Contribuciones en el campo de la detección de la posición y velocidad de motores brushed dc y brushless dc mediante técnicas sensorless

Resum

INTRODUCCIÓN Los motores eléctricos son dispositivos que convierten energía eléctrica en energía mecánica. Dentro de los motores eléctricos de corriente continua se tienen los motores con escobillas (brushed DC, BDC), que emplean escobillas para conmutar la corriente, y los motores sin escobillas (brushless DC, BLDC), que emplean un inversor electrónico para realizar la conmutación de fases. Tradicionalmente, en situaciones en las que se necesitaba conocer la posición y velocidad en motores eléctricos, se empleaban sensores ópticos o magnéticos de giro acoplados al motor. En los últimos años ha surgido una nueva tecnología, denominada tecnología sin sensores (sensorless), que permite detectar la posición y velocidad del motor a partir de los parámetros eléctricos del mismo, como las corrientes o las tensiones de fase. La revisión de la literatura relacionada con motores BLDC (Artículo 1 del compendio) y BDC sugiere que en el control de los mismos utilizando sensores de posición, como codificadores digitales (encoders), transformadores de acoplamiento variable (resolvers) o sondas de efecto Hall, puede reducirse el coste y aumentar la fiabilidad mediante la sustitución de dichos sensores por técnicas sensorless. OBJETIVOS El objetivo general de la tesis comprende el análisis, desarrollo y validación de diversas técnicas sensorless para la detección de la posición y velocidad de motores BDC y BLDC. Para la consecución de este objetivo se han propuesto cuatro técnicas. La primera está basada en el análisis las ondulaciones o rizado (ripple) de la corriente en motores BDC (patente ES 2334551 A1). La segunda se fundamenta también en la componente ripple de la corriente para motores BDC, pero utilizando reconocimiento de patrones con clasificadores (Artículo 2 del compendio). La tercera está basada en la derivada de los voltajes de fase para motores BLDC (Artículo 3 del compendio). La cuarta aplica redes neuronales artificiales a motores BLDC (Artículo 4 del compendio). MÉTODOS La primera técnica, basada en el análisis la componente ripple, permite determinar la posición y velocidad de un motor BDC mediante la detección de las ondulaciones que aparecen en la corriente del motor. En esta detección se utiliza la comparación entre las muestras actuales de la corriente y las inmediatamente cercanas en tiempo, además de una ventana de tamaño variable para la observación de las mismas. En la segunda técnica, también basada en el análisis de la componente ripple, se estima la posición y velocidad de motores BDC utilizando reconocimiento de patrones con clasificadores de tipo Máquina Vectores de Soporte (Support Vector Machine, SVM). La posición se estima contabilizando las ondulaciones que aparecen en la corriente como consecuencia de la componente ripple, y la velocidad mediante el inverso del tiempo transcurrido entre ondulaciones. El clasificador SVM se utiliza para detectar las ondulaciones normales, así como detectar los pulsos fantasmas y descartar los pulsos falsos en la corriente como consecuencia del ruido. En la tercera técnica se detecta la información de posición y velocidad de un motor BLDC a través de la derivada de los voltajes de fase con respecto a un punto neutro virtual. Para la implementación de la misma se ha desarrollado un hardware versátil basado en una matriz de puertas programable en campo (FPGA), en un procesador en tiempo real, y en otros componentes como filtros y amplificadores. Además, se emplean algoritmos software de procesamiento para detectar los pulsos de la derivada de las tensiones y para filtrar los pulsos falsos que son consecuencia del ruido. En la cuarta técnica, basada en redes neuronales artificiales (ANNs), se estima la posición y velocidad de un motor BLDC mediante dos ANNs de tipo Perceptron Multicapa (Multilayer Perceptron, MLP); una de ellas para estimar la posición del rotor a partir de los voltajes de fase, y la otra para estimar la velocidad a partir del resultado de posición de la primera. Para el entrenamiento y test de las ANNs se utilizan como referencia los datos de posición de un encoder incremental, y se procesan los voltajes reales del motor mediante una FPGA, un procesador en tiempo real, electrónica de acondicionamiento y un ordenador. RESULTADOS En la primera técnica propuesta, basada en el análisis de la componente ripple de la corriente, se han obtenido unos errores absolutos medios de posición y velocidad inferiores a 17,75 rad y 4,64 rpm, respectivamente, en un rango de velocidades entre 5.000 rpm y 7.000 rpm en condiciones de velocidad constante o con una variación lenta de la velocidad del motor BDC, obteniéndose los peores resultados cuando la velocidad del motor varía bruscamente. En esta técnica, se logra minimizar el coste computacional y se consigue una cierta inmunidad al ruido en la corriente que permite reducir su influencia sobre la precisión. En la segunda técnica propuesta, basada en el reconocimiento de patrones con clasificadores aplicados a la componente ripple, se han obtenido unos errores absolutos medios de posición y velocidad inferiores a 19 rad y 18 rpm, respectivamente, en un rango de velocidades entre 500 rpm y 11.000 rpm. Estos resultados se han logrado bajo diferentes condiciones de operación del motor BDC, como aceleración constante y saltos abruptos de velocidad. Con esta técnica, se consigue minimizar el efecto del ruido sobre la corriente, debido a la habilidad para detectar pulsos fantasmas y descartar pulsos falsos, pero con un alto coste computacional asociado. En la tercera técnica propuesta, basada en derivada de los voltajes de fase, se han obtenido unos errores cuadráticos medios de posición entre 10º y 30º, y de velocidad inferiores a 3 rpm con el motor BLDC sin carga. Además, se han logrado unos errores cuadráticos medios de posición entre 10º y 15º, y de velocidad inferiores a 1 rpm en condiciones de plena carga del motor. Los resultados se han obtenido en un rango de velocidades entre 5 rpm y 1.500 rpm bajo diferentes condiciones de operación, como aceleración constante y saltos bruscos de velocidad. En esta técnica, se logra una relevante inmunidad al ruido sobre los voltajes de fase del motor y un alto rendimiento con bajo coste computacional. En la cuarta técnica propuesta, basada en redes neuronales artificiales, se ha obtenido un error de posición absoluto medio de 6,47º y un error de velocidad relativo medio de 4,87% en un rango de velocidades entre 125 rpm y 1.500 rpm con una aceleración constante del motor BLDC a plena carga. En esta técnica, se logra una relevante inmunidad al ruido sobre los voltajes de fase del motor, y una baja influencia de los errores de posición sobre la estimación de velocidad, pero con un coste computacional ligeramente elevado debido al uso de las ANNs. CONCLUSIONES Los resultados muestran que las cuatro técnicas propuestas permiten la detección de la posición y velocidad, tanto en motores BDC como BLDC, con una aceptable precisión, inmunidad al ruido y coste computacional sobre un amplio rango de velocidades, aunque dependiendo de la técnica considerada se tienen mayores o menores mejoras en alguno de estos factores. En base a ello, puede considerarse que las técnicas desarrolladas representan una alternativa fiable respecto a técnicas de detección basadas en sensores y frente a técnicas sensorless básicas. Estos resultados han permitido alcanzar los objetivos propuestos en la tesis, a partir de los cuales se han realizado una serie de aportaciones científicas que constituyen el núcleo de esta tesis presentada como compendio de publicaciones.