[article] 
inIEEE transactions on industrial electronics > Vol. 54 N°1 (Fevrier 2007) . - 281-295 p.

Titre :	Motion Control of Linear Induction Motor via Petri Fuzzy Neural Network
Titre original :	Commande de Mouvement de Moteur à Induction Linéaire par l'Intermédiaire de Réseau Neurologique Brouillé de Pétri
Type de document :	texte imprimé
Auteurs :	Rong-Jong Wai, Auteur ; Chia-Chin Chu, Auteur
Année de publication :	2007
Article en page(s) :	281-295 p.
Note générale :	Génie Electrique
Langues :	Anglais (eng)
Mots-clés :	Fuzzy neural networks (FNN) Indirect field-oriented mechanism Linear induction motor (LIM) Petri net (PN) Varied learning rates.Réseaux neurologiques brouillés Mécanisme champ-orienté indirect Moteur à linéaire Réseau de Pétri Taux d'étude divers.
Index. décimale :	621.38 Dispositifs électroniques. Tubes à électrons. Photocellules. Accélérateurs de particules. Tubes à rayons X
Résumé :	This paper focuses on the development of a Petri-fuzzy-neural-network (PFNN) control for an indirect field-oriented linear-induction-motor (LIM) drive. First, an indirect field-oriented mechanism for a LIM drive is derived to preserve the decoupling control characteristic. Then, the concept of a Petri net (PN) is incorporated into a traditional FNN (TFNN) to form a new type of PFNN framework for alleviating the computation burden. Moreover, the supervised gradient descent method is used to develop the online training algorithm for the PFNN. In order to guarantee the convergence of tracking error, analytical methods based on a discrete-type Lyapunov function are proposed to determine the varied learning rates of the PFNN. With the proposed PFNN control system, the mover position of the controlled LIM drive possesses the advantages of good transient control performance and robustness to uncertainties for the tracking of periodic reference trajectories. In addition, the effectiveness of the proposed control scheme is verified by both numerical simulations and experimental results. Furthermore, the superiority of the proposed PFNN control system is indicated in comparison with the TFNN control system. Cet article se concentre sur le développement d'une commande brouillée du réseau neurologique de Pétri (PFNN) pour une commande linéaire champ-orientée indirecte du moteur à induction (LIM). D'abord, un champ indirect a orienté le mécanisme pour une commande de LIM est dérivé pour préserver la caractéristique de découplage de commande. Puis, le concept d'un réseau de Pétri (PN) est incorporé à un FNN traditionnel (TFNN) pour former un nouveau type de cadre de PFNN pour alléger le fardeau de calcul. D'ailleurs, la méthode dirigée de descente de gradient est employée pour développer l'algorithme en ligne de formation pour le PFNN. Afin de garantir la convergence de l'erreur de cheminement, on propose des méthodes analytiques basées sur un discret-type fonction de Lyapunov pour déterminer les taux de étude divers du PFNN. Avec le système de commande proposé de PFNN, la position de moteur de la commande commandée de LIM possède les avantages de la bonnes exécution et robustesse passagères de commande aux incertitudes pour le cheminement de la trajectoire périodique de référence. En outre, l'efficacité de l'arrangement proposé de commande est vérifiée par des simulations numériques et des résultats expérimentaux. En outre, la supériorité du système de commande proposé de PFNN est indiquée en comparaison du système de commande de TFNN.
DEWEY :	621
ISSN :	0278-0046
En ligne :	rjwai@saturn.yzu.edu.tw, ccjue.@haotmail.com

[article] Motion Control of Linear Induction Motor via Petri Fuzzy Neural Network = Commande de Mouvement de Moteur à Induction Linéaire par l'Intermédiaire de Réseau Neurologique Brouillé de Pétri [texte imprimé] / Rong-Jong Wai, Auteur ; Chia-Chin Chu, Auteur . - 2007 . - 281-295 p.
Génie Electrique
Langues : Anglais (eng)
in IEEE transactions on industrial electronics > Vol. 54 N°1 (Fevrier 2007) . - 281-295 p.

Mots-clés :	Fuzzy neural networks (FNN) Indirect field-oriented mechanism Linear induction motor (LIM) Petri net (PN) Varied learning rates.Réseaux neurologiques brouillés Mécanisme champ-orienté indirect Moteur à linéaire Réseau de Pétri Taux d'étude divers.
Index. décimale :	621.38 Dispositifs électroniques. Tubes à électrons. Photocellules. Accélérateurs de particules. Tubes à rayons X
Résumé :	This paper focuses on the development of a Petri-fuzzy-neural-network (PFNN) control for an indirect field-oriented linear-induction-motor (LIM) drive. First, an indirect field-oriented mechanism for a LIM drive is derived to preserve the decoupling control characteristic. Then, the concept of a Petri net (PN) is incorporated into a traditional FNN (TFNN) to form a new type of PFNN framework for alleviating the computation burden. Moreover, the supervised gradient descent method is used to develop the online training algorithm for the PFNN. In order to guarantee the convergence of tracking error, analytical methods based on a discrete-type Lyapunov function are proposed to determine the varied learning rates of the PFNN. With the proposed PFNN control system, the mover position of the controlled LIM drive possesses the advantages of good transient control performance and robustness to uncertainties for the tracking of periodic reference trajectories. In addition, the effectiveness of the proposed control scheme is verified by both numerical simulations and experimental results. Furthermore, the superiority of the proposed PFNN control system is indicated in comparison with the TFNN control system. Cet article se concentre sur le développement d'une commande brouillée du réseau neurologique de Pétri (PFNN) pour une commande linéaire champ-orientée indirecte du moteur à induction (LIM). D'abord, un champ indirect a orienté le mécanisme pour une commande de LIM est dérivé pour préserver la caractéristique de découplage de commande. Puis, le concept d'un réseau de Pétri (PN) est incorporé à un FNN traditionnel (TFNN) pour former un nouveau type de cadre de PFNN pour alléger le fardeau de calcul. D'ailleurs, la méthode dirigée de descente de gradient est employée pour développer l'algorithme en ligne de formation pour le PFNN. Afin de garantir la convergence de l'erreur de cheminement, on propose des méthodes analytiques basées sur un discret-type fonction de Lyapunov pour déterminer les taux de étude divers du PFNN. Avec le système de commande proposé de PFNN, la position de moteur de la commande commandée de LIM possède les avantages de la bonnes exécution et robustesse passagères de commande aux incertitudes pour le cheminement de la trajectoire périodique de référence. En outre, l'efficacité de l'arrangement proposé de commande est vérifiée par des simulations numériques et des résultats expérimentaux. En outre, la supériorité du système de commande proposé de PFNN est indiquée en comparaison du système de commande de TFNN.
DEWEY :	621
ISSN :	0278-0046
En ligne :	rjwai@saturn.yzu.edu.tw, ccjue.@haotmail.com