

4.1. Introducción

En el presente capítulo se presentarán los parámetros internos de un motor de

inducción que será utilizado para las simulaciones, además las señales de voltaje a la

cual será sometido este sistema para evaluar su comportamiento en diferentes

condiciones de carga. Existe mucha reserva en la información técnica por parte de

los principales fabricantes de automóviles eléctricos (muchas de estas

investigaciones están patentadas), con lo cual acceder a juegos de parámetros

internos típicos de un motor inducción utilizados en autos eléctricos resultó una tarea

complicada. Como se refirió en el capítulo anterior, la estimación de los parámetros

internos no es propósito de este trabajo de investigación por lo cual los valores serán

tomados del trabajo de investigación de Staton y Gross (2017). Estos parámetros

corresponden a un motor del modelo S de la marca Tesla de 193KW a 6,100rpm y de

330 Nm. Cabe señalar que el algoritmo presentado puede trabajar perfectamente en

cualquier tipo de motor de inducción, siempre que se conozcan sus parámetros

internos que permitan encontrar las ganancias que puedan sintonizar adecuadamente

la estimación.

Antes de definir el torque al cual estará sometido el motor de inducción a

distintas velocidades, se debería tener en cuenta las pérdidas presentes en las

diferentes partes que componen la cadena cinemática típica de un auto eléctrico, el

cual estará conformado por el mismo motor y el sistema de transmisión hacia las

30
ruedas motrices del vehículo (Ingemecánica, 2017). A manera de referencia, el

modelo S de la marca Tesla posee un sistema de transmisión conformado únicamente

por una caja reductora simple y el diferencial (Learn Engineering, 2017).

Conociendo cada pérdida y el diámetro de las ruedas, se puede relacionar la

velocidad de marcha del vehículo con la velocidad angular del motor. Para efectos de

nuestra simulación, se probará la eficacia del algoritmo de estimación de velocidad

angular tomando en cuenta únicamente el torque de la carga ante diferentes

condiciones de conducción (aceleración, desaceleración, rampa ascendente, rampa

descendente y pista libre), despreciando otro tipo de pérdida.

4.2. Pruebas de Simulación

Se estará sometiendo a este modelo a un patrón de velocidad o “Driving

Cycles” planteado por el estándar europeo ECR R15 lo cual permitirá mostrar el

grado de eficacia de dicho algoritmo. Este patrón considera la aceleración del

vehículos desde cero (vehículo detenido) a tres diferentes velocidades: 50 rad/seg,

100 rad/seg y 180 rad/seg, manteniendo el vehículo a velocidad constante por 5

segundos y desacelerando hasta detenerlo antes de la siguiente velocidad. La

amplitud y la frecuencia del voltaje a la cual se someterá el modelo serán

establecidas acordes a las características del motor y al plan de conducción descrito

en el presente párrafo. Los parámetros internos del motor serían los siguientes:

Rs=0.04224; Ls=0.001269;

Rr=0.04117; Lr=0.001932;

Lm=0.000911; polos=4/2

Jm=2.5;

31
 A través del voltaje de alimentación se logrará la aceleración, desaceleración,

la marcha continua (variando la frecuencia) y además poder generar el torque

necesario para manejar la carga (variando la amplitud). Para esta simulación se

trabajará con la relación amplitud / frecuencia del voltaje de alimentación constante,

condición que se da en los variadores de velocidad con control escalar. Mantener la

relación voltaje / frecuencia constante permitirá que el motor desarrolle el máximo

torque en todo momento (pues el flujo magnético sería el máximo),

independientemente de la velocidad en la que se esté trabajando. Cabe indicar que en

los variadores de velocidad con control vectorial esta relación no se mantiene

necesariamente constante, pues estos tipos de variadores solo desarrollan el torque

necesario para la carga momentánea, lo cual lo vuelve mucho más eficiente

considerando que con ello se minimizan las pérdidas magnéticas (por histéresis y por

efecto Eddy).

Voltaje alpha Estator

400

200

0
V

-200

-400
0 5 10 15 20 25
s
Voltaje beta Estator
400

200

0
V

-200

-400
0 5 10 15 20 25
s

Figura 7. Voltaje de alimentación (Alpha, Beta)

32
 Como se puede apreciar en la figura 7, la amplitud del voltaje nominal del

motor de inducción es 365 V, la frecuencia de placa es de 60 Hz y la potencia es de

193 KW, con 0.85 de factor de potencia. Se generó esta forma de voltaje para poder

desarrollar el patrón de velocidad establecido por el estándar europeo ECR R15. Se

inicia con la aceleración hasta llegar a la velocidad angular de 50 rad/seg durante 5

segundos. Luego se realizan las variaciones del voltaje para las velocidades de 100

rad/seg y 180 rad/seg. Simultáneamente sometemos al sistema a cargas externas que

representan: subidas en pendientes, aumento de una carga constante (debido

posiblemente a más peso que soporta el vehículo) y un incremento progresivo del par

en relación cuadrática con la velocidad, como la ejercida por la resistencia

aerodinámica a pesar de por el diseño de los vehículos modernos esta no es muy

representativa, pero si permite evaluar la respuesta del algoritmo.

Torque Eléctrico

500
Nm

-500

0 5 10 15 20 25
s
Torque de carga

500
Nm

-500

0 5 10 15 20 25
s

Figura 8. Torque del motor eléctrico y torque de carga

En la figura 8 se muestra el torque de la carga y el torque desarrollado por el

motor, ambas curvas en unidades de N.m. Como se explicó en el párrafo anterior, el

33
 torque de carga se ha simulado en base al comportamiento del vehículo en

movimiento, mientras que el torque del motor es producto del cálculo de la ecuación

1.19. En la figura 9 se aprecia la corriente del estator y el flujo magnético del rotor,

variables que resultan del voltaje aplicado al sistema. Ambas variables son estimadas

(Obervador de Luenberger), aunque la corriente también es medida y es

precisamente la diferencia entre la corriente estimada y real la que sirve como

mecanismo de ajuste para optimizar la estimación. En la figura 10 se puede observar

el error entre la corriente estimada y la real.

Corriente alpha Estator (real->rojo / observada->azul)

2000

0
A

-2000
0 5 10 15 20 25
s
Corriente beta Estator (real->rojo / observada->azul)
5000

0
A

-5000
0 5 10 15 20 25
s
Flujo alpha del Rotor (real->rojo / observada->azul)
1
Wb

-1
0 5 10 15 20 25
s
Flujo beta del Rotor (real->rojo / observada->azul)
1
Wb

-1
0 5 10 15 20 25
s

Figura 9. Corriente del estator y flujo del rotor, estimada y real (Alpha, Beta)

34
 Error de Corriente alpha
1000

500

0
A

-500

-1000
0 5 10 15 20 25
s

Error de Corriente beta

1000

500

0
A

-500

-1000
0 5 10 15 20 25
s

Figura 10. Error entre la corriente estimada y la real (Alpha, Beta)

4.3. Análisis de Resultados

Como resultado de haber implementado las metodologías basadas primero en

un observador de Luenberger (para la estimación del flujo magnético del rotor y la

corriente del estator) y luego con un sistema adaptativo basado en un modelo de

referencia (MRAS), se logra estimar la velocidad angular del rotor. En la figura 11 se

muestran las velocidades angulares observada en color azul y la velocidad real del

motor en rojo, y el error resultante entre ambas señales. Como se puede apreciar en la

gráfica, las señales se superponen adecuadamente y aparentan ser solo una señal. Es

por ello que en la gráfica el error es muy cercano a cero en gran parte de la

trayectoria (menor al 1%), salvo durante el instante del cambio de velocidad tanto en

forma ascendente como en forma descendente. Este fenómeno es fácil de compensar

con filtros digitales, pero no será motivo de este estudio ahondar en ello. El análisis

de esta gráfica ha permitido verificar la eficacia del algoritmo planteado.

35
 Velocidad angular (real->rojo / observada->azul)
200

150
rad/s

100

50

0
0 5 10 15 20 25
s

Error de Velocidad angular

20

10
rad/s

-10

-20
0 5 10 15 20 25
s

Figura 11. Velocidad angular estimada y real

36
 CONCLUSIONES

Se implementó una metodología eficiente para la estimación de la velocidad

angular de un motor de inducción instalado en un vehículo eléctrico, la cual resulta

en un error despreciable comparado con la velocidad real del vehículo.

Se realizó el modelado de un motor de inducción empleando en un vehículo eléctrico

(Tesla modelo S) para lo cual se utilizó la representación de este motor en espacio-

estado, siendo este un modelo multi-variable, no lineal y con efectos de acoplamiento

interno. En base a este modelo, se realizó el diseño del observador de Luenberger

para la estimación de las variables de estado del motor de inducción.

Se implementó para el motor seleccionado un sistema adaptativo basado en un

modelo de referencia (MRAS) para la estimación de la velocidad angular del rotor,

cuyos parámetros fueron ajustados aplicando teoría de estabilidad a través de una

función candidata de Lyapunov.

En base a este estudio se demuestra que este algoritmo de estimación de la

velocidad angular de un motor de inducción puede ser implementado sin

inconvenientes en aplicaciones como en un vehículo eléctrico. En muchas otras

investigaciones anteriores se probó su eficiencia en aplicaciones industriales como en

bombas o compresores (Sabana, 2012). El reto estaría en calcular los parámetros

internos del motor para que el modelamiento sea el más fidedigno posible.

37
 RECOMENDACIONES

En la actualidad existen muchos otros estudios para la estimación de la

velocidad angular basados diversas metodologías, como los basados en métodos

expertos (Ozer & Akin, 2001), (Kuchar, Brandstetter & Kaduch, 2004), los cuales

estiman la velocidad utilizando redes neuronales. Otros estudios se basan en métodos

adaptativos recursivos con especial atención en sistemas con presencia de ruido

blanco (Shi, Chan, Wong & Ho, 2000), (Gunabalan, Subbiah, & Reddy, 2009),

basados en el uso de un filtro Kalman. De todas estas metodologías revisadas se

puede concluir que no existe alguna que cubra todas las exigencias presentadas en

casos reales de estimación (Sabana, 2012).

Sin embargo, hay mecanismos que podrían ayudar a paliar algunas de las

desventajas que muestran estos desarrollos (filtros realizados por hardware para

ruidos en la medición de la corriente, procesadores de alto rendimiento DSP). Se

recomienda que, sobre la base de los estudios referidos y la simulación presentada en

el presente trabajo, seguir investigando sobre cómo mejorar la estimación y el control

de la velocidad en general. Se debe tener en cuenta que en pocos años los vehículos

eléctricos dominarán el mercado automotriz, lo cual implicará que aumente la

demanda de profesionales que cuenten con conocimientos profundos de estos tipos

de sistemas.

38
 BIBLIOGRAFÍA

Astrom, K. & Wittenmark, B. (2008). Adaptive Control (2nd ed.). New York, NY:

Dover Publications, Inc.

Bose, B. (2002). Modern Power Electronic and AC Drive. New Jersey, NJ: Prentice-

Hall PTR

Gunabalan, R., Subbiah, V. & Reddy, B. (2009). Sensorless Control of Induction

Motor with Extended Kalman Filter on TMS320F2812 Processor. ACEEE,

International Journal of Recent Trends in Engineering, Vol. 2, No.5,

November 2009, 14-19

Ingemecánica. (2017). La Potencia y el Par Motor, Estudio de la Cadena

Cinemática, Estabilidad en los Vehículos. Recuperado de

http://www.census.gov/ipc/www /idbsum.html

Kuchar, M., Brandstetter, P. & Kaduch, M. (2004). Sensorless Induction Motor

Drive with Neural Network. IEEE, 2004 35th Annual IEEE Power Electronics

Specialists Conference, 3301–3305.

Kuo, B. (1996). Sistema de Control Automático (7ma ed.). Juárez, México: Prentice-

Hall PTR

Learn Engineering. (Productor). (2017, mayo). How does an Electric Car work?.

Recuperado de https://www.youtube.com/watch?v=3SAxXUIre28

Leonhard, W. (2008), Control of Electrical Drives (3ra ed.). Barcelona, España:

Springer.

Ogata, K. (2003). Ingeniería de Control Moderna (4ta ed.). Madrid, España: Pearson

Educación S.A.

Ogata, K. (1996). Sistemas de Control en Tiempo Discreto (2da. ed.). Madrid,

España: Pearson Educación S.A.

39
Ozer, B. & Akin, E. (2001). Artificial Neural Network based Speed Estimator for

Vector Controlled Induction Motor. ELECO 2001, Bursa,Turkey

Rodríguez, J. (2015, 11 de junio). ¿Qué hace la industria automotriz para ser verde?

AltoNivel. Recuperado de https://www.altonivel.com.mx/ 51545-3-nuevas-

tendencias-en-industria-automotriz-de-mexico/

Sabana, J. (2012). Métodos de estimación de velocidad en motores de inducción

controlados vectorialmente (Tesis de maestría), Pontifica Universidad

Católica del Perú, Lima, Perú.

Sabana, J. & Morán, A. (2012). Análisis Comparativo entre Metodologías de

Estimación de Velocidad en Motores de Inducción Controlados

Vectorialmente. XV Congreso Latinoamericano de Control Automático.

Lima, Perú.

Sbita, L. & Ben Hamed, M. (2007, Mayo). An MRAS - based full Order Luenberger

Observer for Sensorless DRFOC of Induction Motor. ICGST-ACSE Journal,

7(1), 11-20.

Shi, K., Chan, T., Wong, Y. & Ho, S. (2000). Speed Estimation of an Induction

Motor Drive using Extended Kalman Filter. IEEE, Power Engineering

Society Winter Meeting, 2000 IEEE.

Staton, D. & Goss, J. (2017). Open Source Electric Motor Models for Commercial

EV& Hybrid Traction Motors. Coil, Winding, Electric Motor & Transformer

Manufacturin 2017. Berlin, Alemania.

Vernavá, A., Gibbons, R., Nachez, M. & Arias, M. (2008). Control Vectorial del

Motor Asíncrono. Universidad Nacional del Rosario. Recuperado de

http://potencia.eie.fceia.unr.edu.ar/CONTROL%20 VECTORIAL.pdf

40