유도전동기의 속도 제어를 원활하게 수행하기 위해서는 필요한 회전자 속도 정보를 얻어야 한다. 속도 정보를 얻으려면 센서를 사용하여 얻어야 하지만, 센서를 사용하지 않고 적절한 알고리즘을 이용하여 얻을 수 있는 속도 센서리스 제어가 있다. 그 중 하나인 모델 기준 적응 시스템(Model Reference Adaptive System, MRAS)은 물리적으로 해석이 간결하고 또한 적용이 용이하여 많이 사용되는 제어 구조 중에 하나이다. 기준 모델 및 조정 모델에서 회전자의 자속을 추정하고 이를 비교함으로써 오차가 영(零)이 되도록 적응 규칙을 설계 할 수 있는 방식이다.
그러나, 이 방식을 이용한 유도전동기의 속도 제어는 파라미터 값들이 대부분 추정된 값 또는 비선형성을 가지는 값이므로 기존의 적응 규칙으로는 좋은 성능을 얻기가 어렵다.
유도전동기의 속도 제어 방식 중에 하나인 간접 벡터 제어 방식은 전동기의 전류와 회전자 파라미터 값으로부터 연산된 슬립 주파수를 회전자 속도와 합하여 자속의 위치 정보를 얻어내는 방식이다. 실제 자속 정보 없이도 넓은 속도 영역에서 간단하게 순시 전류 제어를 행할 수 있으며 제어기의 구조가 간단하다는 큰 장점이 있다.
본 논문에서는 간접 벡터 제어 방식을 기반으로 제어 시스템을 구성하였고, 이를 실현하기 위해 필요한 회전자 속도 정보를 센서로 사용하지 않고 개발한 지능형 알고리즘으로 추정하여 유도전동기의 속도 제어 시스템을 개발하였다.
이러한 속도 추정 방식을 사용한 시스템에서 속도 제어 성능을 개선하기 위하여 인공지능 이론을 적용하였는데, 그 중에서 퍼지 제어와 신경 회로망을 적용하였다. 퍼지 제어 시스템은 특성이 복잡하여 기존의 정량적인 방법으로는 해석할 수 없거나 또는 얻어지는 정보가 정성적이고, 부정확하고, 불확실한 경우에 추론을 통하여 기존의 제어 방식보다 우수한 결과를 나타내었다. 또한 신경 회로망은 학습에 의한 보간 능력으로 매우 복잡한 작업에 큰 장점을 가지고 있으며, 시스템 특성이 서서히 변하는 경우에도 별도의 수정 없이 스스로 제어 특성을 변형시키는 적응성을 가지고 있다.
따라서, 이 두 가지의 단점을 보완하고 장점을 강화하기 위해 추론의 특성을 가지는 퍼지 제어 이론과 학습의 특성을 가지는 신경 회로망의 이론을 혼합하여 유도전동기의 회전자 속도를 추정하는 지능형 속도추정 알고리즘을 개발하였다.