Modeling   and   Simulating   for   Artificial 
Neural  Network-Based   Direct   Torque 
Control for Induction Motor Drive

Wang Qunjing Chen Quan Jiang Weidong Hu Cungang

（Hefei University of Technology Hefei 230009 China）

Abstract  As   a   prospective   control   scheme—direct   torque   control   (DTC)   has   a   control   error 
caused by the time delays required for the lengthy computations. However, the neural network, 
with its  parallel computation and robust capabilities, offers a promising means to minimize the 
error. This paper presents an artificial neural network-based (ANN) DTC scheme for an induction 
motor drive. The  neural networks used in this paper are fixed-weight networks and supervised 
networks. According to the features of DTC, the local training strategy is adopted in this paper. 
Finally,  computer  simulations  of   the  designed  DTC   system  are  presented  and  discussed.  The 
experimental results indicate that ANN-based DTC may be a feasible alternative to realization of a 
high performance DTC system.
Keywords:  Direct   torque   control,   artificial   neural   network,   time   delay,   stator-flux   observer, 
voltage vector selector

1 Introduction

DTC offers attractive performance compare to vector control in terms of fast torque response, no
need   of   coordinate   transformation,   robust   against  parameter   variation,   no   need   of   a   PWM 
controller and current regulators, but also exists some drawbacks, such as torque and flux ripple, 
the   harmonic   content  of   the   stator   voltage   and   current

[1-3]

.  Although  involving   complicated 

calculations can overcome  these shortages, it is difficult to implement on some  digital signal 
processor (DSP) real-timely. Moreover,  the lengthy computations affect hardware performance 
largely

[4]

.  As  a  result,   designers   also   don’t   exploit  the  capability  of  modern  power   switching 

devices — high switching frequency

[5-6]

. 

The neural network (NN), with its special architecture and inherent computation method, offers a 
promising alternative to realization of a highperformance power drive

[7]

. Actually, a neural model 

is   mathematically   represented   by  a   basis   function   and  an   activation   function.  The   difference 
between neural networks lies in weights and biases. In terms of how The weights and biases are 
obtained,   the   neural  network   can   be   classified   into   three   categories:  ①

  fixed-weight.  ② 

supervised network.  

 

③ unsupervised  network. The characteristic of supervised  network is that 

weights and biases are trained by a learning mechanism, and the back-propagation (BP) generally 
learning algorithm is used to design  thesupervised network.  In the fixed weight  network, the 
weights and biases are pre-computed from training data. This kind of network usually is used in 
the   plant  with   definite   operation   law.In   this   paper,   an   artificial   neural   network-based  DTC 
technique   is   described.   Since   DTC   of   induction  motor   is   a   dynamic   (there   are   integrators), 
recurrent(there are hysteresis comparators) nonlinear and eight input variables (V

a

, V

b

, V

c

, i

a

, i

b

, i

c

, 

T

*

, ψ

*

) system, it is difficult to train the NN-based system with global. With global training, the 

training of an individual subnet will be influenced by input/output patterns of other subnets. For 
simple and fast design, the individual training method is adopted in this paper. In the following, 
section  

 

Ⅱ provides the proposed  neural network-based DTC. Programmed computer NN-based