DTC induction motor are presented in section Ⅲ. A conclusion is presented in the final section, 
section Ⅳ.

2 Neural network-based DTC

DTC scheme includes usually 3/2 transformations of current and voltage, flux estimation, torque
calculation, flux location, flux magnitude computation,  flux and torque hystereses comparators, 
and optimal switching table. Fig.1 shows a DTC system, which consists of a DTC controller, an 
inverter, and an induction motor. Based on DTC principle, the NN-based DTC controller can be 
designed as following.

Fig.1 Construction of the DTC system

2.1 Stator-flux observer subnet
2.1.1 Structure of stator-flux observer
Recently, proposed approaches in the literatures to observe stator flux are voltage model, current 
model.  Although   voltage   model   is   easy   and   precision  theoretically,   the   effectiveness   of   the 
observer depends upon the accuracy of measuring the stator resistance, especially in the low speed 
range its value could not be ensured. Current model includes a lot of motor parameters, and these 
parameters deeply  depend on operating condition, especially in the  high-speed range. A novel 
stator flux model (named  combined model) can be achieved if combines the current model into 
voltage model. In high-speed range let the current model be out of function through a low  pass 
filter, while in low one let the voltage model be  out of function through a high pass filter. The 
combined model equation is

s s

(

voltage model

) 

s

(

current model

)

1
1 1
sT
sT sT

 

ψ =   

ψ + ψ

+ +
（1）
So the stator flux based on Eq.(1) can be
expressed as

( ) 

ψ

s 

= f i

s 

, u

s 

, 

 

ω （2）

where i

s

——Stator current

u

s

——Stator voltage

ω——Mechanical angle speed
It is not easy to apply Eq.(1) practically because  this model is somewhat complex though the 
accuracy  of   observing   flux   can   be   obtained.  An   appropriate  neural   network   can   fulfill   the 
combined nonlinear model. In addition, since there are five inputs, i.e., i

s

α

, i

s

 

β

, u

s

 

α

, u

s

 

β

and 

 

ω to 

the stator flux model, and the output flux is the input of computing torque, especially, which are 
observed real-timely for  selecting voltage vector in the look-table, the stator  flux observer is a 
dynamic, recurrent and nonlinear  system exactly. Actually, a feed-forward neural  network with 
back-propagation training algorithm is a static system and it needs rebuilding if it is applied in a 
dynamic   system.   The   method   of   rebuilding   a  multilayer   feed-forward   neural   network   with 
dynamic characteristic is the output of one layer neurons (hidden layer or output layer) input to 
another layer neurons through time-delay unit

[8]

. According to Ref.[9] analysis