Search

Bu çalışmada hız duyaçsız alan yönlendirmeli endüksiyon motor denetiminde uygulamaya yönelik durum tahmin yöntemleri geliştirilmiştir. Sunulan tüm yöntemlerin kuramsal içeriği ayrıntılı olarak araştırılmış ve bu yöntemlerin başanmlan benzetim yoluyla ve deneysel olarak test edilmiştir. İlk olarak, doğrusal olmayan sistemlerde durum tahmini için geliştirilmiş olan EKF yöntemi ele alınmıştır. Bu yönteme uyarlanan motor modeli, rotor hızı, rotor akıları ve rotor akımları aym anda birlikte tahmin edilmeye yönelik olarak tasarlanmıştır. Genellikle EKF başarımı ya kararh-durum ya da geçici-durum için ayrı ayrı olarak en iyilendirilmeye çalışılır. Burada kullanılan ANLP yöntemiyle desteklenerek EKF nin başarımı hem kararlı-durumda hem geçici-durumda birlikte en iyileştirilmiştir. Ek olarak EKF yönteminin ölçüm hatalarına olan duyarlılığıda test edilmiştir. EKF` ye ek olarak EKF'nin geliştirilmiş bir versiyonu olan UKF yöntemi, endüksiyon motorlarında bir durum tahmin tekniği olarak sunulmuştur. UKF yönteminde sistemi doğrusal yapmak için uygulanan türev alma yöntemleri ve bu yöntemler için gerekli olan ve hesaplamaları zorlaştıran bazı basamaklar kullamlmamıştır. Ayrıca UKF modeli belirsizlikleri gerçeğe daha yakın bir tarzda hesaplar. UKF nin bu üstün özelliklerinin motor durum tahminine nasıl olumlu yansıdığı gösterilmiştir. Bunlara ek olarak MRAS yöntemi de rotor hız tahmini için endüksiyon makinesi modeline uyarlanmıştır. Bunun için MRAS modeli geri besleme ve reaktif güç yöntemleri şeklinde isimlendirilen iki farklı algoritma ile denenmiş ve hız tahmini bu algoritmalarla yapılmıştır. Son olarakta, geliştirilmiş bir akı tahmin yöntemi ve bir açık döngüm hız talimin yöntemi durum tahmini için uygulanmıştır. Bu yöntemlerle, stator-rotor akılarım, rotor hızım ve rotor açışım hesaplamak mümkündür. Burada kullanılan akı tahmin yönteminde gerilim yöntemi olarak bilinen akı tahmin yöntemi akım modeli ile kapalı bir döngü sayesinde desteklenmiştir.Anahtar Kelimeler : Endüksiyon motor sürücüsü, sensörsüz alan yönlendirmeli kontrol, durum tahmini, EKF, UKF, MRAS This thesis presents different state estimation techniques for speed sensorlees field oriented control of induction motors. The theoretical basis of each algorithm is explained in detail and its performance is tested with simulations and experiments individually. First, a stochastical nonlinear state estimator, Extended Kalman Filter (EKF) is presented. The motor model designed for EKF application involves rotor speed, dq-axis rotor fluxes and dq-axis stator currents. Thus, using this observer the rotor speed and rotor fluxes are estimated simultaneously. Different from the widely accepted use of EKF, in which it is optimized for either steady-state or transient operations, here using adjustable noise level process algorithm the optimization of EKF has been done for both states; the steady-state and the transient-state of operations. Additionally, the measurement noise immunity of EKF is also investigated. Second, Unscented Kalman Filter (UKF), which is an updated version of EKF, is proposed as a state estimator for speed sensorless field oriented control of induction motors. UKF state update computations, different from EKF, are derivative free and they do not involve costly calculation of Jacobian matrices. Moreover, variance of each state is not assumed Gaussian, therefore a more realistic approach is provided by UKF. In this work, the superiority of UKF is shown in the state estimation of induction motor. Third, Model Reference Adaptive System is studied as a state estimator. Two different methods, back emf scheme and reactive power scheme, are applied to MRAS algorithm to estimate rotor speed. Finally, a flux estimator and an open-loop speed estimator combination is employed to observe stator-rotor fluxes, rotor-flux angle and rotor speed. In flux estimator, voltage model is assisted by current model via a closed-loop to compensate voltage model's disadvantages. Keywords: Induction motor drive, sensorless field-oriented control, state estimation, EKF, UKF, MRAS 210