ESTIMADOR NEURAL DA VELOCIDADE DO MIT ACIONADO POR UM DRIVER COM CONTROLE VETORIAL ORIENTADO PELO FLUXO DO ESTATOR

Transcrição

1 ESTIMADOR NEURAL DA VELOCIDADE DO MIT ACIONADO POR UM DRIVER COM CONTROLE VETORIAL ORIENTADO PELO FLUXO DO ESTATOR TIAGO H. DOS SANTOS 1, IVAN NUNES DA SILVA 2, ALESSANDRO GOEDTEL 3, MARCELO FAVORETO CASTOLDI 3 1. Departamento de Controle e Processos Industriais, Instituto Federal do Paraná (IFPR) Av. Cívica, 475, Assis Chateaubriand, PR, CEP tiago.santos@ifpr.edu.br 2. Departamento de Engenharia Elétrica, Universidade de São Paulo (USP) Av. Trabalhador São-carlense, 400, São Carlos, SP, CEP insilva@usp.br 3. Departamento de Eletrotécnica, Universidade Tecnológica Federal do Paraná (UTFPR-CP) Av. Alberto Carazzai, 1640, Cornélio Procópio, PR, CEP s: agoedtel@utfpr.edu.br, marcastoldi@utfpr.edu.br Abstract This work proposes an artificial neural network approach to estimate the mechanical speed of three phase induction motors in a stator flux oriented vector control. The induction motor speed is the important quantity in an industrial process and can also be used indirectly,as in level, flow, and pressure controls for example. However, the direct measurement of speed compromises the driver system and control, besides increasing the implementation cost. The proposed strategy presents the processins of motor electrics quantities in the synchronous reference frame, which are presented to an estimator based on artifitial neural networks. Simulation results are presented to validate the performance of the proposed method under variation of motor load torque and speed reference operating point. Keywords Induction motors, artificial neural networks, speed estimation. Resumo Este trabalho propõe uma abordagem baseada em redes neurais artificiais para estimar a velocidade mecânica do motor de indução trifásico no controle vetorial orientado pelo fluxo do estator. A velocidade dos motores de indução é uma variável importante em um processo industrial, podendo ser também usada de forma indireta, como em controles de nível, vazão, pressão, por exemplo. Entretanto, a medida direta da velocidade compromete o sistema de acionamento e controle, aumentando o custo de implementação. A estratégia proposta apresenta o processamento das vaiáveis elétricas do motor no eixo de referência síncrono, que são apresentadas a um estimador baseado em redes neurais artificiais. Resultados de simulação são mostrados para validar a desempenho do método proposto considerando a variação de torque de carga e do ponto de operação da velocidade de referência. Palavras-chave Motores de indução, redes neurais artificiais, estimação de velocidade. 1 Introdução O Motor de Indução Trifásico (MIT) é usado em muitos setores industriais, sendo o principal elemento de conversão de energia elétrica em mecânica motriz. Suas principais características são baixo custo e robustez (Suetake et al., 2011; Santos et. al., 2014). As aplicações que incluem o MIT podem ser divididas em dois grupos: o primeiro é aquele em que o motor é diretamente acoplado à rede elétrica, sem elemento de controle de velocidade. No segundo, as metodologias de controle escalar ou vetorial são aplicadas. Para ambos os grupos, nas diversas aplicações dos setores produtivos, há a necessidade de conhecer a velocidade no eixo da máquina, seja na forma de medida direta ou estimada (Krishnan, 2001). A velocidade no eixo do motor de indução é comumente medida com encoders ópticos, resolvers eletromagnéticos ou tacogeradores. Entretanto, o uso destes dispositivos apresentam certas limitações em suas aplicações, tais como o aumento do custo do dispositivo de acionamento, redução da robustez mecânica, baixa imunidade ao ruído, alteração da inércia da máquina, além de exigir cuidados especiais em ambientes hostis (Vas, 1998). O uso de técnicas sensorless é encontrado principalmente em acionamentos de alto desempenho como em Controle Vetorial (CV) e Controle Direto de Torque (CDT). As principais estratégias de controle sensorless têm como base os estimadores de malha aberta com monitoramento de corrente e tensão do estator, observadores de estado, sistemas de referência com modelos adaptativos e estimadores baseados em sistemas inteligentes, os quais advêm principalmente das Redes Neurais Artificiais (RNA) e lógica fuzzy (Vas, 1998; Krause et al., 2013). Recentemente, alguns trabalhos foram publicados evidenciando aplicações das RNAs no controle, estimação de variáveis ou constantes dos sistemas de acionamento dos MITs. Um controlador de velocidade usando RNA é apresentado em Bohari et al. (2013). Os autores comparam a resposta dinâmica do controlador neural frente a um controlador PI aplicado a um controle vetorial. Os resultados mostram um

2 bom desempenho das RNAs atuando em sistemas não-lineares. Maiti et al. (2012) apresenta um acionamento vetorial de um MIT com Sistema Modelo de Referência Adaptativo (SMRA) baseado na potência reativa instantânea Q-SMRA. Quando o MIT está operando na regeneração, o Q-SMRA apresenta alguns pontos de instabilidade. O trabalho mostra a aplicação da RNA como modelo ajustável, fornecendo o parâmetro de adaptação do Q-SMRA. Um estimador de velocidade baseado em um Sistema de Inferência Neuro-Fuzzy Adaptativo (SINAF) é apresentado em Lima et. al (2012). O SINAF é treinado baseado em dados de acionamento com controle escalar e posteriormente, controle vetorial orientado pelo fluxo do entreferro, onde com este, é feita a validação experimental. O trabalho de Santos et al. (2014) mostra a validação de um estimador neural de velocidade aplicado a um driver escalar no controle de um MIT. O treinamento é realizado de forma off-line, onde a RNA tem como entrada as correntes e tensões do estator no eixo de referência síncrona (dq) e a tensão estimada do barramento CC do inversor. Resultados experimentais são apresentados para validar a proposta demonstram bom desempenho em ampla faixa de operação do MIT. A maioria dos estimadores de velocidade tem origem no modelo matemático do motor de indução, onde é necessário o conhecimento preciso dos parâmetros do motor (Vasic at al., 2003). Os estimadores de velocidade baseados em Observadores de Estado (OE) necessitam do valor exato dos parâmetros da máquina para a correta operação do dispositivo sensorless nas regiões de baixa velocidade do MIT (Bose, 2002). Alguns parâmetros têm seus valores modificados com a operação da máquina, com a temperatura e com o desgaste dos componentes. Os métodos que têm como base o modelo matemático do MIT requerem um grande poder computacional, já que no algoritmo do estimador há a necessidade de resolução de equações diferenciais. Recentemente, vários métodos de estimação de velocidade do MIT vêm sendo investigados. Em Comanescu (2009) é apresentado o estimador de velocidade baseado no método de modo deslizante, tendo como entrada do modelo os parâmetros da máquina e a corrente do estator. Em Jevremovic et al. (2010), um modelo de referência adaptativo é utilizado para o estimador de velocidade baseado na potência magnetizante reativa instantânea do rotor. A sintonia do modelo de referência é realizada através do ajuste de parâmetros do modelo adaptativo, visando o cancelamento do erro entre a potência magnetizante reativa instantânea do rotor estimada e do modelo adaptativo. Diversos trabalhos têm utilizado os Sistemas Inteligentes (SI) na estimativa de parâmetros e controle do MIT, tais como as RNA (Santos et al., 2014) e a Lógica Nebulosa (LN) (Suetake et al., 2011). Um estimador neural de velocidade e resistência rotórica de um MIT utilizando uma rede Adaline é apresentado em Mostafa et al. (2009). Nesta proposta a corrente e tensão do estator da máquina são medidos no eixo de coordenada estacionária trifásica abc. Após a transformação para o eixo de coordenadas estacionária trifásica αβ0, esses sinais são utilizados para estimar a corrente, fluxo e derivada do fluxo do rotor, sendo essas as variáveis de entrada da RNA. Para a validação do estimador neural de velocidade o mesmo é aplicado em diversas estratégias de controle dos MIT, como o controle escalar e o controle vetorial. O trabalho de Yuksel et al. (2009) também apresenta um estimador neural de velocidade de um MIT, entretanto, utilizando uma rede Perceptron de Múltiplas Camadas (PMC). As entradas desse estimador utilizam os dados de corrente e tensão de alimentação da máquina. Os conjuntos de dados de treinamento e validação do estimador neural de velocidade são adquiridos com a máquina operando em regime permanente e com velocidade entre 500 a 1000 RPM. A proposta do presente trabalho consiste no desenvolvimento de um estimador neural de velocidade aplicado a um MIT com alimentação não senoidal, acionado por um inversor de tensão com controle vetorial. Dados de entrada do estimador como corrente, tensão e frequência são utilizados para o treinamento e validação da RNA. Os dados de treinamento são gerados a partir da simulação do modelo matemático do motor de indução acionado por um driver com Modulação por Largura de Pulso por Vetores Espaciais (SVPWM Space Vector Pulse Width Modulation) utilizando controle vetorial orientado pelo fluxo do estator. Este treinamento é realizado de forma off-line. De forma a validar a proposta, dados de simulação são apresentados à RNA treinada e sua resposta é comparada ao modelo da máquina em questão. A organização deste trabalho é descrita como segue: Na Seção 2 serão apresentados os aspectos da modelagem matemática do motor de indução, controle vetorial orientado pelo fluxo do estator. Na Seção 3 será apresentada a metodologia do processamento dos dados e da arquitetura da RNA. Na Seção 4 serão apresentados os resultados de simulação e validação computacional da estrutura proposta. Na Seção 5 serão apresentadas as conclusões deste trabalho. 2 Aspectos da modelagem do Motor de Indução e Acionamento O primeiro passo no treinamento supervisionado de uma rede neural artificial consiste em compilar o conjunto de dados de entrada e saída, cujo objetivo é ajustar os parâmetros internos da rede. Neste procedimento, denominado processo de treinamento, a rede é exposta a sequências de dados que descrevam de forma satisfatória o comportamento do sistema analisado (Santos et al., 2014).

3 Com o objetivo de gerar os dados de treinamento do estimador neural de velocidade do motor de indução em diversos pontos de operação de velocidade, são realizadas várias simulações utilizando a ferramenta MATLAB/Simulink. A Figura 1 apresenta o diagrama em blocos que descreve as entradas e saídas do sistema. O MIT é acionado por driver com controle vetorial. Figura 1. Diagrama em blocos do modelo do sistema. 2.1 Aspectos do modelo do MIT O modelo do motor de indução usado nas simulações foi desenvolvido em Ong (1997) e os parâmetros da máquina utilizada são de um motor de 4 pólos, 220/380V, IP55, de fabricação WEG. A Tabela 1 apresenta os parâmetros do MIT. diversos abordagens para sua estimação como em (Verrelli et al., 2014; Cherian e Mathew, 2012; Karanayil et al., 2007). Outros parâmetros necessários são os utilizados para o cálculo do termo de desacoplamento (I dq ) da corrente de referência I d. Entretanto, esses parâmetros não são restritivos para o correto funcionamento do controle, uma vez que o controlador Proporcional Integrativo (PI) compensa as variações (Bose, 2002). O método do controle vetorial utilizado como base é mostrado em diagrama em blocos conforme a Figura 2. Essa figura mostra que outros parâmetros são necessários para a estimação da velocidade de escorregamento e do termo de desacoplamento do controle de corrente, como a constante de tempo do rotor (T r ) e a indutância do estator (L s ). O termo σ é calculado como: 2 1 L m / LsLr (1) onde L r é a indutância do rotor e L m é a indutância mútua. Tabela 1. Parâmetros do MIT Linha Standard IV Polos 60Hz 220/380V Potência Corrente Nominal Resistência de Estator Resistência de Rotor Indutância de Dispersão do Estator Indutância de Dispersão do Rotor Indutância de Magnetização Momento de inércia Velocidade Síncrona 1 cv 3,018 A 7,32 Ω 2,78 Ω 8,95 mh 5,44 mh 0,141 H 2, kg.m² 188,49 rad/s Escorregamento Nominal 3,8% Torque Nominal 4,1 Nm As correntes do estator, a velocidade síncrona e a velocidade do rotor são as variáveis usadas no processo de treinamento da rede neural. Para o desenvolvimento deste estudo será considerado uma carga linear acoplada ao eixo do rotor. Esta carga é frequentemente encontrada em aplicações como ventiladores, moinhos de rolos, bombas de pistão e serras para madeira, onde a mesma apresenta um aumento linear do conjugado de carga conforme o incremento da velocidade da máquina (Dias e Lobosco, 1988). 2.2 Controle vetorial O controle vetorial orientado pelo fluxo do estator tem como uma das vantagens a reduzida quantidade de parâmetros necessários para sua implementação. Para estimar o fluxo do estator é necessário o correto conhecimento da resistência do estator. No entanto, embora seja um parâmetro variável principalmente pela temperatura ao longo do tempo de funcionamento da máquina, existem Figura 2. Diagrama em blocos do controle vetorial orientado pelo fluxo do estator. O fluxo no eixo de referência síncrona pode ser estimado pela integração da Força Eletro-Motriz (FEM) como: ^ s V s Rs i (2) s onde o subscrito s denota a parâmetros e variáveis do estator. O módulo do fluxo do estator é obtido na equação 3. ^ ^ ^ 2 2 s s (3) s Neste trabalho, para converter as variáveis do eixo estacionário (αβ) para síncrono (dq) é utilizado o sistema PLL (Phase Locked Loop), cuja função é gerar os vetores unitários seno e cosseno e a velocidade síncrona do campo girante (ω e ). O sistema PLL utilizado neste trabalho é o p-pll descrito em Silva et al. (2009) e usado em Santos et al. (2014), conforme a Figura 3. Além de aplicar um sistema PLL para estimar ω e, este trabalho utiliza uma RNA para estimar a velocidade mecânica, de forma robusta em ampla faixa de velocidade e com o intuito de reduzir a dependência paramétrica do MIT.

4 um inversor fonte de tensão com modulação vetorial SVPWM. A rede aplicada é a perceptron multicamadas tipo Transport Delay Neural Network (TDNN) com treinamento supervisionado (Haykin, 2008). A TDNN é treinada da forma offine, utilizando dados gerados em simulação e tratados na sequência. O estimador proposto neste trabalho tem uma estrutura mostrada na Figura 5 e os parâmetros da RNA mostrados na Tabela 2. Figura 3. Sistema p-pll orientado de fluxo do estator. 3 Processamento dos dados do sistema e arquitetura da RNA Para aplicações em que se deseja o controle de velocidade, normalmente, com o uso de inversores de tensão e frequência variável, a estimativa de velocidade da máquina através de suas variáveis primárias como corrente e tensão acarretam em aumento de custo dos drivers com transdutores. Entretanto, esse custo é menor quando comparado com a medida direta de velocidade através de sensores eletromecânicos, tais como ópticos e tacogeradores. A fim de se obter os padrões de entrada necessários para mapear a função da velocidade do motor foi adotada uma estratégia onde se utiliza as correntes do MIT nos eixos de coordenadas síncronas. Aplicando as transformações dos eixos de coordenadas estacionárias abc para os eixos de coordenadas síncronas dq0 nas variáveis de entrada, as mesmas estão condicionadas para o processo de treinamento. Além da corrente nos eixos de coordenadas síncronas, também é utilizada a velocidade síncrona do MIT. A corrente do estator é medida e convertida para o eixo de coordenada estacionária αβ. Posteriormente a corrente é convertida para o eixo de coordenadas síncrona com o uso dos vetores unitários, seno e cosseno, obtidos pelo sistema PLL. A Figura 4 apresenta o diagrama em blocos do sistema de tratamento das grandezas corrente e velocidade síncrona do MIT. Figura 4. Diagrama em blocos do processamento de dados. O processamento de dados proposto apresenta as variáveis de velocidade síncrona e de correntes para a RNA mapear o comportamento da velocidade mecânica. A ideia da seleção dessas é de que a RNA extraia as informações de escorregamento dinâmico do MIT e subtraia esse da velocidade síncrona, resultando na velocidade mecânica estimada. As RNAs têm se mostrado eficiente na resolução de vários problemas de engenharia. Neste trabalho o uso da RNA é aplicado como um aproximador universal de funções a fim de estimar a velocidade do rotor de um motor de indução trifásico acionado por Figura 5. Estrutura do estimador para o treinamento e teste. A Tabela 2 apresenta os parâmetros da rede proposta. Tabela 2. Parâmetros da rede proposta Arquitetura da rede Perceptron multicamadas Tipo de treinamento Supervisionado - offline Número de camadas 2 Número de neurônios da 1ª 8 camada escondida Algoritmo de treinamento Levenberg-Marquardt backpropagation Taxa de aprendizagem Épocas 326 Erro quadrático requerido Função de ativação da camada Tangente hiperbólica escondida Função de ativação da camada Linear saída A metodologia proposta neste trabalho é mostrada na Figura 6, onde o diagrama apresenta a estrutura da condução das simulações nas etapas 1 a 7. A primeira fase é a modelagem do MIT, como descrito na Seção 2 (etapa 1), seguido da simulação do MIT com controle vetorial com objetivo de gerar o banco de dados usados na simulação e teste da estrutura neural proposta (etapas 2, 3, 4). A próxima etapa é o treino da RNA, seguida de sua validação com os dados anteriormente adquiridos, e os quais foram armazenados nas etapas 3 e 4. A validação cruzada é executada nos passos 6 e 7 com diferentes condições de ponto de operação de velocidade do MIT e sua dinâmica do conjugado de carga, em relação ao conjunto de dados de treinamento. Figura 6. Diagrama em blocos da metodologia proposta.

5 Velocidade (rad/s) 4 Resultados de Generalização As simulações executadas para gerar os dados de teste consideram uma carga linear, alterando o momento de inércia total de 5,5x10-3 kg/m 2 para a validação. O intuito dessa alteração é testar a proposta sob uma condição diferente em relação aos dados utilizados no treinamento. Os testes são conduzidos em duas condições, como apresentado na Tabela 3, onde são apresentados os Pontos de Operação (P.O.) de cada teste. Estas referências de operações têm como objetivo avaliar o desempenho da RNA quando o MIT trabalha em toda a faixa de velocidades de operação, e ainda, considerando perturbação de conjugado de carga em seu eixo. Tabela 3. Condições de operação das simulações Testes Velocidade de operação (rad/s) P.O.1 1 3,0 P.O ,6-15,2 Para todos os testes executados a máquina permanece parada durante os primeiros 60 ms, sendo que nesse intervalo de tempo o fluxo nominal da máquina é estabelecido. O teste 1 é realizado considerando a velocidade de referência de operação como constante. Quando o MIT está em regime permanente de velocidade, é aplicada uma perturbação de carga de 1,0 N.m. no eixo do motor. A Figura 7 mostra a resposta do estimador de velocidade em relação a velocidade medida, fornecendo a variável para a realimentação da malha de controle numa região de baixa velocidade Resposta do estimador de velocidade - Teste 1 Velocidade medida (rad/s) Velocidade estimada (rad/s) Torque mecânico (N.m) Tempo (s) Figura 7. Resposta do estimador neural de velocidade para o teste 1. Os dados de entrada da RNA que resultaram na velocidade estimada no teste 1 são apresentados na Figura 8. Nessa Figura é possível observar a corrente I d, responsável pelo estabelecimento do fluxo do MIT, a corrente I q, atuando no torque eletromagnético e também é mostrada a velocidade síncrona da máquina Variáveis de entrada da RNA - Teste 1 Corrente Id (A) Corrente Iq (A) Velocidade Síncrona (rad/s) Tempo (s) Figura 8. Variáveis de entrada da RNA para o teste 1. O teste 2 foi conduzido de forma a avaliar o estimador neural proposto durante a inversão do sentido de rotação do MIT, mostrados na Figuras 9. O sistema de controle permanecendo estável em todos os pontos de operação de velocidade da máquina Resposta do estimador de velocidade - Teste 2 1,828 N.m Velocidade medida Velocidade estimada -0,273 N.m Tempo (s) Figura 9. Resposta do estimador neural de velocidade para o teste 2. A Tabela 4 apresenta o Erro Relativo Médio Estacionário (ERME) para o estimador atuando na realimentação do sistema de controle em cada um dos testes computacionais realizados. Pode-se observar que o teste em baixa velocidade (teste 1) apresentou maior erro de estimação. O cálculo de ERME para esse teste utilizou os últimos 100ms da simulação. Tabela 4. ERME Testes ERME estacionário (%) 1 4, ,1714 As simulações apresentadas nesta seção mostram a habilidade das RNAs em estimar a velocidade do motor de indução trifásico desde o transitório até o regime permanente, inclusive nas regiões de baixas velocidades de operação para um MIT acionado por controle vetorial. 5 Conclusão Este trabalho propôs uma metodologia alternativa para estimar a velocidade do motor de indução acio-

6 nado por um inversor de tensão com controle vetorial orientado pelo fluxo do estator, baseado em uma rede neural artificial TDNN com treinamento supervisionado off-line. A metodologia proposta estima a velocidade desde o transitório ao regime permanente, compreendendo toda a faixa de operação do controle vetorial. A proposta foi validada conforme os resultados de simulação apresentados para condições de variação de torque de carga com o motor em regime permanente e variação de velocidade de referência, objetivando demonstrar a robustez da metodologia. Neste contexto, os resultados de simulação apresentaram reduzido erro relativo médio em todos os pontos de operação de 1,1714% a 4,484%. A metodologia de processamento dos dados de entrada pode ser investigada para ser aplicada em outros métodos de controle de MIT, como o controle escalar e o DTC. Agradecimentos Os autores agradecem o suporte financeiro, processo nº / recebido de CNPq FAPESP e processo nº 2011/ recebido da Fundação Araucária. Referências Bibliográficas Bohari, A. A., Utomo, W. M., Haron, Z. A., Zin, S. Y. S., Ariff, R. M. (2013). Speed Tracking of Indirect Field Oriented Control Induction Motor using Neural Network. Elsevier Procedia Technology, 11 (2013), pp Bose, B. K., Modern Power Eletronics and AC Drives., Pretice Hall, Cherian, J., Mathew, J. Parameter independent sensorless vector control of induction motor IEEE International Conference on Power Electronics, Drive and Energy Systems (PEDES), pp Comanescu, M., An inductor-motor speed estimator based on integral sliding-mode current control., Pretice Hall, Dias, L. P. C. and Lobosco, O. S. (1998). Motores Elétricos: Seleção e Aplicação, vol. I, McGraw- Hill Inc.. Goedtel, A., Silva, I. N. da, Serni, P. J. and Souza, C. F. (2007). Estrutura neural para estimativa de velocidade em motores de indução trifásico baseada em dados experimentais e simulados. Simpósio Brasileiro de Automação Inteligente (SBAI 2007). Haykin, S. (2008). Neural Networks and Learning Machines. Prentice Hall, Jevremovic, J. R., Vasic, V., Marcetic, D. P. and Jeftenic, B. (2010). Speed-sensorless control of induction motor based on reactive power with rotor time constante identification. Electric Power Application (IET 2010), vol. 4, Iss. 6. pp Karanayil, B., Rahman, M. F., Granthan, C. Online Stator and Rotor Resistance Estimator Scheme Using Artificial Neural Networks for Vector Controlled Speed Sensorless Induction Motor Drive., IEEE Transaction on Industrial Electronics, Vol. 54, pp , Krause, P. C., Wasynczuk, O., Sudhoff, S. D., Pekarek, A. Analysis of Electric Machinery and Drive Systems. IEEE Press Series on Power Engineering, Wiley, Krishnan, R., Electric Motors Drivers: Modeling, Analysis, and Control., Pretice Hall, Maiti, S., Verma, V., Chakraborty, C., Hori, Y. (2012) An Adaptive Speed Sensorless Induction Motor Drive With Artificial Neural Network for Stability Enhancement. IEEE Transactions on IndustrialInformatics, Vol. 8, pp Mostafa, I. M., Mostafa, F. S. and Ahmed, A. E. (2009). A speed estimation unit for induction motors based on adaptive linear combiner. Elsevier Energy Conversion and Manangement 50 (2009), pp Ong, C. M. (1997). Dynamic Simulation of Electric Machinery Using Matlab/Simulink. Prentice Hall, Santos, T. H., Goedtel, A., Silva, S. A. O., Suetake, M., Scalar control of an induction motor using a neural sensorlesstechnique. Elsevier Electric Power System Research (2014), pp Silva, S. A. O., Campanhol, L. B. G. and Goedtel, A. (2009). A comparative Analysis of p-pll Algorithms for Single-Phase Utility Connected Systems. IEEE European Power Electronics Conference and Applications (EPE 2009). Suetake, M., da Silva, I. N. and Goedtel, A. (2011). A Embedded DSP-Based Compact Fuzzy System and Its Application for Induction Motor V/f Speed Control. IEEE Transactions on Industrial Electronics, Vol. 58, pp Vas, P. (1998). Sensorless Vector and Direct Torque control. Oxford University Press, Vasic, V., Vukosavic, S. N. and Levi, E. (2003). A stator resistence estimator scheme for speed sensorless rotor flux oriented inductor motor drives. IEEE Transactions on Energy Conversion, Vol. XVIII, pp Verrelli, C. M., Savoia, A., Mengoni, M., Marino, R., Tomei, P., Zarri, L., On-line Identification of Winding Resistances and Load Torque in Induction Machines. IEEE Transactions on control Systems Technology, Vol. 22, pp , Yuksel, O. and Mehmet, D. (2010). Speed estimation of vector controlled squirrel cage asynchronous motor with artificial neural networks. Elsevier Energy Conversion and Manangement (2009), pp