Ing 0076

R p u b l i q u e A l g r i e n n e D m o c r a t i q u e e t P o p u l a i r e
M i n i s t r e de le n s e i g n e m e n t s u p r i e u r et de la r e c h e r c h e s c i e n t i f i q u e
______________________________________________________________________________________________________

T H E S E

Prsente

lU n i v e r s i t d e B a t n a

En vue de lobtention du diplme de

D O C T O R A T E N S C I E N C E S
E N E L E C T R O T E C H N I Q U E

Prsente par

AZEDDINE CHAIBA

Charg de Cours lUniversit de Stif
Magister en lectrotechnique de luniversit de Batna
Ingnieur dtat en lectrotechnique de luniversit de Batna
____________________________________________________

COMMANDE DE LA MACHINE ASYNCHRONE
A DOUBLE ALIMENTATION PAR DES TECHNIQUES DE
LINTELLIGENCE ARTIFICIELLE

____________________________________________________

Thse soutenue le : 11/ 07/ 2010 devant le jury :

Farid NACERI Prsident Professeur Univ. Batna

Rachid ABDESSEMED Rapporteur Professeur Univ. Batna

Med Lokmane BENDAAS Co Rapporteur Matre de Confrences Univ. Batna

Amar GOLEA Examinateur Professeur Univ. Biskra

Abdelhamid BENAKCHA Examinateur Matre de Confrences Univ. Biskra

Abderahmane DIB Examinateur Matre de Confrences Univ. Oum El-Bouaghi

Thse prpare au sein du laboratoire dElectrotechnique de Batna (LEB)

Remerciements

Les travaux prsents dans cette thse ont t effectus au sein du
laboratoire de recherche dlectrotechnique (LEB), dans le dpartement
dlectrotechnique de la facult des sciences de lingnieur, Universit de
Batna, sous la direction de monsieur Rachid ABDESSEMED professeur
linstitut dlectrotechnique de luniversit de Batna, qui je prsente
lexpression de ma profonde gratitude pour tout les conseils et les
encouragements quil ma prodigu toute la dure de ce travail en temps que
rapporteur de cette thse.
Je tiens exprimer ma profonde gratitude monsieur Mohamed
Lokmane BENDAAS matre de confrence au dpartement
dlectrotechnique de luniversit de Batna, pour avoir accept dtre co-
rapporteur de cette thse ainsi que pour ces nombreux conseils.
Je suis trs sensible lhonneur que ma fait monsieur Farid NACERI
Professeur luniversit de Batna, en acceptant de prsider la commission
dexamen de ma prsente thse.
Je remercie chaleureusement monsieur Amar Golea Professeur
luniversit de Biskra, monsieur Abdelhamid BENAKCHA Matre de
Confrences luniversit de Biskra, monsieur Abderahmen DIB Matre de
Confrences luniversit de Oum El-Bouaghi, pour avoir particips au jury
et pour avoir examin cette prsente thse.
Je tiens remercier monsieur Eduard CHEKHET Professeur lInstitut
dlectrodynamique de lAcadmie nationale Ukrainienne des sciences, pour
son aide prcieuse quil ma apport, pour llaboration de ce prsent travail.
Je remercie toutes les personnes qui ont contribu de prs ou de loin
laboutissement de ce travail.

Je tiens par ailleurs remercier vivement tous les enseignants du
dpartement dlectrotechnique de lUniversit de Stif pour le respect et
lambiance dans le travail.
Je remercie, aussi mes collgues au dpartement LMD sciences et
technologie de luniversit de Batna pour leurs amitis et leurs
encouragements.

Enfin, je remercie tout particulirement mes parents, pour leur soutien
inconditionnel tout au long de ces longues annes dtudes, ainsi pour tout ce quils
ont fait pour moi. Ils se sont beaucoup sacrifis pour moffrir toutes les conditions
ncessaires afin que je puisse devenir ce que je suis.

Mr. Azeddine CHAIBA

Je ddie ce modeste travail :
A ma mre
A mon pre
A mes frres et surs
A tout ma famille et mes amis

:

-
-
-
-
- -

.

.
.

.

- .
.

Commande de la Machine Asynchrone Double
Alimentation par des Techniques de lIntelligence
Artificielles

Mots Cls

- Machine asynchrone double alimentation (DFAM).
- Commande vectorielle orientation du flux.
- Logique floue.
- Rseaux de neurones artificiels.
- Rseaux neuro-flous.

Rsum :

Cette thse prsente la commande de la Machine Asynchrone Double
Alimentation (DFAM) par des Techniques de lIntelligence Artificielles. Aprs
avoir prsenter l'tat de l'art des ensembles DFAM Convertisseurs et leurs
applications, nous avons abord la commande vectorielle de la DFAM par
orientation du flux statorique. Nous nous sommes intresss au rgulateur PI
pour les courants rotoriques et l'impact de son remplacement par dautres
rgulateurs bass sur les techniques de lintelligence artificielle tels que les
rgulateurs flous, neuronaux et le neuro-flous, les quelles surpassent les limites
des techniques classiques et possdent des caractristiques essentielles pour
lamlioration des performances de la commande propose. Les rsultats de
simulations par Matlab/simulink et des tests de robustesse seront prsents.

Intelligent Artificial Control of a Doubly Fed
Asynchronous Machine

Keywords:

- Doubly fed asynchronous machine (DFAM).
- Field oriented control.
- Fuzzy control.
- Neural network control.
- Neuro-fuzzy control.

Abstract :

In this thesis, an intelligent artificial control of a doubly fed asynchronous machine
(DFAM) is proposed. First, a mathematical model of DFAM written in an appropriate d-q
reference frame is established to investigate simulations results. In order to control the
rotor currents of DFAM, a torque tracking control law is synthesized using PI controllers,
the stator side power factor is controlled at unity level. Then, an intelligent artificial
control such as fuzzy logic, artificial neural network and neuro-fuzzy control are applied.
Its simulated performances are then compared to those of a classical PI controller.
Specifically neuro-fuzzy systems are created to overcome the disadvantages of neural
networks and fuzzy systems. Results obtained in Matlab/Simulink environment show that
the neuro-fuzzy control is more robust, has superior dynamic performance and hence
found to be a suitable replacement of the conventional PI controller for the high
performance drive applications.

Notations et abrviations

NOTATIONS ET ABREVIATIONS

DFAM : Doubly Fed Asynchronous Machine
MADA : Machine Asynchrone Double Alimentation.
GADA : Gnratrice Asynchrone Double Alimentation.
DFAG : Doubly Fed Asynchronous Generator.
T.I.A : Techniques de l'intelligence artificielle
MLI : Modulation de la largeur d'impulsion
IA : Intelligence Artificial.
CLF : Contrleur Logique Floue (FLC :fuzzy logic controller).
NNC : neural network controller
NFC : neuro-fuzzy controller
s : grandeur statorique.
r : grandeur rotorique.
d, q : Indices des composantes directe et en quadrature
s
,
r
: flux statorique et rotorique.
s
,
r
: vitesses angulaires lectriques statorique et rotorique.

: Vitesse mcanique.
s
,
s
: angles lectriques statorique et rotorique.
s V : Tension statorique.
r V : Tension rotorique.
s I : Courant statorique.
r I : Courant rotorique.

Notations et abrviations

P : Puissance active.
Q : Puissance ractive.
U
m
: Amplitude de la tension statorique.
L
s
: Inductance propre du stator.
L
r
: Inductance propre du rotor.
R
s
, R
r
: rsistances denroulements statorique et rotorique.
M : Inductance mutuelle entre stator et rotor.
: Coefficient de dispersion.
em C : Couple lectromagntique.
r C : Couple rsistant.
C
e
*
: Couple de rfrence.
rf : Indice indiquant la rfrence (la consigne)
f : Coefficient de frottements.
J : moment dinertie.
p : nombre de pairs de ples.

Table des matires
I

TABLE DES MATIERES

INTRODUCTION GENERALE ____________________________________

CHAPITRE I
ETAT DE LART DE LA MACHINE
ASYNCHRONE A DOUBLE ALIMENTATION

I.1. Introduction _________________________________________________
I.2. Machine Asynchrone Double Alimentation __________________
I.3. Mode de fonctionnement de la DFAM ________________________
I.3.1. Fonctionnement en moteur hypo-synchrone ________________
I.3.2. Fonctionnement en moteur hyper-synchrone _______________
I.3.3. Fonctionnement en gnratrice hypo-synchrone ____________
I.3.4. Fonctionnement en gnratrice hyper-synchrone ___________
I.4. Configuration du mode de fonctionnement et stratgie de
commande de la DFAM ______________________________________
I.4.1. Fonctionnement en moteur avec un seul convertisseur _____
I.4.2. Fonctionnement en moteur avec deux convertisseurs _______
I.4.3. Fonctionnement en gnratrice ____________________________
I.5. Contribution de la thse _____________________________________
I.6. Conclusion __________________________________________________
I.7. Rfrences bibliographiques _________________________________
1

7
8
8
8
9
9
10

11
11
12
15
17
17
18

Table des matires
II

CHAPITRE II
MODELISATION ET COMMANDE VECTORIELLE
DE LA DFAM

II.1. Introduction ________________________________________________
II.2. Hypothses simplificatrices pour la modlisation de la DFAM _
II.3. Modle triphas de la DFAM _________________________________
II.4. Transformation de Park _____________________________________
II.5. Application de la transformation de Park la DFAM _________
II.5.1. Equations lectriques de la DFAM dans le repre (V, W ) ____
II.5.2. Equations magntiques de la DFAM dans le repre (V, W) ___
II.5.3. Couple et quation mcanique dans le repre (V, W) ________
II.5.4. Choix du rfrentiel _______________________________________
II.6. Principe de la commande vectorielle de la DFAM _____________
II.7. Alimentation de la DFAM ___________________________________
II.8. Calcul des rgulateurs des courants rotoriques ______________
II.9. Rsultats de simulation _____________________________________
II.10. Tests de robustesse ________________________________________
II.11. Conclusion ________________________________________________
II.12. Rfrences bibliographiques ________________________________

CHAPITRE III
COMMANDE PAR LA LOGIQUE
FLOUE DE LA DFAM

III.1. Introduction _______________________________________________
III.2. Principe de la logique floue _________________________________
III.3. Variable linguistique _______________________________________
III.4. Fonctions d'appartenance __________________________________
III.5. Structure de base d'un contrleur flou ______________________
III.5.1. Base de connaissances ___________________________________
III.5.2. Fuzzification _____________________________________________

22
22
23
25
26
26
28
30
30
32
36
40
41
44
46
47

49
50
50
50
51
52
52

Table des matires
III

III.5.3. Rgles dinfrence floue __________________________________
III.5.5. Dfuzzification ___________________________________________
III.5.5.1. Mthode du maximum _________________________________
III.5.5.2. Mthode de la moyenne des maxima ____________________
III.5.5.3. Mthode du centre de gravit ___________________________
III.6. Dveloppement du contrleur flou __________________________
III.6.1. Description du contrleur ________________________________
III.6.2. Loi de commande ________________________________________
III.7. Rglage des courants rotoriques de la DFAM ________________
III.8. Rsultats de simulation ____________________________________
III.9. Tests de robustesse ________________________________________
III.10. Conclusion _______________________________________________
III.11. Rfrences bibliographiques _______________________________

CHAPITRE IV
COMMANDE PAR RESEAUX
DE NEURONES DE LA DFAM

IV.1. Introduction _______________________________________________
IV.2. Neurone biologique _________________________________________
IV.3. Neurone formel ____________________________________________
IV.4. Rseaux de neurones artificiels _____________________________
IV.4.1. Les rseaux non boucls __________________________________
IV.4.2. Les rseaux boucls ______________________________________
IV.5. Bref historique _____________________________________________
IV.6. Apprentissage des rseaux de neurones _____________________
IV.6.1. Apprentissage supervis __________________________________
IV.6.2. Apprentissage non supervis ______________________________
IV.6.3. Apprentissage par renforcement __________________________
IV.7. Rtropropagation ___________________________________________
IV.7.1. Principe de la rtropropagation ___________________________

52
53
53
54
54
54
54
56
56
57
59
62
63

65
66
67
67
67
68
68
68
69
69
69
69
69

Table des matires
IV

IV.7.2. Algorithme dapprentissage _______________________________
IV.7.3. Etude du taux dapprentissage ___________________________
IV.8. Dventement du contrleur neuronal _______________________
IV.9. Application des rseaux de neurones au rglage des courants
rotoriques de la DFAM ______________________________________
IV.10. Rsultats de simulation ___________________________________
IV.11. Tests de robustesse _______________________________________
IV.12. Conclusion _______________________________________________
IV.13. Rfrences bibliographiques _______________________________

CHAPITRE V
COMMANDE PAR NEURO-FLOU
DE LA DFAM
V.1.Introduction _________________________________________________
V.2. Dfinition du neuro-flou ____________________________________
V.3. Avantages et inconvnients de la logique floue et des rseaux
de neurones ________________________________________________
V.4. Mthodes et combinaisons neuro-floues _____________________
V.4.1. Premire mthode neuro-floue _____________________________
V.4.2. Seconde mthode neuro-floue _____________________________
V.4.3. Troisime mthode neuro-floue ____________________________
V.5. Dveloppement du contrleur neuro-flou ____________________
V.5.1. Description du contrleur neuro-flou ______________________
V.5.2. Algorithme dapprentissage en ligne _______________________
V.6. Rsultats de simulation _____________________________________
V.7. Tests de robustesse _________________________________________
V.8. Conclusion _________________________________________________
V.9. Rfrences bibliographiques _________________________________

CONCLUSION GENERALE ______________________________________
ANNEXES ______________________________________________________

71
72
73

74
75
77
79
80

82
83

83
85
85
86
86
88
89
90
92
95
98
98

100
103

Table des matires
V

INTRODUCTION GENERALE

Introduction Gnrale
1

INTRODUCTION GENERALE

La production de lnergie renouvelable a connu des dveloppements
considrables au cours des dernires annes. En effet, les modes de
production reposant sur la transformation dnergie renouvelable par
exemple olienne, sont appels tre de plus en plus utiliss dans le cadre
du dveloppement durable, [1]. Pour raliser ceci, il est important de
disposer de diffrentes technologies de gnrateurs telles que les machines
synchrones et les machines aimants permanents. La machine induction
cage est la plus utilise, car elle est peut coteuse, robuste et sa
maintenance est trs facile et simple. Mais si elle est connecte directement
au rseau, ce dernier impose la frquence et dans ce cas la vitesse
dentranement doit tre constante, [2]. De plus, si on utilise un
convertisseur son stator, on trouve que la plage de variation de vitesse est
plus limite.

Introduction Gnrale
2

Si on utilise un alternateur classique (machine synchrone triphase)
entran vitesse variable, dans ce cas le systme est compos d'un
convertisseur statique de frquence plac entre le stator et le rseau et qui
permet de transformer la frquence variable de l'alternateur. Il faut ajouter
un compensateur synchrone afin de fournir la puissance ractive
consomme par le convertisseur statique, ce qui augmente le cot du
systme, [3-5]. Tout ceci explique pourquoi on recherche remplacer ce
systme.
L'tude, que nous prsentons, consiste utiliser une machine asynchrone
double alimentation (Doubly-fed Asynchrounos Machine (DFAM))
fonctionnant en gnratrice non autonome et alimente par un convertisseur
au rotor. Le systme est constitu d'une machine asynchrone triphase
rotor bobin, d'un convertisseur statique de frquence associ au rotor qui
fournit le complment de la frquence ncessaire pour maintenir la
frquence du stator constante; c'est--dir que la frquence du rseau reste
constante lors de la variation de la vitesse mcanique. Aussi la puissance
traite par le convertisseur associ au rotor ne dpasse pas 30% de toute la
puissance du systme, [6-10]. Cela permet de rduire les pertes et le cot de
la production.
Afin dobtenir avec la machine asynchrone double alimentation des
performances semblables celle de la MCC, il est ncessaire dappliquer la
commande vectorielle par orientation du flux afin dassurer le contrle du
flux et celui du courant gnrant le couple lectromagntique.
La commande vectorielle base sur les rgulateurs classiques (rglage
action proportionnelle, intgrale et drive), ne permet pas dans tous les cas
de matriser les rgimes transitoires, et en gnral, les variations
paramtriques de la machine. Cependant, il existe des commandes
modernes qui sadaptent mieux avec ces exigences et qui sont moins
sensibles et robustes.
L'intelligence artificielle apparut en 1950, est une branche de
l'informatique qui traite la reproduction par la machine de certains aspects

Introduction Gnrale
3

de l'intelligence humaine tels qu'apprendre partir d'une exprience passe
reconnatre des formes complexes et effectuer des dductions, [11].
Les rsultats les plus aboutis de l'intelligence artificielle concernent la
rsolution de problmes complexes dans un domaine dlimit de
comptences.
En revanche, lIntelligence Artificielle (IA) tel que la logique floue, rseaux
de neurones et neuro-flou offre des outils totalement dcoupls de la
structure du systme, ne ncessitant pas la modlisation pralable de ce
dernier et permettant un suivi temps rel de son volution. Par ailleurs, le
raisonnement en ligne fait que lapproche de lIntelligence Artificielle est plus
robuste des changements de modes opratoires, comme pour les systmes
ayant plusieurs configurations ou tant obligs de changer rgulirement de
configuration. Cette approche savre par consquent volutive, [12].
La logique floue a t introduite pour approcher le raisonnement humain
laide dune reprsentation adquate des connaissances. Son intrt rside
dans sa capacit traiter limprcis, lincertain et le vague. Elle est issue de
la capacit de lhomme dcider et agir de faon pertinente malgr le flou
des connaissances disponibles, [13-14]. Cependant, un systme flou est
difficile apprhender. Sa commande et son rglage peuvent tre
relativement long. Il sagit parfois beaucoup plus de ttonnement que dune
relle rflexion. Il manquait donc la logique floue un moyen
dapprentissage performant pour rgler un systme flou, cest les rseaux de
neurones.
Les rseaux de neurones peuvent fournir une solution intressante pour
des problmatiques de contrle des systmes non linaires. En effet, leur
utilisation ne ncessite pas lexistence dune modlisation formelle de ces
systmes. Par ailleurs, leurs capacits de mmorisation, dapprentissage,
dadaptation et le paralllisme du calcul reprsentent des fonctions trs
utiles tout systme complexe, [15-16].
Les rseaux neuro-flous sont ns de lassociation des rseaux de neurones
avec la logique floue, de manire tirer profits des avantages de chacune de

Introduction Gnrale
4

ces deux techniques. La principale proprit des rseaux neuro-flous est leur
capacit traiter dans un mme outil des connaissances numriques et
symboliques dun systme. Ils permettent donc dexploiter les capacits
dapprentissage des rseaux de neurones dune part et les capacits de
raisonnement de la logique floue dautre part, [17-19]. Diffrentes
combinaisons de ces deux techniques dintelligence artificielle existent et
mettent en avant des proprits diffrentes.

Le contenu de cette thse est structur en cinq chapitres.
Dans le premier chapitre nous allons prsenter un tat de lart sur les
machines asynchrones double alimentation, leurs applications et leurs
particularits. Ceci nous permet de nous positionner quant au choix du type
de gnratrice utilise pour la production de lnergie lectrique. Nous y
verrons donc lintrt que prsente la machine asynchrone double alimente
par rapport aux autres machines.
Dans le second chapitre nous dveloppons la modlisation et la commande
vectorielle de la machine asynchrone double alimentation; aussi nous
prsentons le contrle du facteur de puissance qui sera unitaire en rgime
permanent du ct statorique. Les rsultats de simulations par
Matlab/simulink et des tests de robustesse seront prsents.
Dans le troisime chapitre, On s'intresse alors au remplacement du
rgulateur classique du courant rotorique, au sein de la commande
vectorielle par un rgulateur flou. Nous commenons par dfinir et expliquer
la terminologie utilise en logique floue, la thorie des ensembles flous et
ainsi que le mode de raisonnement propre aux variables floues. Nous
dveloppons un contrleur flou ncessaire lamlioration des performances
de la commande vectorielle. Enfin linfluence de variation paramtrique sera
teste.
Le quatrime chapitre est consacr au contrle neuronal. Aprs avoir
prsent lapproche neuronale et les rseaux de neurones, ainsi que leurs
proprits, on tudie, en profondeur, lalgorithme de rtro-propagation du

Introduction Gnrale
5

gradient avec ses proprits et ses limites dutilisation. Ensuite, nous
prsentons les rsultats de simulation et les tests de robustesse.
Le cinquime chapitre aborde nos derniers dveloppements concernant
lutilisation des systmes neuro-flous pour le rglage des courants rotoriques
de la DFAM. Ce travail permet lexploitation des capacits dapprentissage
des rseaux de neurones dune part et les capacits de raisonnement de la
logique floue dautre part. Les rsultats de simulation obtenus et leurs
discussions sont ainsi prsents.
Nous terminons par une conclusion gnrale sur l'ensemble de cette tude
et nous proposons des perspectives de travail.

Rfrences bibliographiques :

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

Spera. D. A, Wind Turbine Technology, ASME Press, 1994.

Heier. S, Grid Integration of Wind Energy Conversion Systems, Wiley,
ISBN: 0-471-97143-X.

Boldea. I and S. A. Nasar, Electric Drives, CRC Press LCC, 1999.

Harnefors. L, Control of variable-speed drives, Applied Signal
Processing and control, Departement of Electronics, Mlardalen
university, Vasters, Sweden, 2002.

Grauers. A, Design of direct-driven permanent magnet generators for
wind turbines, Ph.D thesis, Chalmaers university of Technology, 1996.

Anca D. Hansena, Gabriele Michalke, Fault ride-through capability of
DFIG wind turbines, Renewable Energy, pp.15941610, 2006.

Hansen. L. H, L. Helle, F. Blaabjerg, E. Ritchie, S. Munk-Nielsen, H.
Bindner, P. Srensen, and B. Bak-Jensen, Conceptual survey of
generators and power electronics for wind turbines,. Ris National
Laboratory, Roskilde, Denmark, Tech. Rep. Ris-R-1205(EN), ISBN 87-
550-2743-8, 2001.

L. Xu and C. Wei, Torque and reactive power control of a doubly fed
induction machine by position sensorless scheme,. IEEE Trans. Ind.
Applicat., vol. 31, no. 3, pp. 636.642, May/June 1995.

Introduction Gnrale
6

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

Petersson. A and S. Lundberg, Energy efficiency comparsion of
electrical systems for wind turbines, in IEEE Nordic Workshop on
Power and Industrial Electronics (NORpie/2002), Stockholm, Sweden,
Aug., 12.14, 2002.

Mller. S, Deicke M. and Rikw Edoncker, Doubly fed incution
generator systems for wind turbines, IEEE Industry Applications
Magazine May/June 2000, pp26-33.

Kaufmann. A, Nouvelles logiques pour l'intelligence artificielle,
Edition Hermes, Paris, 1987.

Dubois. D et S. Gentil, Intelligence Artificielle et Automatique, Revue
dIntelligence Artificielle, Vol. 8, N1, pp. 7-27,1994.

Dubois. D et H. Prade, Fuzzy Sets and Systems, Academic Press,
1980.

Bhler. H, Rglage par logique floue, Presses Polytechniques et
Universitaires Romandes, 1994.

Guez. A, J. Eilbert, and M. Kam, Neural Network Architecture for
Control, IEEE Control Systems Magazine, pp. 2225, April 1988.

Hassoun. M.H, Fundamentals of Artificial Neural Networks,
Cambridge, MA: MIT Press, 1995.

Altrock. C and B. Krause, Fuzzy Logic and Neuro-fuzzy Technologies
in Embedded Automotive Applications, Proceedings of Fuzzy Logic '93,
pp. A113-1-A113-9.

Nauck. D, F. Klawonn and R. Kruse, Combining Neural Networks and
Fuzzy Controllers, Fuzzy Logic in Artificial Intelligence (FLAI93), ed.
Klement, Erich Peter and Slany, Wolfgang, pp. 35-46, 1993.

Jang. J. R, Neuro-Fuzzy modelling and control, Proc. of IEEE, Vol. 83,
N.3, pp 378-406, March,1995.

CHAPITRE I

ASYNCHRONE A DOUBLE
ALIMENTATION

Chapitre I Etat de lart de la machine asynchrone double alimentation
7

CHAPITRE I
ASYNCHRONE A DOUBLE ALIMENTATION

I.1. Introduction :
La Machine Asynchrone Double Alimentation (DFAM) a fait lobjet de
nombreuses recherches principalement dans son fonctionnement en
gnratrice pour des applications dnergie renouvelable.
Dans ce chapitre, nous allons prsenter l'tat de l'art des ensembles
DFAM-Convertisseurs utiliss dans diffrentes applications en regroupant
l'ensemble des travaux, en articles ou contenus de thses, que nous avons
choisis de slectionner pour commencer notre tude.
Aprs avoir prsent les tudes antcdentes, nous allons choisir par la
suite la configuration et la stratgie de commande qui nous intressent pour
notre travail.

8

I.2. Machine Asynchrone Double Alimentation :
La machine asynchrone double alimentation prsente un stator analogue
celui des machines triphases classiques (asynchrone cage ou
synchrone) constitu le plus souvent de tles magntiques empiles munies
dencoches dans lesquelles viennent sinsrer les enroulements. Loriginalit
de cette machine provient du fait que le rotor nest plus une cage dcureuil
coule, mais constitu de trois bobinages connects en toile dont les
extrmits sont relies des bagues conductrices sur lesquelles viennent
frotter des balais lors de la rotation de la machine, [1].
En comparaison avec la machine asynchrone cage, la DFAM permet
davoir une plage de vitesse de rotation variable de 30% autour de la vitesse
de synchronisme.
I.3. Modes de fonctionnement de la DFAM :
I.3.1. Fonctionnement en moteur hypo-synchrone :
La puissance est fournie par le rseau au stator, et la puissance de
glissement transite par le rotor pour tre rinjecte au rseau. On a donc un
fonctionnement moteur en dessous de la vitesse de synchronisme, figure
(I.1). La machine asynchrone cage classique peut fonctionner ainsi mais la
puissance de glissement est alors dissipe en pertes Joule dans le rotor.

P
s P
r
P
m
w

Fig. I.1. Fonctionnement de la DFAM en
moteur hypo-synchrone

9

I.3.2. Fonctionnement en moteur hyper-synchrone :
La puissance est fournie par le rseau au stator et la puissance de
glissement est galement fournie par le rseau au rotor. On a donc un
fonctionnement moteur au dessus de la vitesse de synchronisme, figure
(I.2). La machine cage classique ne peut fonctionner dans ce rgime.

I.3.3. Fonctionnement en gnratrice hypo-synchrone :
La puissance est fournie au rseau par le stator. La puissance de
glissement est aussi fournie par le stator. Le rotor absorbe la puissance du
glissement et la direction du champ magntique est identique celle du
champ du stator. On a donc un fonctionnement gnrateur en dessous de la
vitesse de synchronisme, figure (I.3). La machine asynchrone cage
classique ne peut fonctionner dans ce rgime.

P
s P
r
P
m
w

moteur hyper-synchrone
P
s P
r
P
m
w

gnratrice hypo-synchrone

10

I.3.4. Fonctionnement en gnratrice hyper-synchrone :
La puissance est alors fournie au rseau par le stator et la puissance de
glissement est rcupre via le rotor pour tre rinjecte au rseau. On a
donc un fonctionnement gnrateur au dessus de la vitesse de
synchronisme, figure (I.4). La machine cage classique peut avoir ce mode
de fonctionnement, mais dans ce cas la puissance de glissement est dissipe
en pertes Joule dans le rotor, [2-3].

Avant daborder ltude et la commande de la machine asynchrone
double alimentation, un tat de lart des travaux effectus sintressant
cette machine sera prsent. Le bilan de cette synthse bibliographique
dgage les principaux points dtude de la DFAM et permet de situer ce
travail par rapport ceux dj effectus et de dfinir les voies de recherche
vers lesquelles il soriente.
Les catgories dtude qui nous intressent sont les tudes traitant la
stratgie de commande pour chaque configuration et construction de la
DFAM.

P
s P
r
P
m
w

gnratrice hyper-synchrone

11

I.4. Configuration du mode de fonctionnement et stratgie de
commande de la DFAM :
Dans cette partie, nous allons prsenter trois configurations du mode de
fonctionnement de la DFAM. Pour chaque configuration nous allons exposer
les travaux de recherches des auteurs concentrs sur le type dalimentation
et la stratgie de commande utilise.
I.4.1. Fonctionnement en moteur avec un seul convertisseur :
Dans ce type de fonctionnement, le stator est reli au rseau frquence
et tension constantes, tandis que le rotor est reli son propre convertisseur
qui peut tre un cycloconvertisseur ou un onduleur. Cette solution permet
de rduire fortement la puissance du convertisseur. La figure (I.5) prsente le
schma de principe de cette catgorie de DFAM.

Dans [4], HELLER prsente la DFAM comme tant la solution du futur
pour les industries de pompage. Il value la stabilit de la DFAM l'aide de
la mthode des petites variations autour d'un point de fonctionnement. Cette
approche lui permet de tracer le lieu des ples du systme.

Fig. I.5. Schma d'un systme utilisant une DFAM en moteur
aliment par un seul convertisseur
DFAM
Pmec
Redresseur Onduleur

Rseau
Puissance lectrique fournie au stator
Puissance lectrique fournie au rotor

12

Le mode de fonctionnement retenu est un fonctionnement moteur (figure
I.5) dont le stator est connect au rseau et le rotor reli un onduleur dont
le contrle est assur par l'orientation du flux statorique. Il prsente ensuite
des rsultats exprimentaux raliss avec une machine de 33 kW.
Dans [5-7], MOREL assure que le fait de relier le stator au rseau et
dalimenter le rotor travers un onduleur permet de dimensionner la
puissance du convertisseur utilis au rotor 20% de la puissance
mcanique maximale. Il effectue un contrle du type champ orient. Afin
dobtenir un moteur ou un gnrateur vitesse variable, il propose de passer
par trois tapes : mode 1, dmarrer le moteur avec les enroulements
statoriques en court-circuit ; mode 2, connecter le stator au rseau ; mode 3,
alimenter la DFAM tension et frquence fixes au stator et par un
convertisseur au rotor. Le fonctionnement du systme durant les diffrents
modes est dmontr avec validation par les rsultats exprimentaux.
Dans [8], HOPFENSPERGER propose ltude dune DFAM dans un
fonctionnement en mode moteur et vise des applications ncessitant une
variation de la vitesse de rotation. Dans le cas de labsence du capteur de
position, il propose deux faons pour dterminer langle de rotation du
repre tournant (orient suivant le flux au stator) : une premire base sur la
mesure et lexpression des courants statoriques dans le repre tournant, la
seconde ncessite la mesure des puissances active et ractive statoriques.
Son tude est valide par des rsultats exprimentaux.
Dans [9], lauteur reprend la mme tude mais en appliquant, cette fois-ci,
la thorie du champ orient au flux rotorique commun. Des nouveaux
rsultats exprimentaux sont prsents.
I.4.2. Fonctionnement en moteur avec deux convertisseurs :
Ce type dalimentation peut prendre diffrentes formes :
- Deux onduleurs aliments par leurs propres redresseurs conformment
la figure (I. 6);
- Deux onduleurs aliments en parallle par un redresseur commun;
- Deux cycloconvertisseurs.

13

Dans [10-13], ltude que prsente LECOCQ concerne le cas o le rotor et
le stator sont connects deux onduleurs indpendants (Figure I.6). Il
prfre la thorie du champ orient appliqu au flux statorique et impose la
vitesse, le flux, le facteur de puissance et le glissement.
Dans [12], lauteur part du principe que la DFAM offre quatre degrs de
libert : le flux, le couple, la frquence et le facteur de puissance et procde
un contrle indirect du flux dentrefer en introduisant un courant
magntisant. La rgulation des courants est effectue par la suite. Il
prsente par la suite les rsultats exprimentaux de cette tude.
Dans [14], VIDAL reprend la commande vectorielle prsente par LECOCQ.
Il essaie dlaborer de nouvelles lois de commande linaire et non linaire
partir dun modle dtat bas tout dabord sur les courants puis sur les flux.
Lalimentation de la DFAM est assure par un onduleur MLI. En analysant
le comportement de la DFAM en rgime permanent, il parvient dterminer
les couplages mis en jeu dans la modlisation choisie. Il adopte une loi de
rpartition de puissance et impose une frquence minimale

Fig. I.6. Schma d'un systme utilisant une DFAM en moteur
aliment par deux convertisseurs
DFAM
Pmec
Redresseur2 Onduleur2

Rseau
Puissance lectrique fournie au stator
Redresseur1 Onduleur1

14

de fonctionnement. Pour la commande linaire, il conclue que la
modlisation par flux prsente de meilleurs rsultats. Quant au cas non
linaire, il opte pour la commande par modes glissants. En conclusion, il
affirme que cette stratgie donne de trs bons rsultats vis--vis de la
commande linaire.
MASMOUDI dans son article [15], considre une DFAM avec deux
alimentations variables et indpendantes : lune au stator, lautre au rotor. Il
centre son intrt aux changes nergtiques entre les enroulements
rotoriques et statoriques dans lentrefer. Il en fait un bilan pour les
fonctionnements en moteur, en gnrateur ou en frein. Lauteur propose
enfin une tude de la stabilit en analysant les valeurs propres de la matrice
dynamique en fonction des variations des paramtres lectriques.
Dans [16], DRID prsente une nouvelle approche pour contrler une DFAM
alimente par deux onduleurs de tension au stator comme au rotor. Son
approche est base sur un contrle double orientation du flux statorique et
rotorique. Lorthogonalit entre les deux flux, qui doit tre imprativement
observe, conduit une commande linaire et dcouple de la machine avec
une optimisation du couple. Par la suite lauteur prsente les rsultats de
simulations de son tude.
RAMUZ dans sa thse [17], propose d'utiliser une configuration de la
DFAM pour un fonctionnement moteur dans des applications telles que la
traction o la "premire transformation de l'acier". Les enroulements
statoriques et rotoriques de la DFAM sont aliments par deux onduleurs
indpendants. Il utilise un contrle vectoriel orientation de flux. Dans un
premier temps, il prsente des rsultats exprimentaux avec un contrle
bas sur un repre tournant li au flux statorique; dans un deuxime temps,
le contrle est bas sur une orientation du repre suivant le flux d'entrefer.
Ces rsultats exprimentaux ont t obtenus sur une maquette dont le
moteur a une puissance de 1.5 kW.

15

I.4.3. Fonctionnement en gnratrice :
Dans ce type de fonctionnement, le stator est reli au rseau et un
convertisseur alimente le rotor comme nous le montre la figure (I.7). Cette
solution permet de fournir une tension et une frquence fixes mme lors
dune fluctuation de la vitesse. Dans ce cas la plus grande partie de la
puissance est directement distribue au rseau par le stator et moins de
30% de la puissance totale passe par le convertisseur de puissance travers
le rotor. Ceci donne loccasion dutiliser des convertisseurs plus petits et
donc moins coteux, [18-20].

Dans [21], PERESADA place son tude dans le contexte d'un fonctionnement
en mode gnrateur de la DFAM. Les enroulements statoriques sont relis au
rseau, le rotor est connect un onduleur de tension. Il propose de faire
une rgulation "asymptotique" des puissances active et ractive statoriques
par le biais d'une rgulation des courants actif et magntisant statoriques. Il
se place dans un repre tournant li la tension statorique. Pour rester
dans le cas le plus gnral possible, il prcise qu'il ne ngligera pas les
termes rsistifs. Il dmontre travers des tests exprimentaux et des

DFAM
Pmec
Redresseur Onduleur

Rseau
Puissance lectrique fournie au rseau
Fig. I.7. Schma d'un systme utilisant une DFAM en alternateur
aliment par un seul convertisseur

16

simulations que le systme est robuste face des variations paramtriques
et face une erreur de la mesure de la position mcanique du rotor.
PENA dans [22-24], prsente ltude de la DFAM en fonctionnant
gnratrice associe une olienne. Les enroulements statoriques sont relis
un rseau triphas, une association redresseur MLI- onduleur MLI au
rotor. Lavantage dune telle structure est quelle permet le rglage
indpendant des puissances fournies par lalimentation et le fonctionnement
dans une grande plage de vitesse.
Dans [25], HOFMANN propose une application olienne de la DFAM en
fonctionnement gnrateur dont les enroulements statoriques sont
connects au rseau tandis que les enroulements rotoriques sont relis un
onduleur. Il prsente une courbe de couple mcanique en fonction de la
vitesse. Il part de l'hypothse que sa machine est pilote par un contrle
vectoriel bas sur l'orientation du flux statorique. Il analyse par les
simulations des variations des courants, des pertes et des flux. Il dmontre
que son contrle, qui doit minimiser les pertes, est performant.
KELBER, dans son article [26], tudie le fonctionnement de la DFAM en
gnratrice entrane par une turbine hydraulique et en moteur, entranant
une pompe. Il prsente une tude de la stabilit de la machine ainsi que le
principe de commande en courant des deux onduleurs. Lauteur conclut que
la DFAM en gnratrice possde des ples faible amortissement avec une
pulsation propre proche de la frquence du rseau, toutefois le choix dune
faible bande passante pour les boucles de courant limine ce problme. Il
montre quavec la DFAM en gnratrice, il est possible de travailler dans les
quatre quadrants avec une commande dcouple de la vitesse et des
puissances. Des rsultats exprimentaux sont prsents.
Dans un second article [27], lauteur prsente les diffrentes structures
adoptes pour la gnration de lnergie lectrique avec un entranement
olien ou hydraulique. Cette comparaison lamne opter pour la DFAM
comme solution optimale.

17

POITIERS dans sa thse [1], tudie une DFAM o le stator est connect au
rseau et le rotor reli un onduleur. Il tablit une commande du type
vectorielle avec un rfrentiel tournant li au flux statorique. Ltude porte
sur la comparaison entre un correcteur PI classique et un correcteur
adaptatif type RST. Ces correcteurs visent les rgulations du flux statorique
et du couple. Les rponses temporelles donnes par les deux types de
correcteurs sont ensuite compares. Les critres sont la recherche de la
puissance active optimale, ladaptation face une variation de vitesse
brutale et la robustesse face aux variations des paramtres lectriques. Les
conclusions prouvent que le rgulateur RST donne des rsultats meilleurs en
terme de robustesse vis--vis des variations paramtriques.
Le travail effectu le long de cette thse est consacr la commande de la
DFAM en fonctionnement gnratrice non autonome alimente par un
onduleur de tension au rotor, alors que le stator est directement connect au
rseau. Le facteur de puissance est contrl de sorte quil soit unitaire en
rgime permanent du ct statorique. En premier lieu la stratgie de
commande par orientation du flux statorique sera applique la DFAM.
Cest une commande base sur la poursuite du couple (torque tracking
control). Le couple lectromagntique de rfrence est impos ngatif pour
avoir le mode gnrateur, et par consquence le flux de rfrence est une
fonction de ce couple de rfrence. Par la suite des techniques de
lintelligence artificielle seront appliques.
I.6. Conclusion :
Dans ce chapitre, nous avons prsent la DFAM sous toutes ses
configurations et les performances qui lui permettent doccuper un large
domaine dapplication, soit dans les entranements vitesse variables
(fonctionnement moteur), ou dans les applications vitesse variable et
frquence constante (fonctionnement gnrateur).

18

Au cours de notre recherche bibliographique nous avons balay un grand
nombre dtudes et de travaux effectus sur la DFAM. Ces tudes portent
principalement sur son fonctionnement en gnratrice, dans le domaine des
nergies renouvelables, ou sur son fonctionnement en moteur avec une
grande varit de modes dalimentation et de contrle.
Nous avons orient notre tude sur l'utilisation d'une DFAM en
fonctionnement gnratrice non autonome. Il s'agit d'une configuration
utilisant un onduleur au rotor, le stator est connect directement au rseau.
Pour bien exploiter la machine double alimentation dans un tel domaine
dapplication, la modlisation et la commande sont ncessaires. Le prochain
chapitre est consacr la modlisation et la commande vectorielle de la
DFAM.

I.7. Rfrences bibliographiques :

[1]

[2]

[3]

[4]

[5]

Poitiers. F, Etude et Commande de Gnratrices Asynchrones pour
lUtilisation de lEnergie Eolienne, Thse de lEcole Polytechnique de
lUniversit de Nantes, Nantes, France, 2003.

Drid. S, Contribution la Modlisation et la Commande Robuste
dune Machine Induction Double Alimente Flux Orient avec
Optimisation de la Structure dAlimentation: Thorie &
Exprimentation, thse de doctorat en sciences, universit de Batna,
2005.

Panda. D, Benedict. E. L. Venkataramanan. G and Lipo. T. A, A Novel
Control Strategy for the Rotor Side Control of a Doubly-Fed Induction
Machine, Proceedings of Thirty-Sixth IAS Annual Meeting Conference
IEEE, Vol.3, pp. 1695-1702, Oct 2001.

Heller. M and W. Schumacher, Stability analysis of doubly-fed
induction machines in stator flux reference frame, Proc. EPE
(Trondheim), vol. 2, p. 707-710, 1997.

Morel. L, Godfroid. M, Kauffmann. J.M, Application and Optimal
Design of Double Fed Induction Machines in Generator and Motor
Operating, Cigre, Moscou, Russia, 1995.

19

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

Morel. L, Godfroid. M, Kauffmann. J.M, Optimal Design of Double Fed
Induction Machines in Motor Operating, ICEM Proceedings, Spain,
1996.

Morel. L, Godfroid. M, Mirzaian. A, Kauffmann. J.M, Double-Fed
Induction Machine : Converter Optimization and Field Oriented Control
Without Position Sensor, IEEE Proc. Electr Power Appl. 145, No. 4,
pp. 360-368, July 1998.

Hopfensperger. B, Atkinson. D. J, Stator Flux Oriented Control of a
Doubly-Fed Induction Machine With and Without Position Encoder,
IEE Proc. Electr Power Appl. Vol. 147, No 4, p. 241-250, July 2000.

Hopfensperger. B, Atkinson. D. J, Combined Magnetizing Flux-
Oriented Control of the Cascaded Doubly Fed Induction Machine,
IEEE Proc. Electr Power Appl. Vol. 148, No. 4, p. 354-362, 2001.

Lecocq. D, Lataire. P.H, Wymeersch. W, Application of the Double Fed
Asynchronous Motor (DFAM) in Variable Speed Drives, EPE
Conference, Brighton, Vol. 5, pp. 419-423, 13-16 September. 1993.

Lecocq. D, Contribution lEtude des Moteurs Alternatifs Double
Alimentation par Convertisseurs Statiques pour Entranements de
Forte Puissance, Thse de Doctorat, Faculteit Toegepaste
Wetenschappen, Vrije Universiteit, Brussel, 1994.

Lecocq. D, Lataire. P.H, The Indirect Controlled Double Fed
Asynchronous Motor for Variable Speed Drives, EPE Conference, Vol.
3, pp. 405-410, Sevilla, 19-21 September. 1995.

Lecocq. D, Lataire. P.H, Study of a Variable Speed, Double Fed
Induction Motor Drive System with Both Stator and Rotor Voltages,
Controllable Proc. EPE, pp. 337-339, Firenze, 1991.

Vidal. P. E, Commande non Linaire dune Machine Asynchrone
Double Alimentation, Thse de Doctorat de lInstitut National
Polytechnique de Toulouse, 2004.

Masmoudi. A, Toumi. A, Kamoun. M, Power on Analysis and Efficiency
Optimization of a Doubly Fed Synchronous Machine, Proceedings
Electric Machines and Power Systems 21, pp. 473-491, 1993.

Drid. S, Nait-Said. M.S, Tadjine. M, Double Flux Oriented Control for
the Doubly Fed Induction Motor Electric Power Components and
Systems, Taylor & Francis Inc., 33:1081-1095, 2005.

20

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

Ramuz. D, Machine gnralise alimente par deux convertisseurs,
Thse, Institut de Gnie Energtique de Belfort, UFR des Sciences,
Techniques et Gestion de l'Industrie de l' Universit de Franche Comt
90000 Belfort (France), mai 2000.

Hansen. L. H, L. Helle, F. Blaabjerg, E. Ritchie, S. Munk-Nielsen, H.
Bindner, P. Srensen, and B. Bak-Jensen, Conceptual survey of
generators and power electronics for wind turbines, Ris National
Laboratory, Roskilde, Denmark, Tech. Rep. Ris-R-1205(EN), ISBN 87-
550-2743-8, 2001.

L. Xu and C. Wei, Torque and reactive power control of a doubly fed
induction machine by position sensorless scheme, IEEE Trans. Ind.
Applicat., vol. 31, no. 3, pp. 636-642, May/June. 1995.

Petersson.A and S. Lundberg, Energy efficiency comparsion of
electrical systems for wind turbines, in IEEE Nordic Workshop on
Power and Industrial Electronics (NORpie/2002), Stockholm, Sweden,
12-14 Aug. 2002.

Peresada. S, A. Tilli and A. Tonielli, Robust output feedback control of
a doubly fed induction machine, Proc. IEEE International Symposium
on Industrial Electronics ISIE'99 (Bled Slovenia), p.1256-1260, 1999.

Pena. R.S, Clare. J.C, Asher. G.M, Doubly Fed Induction Generator
Using Back-to-Back PWM Converters and its Applications to Variable-
Speed Wind-Energy Generation, IEE Proceedings, Electrical Power
Applications, Vol. 143, N 3, pp. 231-241, May 1996.

Pena. R.S, Clare. J. C, Asher. G. M, A Doubly Fed Induction Generator
Using Back-to-Back PWM Converters Supplying an Isolated Load from
a Variable Speed Wind Turbine, IEE Proceedings, Electrical Power
Applications, Vol. 143, N 5, pp. 380-387, September. 1996.

Pena. R.S, Clare. J.C, Asher. G. M, Vector Control of a Variable Speed
Doubly-Fed Induction Machine for Wind Generation Systems, EPE
Journal, Vol. 6, N 3-4, pp. 60-67, December. 1996.

Hofmann. W and F. Okafor, Doubly fed full controlled induction wind
generator for optimal power utilisation, Proc. PEDS'01, International
conference on Power Electronics and Drives Systems (Bali Indonesia),
oct. 2001.

Kelber. C, Schumacher. W, Adjustable Speed Constant Frequency
Energy Generation with Doubly-Fed Induction Machine, Proc. VSSHy
European Conference on Variable Speed in Small Hydro, Grenoble,
January. 2000.

21

[27]

Kelber. C, Schumacher. W, Control of Doubly-Fed Induction Machines
as an Adjustable Speed Motor/Generator, Proc. VSSHy European
Conference on Variable Speed in Small Hydro, Grenoble, January.
2000.

CHAPITRE II

MODELISATION ET COMMANDE
VECTORIELLE DE LA DFAM

Chapitre II Modlisation et commande vectorielle de la DFAM
22

CHAPITRE II
MODELISATION ET COMMANDE VECTORIELLE
DE LA DFAM

II.1. Introduction :
La commande vectorielle par orientation du flux prsente une solution
attractive pour raliser de meilleures performances dans les applications
vitesse variable pour le cas de la machine asynchrone double alimente
aussi bien en fonctionnement gnrateur que moteur, [1-4].
Afin de bien comprendre la mthodologie dveloppe lors de la
dtermination de lalgorithme de la commande vectorielle, une modlisation
de la machine asynchrone double alimentation semble ncessaire, [5].
La modlisation dune machine lectrique est une phase primordiale de
son dveloppement, [6]. Les progrs de linformatique et du gnie des
logiciels permettent de raliser des modlisations performantes et
denvisager loptimisation des machines lectriques. Dans ce chapitre, la
modlisation et la commande vectorielle de la DFAM seront prsentes.
II.2. Hypothses simplificatrices pour la modlisation de la DFAM :
On adopte les hypothses simplificatrices qui tout en permettant de
simplifier notablement les calculs, conduisent des rsultats suffisamment
prcis pour la plupart des applications; ces hypothses sont les suivantes :

23

- Lentrefer est dpaisseur uniforme et leffet dencochage est ngligeable;
- La saturation du circuit magntique, lhystrsis et les courant de Foucault
sont ngligeables;
- Les rsistances des enroulements ne varient pas avec la temprature et
leffet de peau est nglig;
- On admet de plus que la f.m.m cre par chacune des phases des deux
armatures est rpartition sinusodale.
II.3. Modle triphas de la DFAM :
La DFAM est reprsente schmatiquement par la figure (II.1) :

Les quations lectriques de la DFAM sont donnes par :
Pour le stator :
| | | | | | | |
s s s s
dt
d
i R V + = (II.1)
Avec : | | | |
T
cs bs as s
V V V V = : vecteur tension statorique;
| | | |
T
cs bs as s
i i i i = : vecteur courant statorique;
| | | |
T
cs bs as s
= : vecteur flux total statorique;
| |
(
(
(
=
s
s
s
s
R
R
R
R
0 0
0 0
0 0
: matrice rsistances du stator.

Fig. II.1. Reprsentation schmatique de la DFAM
v
ra

v
rb

v
rc

v
sa

v
sc

v
sb

rotor
stator

24

Pour le rotor on a [7-8]:
| | | | | | | |
r r r r
dt
d
i R V + = (II.2)
Avec : | | | |
T
cr br ar r
V V V V = : vecteur tension rotorique;
| | | |
T
cr br ar r
i i i i = : vecteur courant rotorique;
| | | |
T
cr br ar r
= : vecteur flux total rotorique;
| |
(
(
(
=
r
r
r
r
R
R
R
R
0 0
0 0
0 0
: matrice rsistances du rotor.
Les quations magntiques de la DFAM sont donnes par :
pour le stator :
| | | | | | | | | |
r sr s ss s
i M i L + = (II.3)
pour le rotor :
| | | | | | | | | |
s
T
sr r rr r
i M i L + = (II.4)
avec :

| |
ss
L : matrice dinductances statoriques;
| |
rr
L : matrice dinductances rotoriques;
| |
sr
M : matrice dinductances mutuelles du couplage stator-rotor.
O :

| |
(
(
=
(
(

s s s
ss s s s
s s s
L M M
L M L M
M M L
(II.5)

| |
(
(
=
(
(

r r r
rr r r r
r r r
L M M
L M L M
M M L
(II.6)

25

| | | |
4 2
cos cos( ) cos( )
3 3
2 4
cos( ) cos cos( )
3 3
4 2
cos( ) cos( ) cos
3 3

(

(
(
(
= =
(
(
(

(

T
sr sr sr
M M M (II.7)
Les quations (II.3) jusqu a (II.7) peuvent tre formules en bloc de matrices
comme suit :
| |
| |
| | | |
| | | |
| |
| |

( ( (
=
( ( (

s ss sr s
r sr rr r
L M i
M L i
(II.8)
En faisant substituer les matrices de flux dans (II.1) et II.2) par les matrices
des inductances obtenues en (II.3) et (II.4), on aboutit :
| | | | | | | | | | | | | | ( )
r sr s ss s s s
i M
dt
d
i
dt
d
L i R V + + = (II.9)
| | | | | | | | | | | | | | ( )
s
T
sr r rr r r r
i M
dt
d
i
dt
d
L i R V + + = (II.10)
Il est clair que les quations (II.13) et (II.14) sont coefficients variables,
puisque la matrice des mutuelles inductances contient des terme qui sont
fonction de , donc fonction du temps. Cest cela justement qui rend la
rsolution analytique de ce systme dquations trs difficile. Ceci nous
conduit lutilisation de la transformation de Park qui permettra de rendre
ces paramtres indpendants de la position (constants).

II.4. Transformation de Park :
La transformation de Park, appele souvent transformation des deux axes,
fait correspondre aux variables relles leurs composantes homopolaires
(indice O), daxe direct (indice V), et daxe en quadrature (indice W).
Dans le cas dun systme de courant (ou tension ou flux), cette
transformation scrit :
(
(
(
=
(
(
(
W
V
O
a
c
b
a
x
x
x
) ( P
x
x
x
1
(II.11)

26

La variable x peut tre une tension, un courant ou un flux.
O a est lcart angulaire arbitraire entre laxe dune phase dans lune des
armatures (stator ou rotor) et laxe dobservation V.
La matrice de transformation ) ( P
a
est donne par :

(
(
(
(
(
(

=
) sin( ) sin( sin
) cos( ) cos( cos ) ( P
a a a
a a a a
3
4
3
2
3
4
3
2
2
1
2
1
2
1
3
2
(II.12)
Son inverse est donn par :
(
(
(
(
(
(
) sin( ) cos(
) sin( ) cos(
sin cos
) ( P
a a
a a
a a
a
3
4
3
4
2
1
3
2
3
2
2
1
2
1
3
2
1

(II.13)

II.5. Application de la transformation de Park la DFAM :
II.5.1. Equations lectriques de la DFAM dans le repre (V, W ) :
En appliquant la transformation de Park pour les deux quations
lectriques (II.1) du stator et (II.2) du rotor, on aura :
Pour le stator :
| | | | | | | | | | ) ) ( P (
dt
d
i ) ( P R V ) ( P V
s OVW a s OVW a s s OVW a s
+ = =
1 1 1
(II.14)

En multipliant gauche par ) ( P
a
; on aura :
| | | | | | | | | |
s OVW a a s OVW s OVW s s OVW
)) ( P (
dt
d
) ( P )
dt
d
i R V |
.
|
\
|
+ + =
1
(II.15)
avec :
a a a a
) (
dt
d
)) ( P (
dt
d
) ( P
(
(
(
=
|
.
|
\
|
(
(
(
=
|
.
|
\
|

0 1 0
1 0 0
0 0 0
0 1 0
1 0 0
0 0 0
1
(II.16)

27

O :
dt
d
a
a

= , vitesse de rotation du rfrentiel dobservation.
Dans la littrature spcialise, la matrice dfinie dans (II.16) note :
(
(
(
=
0 1 0
1 0 0
0 0 0
J ; est appele matrice de rotation.
De ce qui prcde, on aboutit :
s
W
V
O
a
s
W
V
O
s
W
V
O
s
s
s
s
W
V
O
dt
d
i
i
i
R
R
R
V
V
V
(
(
(

(
(
(
+
(
(
(
+
(
(
(
(
(
(
=
(
(
(
0 1 0
1 0 0
0 0 0
0 0
0 0
0 0
(II.17)

On obtient finalement le systme dquations de Park qui constitue ainsi
un modle lectrique dynamique pour lenroulement biphas quivalent de
lenroulement triphas statorique avec la remarque que la composante
homopolaire du flux ne produit pas de f.e.m. Le rsultat dj bien connu, il
ny a pas de f.m.m tournante homopolaire.
+ + =
+ =
+ =
Vs a Ws Ws s Ws
Ws a Vs Vs s Vs
Os Os s Os
dt
d
i R V
dt
d
i R V

dt
d
i R V

(II.18)
Sous forme vectorielle, cela donne :
s a
s
s s s
J
dt
d
i R V
+ + = (II.19)
Pour le rotor :
De la mme manire, en remplaant lindice "s" (du stator), par lindice "r"
(du rotor), et la matrice de transformation de Park P(
a
) dans le cas du
stator, par la matrice P(
a
-) dans le cas du rotor, puisque (
a
-) est langle
que fait laxe "V" du systme fictif biphas avec laxe a
r
du systme daxe rel
triphas des enroulements rotoriques.
On aura :
| | | | | | | | | |
r OVW a a r OVW r OVW r r OVW
)) ( P (
dt
d
) ( P )
dt
d
i R V |
.
|
\
|
+ + =
1
(II.20)

28

Ou bien :
r
W
V
O
a
r
W
V
O
r
W
V
O
r
r
r
r
W
V
O
) (
dt
d
i
i
i
R
R
R
V
V
V
(
(
(

(
(
(
+
(
(
(
+
(
(
(
(
(
(
=
(
(
(
0 1 0
1 0 0
0 0 0
0 0
0 0
0 0
(II.21)

avec :
dt
d
= ,
soit :
r
= (
a
- ),
on aura :
+ + =
+ =
+ =
Vr r Wr Wr r Wr
Wr r Vr Vr r Vr
Or Or r Or
dt
d
i R V
dt
d
i R V

dt
d
i R V

(II.22)
Sous forme vectorielle, cela donne :

r r
r
r r r
J
dt
d
i R V
+ + = (II.23)

II.5.2. Equations magntiques de la DFAM dans le repre (V, W ) :
Pour le stator :
En multipliant lquation (II.3) gauche par P(
a
), on aura :
| | | | | | | | | |
r sr a s ss a s a
i M ) ( P i L ) ( P ) ( P + = (II.24)
Aprs avoir dvelopp les calculs, on aboutit lexpression des flux
statoriques suivant les axes V et W :
(
(
(
+
(
(
(
(
(
(
=
(
(
(
Wr
Vr
Ws
Vs
Os
s
s
Os
Ws
Vs
Os
i
i
0
M
i
i
i
L 0 0
0 L 0
0 0 L
(II.25)
O :
L
s
= l
s
- M
s
: inductance cyclique propre statorique.
M = 3/2(M
sr
) : inductance mutuelle cyclique entre le stator et le rotor.

29

L
Os
= l
s
+2M
s
: inductance homopolaire statorique.
Pour le rotor :
En multipliant lquation (II.4) gauche par P(
a
), on aura :
| | | | | | | | | |
s rr r r rr r r r
i M ) ( P i L ) ( P ) ( P + = (II.26)
Aprs avoir dvelopp les calculs, on aboutit lexpression des flux
rotoriques suivant les axes V et W :
(
(
(
+
(
(
(
(
(
(
=
(
(
(
Ws
Vs
Wr
Vr
Or
r
r
Or
Wr
Vr
Or
i
i M
i
i
i
L
L
L 0
0 0
0 0
0 0
(II.27)
O :
L
s
= l
s
- M
s
: inductance cyclique propre rotorique.
M = 3/2(M
sr
) : inductance mutuelle cyclique entre le stator et le rotor.
L
Os
= l
s
+2M
s
: inductance homopolaire rotorique.
La machine asynchrone double alimentation peut tre reprsente par la
relation matricielle suivante :
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
Wsr
Vr
Or
Ws
Vs
Os
r
r
Os
s
s
Os
Wr
Vr
Or
Ws
Vs
Os
i
i
i
i
i
i
L M
L M
L
M L
M L
L
0 0 0 0
0 0 0 0
0 0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0 0
(II.28)
Sachant que les composantes homopolaires sont nulles, lquation (II.28)
devient :
(
(
(
(
(
(
(
(
=
(
(
(
(
Wsr
Vr
Ws
Vs
r
r
s
s
Wr
Vr
Ws
Vs
i
i
i
i
L M
L M
M L
M L
0 0
0 0
0 0
0 0
(II.29)

30

Ou bien :
+ =
+ =
+ =
+ =
Ws Wr r Wr
Vs Vr r Vr
Wr Ws s Ws
Vr Vs s Vs
i M i L
i M i L
i M i L
i M i L
(II.30)
Aussi pour les deux quations (II.18) et (II.22), [8] :
+ + =
+ =
+ + =
+ =
Vr r Wr Wr r Wr
Wr r Vr Vr r Vr
Vs a Ws Ws s Ws
Ws a Vs Vs s Vs
dt
d
i R V
dt
d
i R V
dt
d
i R V
dt
d
i R V

(II.31)
Le systme dquations (II.31), reprsente le modle gnral de la DFAM dans
le systme daxe (V, W).
II.5.3. Couple et quation mcanique dans le repre (V, W) :
Lexpression du couple lectromagntique peut tre donne par :
) i i (
L
M
p C
Wr Vs Vr Ws
s
e
= (II.32)
Lquation mcanique est donne par lexpression suivante :
= f C C
dt
d
J
r e
(II.33)
Remarque :
Dans notre cas (DFAM), le couple lectromagntique C
e
est ngatif (mode
gnrateur); et le couple C
r
est le couple dentranement gnr par un
moteur extrieur.
II.5.4. Choix du rfrentiel :
Il existe pratiquement trois possibilits pour le choix de lorientation du
repre daxes (V, W) :
1. repre (V, W) li au stator
a
= 0, alors
a
= 0, les indices "V " et "W "
deviennent " " et " ".
2. repre (V, W) li au rotor a = , alors
a
= , les indices "V " et "W "
deviennent "x " et "y ".

31

3. repre (V, W) li au champ tournant
a
=
s
, alors
a
=
s
, les indices
"V " et "W " deviennent "d " et "q ".
Dans tout nos travaux, nous nous intressons une orientation du repre
(V-W) suivant le champ tournant (d-q). Dans ce cas les quations de la
DFAM sont reprsentes par :
qs s ds ds s ds
dt
d
i R V + = (II.34)
ds s qs qs s qs
dt
d
i R V + + = (II.35)
qr r dr dr r dr
dt
d
i R V + = (II.36)
dr r qr qr r qr
dt
d
i R V + + = (II.37)
Les composantes des flux statoriques et rotoriques sont donnes par :
dr ds s ds
i M i L + = (II.38)
qr qs s qs
i M i L + = (II.39)
ds dr r dr
i M i L + = (II.40)
qr qs s qr
i M i L + = (II.41)
avec:
r
=
s
- , et = p.
Lquation du couple sera donc :
) i i (
L
M
p C
qr ds dr qs
s
e
= (II.42)
Les puissances active et ractive statoriques sont reprsentes par :
) i V i V ( Q
) i V i V ( P
qs ds ds qs s
qs qs ds ds s
=
+ =
2
3
2
3
(II.43)
Pour la machine asynchrone double alimentation les variables de
contrle sont les tensions statoriques et rotoriques. En considrant les flux
statoriques et les courant rotoriques comme des vecteurs dtat, alors le
modle de la DFAM est dcrit par lquation dtat suivante :
Bu Ax
dt
dx
+ = (II.44)

32

O : | |
T
qs ds qr dr
i i x = ; | |
T
qr dr qs ds
V V V V u =
avec :

(
(
(
(

=
s s s
s s s
s r r
s r r
M
M
p
p
A

0
0
;
(
(
(
(
=
0 0 1 0
0 0 0 1
1 0 0
0 1 0
r
r
/
/
B

(II.45)
Ou bien :

ds dr s qs s ds s
ds
V Mi
dt
d
+ + + =
(II.46)
qs qr s ds s qs s
qs
V Mi
dt
d
+ + =
(II.47)
dr
r
ds qs ds s qr r dr r
dr
V V p i i
dt
di

1
+ + + = (II.48)
qr
r
qs ds qs s dr r qr r
qr
V V p i i
dt
di

1
+ + + = (II.49)
Avec :
s
= R
s
/L
s
;
r
= L
r
(1-M
2
/L
s
L
r
) ; = M/(L
s
.
r
) ;
r
=R
r
/
r
+(R
s
M
2
)/L
s
2
r
; = 3M/2L
s
.
p : nombre de paires de ples.
II.6. Principe de la commande vectorielle de la DFAM :
Dans la commande vectorielle, la DFAM est contrle dune faon analogue
la machine courant continu excitation spare. Dans tous nos travaux,
nous nous intressons une commande en tension avec orientation du
repre (d-q) suivant la tension statorique V
s
.
C'est--dire que le rfrentiel (d-q) li au champ tournant est choisi de telle
faon que laxe d concide avec la direction de la tension V
ds
, (V
qs
=0).
Pour que lorientation de la tension statorique soit quivalente
lorientation du flux statorique, il faut que le facteur de puissance soit
unitaire en rgime permanent du ct statorique. La figure (II.2) illustre le
diagramme de contrle du facteur de puissance, [9].
Pour cette condition, il suffit dimposer la composante en quadrature du
courant statorique nulle (i
qs
= 0).

33

Aussi
s
est align suivant laxe q, li au champ tournant, C'est--dire
(
ds
=0). Et la composante
qs
= *. Donc cest une orientation du flux
statorique suivant laxe q, [8-14].
Le couple lectromagntique de rfrence C
e
* est impos ngatif (mode
gnrateur), donc le flux de rfrence est une fonction de ce couple de
rfrence.

Le principe dorientation de la tension et du flux statoriques est illustr dans
la figure (II.3).

Fig. II.3. Orientation de la tension et du flux statoriques
dr
qr
d
q
s
s
s
V
s
V
s
V
s
s

0
Fig. II.2. Diagramme de contrle du facteur de puissance
q
cos
0.8 Capacitif 0.8 Inductif
1
s
r

i
s
i
r
d
0.8 Capacitif 0.8 Inductif
cos
s
U

34

Lexpression du couple lectromagntique peut tre crite sous la forme :
*
dr
*
qs
*
e
i C = (II.50)

De cette quation, on peut tirer la composante direct du courant rotorique
de rfrence comme suit :
*
qs
*
e *
dr
C
i

= (II.51)
En remplaant cette valeur de
*
dr
i dans lquation (II.46), et aprs
lorientation du flux statorique nous arrivons :
*
*
s ds
*
s
Ce
M V

= (II.52)
Cest une quation de deuxime degr, sa solution donne le flux de
rfrence suivant, [15-16] :
( )
s
*
s s ds ds *
Ce R ) / ( V V
2
3 2 4
2

= (II.53)
avec : V
ds
= V
s
=U
m
.
Remplaant (II.53) dans lquation (II.47) nous trouvons :
( )
* *
s
s
*
qr
M
i
&
+ =
1
(II.54)
Si nous tenons compte du fait que la DFAM est alimente par un onduleur
de tension au rotor et le stator connect au rseau, les rgulateurs de
courants rotoriques fournirent les tensions rotoriques de rfrence qui sont
exprimes sous la forme :
( )
r ds
* r
dr
c
dr
*
dr
/ V V V V + + + = (II.55)
( )
r
*
s
r
qr
c
qr
*
qr
/ V V V + = (II.56)
avec :
c
rq
c
rd
V , V : tensions de compensation;

r
rq
r
rd
V , V : tensions la sortie du rgulateur.

35

Le couplage qui existe entre les deux axes est limin en gnral par une
mthode de compensation classique. Celle-ci consiste faire la rgulation
des courants en ngligeant les termes de couplage; ces derniers seront
rajouts la sortie des rgulateurs des courants rotoriques afin dobtenir les
tensions de rfrence qui devront attaquer londuleur de tension.
Les termes de couplage sont dfinis de telle sorte que les tensions restent
en relation de premier ordre avec les composantes des courants, donc :
qr r
c
dr
i V = (II.57)
dr r
c
qr
i V + = (II.58)
Les sorties des rgulateurs sont :
dt
di
i V
*
dr *
dr r
r
dr
+ = (II.59)
dt
di
i V
*
qr *
qr r
r
qr
+ = (II.60)
Le schma de commande complet est illustr dans la figure (II.4) :

Fig. II.4. Schma bloc global de la commande vectorielle de la DFAM

2/3
e
-J (s -)
Circuit de
dcouplage
Calcul des
couranrs et flux
de rfrences
PI
r

2/3
e
J (s -)

r
Ce
*

2/3

Calculs
deU
m
et
s
idr
*

iqr
*

idr
iqr
-
-
-
-
- +

s
U
m
V
dr
c
V
qr
c
+
+
V
dr
*

V
qr
*

V
ds

V
qs

AC/DC
Rseaux
e
idr

ibr
iar
icr
Vbr
Var
Vcr
e
iqr

DFAM
PI
T
.

P
a
r
k

s
s
s
*
dr
V
*
qr
V

36

II.7. Alimentation de la DFAM :
Le long de tout notre travail, les diffrentes structures de commande sont
constitues de lassociation dune machine asynchrone double
alimentation avec un onduleur de tension. La tension de sortie de ce dernier
est contrle par une technique de modulation de largeur dimpulsion (MLI).
Lassociation redresseur-filtre-onduleur de tension est reprsente dans la
figure (II.5).

Les machines lectriques sont alimentes par lintermdiaire des
convertisseurs lectroniques de puissance (Fig. II.5). Londuleur de tension
avec onde porteuse est utilis pour la commande vectorielle des machines
lectriques.

Fig. II.5. Association redresseur-filtre-onduleur
de tension MLI
K
1
K
2
K
3
K
1
K
2
K
3

V
a
d
3
d
3

V
1
d
1
d
1
d
2
d
2

V
2
V
3
L
l
V
dc
-V
dc
/2
V
dc
/2
o
V
ao
N
a
c
b
DFAM
Redresseur Onduleur Filtre

37

Le bloc de commande du convertisseur reoit les tensions de rfrence
pour les trois phases. Ces tensions sont compares avec un signal dents de
scie, et en fonction du signal derreur, on commande les semi-conducteurs
de londuleur. Le mode de fonctionnement est trs simple :
si V
ref
> V
p
- le transistor suprieur du bras de pont conduit,
si V
ref
< V
p
- le transistor infrieur du bras de pont conduit.
o V
ref
reprsente une des trois tensions de rfrence et V
p
reprsente le
signal dents de scie ou londe porteuse.
Ce type de commande est appel commande par modulation de largeur
dimpulsion (MLI) ou (PWM en anglais).

Fig. II.6. Principe de la commande MLI et enveloppes de tensions

38

La Figure (II.6) reprsente le principe de la commande MLI et quelques
enveloppes des tensions. Sur cette figure, V
h
est la tension homopolaire qui
peut sexprimer par :
( )
co bo ao No h
V V V V V + + = =
3
1
(II.61)
La commande MLI prsente lavantage dune frquence constante de
commutation, qui est fixe par la frquence de londe porteuse. Le schma
Simulink pour ce type donduleur est prsent dans la Figure (II.7).

La DFAM et le rseau lectrique sont des systmes continus, mais le
convertisseur lectronique est un systme discret. Comme on le voit dans la
figure (II.7), le schma Simulink du convertisseur est assez compliqu et il
savre gourmand en temps de calcul, surtout cause des relais,[17].
Dans ce travail, le rapport de modulation est gal 1, et la frquence de la porteuse est gale
2 KHz.

Fig. II.7. Onduleur de tension avec onde porteuse
Fig. II.8. Explication pour lobtention du modle continu
quivalent du convertisseur
Vref
Vp
t
1
-1
0

39

Dans la Figure (II.8) on voit que lamplitude de V
p
est unitaire. Lamplitude
de londe de rfrence V
ref
(ou londe modulatrice) peut prendre des valeurs
comprises entre [0,1]. Sachant que les tensions polaires de londuleur
peuvent prendre seulement deux valeurs qui sont diffrentes de zro
(V
dc
/2) et en supposant que la frquence de londe porteuse est infinie, on
peut crire la relation suivante entre les composantes utiles des tensions
polaires et les signaux de rfrence :
(
(
(
=
(
(
(
cref
bref
aref
dc
co
bo
ao
V
V
V
V
V
V
V
2
(II.62)
Les convertisseurs daujourdhui peuvent fonctionner des frquences de
commutation de quelques kHz, beaucoup plus grandes que les frquences
des signaux de rfrence. On peut donc considrer que la relation (II.62) est
vraie aussi pour un convertisseur rel, [18-19]. En appliquant la
transformation directe de Park la relation (II.62), on obtient :
(
=
(
qref
dref
dc
q
d
V
V
V
V
V
2
(II.63)
Pour dterminer lvolution de la tension V
dc
du bus continu, il est
ncessaire de dterminer le courant circulant dans le condensateur du bus
continu (Fig. II.5). Ce courant dpend des courants introduits dans le bus
continu. Ces courants peuvent tre dtermins partir du bilan de
puissances aux deux extrmits du convertisseur. Pour le convertisseur de
la Figure (II.5), on peut crire :
( )
c cref b bref a aref
dc
c c b b a a dc dc
i V i V i V
V
i V i V i V i V + + = + + =
2
(II.64)
Ou :
( )
q qref d dref
dc
q q d d dc dc
i V i V
V
i V i V i V + = + =
2
(II.65)
A partir de (II.65), on dduit facilement :
( )
q qref d dref dc
i V i V i + =
2
1
(II.66)

40

II.8. Calcul des rgulateurs des courants rotoriques :

En supposant que le dcouplage est ralis, on aura :

s ) s ( V
) s ( i
r
*
dr
*
dr
+
=
1
(II.67)

La boucle de rgulation du courant
*
dr
i est reprsente par le schma bloc de
la figure (II.9) :

La fonction de transfert en boucle ferme (BF) est la suivante :

i pdr r
idr pdr
*
dr
dr
k s ). k ( s
k s . k
) s ( i
) s ( i
+ + +
+
=
2
(II.68)
Pour que le systme en BF puisse avoir un comportement dun systme du
premier ordre dont la fonction de transfert est
s . + 1
1
; Il faut que :
s . k s ). k ( s
k s . k
idr pdr r
idr pdr
+
=
+ + +
+
1
1
2

Aprs simplification on aura :
1
=
pdr
k ,
r
idr
k = .
Avec : <
e

e
: la constante de temps lectrique du systme.
Dans notre cas
e
= L
r
/R
r
= 0.03 s.
s
k
k
idr
pdr
+
s
1
r
+
) s ( i
*
dr

) s ( i
dr

e
dr
-

Fig. II.9. Schma fonctionnel de rgulation du courant i
dr

41

Nous avons choisi = 0.002 s, pour avoir une dynamique du processus plus
rapide. Lapplication numrique nous donne : k
pdr
= 500, k
idr
= 62040.
Pour dterminer les deux coefficients k
pqr
, k
iqr
, il sera procd de la mme
faon que pour le courant i
dr
, k
pqr
= 500, k
iqr
= 62040.
II.9. Rsultats de simulations :
Les rsultats de simulation reports sur les figures (II.10-II.23), concernent
une machine asynchrone double alimentation entrane une vitesse de
92 rd/s, avec une application dun couple de rfrence de forme trapzodale
qui commence linstant t = 0.2 s, aprs une valeur zro et qui tient la
valeur -10 Nm linstant t = 0.3 s.
Nous pouvons constater partir des figures (II.16) et (II.17) que le flux
statorique suit sa rfrence suivant laxe (q ) avec une composante directe
nulle, ce qui signifie que le dcouplage de la machine nest pas affect.
Les figures (II.14), (II.15) montre que les performances de poursuite des
courants rotoriques sont satisfaisantes; cependant on remarque un
dpassement au rgime transitoire (au dmarrage et au changement de
consigne), ce qui signifie que le rgulateur PI ne matrise pas le rgime
transitoire.
La figure (II.20) montre que la puissance active du ct du stator est
ngative ce qui signifie que le rseau dans ce cas est un rcepteur dnergie
fournie par la DFAM.
La puissance ractive est toujours nulle, cest une condition de
fonctionnement de la DFAM pour avoir un facteur de puissance unitaire
figure (II.21).
La figure (II.23) montre que la tension de phase statorique est en
opposition avec le courant de phase statorique.

42

Fig. II.10. Couple de rfrence Fig. II.11. Flux de rfrence
Fig. II.13. I
rq
de rfrence Fig. II.12. I
rd
de rfrence
Fig. II.14. Courant rotorique I
rd
rq

Fig. II.16. Flux statorique
sd
sq

43

Fig. II.18. Courant statorique I
sd

sq

Fig. II.20. Puissance active P Fig. II.21. Puissance ractive Q
Fig. II.22. Courant de phase rotorique. Fig. II.23. Tension et courant statoriques

44

II.10. Tests de robustesse :
Dans le but de tester la robustesse de la commande par les rgulateurs PI,
nous avons galement tudi linfluence de la variation de la rsistance
rotorique, inductance et mutuelle sur le dcouplage entre le flux et le couple.
Pour cela nous avons simul le systme pour une augmentation de 50% de
la rsistance rotorique (R
r
) introduite t = 0.5s, aussi une diminution de
25% des inductances propres et mutuelle (L
r
, L
s
et M) introduite t = 0.5s.
Les figures (II.24-II.39) illustrent les rsultats du test de simulation.
A partir des rsultats obtenus, nous pouvons conclure que la commande
par les rgulateurs PI prsente une faible robustesse dans le cas de
variations paramtriques de la machine. La dynamique de poursuite de la
consigne est affecte par la variation paramtrique introduite sur le systme,
(dpassement de 0.7 Ampre avec un temps de rponse de 0.02 s, figure
(II.29)).

Fig. II.24. Couple de rfrence Fig. II.25. Flux de rfrence
Fig. II.27. I
rq
de rfrence Fig. II.26. I
rd
de rfrence

45

rd
Fig. II.29. Zoom de courant rotorique I
rd

rq
Fig. II.31. Zoom de courant rotorique I
rq

zoom
zoom
sd
sq

sd

sq

46

II.11. Conclusion :
Dans ce chapitre, la modlisation et la commande vectorielle ont t
exposes. La mthode du flux orient applique depuis quelques annes la
machine asynchrone double alimentation reste la mthode la plus
rpondue. En effet, celle-ci nous permet non seulement de simplifier le
modle de la machine mais aussi de dcoupler la rgulation du couple et
celle du flux.
La commande vectorielle de la DFAM que nous avons dvelopp prsente
une poursuite satisfaisante de la rfrence. Il faut signaler que le rgulateur
PI ne permet pas dans tous les cas de matriser les rgimes transitoires, et
en gnrale, les variations paramtriques de la machine.
Cependant, il existe des commandes modernes qui sadaptent mieux avec
ces exigences et qui sont moins sensibles et robustes. Notre prochain
chapitre est consacr lune de ces commandes qui occupe une large place
dans la littrature de la commande des systmes : cest la commande par
logique flou.
Fig. II.36. Puissance active P Fig. II.37. Puissance ractive Q
Fig. II.38. Courant de phase rotorique Fig. II.39. Tension et courant statoriques

47

II.12. Rfrences bibliographiques :

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

Bose B. K, Power Electronics and AC Drives, Prentice Hall, Englewood
Cliffs, New Jersey, 1987.

Hirofumi A. and Hikaru S., Control and Performance of a Doubly-Fed
Induction Machine Intended for a Flywheel Energy Storage System,
IEEE Transactions on Power Electronics, vol.17, N:1, pp.109-116,
January 2002.

Leonhard W., Control Electrical, Springier verlag Berlin Heidelberg
printed in Germany, 1985.

Drid. S, Contribution la Modlisation et la Commande Robuste
dune Machine Induction Double Alimente Flux Orient avec
Optimisation de la Structure dAlimentation, thse de doctorat en
sciences de luniversit de Batna, 2005.

Zidani. F, Contribution au contrle et au diagnostique de la machine
asynchrone par la logique floue, thse de doctorat, Batna, 2002.

R. Abdessemed et M. Kadjouj, Modlisation des machines lectriques,
Presse de luniversit de Batna, 1997.

Khelfa. S, Commande vectorielle dune machine induction ; impacts
de la saturation de la machine et la modulation du convertisseur,
thse de magister, Batna 2001.

Poitiers. F, Machoum. M, Le Doeuff. R, zaim. M. E, control of doubly
fed induction generator for wind energy conversion systems,
international journal of renewable energy engeneering, Vol. 3, N 3, pp.
373-378, December 2001.

Chaiba. A, R. Abdessemed, M. L. Bendaas and A. Dendouga, Control
of Torque and Unity stator Side Power Factor of the Doubly-Fed
Induction Generator, Confrence sur le Gnie Electrique CGE04,
lEcole militaire polytechnique, proc,12-13 avril, 2005.

Chaiba. A, R. Abdessemed, and M. L. Bendaas, A Torque Tracking
Control Algorithm for Doubly-Fed Induction Generator , Journal of
Electrical Engineering Elektrotechnick asopis, JEEEC, Vol.59, No.3,
pp. 165-168, Slovakia, 2008.

Tnani. S, Contribution ltude et la commande de la machine
gnralise, thse de doctorat de luniversit de Franch-Comt,
octobre 1995.

48

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

Yamamoto. M, Motoyoshi. O, Active and reactive power control for
doubly-fed wound rotor induction generator, IEEE transactions on
power electronics, Vol. 6, N 4, pp. 642-629, Octobre 1991.

Hopfensperger. B, Atkinson. D. J, Lakin. R. A, Stator-flux-oriented
control of a doubly-fed induction machine with and without position
encoder, IEE Proc. Electr. Power App., Vol. 147, N 4, July 2000.

Peresada. S, Tilli. A, and Tonielli. A, Robust output feedback control of
a doubly-fed induction machine, IECON'99. Conference Proceedings.
25
th
annul conference of the IEEE Industial Electronics Soxiety, pp.
1348-1354, 1999.

Chaiba. A, R. Abdessemed, M. L. Bendaas and A. Dendouga,
Evaluation of the High Performance Vector Controlled Doubly-Fed
Induction Generator (DFIG) , 3
rd
Conference on Electrical Engineering,
CEE04, Batna University, proc. pp117-120, 04-06 October 2004.

Performances of Torque Tracking Control for Doubly Fed
Asynchronous Motor using PI and Fuzzy Logic Controllers, Journal of
Electrical Engineering, JEE, Vol.5, N2, pp. 25-30, Romania, 2005.

Robyns. B, Nasser. M, Berthereau. F, Labrique. F, Equivalent
continuous dynamic model of a variable speed wind generator,
Proceedings of the 4th International Symposium on Advanced
Electromechanical Motion Systems, ELECTROMOTION 2001, Bologna,
Italia, 2001.

Labrique. F, H. Buyse, G. Sguier, R. Bausire, Les convertisseurs de
llectronique de puissance, Commande et comportement dynamique,
Tome 5, Technique et Documentation Lavoisier, 1998.

Hautier. J.P, Caron. J.P, Convertisseurs statiques, mthodologie
causale de modlisation et de commande, Edition Technip, 1999.

CHAPITRE III

FLOUE DE LA DFAM

Chapitre III Commande par la logique floue de la DFAM
49

CHAPITRE III
FLOUE DE LA DFAM

III.1. Introduction :
La logique floue est une branche des mathmatiques, base sur la thorie
des probabilits et des concepts flous. A ce titre, toute une srie de notions
fondamentales a t dveloppe. Ces notions permettent de justifier et de
dmontrer certains principes de base de la logique floue.
Dans ce chapitre nous prsentons les approches de conception dun
rgulateur flou (RF). Les notions de base ncessaire la comprhension de
rgulation floue seront rappeles. Nous synthtisons le choix possible pour
les nombreux paramtres du contrleur logique flou (CLF) utilis pour le
rglage des courants rotoriques de la machine asynchrone double
alimentation.

50

III.2. principe de la logique floue :
La logique floue a t introduite en 1965 par le Professeur L. Zadeh. Elle
permet de faire correspondre un degr de vrit (dappartenance) une
variable qui peut tre linguistique. Cette graduation dans lappartenance
d'un lment une situation permet la modlisation de l'observation
humaine exprime sous forme linguistique, [1-4].
partir des annes 70 cette thorie a t applique la commande des
systmes,[5-6]. Ces travaux permettaient de mettre en oeuvre des
commandes de faon heuristique. Dans les annes 80 la communaut des
automaticiens a commenc btir une thorie de mise en uvre de
commande floue o ltude de la stabilit a t introduite de faon
systmatique.
III.3. Variables linguistiques :
La description d'une certaine situation imprcise ou incertaine peut
contenir des expressions floues comme par exemple: trs grand, grand,
moyen, petit. Ces expressions forment les valeurs d'une variable x, appele
"linguistique", soumise des fonctions appeles fonctions d'appartenance,
[7-8].
III.4. Fonctions dappartenance :
La variable x varie dans un domaine appel univers de discours, ce dernier
est partag en sous-ensembles flous de faon que dans chaque zone il y ait
une situation dominante. Ces zones sont dcrites par des fonctions
convexes, gnralement sous forme triangulaire ou trapzodale, elles
admettent comme argument la position de la variable x dans l'univers de
discours, et comme sortie le degr d'appartenance de x la situation dcrite
par la fonction; note :
E
(x) : degr d'appartenance de x au sous ensemble E .
Le choix de la rpartition des fonctions, leurs chevauchements ainsi que
leurs formes doit tre judicieux comme indiqu dans [7]. La figure (III.1)
donne quelques fonctions d'appartenance.

51

III.5. Structure de base d'un contrleur flou :
Le schma synoptique gnrale dun contrleur flou est reprsent dans la
figure (III.2), [4-5], [9-10] :

Logique
de prise
de dcision
Base de
connaissances
Interface
de
Dfuzzification
Interface
de
Fuzzification
Processus
Contrleur flou
Flou Flou
(a)
Infrence floue Dfuzzification Fuzzification
(b)
Sortie
non floue
Entres
non floues
Fig. III.2. a) : Schma synoptique dun contrleur flou
b) : configuration dun contrleur flou.
Fig. III.1. Exemple de fonctions dappartenance.
a) Fonction triangulaire.
b) Fonction trapzodale.
c) Fonction gaussienne.
1
D
e
g
r
a
p
p
a
r
t
e
n
a
n
c
e

(x)
a b c
Variable dentre
x

52

III.5.1. Base de connaissances :
La base de connaissance comprend une connaissance du domaine
dapplication et les buts du contrle prvu. Elle est compose :
1. Dune base de donnes fournissant les informations ncessaires pour les
fonctions de normalisation, [11].
2. La base de rgle constitue un ensemble dexpressions linguistiques
structures autour dune connaissance dexpert, et reprsente sous forme
de rgles: Si < condition > Alors < consquence >.
II.5.2. Fuzzification :
La fuzzification est l'opration qui consiste affecter pour chaque entre
physique, un degr d'appartenance chaque sous-ensemble flou. En
d'autres termes c'est l'opration qui permet le passage du numrique
(grandeurs physiques) au symbolique (variables floues).
Pour illustrer le mcanisme de la fuzzification, nous allons donn un
exemple en fixant comme valeur dentre e
k
= 0.45. Le rsultat de la
fuzzification sera prsent sur la figure (III.3). On remarque que pour cette
erreur correspond les ensembles flous PP et PM avec les degrs
dappartenances
PP
(e
k
) = 0.75 et
PM
(e
k
) = 0.25.

III.5.3. Rgles dinfrence floue :
Les rgles d'infrence peuvent tre dcrites de plusieurs faons,
linguistiquement, symboliquement ou bien par matrice d'infrence, dans ce
dernier cas, une matrice dite dinfrence rassemble toutes les rgles
-1 -0.5 0 0.45 1
NG NM NP ZE PP PM PG
Fig. III.3. Exemple de fuzzification

0.75
0.25

53

d'infrence sous forme dun tableau. Dans le cas d'un tableau deux
dimensions, les entres du tableau reprsentent les ensembles flous des
variables d'entres, [12-13]. L'intersection d'une colonne et d'une ligne donne
l'ensemble flou de la variable de sortie dfinie par la rgle, le tableau III.1
prsente la matrice dinfrence sept rgles.
Les trois mthodes dinfrence les plus usuelles sont : Max-Produit,
somme-produit et Max-Min (Implication de Mamdani),[14], cette dernire
mthode la plus utilise cause de sa simplicit, elle ralise loprateur "ET"
par la fonction "Min", la conclusion "ALORS" de chaque rgle par la fonction
"Min" et la liaison entre toutes les rgles (oprateur "OU") par la fonction
Max, [15-16].

NG NG NG NG NG NM NP ZE
NM NG NG NG NM NP ZE PP
NP NG NG NM NP ZE PP PM
ZE NG NM NP ZE PP PM PG
PP NM NP ZE PP PM PG PG
PM NP ZE PP PM PG PG PG
PG ZE PP PM PG PG PG PG

III.5.4. Dfuzzification :
Plusieurs stratgies de dfuzzification existent. Les plus utilises sont,[17]:
III.5.4.1. Mthode du maximum :
Comme son nom lindique, la commande en sortie est gale la commande
ayant la fonction dappartenance maximale.
La mthode du maximum simple, rapide et facile mais elle introduit des
ambiguts et une discontinuit de la sortie (par fois on trouve deux valeurs
maximales).

Tableau. III.1. Matrice dinfrence

e
e

54

III.5.4.2. Mthode de la moyenne des maxima :
Elle considre, comme valeur de sortie, la moyenne de toutes les valeurs
pour lesquelles la fonction d'appartenance issue de l'infrence est
maximale,[7].
III.5.4.3. Mthode du centre de gravit :
Cette mthode est la plus utilis dans les contrleurs flous. Elle gnre
labscisse du centre de gravit de lespace flou comme commande de sortie,
l'abscisse de centre de gravit
n
u peut tre dtermin l'aide de la relation
gnrale suivante :
( )
( )
=
dx . x
dx . x . x
u
n
(III.1)
Nous nous somme intress cette dernire mthode cause de sa
simplicit de calculs et sa sortie unique.
III.6. Dveloppement du contrleur flou :
III.6.1 Description du contrleur :
Notre but est de contrler les courants rotoriques dune machine
asynchrone double alimentation (DFAM). Le contrleur dvelopp utilise le
schma propos par Mamdani. Ce schma est reprsent par la figure (III.4),
il est compos:
- Des facteurs de normalisation associent lerreur e, sa variation e et
la variation de la commande (u);
- Dun bloc de fuzzification de lerreur et sa variation;
- Des rgles de contrle flou;
- La stratgie de commande est prsente par une matrice d'infrence du
mme type que celle prsente dans le tableau (III.1);
- Dun bloc de dfuzzification utilis pour convertir la variation de commande
floue en valeur numrique;
- Dun intgrateur.
La sortie du rgulateur est donne par :
) k ( du ) k ( V ) k ( V
r
rd
r
rd
+ = 1 (III.2)

55

Le contrleur flou considr utilise, [18]:

- Les fonctions dappartenances triangulaires et trapzodales, ce choix est
du la simplicit de mise en uvre;
- Un univers de discours normalis;
- Lunivers de discours est dcoup en sept (rglage fin) pour les variables
dentres et de sortie; une subdivision trs fine de l'univers de discours sur
plus de sept ensembles flous n'apporte en gnral aucune amlioration du
comportement dynamique du systme rguler, [7].
- Limplication de Mamdani pour linfrence;
- La mthode du centre de gravit pour la dfuzzification;
La figure (III.5) reprsente les fonctions dappartenance utilises par le
contrleur.

Fuzzification

DFAM

dfuzzification
Rgles de
Contrle flou
Infrence
Calcul
de e
ir
ref
ir

-

+

e

G
e
u

e

G
e
G
u
Fig. III.4. Schma bloc dun contrleur flou.
e e
-1 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 1
u
Fig. III.5. Fonctions dappartenance utilises par le contrleur.
-1 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 1
-1 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 1

56

III.6.2. Loi de commande :
Cette loi est fonction de lerreur et sa variation (u = f (e, e)). Elle est
donne par : u
k+1
= u
k
+G
u
.u
k+1
(III.2)
Avec : G
u
le gain associ la commande u
k+1

u
k+1 :
la variation de la commande.
Lerreur e et la variation de lerreur e sont normalises comme suit :

=
=
e . G x
e . G x
e e
e e

(III.3)
Avec : G
e
et G
e
sont les facteurs dchelle (normalisation). Nous faisons
varier ces facteurs jusqu ce quon puisse avoir un phnomne transitoire
de rglage convenable. En effet, ce sont ces derniers qui fixeront les
performances de la commande.
III.7. Rglage des courants rotoriques de la DFAM :
Nous allons maintenant reprendre le mme schma de la commande
vectorielle sauf que cette fois-ci les rgulateurs de courants rotoriques sont
des rgulateurs flous (figure (III.6)).

Fig. III.6. Schma bloc global de la commande floue.

2/3
e
-J (s -)
Contrleur

Flou
Circuit de
dcouplage
Calcul des
couranrs et flux
de rfrences
d/dt

Contrleur

Flou
d/dt

r

2/3
e
J (s -)

r

Ce
*

2/3

Calcul
deU
m
et
s
idr
*

iqr
*
idr
iqr
-
-
-
-
- +

s
U
m
V
dr
c
V
qr
c
+
+
V
dr
*

V
qr
*

V
ds

V
qs

AC/DC
Rseaux
e
idr

ibr
iar
icr
Vbr
Var
Vcr
e
iqr

DFAM
T
.

P
a
r
k

s
s
s
*
dr
V
*
qr
V

57

Les deux rgulateurs de courant sont de mme type (rgulateur de type
Mamdani sept classes), et possdent les mmes fonctions dappartenance.
La diffrence rside seulement dans les gains de normalisation (facteurs
dchelle).
II.8. Rsultats de simulation :
Les rsultats de simulation reports sur les figures (III.7-III.20), concernent
lentranement de la DFAM par une vitesse de 92 rd/s, lapplication dun
couple de rfrence de forme trapzodale linstant t = 0.2 s dune valeur de
-10 Nm linstant t = 0.3 s.
Le rgulateur PI est remplac par un rgulateur flou.

Fig. III.7. Couple de rfrence Fig. III.8. Flux de rfrence
Fig. III.10. I
rq
de rfrence Fig. III.9. I
rd
de rfrence

58

Fig. III.11. Courant rotorique I
rd
rq

Fig. III.13. Flux statorique
sd
sq

Fig. III.15. Courant statorique I
sd

sq

Fig. III.17. Puissance active P Fig. III.18. Puissance ractive Q

59

A travers les figures (III.11) (III.12), nous observons que les composantes
directes et en quadrature des courants rotoriques suivent leurs valeurs de
rfrences, au vu de ces rsultats, une meilleure poursuite du rgulateur
flou par rapport celle du rgulateur PI prsente au chapitre II.
Les rgulateurs flous ne gnrent aucun dpassement, particulirement au
rgime transitoire. Pour les autres performances, elles sont quasi similaires
celle du rgulateur PI.
V.9. Tests de robustesse :
Pour les tests de robustesse de la commande par les rgulateurs flous,
nous avons tudi linfluence de la variation de la rsistance rotorique,
inductance propres et mutuelle sur les performances de la commande.
Nous avons simul le systme pour une augmentation de 50% de la
rsistance rotorique (R
r
) introduite t = 0.5s, aussi une diminution de 25%
des inductances et mutuelle (L
r
, L
s
et M) introduite t = 0.5s. Les figures
(III.21-III.36) illustrent les rsultats du test de simulation.
Les figures (III.25) (III.28) montrent respectivement que ces variations
paramtriques introduites linstant t = 0.5s ninfluent carrment pas sur
les performances de la commande; aucun dpassement nexiste mme en
zoomant les rponses des courant rotoriques.

Fig. III.19. Courant de phase rotorique Fig. III.20. Tension et courant statoriques

60

De ce qui prcde, les rsultats obtenus avec les tests de robustesse
montrent la supriorit du rgulateur flou utilis par rapport au rgulateur
PI.

Fig. III.21. Couple de rfrence Fig. III.22. Flux de rfrence
Fig. III.24. I
rq
de rfrence Fig. III.23. I
rd
de rfrence
rd
Fig. III.26. Zoom de courant rotorique I
rd

zoom

61

rq
Fig. III.28. Zoom de courant rotorique I
rq

sd

sq

sd

sq

Fig. III.33. Puissance active P Fig. III.34. Puissance ractive Q
zoom

62

III.10. Conclusion:
Dans ce chapitre, la technique de la logique floue a t expose. Un
contrleur logique floue utilisant la notion de table de dcision hors ligne
est implant dans la commande vectorielle pour la machine asynchrone
double alimentation (DFAM). Ce choix de la commande a t justifi par la
capacit de la logique floue traiter limprcis, lincertain et le vague.
Les rsultats obtenus montrent que le FLC prsente des performances de
poursuite trs satisfaisantes, il a amlior la dynamique des courants
rotoriques par rapport celle du rglage par PI. Le problme majeur dans la
conception dun FLC est le choix des fonctions dappartenance pour les
variables dentres et de sortie qui se fait gnralement grce lexpertise du
processus.
Cependant, un systme flou est difficile apprhender. Sa commande et
son rglage peuvent tre relativement long. Il sagit parfois beaucoup plus de
ttonnement que dune relle rflexion. Il manque donc la logique floue un
moyen dapprentissage performant pour rgler un systme flou, cest les
rseaux de neurones qui feront lobjet du chapitre suivant.

Fig. III.35. Courant de phase rotorique Fig. III.36. Tension et courant statoriques

63

V.11. Rfrences bibliographiques :

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

Zadeh, L. A, Fuzzy Sets, Information and Control, 8, 338, 1965.

Zadeh, L. A, A Rationale for Fuzzy Control, J. Dynamic Syst., Meas
and Control, Vol. 94, Series G, 3, 1972.

Zadeh, L. A, Making the Computers Think Like People, IEEE
Spectrum, 1994.

J. Yan, M. Ryan & J. Power, Using fuzzy logic, Prentice Hall
International (UK), 1994.

E. Mamdani, An experiment in linguistic synthesis with a fuzzy logic
controllers, Inter. Jour. on Man-Machine Studies, Vol. 7, pp. 1-13,
1975.

Mamdani E. H, Application of Fuzzy Algorithms for Control of Simple
Dynamic Plant, Proc. of IEE, Vol. 121, No. 12, 1974.

H. Bhler, Rglage par logique floue, Presses Polytechniques et
Universitaires Romandes, 1994.

P. Borne, J. Rozinoer, J. Y. Dieulot, Introduction la logique floue,
Edition technip, 1998.

Kickert. W. J.M and Mamdani, E.H, Analysis of a fuzzy logic
controller, Fuzzy Sets and Systems, 1, 2944, 1978.

Backley, J. J, Theory of the fuzzy controller: an introduction, Fuzzy
Sets and Systems, 51, 249258, 1992.

Nezar. M, Diagnostic des associations convertisseurs statiques-
machines asynchrones en utilisant les techniques de l'intelligence
artificielle, thse de doctorat dtat de luniversit de Batna, 2006.

Braae. M and Rutherford, D.A, Theoretical and linguistic aspects of
the fuzzy logic controller, Automatica, 15, 553577, 1979.

Hohle. U and Stout, L.N, Foundations of fuzzy sets, Fuzzy Sets and
Systems, 40, 257296, 1991.

L. Baghli, Contribution la Commande de la Machine Asynchrone,
Utilisation de la Logique Floue, des Rseaux de Neurones et des
Algorithmes Gntiques, Thse de Doctorat, Universit Henri Poincar,
France, 1999.

Mizumoto, M, Fuzzy controls under various fuzzy reasoning methods,
Information Sciences, 45, 129151, 1988.

64

[16]

[17]

[18]

Hellendoorn. H, Closure properties of the compositional rule of
inference, Fuzzy Sets and Systems, 35, 163183, 1990.

Runkler. T.A, Selection of appropriate defuzzification methods using
application specific properties, IEEE Transactions on Fuzzy Systems,
5, 7279, 1997.

Performances of Torque Tracking Control for Doubly Fed
Asynchronous Motor using PI and Fuzzy Logic Controllers, Journal of
Electrical Engineering, JEE, Vol.5, N2, pp. 25-30, Romania, 2005.

CHAPITRE IV


Chapitre IV Commande par les rseaux de neurones de la DFAM
65

CHAPITRE IV

IV.1. Introduction :
Les rseaux de neurones artificiels sont une technique qui permet de faire
un apprentissage plutt numrique que symbolique et qui se fonde plutt
sur l'arithmtique que sur la logique (rgles de production). Ils ont t
utiliss avant tout pour les tches de reconnaissance de formes,
reconnaissance de parole, optimisation etc., mais leurs capacits
d'apprentissage les rendent intressants dans le domaine de la rgulation et
de la commande des processus aussi.
Ce chapitre est consacr lapplication du contrle neuronal pour le
rglage des courants rotoriques de la DFAM, aprs avoir prsent lapproche
neuronale, les rseaux de neurones, ainsi que leurs proprits, on tudie en
profondeur, lalgorithme de rtro-propagation du gradient avec ses proprits
et ses limites dutilisation. Ensuite, nous prsentons les rsultats de
simulation et le test de robustesse.

66

IV.2. Neurone biologique :
Le cerveau humain possde deux hmisphres latrales relies par le corps
calleux et dautres ponts axonaux; il pse moins de deux kilogrammes et
contient mille milliards de cellules, dont 100 milliards sont des neurones
constitus en rseaux. Les neurones sont des cellules nerveuses
dcomposables en 4 parties principales (figure IV.1), [1-2]:
Les dendrites, sur lesquelles les autres cellules entrent en contact
synaptique, cest par les dendrites que se fait la rception des signaux;
Le corps de la cellule, cest lunit de traitement;
Laxone, o passent les messages accumuls dans le corps de la cellule:
lenvoi de linformation se fait par laxone;
Les synapses par lesquelles la cellule communique avec dautres cellules,
ce sont des points de connexion par o passent les signaux de la cellule.
Un neurone stimul envoie des impulsions lectriques ou potentiels
daction dautres neurones. Ces impulsions se propagent le long de laxone
unique de la cellule. Au point de contact entre neurones, les synapses, ces
impulsions sont converties en signaux chimiques. Quand laccumulation des
excitations atteint un certain seuil, le neurone engendre un potentiel
daction, dune amplitude denviron 100 mV et pendant une dure de 1 ms.

Fig. IV.1. Schma dun rseau de neurones biologiques.

Nucleus
Synapses Soma
Dendrite
Axones

67

IV.3. Neurone formel :
Un neurone formel ou artificiel est un processeur trs simple (simul sur
ordinateur ou ralis sur circuit intgr) imitant grossirement la structure
et le fonctionnement d'un neurone biologique. La premire version du
neurone formel est celle de Culloch et Pitts, a t en 1943, [3-4].
C'est un automate binaire qui ralise une somme pondre de ses entres,
le potentiel, et compare ce potentiel un seuil (nul) : s'il est suprieur, la
sortie vaut +1 et le neurone est actif, s'il est infrieur, la sortie vaut -1 et le
neurone est inactif. Il existe aujourd'hui d'autres types de neurones, mieux
adapts aux tches de traitement du signal ou de classification, dont la
sortie n'est pas le signe de leur potentiel, mais une fonction f non linaire
drivable de ce potentiel, telle une tangente hyperbolique; cette fonction est
dite fonction d'activation du neurone (Figure IV.2), [5].

Les entres du neurone sont dsignes par x
i
( i =1..n ). Les paramtres w
i

reliant les entres aux neurones sont appels poids.
IV.4. Rseaux de neurones artificiels :
On distingue deux grands types d'architectures de rseaux de neurones.
IV.4.1. Les rseaux non boucls :
Le temps n'est pas un paramtre significatif et la modification de l'entre
n'entrane qu'une modification stable de la sortie et n'entrane pas de retour
d'information vers cette entre. Ces architectures sont les plus couramment
utilises, [6].
Fig. IV.2. Schma dun neurone formel.
) w x ( ( f
i i
x
1

x
n

y
x
2

x
i

.
.
.
.
.
.
.
.
.
.
.
.
w
1
w
2
w
i
w
n

68

IV.4.2. Les rseaux boucls :
Possdent une structure similaire celle des rseaux non boucls mais
complte par des connexions entre lments de la mme couche ou vers des
couches amonts. Ces rseaux sont assez puissants car leur fonctionnement
est squentiel et adopte un comportement dynamique, [7].
IV.5. Bref historique :

-1943 : Mc Culloch et Pitts prsentent le premier neurone formel.
-1949 : Hebb propose un mcanisme dapprentissage.
-1958 : Rosenblatt prsente le premier rseau de neurones artificiels : le
Perceptron. Il est inspir du systme visuel, et possde deux couches de
neurones : perceptive et dcisionnelle. Dans la mme priode, le modle de
l'ADALINE (ADAptive LINear Element) est prsent par Widrow. Ce sera le
modle de base des rseaux multicouches.
-1969 : Minsky et Papert publient une critique des perceptrons en montrant
leurs limites, ce qui va faire diminuer la recherche sur le sujet.
-1972 : Kohonen prsente ses travaux sur les mmoires associatives.
-1982 : Hopfield dmontre lintrt dutiliser les rseaux rcurrents pour la
comprhension et la modlisation des fonctions de mmorisation.
-1986 : Rumelhart popularise lalgorithme de rtropropagation du gradient,
conu par Werbos, qui permet dentraner les couches caches des rseaux
multicouches.
Les rseaux neuronaux ont t depuis t beaucoup tudis, et ont trouv
normment dapplications, [3].

IV.6. Apprentissage des rseaux de neurones:
L'apprentissage d'un rseau de neurones signifie qu'il change son
comportement de faon lui permettre de se rapprocher d'un but dfini. Ce
but est normalement l'approximation d'un ensemble d'exemples ou
l'optimisation de l'tat du rseau en fonction de ses poids pour atteindre
l'optimum d'une fonction conomique fixe priori. Il existe trois types
d'apprentissages principaux. Ce sont l'apprentissage supervis,
l'apprentissage non-supervis et l'apprentissage par renforcement, [8].

69

IV.6.1. Apprentissage supervis:
L'apprentissage supervis est ladaptation des coefficients synaptiques
(poids) dun rseau afin que pour chaque exemple, la sortie du rseau
corresponde la sortie dsire.
IV.6.2. Apprentissage non supervis:
L'apprentissage est non-supervis lorsque l'adaptation des poids ne dpend
que des critres internes au rseau. L'adaptation se fait uniquement avec les
signaux d'entres. Aucun signal d'erreur, aucune sortie dsire n'est prise en
compte.
IV.6.3. Apprentissage par renforcement :
L'apprentissage est de type par renforcement lorsque le rseau de neurones
interagit avec l'environnement. L'environnement donne une rcompense
pour une rponse satisfaisante du rseau et assigne une pnalit dans le cas
contraire. Le rseau doit ainsi dcouvrir les rponses qui lui donnent un
maximum de rcompenses, [7].
Le choix d'utiliser telle ou telle architecture de rseau de neurones, tel ou tel
type d'apprentissage dpend de l'application mais aussi des capacits de
traitement du systme sur lequel ces architectures vont tre implantes.
IV.7. Rtropropagation :
La rtropropagation est actuellement la rgle la plus utilise pour
l'apprentissage supervis des rseaux neuronaux; c'est une technique de
calcul des drives qui peut tre applique n'importe quelle structure de
fonctions drivables. Elle est gnralement utilise pour des rseaux de
neurones multicouches appels aussi perceptrons, [4], [9-11].
IV.7.1. Principe de la rtropropagation :
Soit un rseau multicouches non rcurent m entres et n sorties,
compos de l couches (l-1 couches caches + couche de sortie), les tats des
neurones de la couche k sont donnes par les quations suivantes :
)] t ( S [ f ) t ( O
k
i
k k
i
= i=1,,n
k
(IV.1)

70

=
1
0
1
k
j
k
i
k
ij
k
i
n
) t ( O W ) t ( S k=1,2,l (IV.2)
avec pour la couche k :
k
f : la fonction dactivation;
k
n : le nombre de neurones;
k
i
O : la sortie du neurone i;
k
ij
W : le coefficient synaptique de la connexion entre le neurone i de la
couche k et le neurone j de la couche prcdente k-1.

On dispose d'un ensemble d'chantillons reprsentatif d'apprentissage qui
est un ensemble de couples (entres/sorties). L'objectif est d'adapter les
poids W de faon minimiser la valeur moyenne de l'erreur quadratique
globale sur l'ensemble d'apprentissage exprime par :

[ ][ ]

= =
= =
T
t
d d
T
t
t
t
) t ( y ) t ( y ) t ( y ) t ( y ) t ( E ) t ( E E
1 1
2
1
2
1
(IV.3)
avec :

d
y : est le vecteur de sortie dsir;
y : est le vecteur de sortie du rseau neuronal;
T : est la longueur de l'ensemble d'apprentissage.
On commence l'opration dapprentissage par un choix alatoire des
valeurs initiales des poids. A chaque tape, les chantillons sont prsents
l'entre du rseau, aprs propagation, la sortie du rseau et l'erreur globale
correspondante, sont disponibles, [11].
Par rtropropagation de l'erreur globale, les gradients de cette erreur par
rapport tous les poids sont calculs et les paramtres sont ajusts dans la
direction oppose celle de ces gradients de l'erreur globale par exemple, en
appliquant la loi d'adaptation suivante :
) n ( W ) n ( W ) n ( W
k
ij
k
ij
k
ij
+ = 1 (IV.4)
) n ( W
E
) n ( W
k
ij
k
ij

= (IV.5)
Le rajustement des biais se fait de mme manire que les poids.

71

O, est une constante positive appele taux ou pas d'apprentissage et n
est le numro de l'itration. Cette adaptation peut se faire par deux
techniques.
- Premire technique :
Les poids sont adapts au passage de chaque exemple, et l'apprentissage
se fait en temps rel. Cette adaptation rend le processus plus sensible
chaque exemple individuellement ce qui n'est pas conseill dans le cas de la
classification d'entres.
- Seconde technique :
Les poids ne sont adapts qu'aprs le passage de tous les exemples
d'entranement. La radaptation est alors, plus prudente. En effet, le
rajustement se fait suivant la moyenne de tous les exemples et la mthode
est donc moins sensible au bruit que peuvent contenir les exemples pouvant
se prsenter. C'est donc une mthode plus robuste et si l'application ne
ncessite pas un apprentissage en temps rel, cette technique est prfrable
la premire, [3].
IV.7.2. Algorithme dapprentissage :
Etape 1 :
- Initialiser les poids
k
ij
W avec de petites valeurs gnralement dans
lintervalle [-1,1].
Etape 2 :
- Prsenter un exemple et calculer la sortie et lerreur correspondante en
utilisant les quations (IV.1), (IV.2), (IV.3), (IV.4) et (IV.5).

Etape 3 :

- Calculer les drives partielles de lerreur par rapport chaque poids.
Pour la premire technique :
- Mettre [ ]
P
k
ij
k
ij
) n ( W ) n ( W =
- Aller ltape 4.

72

Pour la premire technique :
- Si P T retourner ltape 2
- Sinon, [ ]
=
=
T
t
k
ij
k
ij
) n ( W ) n ( W
1

Etape 4 :

- Ajuster les paramtres par lquation (IV.4).
Rpter les tapes de 2 4 jusqu ce que le nombre maximal ditrations
soit atteint ou jusqu ce que le seuil de lerreur fix soit atteint.
IV.7.3. Etude du taux dapprentissage :
La vitesse de convergence dpend de la constante ., sa valeur est
gnralement choisie exprimentalement en respectant un compromis entre
la vitesse de convergence et la prcision des rsultats. Si est trop petit la
convergence et lente mais la direction de descente est optimale. Si est trop
grand, la convergence est rapide mais la prcision est mdiocre; un
phnomne doscillation intervient ds quune importance capacit dans cet
algorithme dapprentissage.
Le mieux est de choisir un taux dapprentissage adaptatif. Un choix dun
taux dapprentissage dcroissant avec lvolution de lapprentissage est dans
la plupart des cas, bnfique. Actuellement il existe des mthodes qui
choisissent un taux optimal chaque itration, [11-14].
Une autre technique plus simple pour la modification du taux
dapprentissage. Cette technique consiste mettre en uvre un algorithme
qui a pour rle de contrler lerreur dentranement chaque tape. Ainsi
chaque fois que lerreur prsente dpasse lerreur prcdente dun certain
seuil prcdemment fix une augmentation des oscillations apparat; do
risque de divergence. Pour cela on rejette les poids gnrs et on revient au
point prcdent, en diminuant le taux dapprentissage. Si par contre lerreur
diminue, les poids gnrs sont retenus et le taux est augment. De cette
manire, on essaye chaque tape davancer le plus rapidement possible
vers loptimum tout en vitant la divergence de lalgorithme. Cette mthode
donne une convergence plus rapide avec une bonne prcision
dentranement, [11-12], [15].

73

Pour viter le problme des oscillations, beaucoup dauteurs modifient
lalgorithme en lui ajoutant un moment, [16]. La loi dadaptation devient :
1 0 ) n ( W ) n ( W ) n ( W ) n ( W
k
ij
k
ij
k
ij
k
ij
+ + = 1 1 (IV.6)

IV.8. Dveloppement du contrleur neuronal :
Dans notre travail, Le rseau statique multicouche utilis comme
contrleur neuronal possde une couche dentre de 4 neurones, une couche
cache de 5 neurones et une couche de sortie 1 neurone. Les fonctions
d'activation des deux premires couches est la fonction sigmode, tandis que
la fonction linaire est utilise pour la couche de sortie.
Son apprentissage est ralis l'aide de l'algorithme de rtropropagation du
gradient bas sur lerreur
r
*
r
i i e = , avec un taux dapprentissage adaptatif.
Les paramtres du contrleur sont adapts en temps rel.
L'architecture de ce rseau de neurones est montre dans la figure (IV.3),
o
i
O ,
j
O et
m
O reprsentent respectivement les valeurs la sortie des
neurones de la couche d'entre, de la couche cache et de la couche de
sortie.
Le choix de cette architecture (structure) a t fait par simulation. Dans ce
cas, les entres du rseau de neurones sont :

Fig. IV.3. Architecture neuronal propose pour limplmentation
du contrleur.

r
i

*
r
i

e =
*
r
i -
r
i

IN_P

u

m
O

i
O

j
O
jm
W

ij
W

74

La rponse du courant rotorique
r
i , le courant rotorique de rfrence
*
r
i ,
lerreur du courant rotorique e = (
*
r
i -
r
i ) pour ladaptation du rseau
Backpropagation et IN_P variable pour initialiser les paramtres du rseau,
soit quatre neurones dans la couche dentre. Pour la couche de sortie, elle
est compose dun seul neurone, ce dernier reprsente la tension
r
rd
V (pour le
cas de la composante directe du courant rotorique). Pour la couche cache,
suite une srie dessais de lerreur quadratique, la simulation nous a men
choisir une seule couche cinq neurones. (La valeur de lerreur
quadratique est la plus petite (1,961.10
-7
) et a t obtenue au bout de six
itrations seulement comparativement aux autres essais).
V.9. Application des rseaux de neurones au rglage des courants
rotoriques de la DFAM :
Le schma global de la commande neuronale est reprsent dans la figure
(IV.4).

Fig. IV.4. Schma bloc global de commande de la DFAM par les
rseaux de neurones.

2/3
e
-J (s -)
Contrleur

Neuronal
Circuit de
dcouplage
Calcul des
couranrs et flux
de rfrences
Contrleur

Neuronal
r

2/3
e
J (s -)

r

Ce
*

2/3

Calcul
deU
m
et
s
idr
*

iqr
*

iqr
idr
-
-
- +

s
U
m
V
dr
c
V
qr
c
+
+
V
dr
*

V
qr
*

V
ds

V
qs

AC/DC
Rseaux
ibr
iar
icr
Vbr
Var
Vcr
DFAM
idr
iqr
V
dr
r
V
dr
r
T
.

P
a
r
k

s
s
s
*
dr
V
*
qr
V

75

IV.10. Rsultats de simulation :
Les rsultats de simulation reports sur les figures (IV.5-IV.18),
concernent lentranement de la DFAM avec une vitesse de 92 rd/s,
application dun couple de rfrence de forme trapzodale qui commence
linstant t = 0.2 s aprs une valeur zro et qui tient la valeur -10 Nm
linstant t = 0.3 s.
Le rgulateur PI est remplac par un rgulateur neuronal.

Fig. IV.5. Couple de rfrence Fig. IV.6. Flux de rfrence
Fig. IV.8. I
rq
de rfrence Fig. IV.7. I
rd
de rfrence
Fig. IV.9. Courant rotorique I
rd
rq

76

Fig. IV.11. Flux statorique
sd
sq

Fig. IV.13. Courant statorique I
sd

sq

Fig. IV.15. Puissance active P Fig. IV.16. Puissance ractive Q
Fig. IV.17. Courant de phase rotorique Fig. IV.18. Tension et courant statoriques

77

Les rsultats de simulation prsents dans les figures (IV.9) et (IV.10)
montrent que le rgulateur neuronal offre une meilleure poursuite de la
rfrence particulirement au dmarrage, comparativement au rgulateur PI
prsent au chapitre II. Nous remarquons sur la figure (IV.10) de petits
dpassements aux rgimes transitoires, mais de temps de rponse nul.
L'explication de ces dpassements vient des changements brusques de la
rfrence.

II.11. Tests de robustesse :
Dans le but de tester la robustesse de la commande par les rgulateurs
neuronaux, nous avons galement tudi linfluence de la variation de la
rsistance rotorique, inductances propres et mutuelle sur les performances
de la commande. Pour cela nous avons simul le systme pour une
augmentation de 50% de la rsistance rotorique (R
r
) introduite t = 0.5s,
aussi une diminution de 25% des inductances propres et mutuelle (L
r
, L
s
et
M) introduite t = 0.5s. Les figures (IV.19-IV.34) illustrent les rsultats des
tests de simulation.
Nous observons sur les figures (VI.24) et (IV.26), un lger dpassement
linstant t = 0.5s (dpassement de 0.2 ampre avec un temps de rponse de
0.002 s), ceci montre une sensibilit du rgulateur neuronal la variation
paramtrique lgrement grande par rapport au rgulateur flou.
Les rsultats du test de robustesse montrent que le rgulateur neuronal
prsente une amlioration satisfaisante concernant la robustesse,
comparativement au rgulateur PI.

Fig. IV.19. Couple de rfrence Fig. IV.20. Flux de rfrence

78

Fig. IV.22. I
rq
de rfrence Fig. IV.21. I
rd
de rfrence
rd
Fig. IV.24. Zoom de courant rotorique I
rd

zoom
rq
Fig. IV.26. Zoom de courant rotorique I
rq

zoom
sd

Fig.IV.28. Flux statorique
sq

79

IV.12. Conclusion:
Dans ce chapitre nous avons effectu une synthse gnrale sur les
rseaux de neurones apprentissage supervis spcialement les rseaux
multicouches. Pour lentranement de ce type de rseau la mthode de Back
propagation constitue lalgorithme dapprentissage qui reste le plus utilis.

sd

sq

Fig. IV.31. Puissance active P Fig. IV.32. Puissance ractive Q
Fig. IV.33. Courant de phase rotorique Fig. IV.34. Tension et courant statoriques

80

On peut dire que l'apprentissage en ligne aboutit une commande
nettement plus performante car, il permet au contrleur neuronal de
s'affiner tout au long du processus de commande.
A partir des rsultats de simulation prsents, on peut dire que le
rgulateur neuronal prsente des amliorations importantes par rapport au
rgulateur PI (en terme dattnuation des dpassements au niveau des
rgimes transitoires et linsensibilit aux variations paramtriques).
Le rgulateur neuronal reste moins robuste contre les variations
paramtriques de la machine par rapport au rgulateur flou prsent au
chapitre III.

IV.13. Rfrences bibliographiques :

[1]

[2]

[3]

[4]

[5]

[6]

[7]

Morre. Y, TP Rseau de neurones feedforward, Master2, universit
de Metz, 2005.

Davalo. E, Naim. P, Des Rseaux de Neurones, Edition Eyrolles, 1993.

Touzet. C, Les Rseaux de Neurones Artificiels, introduction au
connexionnisme, Cours, exercices et travaux pratiques Juillet 1992.

L. Baghli, Contribution la commande de la machine asynchrone,
utilisation de la logique floue, des rseaux de neurones et des
algorithmes gntiques, Thse de Doctorat, Universit Henri Poincar,
France, 1999.

Bimal. K. Bose, Expert system, fuzzy logic, and neural network
applications in power electronics and motion control, proc, IEEE. Vol
N 8, August 1994.

Nezar. M, Diagnostic des associations convertisseurs statiques-
machines asynchrones en utilisant les techniques de l'intelligence
artificielle, thse de doctorat dtat de luniversit de Batna, 2006.

Ould abdeslam. D, Techniques neuromimtiques pour la commande
dans les systmes lectriques: application au filtrage actif parallle
dans les rseaux lectriques basse tension, thse de doctorat,
Universit de Haute-Alsace, 2005.

81

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

R. Hecht-Nielson, Neurocomputer Applications in Proceedings of the
1987 IEEE Asilomar Signals & Systems Conference. IEEE Press, 1988.

M.E. Elbuluk, L. Tong and I. Husain, Neural Network Based Model
Reference Adaptive Systems for High Performance Motor Drives and
Motion Controls, IEEE Transactions On Industry Applications, Vol. 38,
no. 3, may/june 2002.

Jean-Luc Bloechle, Rseau de Neurones Artificiels pour la
classification des fontes Arabes et la distinction entre la langue Arabe
et les langues Latines, thse de Doctorat, Dpartement dinformatique,
Universit de Fribourg, Suisse, Juin 2003.

Messaoudi. A, Modlisation et Commande dun Actionneur
synchrone, Thse de Magister, Universit de Batna, Algrie, 2002.

Yeddou Y. M, Etude de synthse sur les rseaux de neurones et leurs
application, Ecole nationale polytechnique, thse de magister, 1998.

Ng SC, Cheung CC, Leung SH, Magnified gradient function with
deterministic weight modification in adaptive learning, IEEE Trans
Neural Network 15(6):141123, 2004.

Zhang. Y, Sen. P, Hearn. GE, An on-line trained adaptive neural
controller, IEEE Trans Control Syst Mag (15), pp. 6775, 1995.

Mokhnache. L, Application de RN dans le diagnostique et la prdiction
des isolations HT, Thse de Doctorat, cole nationale polytechnique,
2004.

Istook. E, Martinez. T, Improved backpropagation learning in neural
network with windowed momentum. Internat J Neural Syst,
12(3&4):30318, 2002.

Matlab version 6.1.0.450 (R12.1), Neural Network Toolbox Users
guide, Mathworks Inc 1984-2001.

CHAPITRE V

DE LA DFAM

Chapitre V Commande par Neuro-Flou de la DFAM
82

CHAPITRE V
DE LA DFAM

V.1. Introduction :
Les systmes infrence floue sont employs dans de nombreux domaines
industriels. Utiliss principalement lorsque le modle mathmatique du
systme physique est difficile laborer, ils exploitent des rgles floues tires
dune expertise humaine pour modliser le comportement dynamique du
systme. Ces rgles sont du type :
SI la vitesse est grande et la distance est petite, ALORS freiner trs fortement
Les principaux avantages des techniques floues sont lapproche naturelle
de la modlisation et la bonne interprtabilit de la description, en
employant des rgles linguistiques. Cependant, comme il n'y a aucune
mthode formelle pour dterminer ses paramtres (ensembles et rgles
floues), l'excution d'un systme flou peut prendre beaucoup de temps. Dans
ce sens, il serait intressant de disposer dalgorithmes permettant
lapprentissage automatique de ces paramtres, [1-2].
Lune des mthodes qui permet de rpondre ces exigences est la thorie
des rseaux de neurones qui emploie des chantillons (donnes
d'observation) pour lapprentissage. La combinaison des deux techniques
nous donne les systmes neuro-flou.

83

V.2. Dfinition du neuro-flou :
Les systmes neuro-flous sont des systmes flous forms par un
algorithme d'apprentissage inspir de la thorie des rseaux de neurones. La
technique dapprentissage opre en fonction de l'information locale et produit
uniquement des changements locaux dans le systme flou dorigine.
Les rgles floues codes dans le systme neuro-flou reprsentent les
chantillons imprcis et peuvent tre vues en tant que prototypes imprcis
des donnes dapprentissage, [3].
Un systme neuro-flou ne devrait par contre pas tre vu comme un
systme expert (flou), et il n'a rien voir avec la logique floue dans le sens
stricte du terme. On peut aussi noter que les systmes neuro-flous peuvent
tre utiliss comme des approximateurs universels, [3-5].

V.3. Avantages et inconvnients de la logique floue et des rseaux de
neurones :
L'utilisation simultane des rseaux de neurones et de la logique floue,
permet de tirer les avantages des deux mthodes : les capacits
d'apprentissage de la premire et la lisibilit et la souplesse de la seconde.
Afin de rsumer lapport du neuro-flou, le Tableau (V.1) regroupe les
avantages et les inconvnients de la logique floue et des rseaux de
neurones, [3].
Les systmes neuro-flous sont crs afin de synthtiser les avantages et de
surmonter les inconvnients des rseaux neuronaux et des systmes flous.
Logique floue

Rseaux de neurones
Neuro-flou
Donnes Numriques
Apprentissage
Donnes Linguistiques
Rgles floues
Fig. V.1. Principe du Neuro-flou

84

Les algorithmes dapprentissage peuvent tre employs pour dterminer
les paramtres des systmes flous. Ceci revient crer ou amliorer un
systme flou de manire automatique, au moyen des mthodes spcifiques
aux rseaux neuronaux.
Un aspect important est que le systme reste toujours interprtable en
termes de rgles floues, vu qu'il est bas sur un systme flou.

Rseaux de neurones Logique floue
Avantages :

Aucune connaissance base sur les
rgles.
Le modle mathmatique non requis.
Plusieurs algorithmes dapprentissage
sont disponibles.

La connaissance antrieure sur les
rgles peut tre utilise.
Le modle mathmatique non requis.
Une interprtation et implmentation
simple.
Inconvnients :

Boite noire (manque de traabilit).
Ladaptation aux environnements
diffrents est difficile et le rapprentissage
est souvent obligatoire.
la connaissance antrieure ne peut pas
tre employe (apprentissage partir de
zro).
Aucune garantie sur la convergence de
lapprentissage.

Ne peut pas apprendre.
Les rgles doivent tre disponibles.
Adaptation difficile au changement de
lenvironnement.
Aucunes mthodes formelles pour
lajustement.

Tableau V.1. Comparaison entre la logique floue
et les rseaux de neurones

85

V.4. Mthodes neuro-floues :
Plusieurs mthodes ont t dveloppes depuis 1988 et sont le plus
souvent orientes vers la commande de systmes complexes et les problmes
de classification. Il existe ainsi trois mthodes neuro-floues.
V.4.1. Premire mthode neuro-floue :
Cette mthode neuro-floue est base sur le codage du systme dinfrence
floue sous la forme d'un rseau de neurones multicouches dans lequel les
poids correspondent aux paramtres du systme. L'architecture du rseau
dpend du type de rgle et des mthodes d'infrence, d'agrgation et de
dfuzzification choisies, figure (V.2).

D'aprs la figure (V.2), pour des rgles de la forme :
"SI V1est A
1i
et V2 est A
2i
ALORS W = Wi" nous obtenons un rseau de neurones
qui admet pour entre les valeurs X
1
et X
2
prises par les variables V1 et V2
et dont les deux couches caches correspondent respectivement au calcul de
la valeur des fonctions d'appartenance A
ij
pour l'entre X
i
et celui de la
valeur prise par la conjonction des conditions de chaque rgle utilisant
Fig. V.2. Premires architecture des rseaux neuro-floues
Agrgation

et
et
et
W
W
1
W
i
W
P
f
A11
f
A1n
f
A21
f
A2n
X
1
X
2

86

un oprateur adquat. Les fonctions d'appartenance sont considres
comme des paramtres ajusts par les poids entrant dans la premire
couche cache. Les conclusions W
i
des rgles sont galement des paramtres
ajustables par l'intermdiaire des poids associs la dernire couche.
V.4.2. Deuxime mthode neuro-floue :
Elle consiste utiliser les rseaux de neurones pour remplacer chacune
des composantes d'un systme de commande floue. Ces rseaux sont
destins lapprentissage des fonctions d'appartenance, au calcul de
l'infrence et la ralisation de la phase d'agrgation et de dfuzzification. Ils
peuvent raliser l'extraction des rgles floues en analysant la corrlation qui
existe entre les entres et les sorties du rseau de neurones.
Ces approches permettent de rsoudre deux problmes importants de la
logique floue : le dtermination des fonctions d'appartenance et ladaptation
l'environnement du systme.
V.4.3. Troisime mthode neuro-floue :
Cette troisime mthode utilise des rseaux de neurones et des systmes
flous associs en srie ou en parallle. Plusieurs variantes d'utilisation sont
ainsi possibles :

Fig. V.3. Troisime architecture des rseaux Neuro-Flou
Ralisation en srie
X
1

X
2

X
k

Y
1

Y
2

Y
1

Y
K

Z
1

Z
2

87

- Le rseau de neurones fonctionne en amont du systme flou. Les variantes
d'entres du systme flou sont dtermines partir des sorties du rseau de
neurones (dans le cas o elles ne sont pas mesurables directement) ou
encore un rseau de neurones effectue une tche de classification ou de
reconnaissance de formes, suivie d'un systme flou d'aide la dcision.
- Un rseau de neurones qui fonctionne en aval du systme flou, dans le but
d'ajuster les sorties d'un systme de commande floue de nouvelles
connaissances obtenues, les variables de sorties tant les erreurs sur les
variables de sortie du systme flou, [6].

Notre tude sintressera particulirement au premier type darchitecture
des rseaux neuro-floues, celui-ci prsente une certaine facilit
dimplmentation neuronale moyennement satisfaisante, aussi va t-il nous
permettre de dterminer les paramtres des fonctions dappartenances. Nous
allons prsent larchitecture du contrleur neuro-flou et son dveloppement
dans ce qui suit.
Fig. V.4. Troisime architecture des rseaux Neuro-Flou
Ralisation en parallle
X
1

X
2

X
n+k

Y
1

Y
2

Z
1

Z
2

X
1

X
2

X
k

dY
1

dY
2

88

V.5. Dveloppement du contrleur neuro-flou :
Le contrleur neuro-flou deux entres, lerreur du courant rotorique
idr
e
et la drive de lerreur du courant rotorique
idr
e& .

e
Idr

Idr

4
jk
w
r
dr
V
Couche dentres Couche des Fonctions
dappartenances
Couche des
Rgles
Couche de Sortie
2
, 1
2
, 1
,
j j
m
2
, 2
2
, 2
,
k k
m
a
b
Fig. V.5. Architecture des rseaux neuro-flous pour
notre contrleur
Contrleur
neuro-flou
d/dt

idr
*

idr
-
e
idr

r
dr
V
Fig. V.6. Schma bloc du contrleur neuro-flou avec la DFAM
idr

DFAM

89

La sortie est la chute de tension rotorique
r
dr
V , figure (V.6).
Pour le contrleur neuro-flou du courant rotorique I
rq
est similaire au
contrleur du courant I
rd
.
V.5.1. Description du contrleur neuro-flou :
Pour le contrleur neuro-flou (NFC) considr, quatre couches de rseaux
de neurones (NN) sont utilises comme le montre la figure (V.5). Les couches
IIV reprsentes les entres du rseau, les fonctions dappartenances, base
des rgles floues et la sortie du rseau respectivement.
- Couche I: couche dentre:
Les entres et les sorties des neurones dans cette couche sont
reprsentes par les quations suivantes:
) t ( e net
idr
I
=
1
, ) t ( e net ) net ( f y
idr
I I I I
= = =
1 1 1 1
(1)
) t ( e net
idr
I
& =
2
, ) t ( e net ) net ( f y
idr
I I I I
& = = =
2 2 2 2
(2)
Avec:
ird
e et
ird
e& sont des entres,
I
y
1
et
I
y
2
sont des sorties de la couche
dentre. Dans cette dernire, les poids sont fixes et gaux lunit.
- Couche II: couche des fonctions dappartenance:
Dans cette couche, chaque neurone reprsente un ensemble flou et les
fonctions Gaussiennes sont adoptes comme fonctions dappartenances.
Les quations (3) et (4) prsentent les entres et les sorties de la couche II
comme suit :
2
1
2
1 1
1
) (
) m x (
net
II
j ,
II
j ,
II
j , II
j ,

= , ) net exp( ) net ( f y
II
j ,
II
j ,
II
j ,
II
j , 1 1 1 1
= = (3)
2
2
2
2 2
2
) (
) m x (
net
II
k ,
II
k ,
II
k , II
k ,

= , ) net exp( ) net ( f y
II
k ,
II
k ,
II
k ,
II
k , 2 2 2 2
= = (4)

avec:
II
j ,
m
1
,
II
k ,
m
2
et
II
j ,
1
,
II
k ,
2
sont, respectivement, le centre et lcart type de la
fonction Gaussienne. Il y a ( j + k) neurones dans cette couche.

90

- Couche III: couche des rgles:
Cette couche contient la base des rgles utilises dans le contrleur
logique flou (FLC). Loprateur de produit est utilis pour reprsenter une
rgle dans chaque neurone, [7].
) x x ( net
III
k ,
III
j ,
III
jk 2 1
= ,
III
jk
III
k j
III
jk
III
jk
net ) net ( f y = = (5)
- Couche IV: couche de sortie:
Cette couche reprsente linfrence et la dfuzzification utiliss en (FLC).
Pour la dfuzzification, la mthode du centre de gravit est utilise; donc on
obtient la forme suivante, [8-9] :

=
j k
III
jk
IV
jk
y w a ,

=
j k
III
jk
y b (6)
,
b
a
net
IV
=
0
b
a
) net ( f y
IV IV IV
= =
0 0 0
(7)

Avec:
III
jk
y est la sortie de la couche des rgles, a et b sont le nominateur et le
dnominateur de la fonction utilise dans la mthode du centre de gravit,
respectivement.
IV
jk
w est le centre de la fonction dappartenance de sortie
utilise dans FLC.
Lobjectif de lalgorithme dapprentissage est dajuster les poids
IV
jk
w ,
II
j ,
m
1
,
II
k ,
m
2
,
II
j ,
1
et
II
k ,
2
. L'algorithme d'apprentissage est en ligne; c'est un algorithme
de descente de gradient.
V.5.2. Algorithme dapprentissage en ligne:
Lexpression de lerreur lentre de la couche IV est reprsente par :
) t ( e
net
y
y
) t ( e ) t ( e
idr
IV
IV
IV
idr idr IV
5
0
0
0
0
=
=
&
(8)
Avec:
5
le taux dapprentissage pour les poids
IV
jk
w .

91

La variation des poids
IV
jk
w est donne par lquation suivante :
III
jk
IV
IV
jk
IV
IV
idr idr IV
jk
y
b w
a
a
net
net
) t ( e ) t ( e
w
0
0
0
1
=
=
&
(9)
Puisque les poids dans la couche de rgles sont normaliss, seulement
lapproximation de l'erreur doit tre calcule et propage par l'quation
suivante, [10-18]:
) y w (
b net
y
y
net
net
) t ( e ) t ( e
IV IV
jk
IV
III
jk
III
j
III
j ,
IV
IV
idr idr III
jk 0 0
1
1
0
0
1
=
=
&
(10)
Lerreur acquise par la couche III sera calcule comme suit:
III
jk
k
III
jk
k
II
j ,
II
j
II
j ,
III
jk
III
jk
idr idr II
k
y
net
y
y
net
net
) t ( e ) t ( e

=
(
(
|
|
.
|
\
|
=
1
1
1
1
&
(11)
III
jk
j
III
jk
j
II
k ,
II
k
II
k ,
III
jk
III
jk
idr idr II
k
y
net
y
y
net
net
) t ( e ) t ( e

=
(
(
|
|
.
|
\
|
=
2
2
2
2
&
(12)
La loi des mises jour de
II
, 1 j
m ,
II
k ,
m
2
et
II
j ,
1
,
II
k ,
2
est obtenue par lalgorithme
de descente de gradient.
2
1
1 1
1 4
1
1
1
1
2
) (
) m x (
m
net
net
) t ( e ) t ( e
m
II
j ,
II
j ,
II
j , II
j , II
j ,
II
j ,
II
j ,
idr idr II
j ,

=
=
&
(13)
2
2
2 2
2 3
2
2
2
2
2
) (
) m x (
m
net
net
) t ( e ) t ( e
m
II
k ,
II
k ,
II
k , II
k ,
II
k ,
II
k ,
II
k ,
idr idr II
k

=
=
&
(14)
3
1
2
1 1
1 2
1
1
1
1
2
) (
) m x ( net
net
) t ( e ) t ( e
II
j ,
II
j ,
II
j , II
j ,
II
j ,
II
j ,
II
j ,
idr idr II
j ,

=
&
(15)
3
2
2
2 2
2 1
2
2
2
2
2
) (
) m x ( net
net
) t ( e ) t ( e
II
k ,
II
k ,
II
k , II
k ,
II
k ,
II
k ,
II
k ,
idr idr II
k

=
&
(16)

92

Avec
4
,
3
,
2
et
1
sont les taux dapprentissage pour les paramtres du
centre et lcart type des fonctions Gaussiennes.

Le schma de commande neuro-floue complet est illustr dans la figure
(V.7) :

V.6. Rsultats de simulation :
Les rsultats de simulation reports sur les figures (V.8-V.21), concernent
lentranement de la DFAM avec une vitesse de 92 rd/s, application dun
couple de rfrence de forme trapzodale qui commence linstant t = 0.2 s
aprs une valeur zro et qui tient la valeur -10 Nm linstant t = 0.3 s.
Le rgulateur PI est remplac par un rgulateur neuro-flou.

Fig. V.7. Schma bloc global de la commande neuro-floue de la DFAM

2/3
e
-J (s -)
Contrleur

neuro-flou
Circuit de
dcouplage
Calcul des
couranrs et flux
de rfrences
d/dt

Contrleur

neuro-flou
d/dt

r

2/3
e
J (s -)

r

Ce
*

2/3

Calcul
deU
m
et
s
idr
*

iqr
*

idr
iqr
-
-
-
-
- +

s
U
m
V
dr
c
V
qr
c
+
+
V
dr
*

V
qr
*

V
ds

V
qs

AC/DC
Rseaux
e
idr

ibr
iar
icr
Vbr
Var
Vcr
e
iqr

DFAM
iqr
idr
T
.

P
a
r
k

s
s
s
*
dr
V
*
qr
V

93

Fig. V.8. Couple de rfrence Fig. V.9. Flux de rfrence
Fig. V.11. I
rq
de rfrence Fig. V.10. I
rd
de rfrence
Fig. V.12. Courant rotorique I
rd
rq

Fig. V.14. Flux statorique
sd
sq

94

Nous pouvons constater partir figures (V.12) et (V.13) que les
performances de poursuite des courants rotoriques sont trs satisfaisantes,
et nettement amlior au niveau dynamique par rapport aux rgulateurs PI
et neuronal.

Fig. V.16. Courant statorique I
sd

sq

Fig. V.18. Puissance active P Fig. V.19. Puissance reactive Q
Fig. V.20. Courant de phase rotorique Fig. V.21. Tension et courant statoriques

95

Lamlioration que porte le NFC par rapport au FLC est dans le choix des
paramtres des fonctions dappartenances pour les variables dentre et de
sortie.
Lamlioration de NFC par rapport au contrleur neuronal est la
simplification de lapprentissage qui ne stablit que progressivement couche
par couche.
V.7. Tests de robustesse :
Lessai de robustesse consiste faire varier les paramtres de la DFAM
comme suit :
- Augmentation de 50% de la rsistance rotorique (R
r
) introduite t = 0.5s,
- Diminution de 25% des inductances propres et mutuelle (L
r
, L
s
et M)
introduite t = 0.5s. Les figures (V.22-V.37), illustrent les rsultats de
simulation.
A partir des rsultats obtenus, nous pouvons remarquer que ces
changements de paramtres ninfluent pas sur les performances de
commande. (Le dpassement linstant t = 0.5s n'existe plus, figures (V.27)
et (V.29) comparativement aux contrleurs PI et neuronal).
Enfin, les rsultats obtenus avec les tests de robustesse significatifs vis--
vis de la poursuite et des variations paramtriques de la machine ont montr
la trs bonne qualit du rgulateur neuro-flou utilis.

96

Fig. V.22. Couple de rfrence Fig. V.23. Flux de rfrence
Fig. V.25. I
rq
de rfrence Fig. V.24. I
rd
de rfrence
rd
Fig. V.27. Zoom de courant rotorique I
rd

rq
Fig. V.29. Zoom de courant rotorique I
rq

zoom
zoom

97

sd

sq

sd

sq

Fig. V.34. Puissance active P Fig. V.35. Puissance reactive Q
Fig. V.36. Courant de phase rotorique Fig. V.37. Tension et courant statoriques

98

V.8. Conclusion :
Dans ce chapitre, nous avons prsent un outil intelligent pour le rglage
des courants rotoriques de la DFAM, on a vu que le contrleur neuro-flou
prsente une poursuite trs satisfaisante de la rfrence et une trs bonne
matrise du rgime dynamique dune part; dautre part, on a vit
limprcision et le simple ttonnement dans le choix des paramtres des
fonctions dappartenances, et ainsi la divergence de la mthode neuronale
grce aux avantages des outils neuronaux et de la logique floue qui ont t
mis loeuvre conjointement dans le cadre du systme neuro-flou.
En effet, la validation par simulation et ltude de robustesse du contrleur
neuro-flou, en permettant de dire que ce dernier est le plus performant
parmi les autres techniques de lintelligence artificielles traites pour le
rglage des courant rotoriques de la machine asynchrone double
alimentation.

V.9. Rfrences bibliographiques :

[1]

[2]

[3]

[4]

[5]

Racoceanu. D. et D. Ould Abdeslam, Rseaux Neuro-Flous pour la
Surveillance des Systmes, 4me Confrence Internationale sur
lAutomatisation Industrielle, Montral, Canada, 2003.

Nauck. D et R. Kurse, A Neuro-Fuzzy Approch to Obtain Interprtable
Systems for function Approximation, IEEE International Conference on
Fuzzy Systems, 1998.

Nauck. D, et R. Kruse, What are Neuro-Fuzzy Classifiers ? , Seventh
International Fuzzy Systems Association World Congress IFSA97, Vol.
IV, pp. 228-233, Academie de Prague, 1997.

Lee. G et J. S. Wang, Efficient Neuro-Fuzzy Control Systems for
Autonomous Underwater Vehicle Control, IEEE International
Conference on Robotics and Automation, Seoul, Core, 2001.

Ould abdeslam. D, Techniques neuromimtiques pour la commande
dans les systmes lectriques : application au filtrage actif parallle
dans les rseaux lectriques basse tension , thse de doctorat,
universit de Haute-Alsace, France, 2005.

99

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

Racoceanu. D, Contribution la surveillance des Systmes de
Production en utilisant les Techniques de lIntelligence Artificielle,
Habilitation dirig des recherches, universit de Franche-Comt de
Besanon, 2006.

Elmas. Cetin, Oguz Ustun, Hasan H. Sayan, A neuro-fuzzy controller
for speed control of a permanent magnet synchronous motor drive,
Expert Systems with Applications, 2006.

Lin. C. T & Lee, C. S. G, Neural fuzzy systems, Englewood Cliffs, NJ:
Prentice-Hall, 1996.

Lin. F. J & Wai. R. J, Sliding-mode controlled slider-crank mechanism
with fuzzy neural network, IEEE Transactions on Industrial
Electronics 48, pp.60-70, 2000.

G. Leng, G. Prasad, T.M. McGinnity, An on-line algorithm for creating
self-organizing fuzzy neural networks, Neural Network 17, pp.1477-
1493, 2004.

R. P. Paiva, A. Dourado, Interpretability and learning in neuro-fuzzy
systems, Fuzzy Sets and Systems 147, pp.17-38, 2004.

G. Leng, T.M. McGinnity, G. Prasad, An approach for on-line
extraction of fuzzy rules using a self-organising fuzzy neural network,
Fuzzy Sets and Systems 150, pp.211-243, 2005.

Gori. M, Tesi. A, On the problem of local minima in back-propagation,
IEEE Trans Pattern Anal Mach Intelligence, 14(1), pp.76-86, 1992.

Abid. S, Fnaiech. F, Najim. M, A fast feedforward training algorithm
using a modified form of the standard backpropagation algorithm,
IEEE Trans Neural Netw, 12(2), pp.424-30, 2001.

Jang. J-SR, ANFIS: adaptive-network-based fuzzy inference system,
IEEE Trans Syst Man Cybern, 23(3), pp.665-85, 1993.

Chau. KT, Chung SW, Chan CC, Neuro-fuzzy speed tracking control of
traveling-wave ultrasonic motor drives using direct pulsewidth
modulation, IEEE Trans Industry Appl, 39(4):1061-9, 2003.

Mokhtari. M, Marie. M, Applications de MATLAB 5 Simulink2, Edition
Springer, 1998.

Adrian Biran, Moshe breiner, MATLAB pour lingnieur Version 6 et
7, Edition PEARSON Education, 2004.

CONCLUSION GENERALE

Conclusion Gnrale
100

CONCLUSION GENERALE

Lobjectif gnral de cette thse tait lapplication des techniques de
lintelligence artificielle pour la commande de la machine asynchrone
double alimentation (DFAM).
Nous avons commenc par aborder en dtail ltat de lart sur les
machines double alimentation, Nous avons vu que dans le cas de
lutilisation de la DFAM dans les applications de gnration de lnergie
lectrique vitesse variable, la plus grande partie de la puissance est
directement distribue au rseau par le stator et moins de 30% de la
puissance totale passe par les convertisseurs de puissance travers le
rotor. Ceci donne loccasion dutiliser des convertisseurs plus petits et
donc moins coteux. Cela permet de rduire le cot de la production.
Ainsi on a prsent les avantages du contrle de la DFAM qui seffectue
par lintermdiaire du rotor avec une puissance rduite. A travers cette
tude, on a montr que ce type de machine peut trouver une place
intressante parmi les diffrents systmes de production dnergie
lectrique.

Conclusion Gnrale
101

Concernant la commande vectorielle de la DFAM moyennant un rglage
classique, nous avons conclu galement que ce rglage ne contrlait pas
de manire satisfaisante le rgime transitoire, ainsi la variation
paramtrique influe sur les performances de la commande.
Aprs avoir prsent la commande vectorielle, leurs rsultats de
simulations et les problmes qui lui sont propres, on a pass en suite
lapproche base sur les techniques de lintelligence artificielle, telles que
la logique floue, les rseaux de neurones et les neuro-flous, lesquelles
surpassent les limites des techniques classiques et possdent des
caractristiques essentielles pour lamlioration des performances de la
commande propose.
En ce qui concerne la logique floue, les systmes dinfrence flous ont
une capacit descriptive leve due lutilisation des variables
linguistiques. Pour la commande de la DFAM, les rsultats de simulation
prsents montrent que les performances de cette approche surpassent
la commande vectorielle cause de la rapidit de sa dynamique et sa
robustesse.
Concernant les rseaux de neurones, des amliorations importantes
ont t apportes avec le rgulateur neuronal par rapport au rgulateur
PI (en terme dattnuation des dpassements au niveau des rgimes
transitoires et linsensibilit aux variations paramtriques).
En dernier lieu, Il est donc apparu naturel de construire des systmes
hybrides qui combinent les concepts des systmes dinfrence flous et des
rseaux de neurones, cela pour avoir une approche neuro-floue capable
damliorer les performances de la commande.
Les comparaisons des rsultats prsentes au cours de ce travail, nous
ont amene conclure que le rgulateur neuro-flou conduit de
meilleures performances (poursuite et robustesse) que les autres

Conclusion Gnrale
102

rgulateurs traits cause de sa robustesse, sa rapidit et la prcision de
ses sorties qui lui permettent de donner des dcisions correctes et dviter
les cas dindcisions.
Finalement, la perspective intressante de cette tude consiste
raliser toutes ces commandes de la DFAM exprimentalement, pour
vrifier et exploiter les essais des simulations prsents.

Annexes
103

ANNEXE

PARAMETRES DE LA MACHINE:

Puissance nominale 1.4 KW.
Tension nominale 380V.
Courant nominal 5.2 A.
Vitesse nominale 880 tr/min.
Couple nominal 15 Nm.
Rsistance statorique 4.7.
Rsistance rotorique 5.3.
Inductance cyclique rotorique 0.161H.
Inductance mutuelle 0.138H.
Nombre de paire de ples 3.
Moment dinertie 0.07kg/m
2
.

Coefficient de frottement 0.45.

Ing 0076

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ing 0076

Uploaded by

Copyright:

Available Formats

R p u b l i q u e A l g r i e n n e D m o c r a t i q u e e t P o p u l a i r e

You might also like