基于蝙蝠算法优化的自适应神经模糊推理系统直流无刷电机的速度控制

基于蝙蝠算法优化的自适应神经模糊推理系统直流无刷电机的速度控制摘要在本文中，用蝙蝠算法在线自适应神经模糊推理系统呈现直流无刷电机的速度控制优化。针对不同的优化，采用遗传算法和蝙蝠算法，学习在线ANFIS控制器的参数，即学习率，遗忘因子和最速下降动量常数，粒子群算法和直流无刷电机的运行条件。此外采用遗传算法，粒子群算法优化和蝙蝠算法计算，比例积分微分（PID），模糊PID的收益调整，和自适应模糊逻辑控制器。得到和比较所考虑的控制器速度响应，如上升时间的时域特定网络阳离子，峰值过冲，下冲，恢复时间，稳定时间和稳态误差。此外评估和比较上述控制器性能指标如均方根误差，积分绝对误差，积分时间倍增绝对误差和积分平方误差。为了验证所提出的控制器的有效性，在恒定负荷的条件下，不同的负载条件和不同的设定速度条件进行直流无刷电机的仿真。使用VERI网络版先进的DSP处理器VERI网络阳离子对控制器实时实验。在线ANFIS控制器优于所有考虑的工作条件下，仿真结果和实验结果确认自适应模糊神经网络蝙蝠算法优化了其他控制器。1.绪论大多数有刷直流电机相关的问题通过直流无刷电机克服。直流无刷电机效率高，有更低的易感性机械磨损，每重量比扭矩高，可靠性高，噪音低，寿命长和电磁干扰总体减少。在许多工业生产过程无刷直流电动机的调速控制是一个重要方面[1-4]。多种控制方式都已经开发了用于改进无刷直流电机驱动的速度控制性能。其结果是，在新兴的智能控制系统，无刷直流电机驱动的兴趣有所增加和基于线性和非线性模型设计的直流电动机电刷众多的智能控制方案。[5–15].在[5]基于速度控制器比例积分微分（PID）控制器已发展为三相无刷直流电动机。然而，PID控制器降低系统控制器的恒定增益参数，从控制器的参数也表现该控制器不断受到不正确的调整。在[6]中，混合模糊PID控制器一直提出在直流无刷电机中的应用。遗传算法是用来调模糊PID控制器的输入和输出缩放因子。但由于突发性负载扰动和速度变化，模糊PID控制器还具有不确定性因素。已被设计在无刷直流电动机[7]模糊滑模控制器和比例积分微分控制器模糊滑模控制的有效性进行了比较。模糊设计控制器依赖非常对人体的专业知识的基础上，提出的目标和滑模控制器的设计也很复杂。在[8]中,并行模糊PID算法已来实现速度调节器的直流无刷电机，但模糊PID控制器由于突发的负载扰动存在不确定性因素。自适应模糊逻辑控制器已经开发速度响应和建立时间在[9]和无刷的具有较大的稳态误差的无刷直流电动机。在[10]中讨论与PI控制器的有效性相比模糊速度控制器适配无刷直流电机驱动。然而，控制器会降低在瞬态期间的无刷直流电动机的速度的性能。在[11]，混合的PI模糊逻辑控制器一直用于直流无刷电机。混合的PI的性能模糊控制器比传统的PI控制器更好。但是，该控制器显示，由于设置速度变化存在不确定因素。在[12]，所述已使用模糊PD控制器控制无刷直流电动机的速度。该控制器产生了较大过冲以及因负载变化的响应速度下冲。在[13]，已经概述了直流无刷电机模糊神经网络基于PI/PD控制器扩展卡尔曼滤波。这种控制设计增加了控制器的复杂性。在[14]，ANFIS基于有监督评论家控制器算法已被提出，但评论的比例调整和衍生收益具有控制系统显著的影响性能如超调大，建立时间大和马达的速度响应稳态误差高。在[15]，对于直流无刷电机的设计由粒子群与ANFIS增益比例积分根据速度调节器的整定。如果操作条件的改变，速度的响应也发生了变化，因此，控制器仅对于设计具体的操作条件。此外，网上ANFIS控制器从得知遗忘因子和最速下降动量与在直流无刷电机的工作点变化。这些参数对时域规格有显著的效果。由于直流无刷电机的工作点定期更换，它已成为必要。为一个优化目标，许多已制定的算法和每一个算法都有自己的优点和缺点。遗传算法（GA）是在开发[16]模糊逻辑控制器的最佳设计。但是，这种优化技术方法取决于的大小正在研究的系统需要很长的运行时间。此外，它算法的设置已引起参数重复类似的次优解决方案。基在[17]了于粒子群优化（PSO）的设计参数。PSO相对于其他相关的优化技术如GA有一定优势。然而，PSO在其速度和调节跟踪不太精确。此外，该算法在高级搜索阶段衔接不畅，弱局部搜索能力和算法可能会导致局部最优解决方案不成立。在为了克服这些缺点，并获得更好的清晰度，最近研究人员开始利用蝙蝠算法[18,19]。蝙蝠算法在启发式算法下进行分类。蝙蝠算法是一种新的搜索算法，看台上的微型蝙蝠的行为回声定位。初步研究表明，对于GA和PSO求解无约束优化问题蝙蝠算法是更好的，因为这些方法无法处理多模态优化问题[19]。因为，该无刷直流电动机的运转状态趋于太多改变，鲁棒控制器设计下宽工作操作条件范围，在已经给足够的研究范围下也提升了控制系统的性能参数。在本文提出了直流无刷电机自适应神经模糊推理系统基础速度控制器。GA，PSO，和蝙蝠算法适用于不同的操作条件下优化ANFIS控制器直流无刷电机。此外，使用GA，PSO和蝙蝠算法的有效性蝙蝠算法与GA和PSO相比，增益PID法，模糊PID和自适应模糊逻辑进行了优化。BAT-ANFIS控制器与BAT-比例积分微分控制器，BAT-模糊PID相比控制器，BAT-自适应模糊逻辑，GA-ANFIS和PSO-ANFIS控制器为恒定负荷，不同的负载条件，并改变直流无刷电机的设定速度条件下，该控制器已经过测试，硬件实时利用得天独厚的DSP处理器。2.无刷直流电机驱动的建模无刷直流电动机具有三个定子绕组和永磁磁体上的转子。数学状态空间的无刷直流电动机的变量可以由下面的公式，其中，VA，VB和Vc的表示无刷电机定子相电压直流电动机的电压。R代表定子欧姆绕组电阻。电动机的相电流由IA，IB和IC在安培表示。电机的自感绕组由L表示和定子绕组之间的互感用M表示亨利。EA，EB和EC表示梯形的每个反电动势相伏特。P是转子的极数。r是转在弧度转子的位置。Ĵ，B，ωR和TL表示时刻的惯性，摩擦系数，角速度和负载转矩。机电扭矩表现在下面的方程，对于瞬时电转矩公式中给出式（3）并且还角速度和转子之间的关系位置。图1基于自适应模糊神经网络速度控制器蝙蝠算法优化的直流无刷电机。3.基于自适应模糊神经网络速度控制器蝙蝠算法优化的直流无刷电机所提出的系统的方框图示于图1。在该系统中，直流无刷电机的转子位置由转子位置编码器检测。速度的马达（Na）的是通过分化所述电动机的转子位置获得，并且然后电机的实际速度与基准进行比较速度（NT个），以产生一个速度偏差（e）。速度的变化误差（e）是通过微分速度误差得到。该ANFIS控制器接收到六个输入是e,-e,,,˛和学习误差（ES），并产生一个控制信号（UA）PWM逆变器的开关逻辑。通过比较获得的学习误差PID控制训练数据与ANFIS的控制器输出。PID控制训练数据的查找表由的PID控制器的输入输出数据。输入到块是e和？e和输出是PID监督数据（UC）。查找表蝙蝠算法优化的值？，？和˛组成如从蝙蝠获得的学习参数的输入输出数据，对于不同的操作条件的算法优化发动机。为块的输入是参考速度和负载转矩（TL）和输出是学习参数（α，β和˛）。相对于栅极到转子的电机和控制的位置，切换逻辑电路提供了用于逆变器必要的PWM信号从提出的控制器获得的信号。PWM逆变器通过控制DC总线电压控制逆变器电机的转速。3.1比例积分微分控制训练数据PID控制的训练数据在图中描绘图2（a）它包括一个2D查找表。二维查找表有两个输入端是速度误差（e）和误差（ΔE）的变化率和单输出（U）。总攻6561的数据存储在查找表中，并示出在图2（b）。查找表安排基础上建立比例微分控制器的原理。产量查找表是通过比例积分控制器和它处理提供在线自适应模糊神经网络控制器监督的输入。图2（a）PID控制训练数据的结构。（b）为PID2D查找表控制动作。3.2在线自适应神经模糊推理系统自适应神经模糊推理系统结合了神经网络和模糊推理系统的结构。一般，ANFIS结构使用以下两种方法形成离线方法和网上的方法。每种方法包括两个学习，一个是结构学习，另一个是参数学习。在离线方法，结构和参数的学习以顺序方式完成。在离线模式的开始阶段，初始隶属函数和模糊规则的基础上产生分区算法。在离线模式下，ANFIS网络参数，即线性和非线性参数的第二阶段采用梯度下降和递归最小二乘算法更新。但离线模式有一些缺点，它需要一个大的用于训练和也脱机模式的顺序过程的输入和输出的数据量需要更多的时间来训练ANFIS网络。为了克服离线模式的缺点ANFIS时，ANFIS网络联机模式的发展。在网上模式，结构和参数学习的同时治疗。在本文中，散布分区类型结构学习采用在ANFIS网络。图3分散分区类型的建筑自适应模糊神经网络网络分散分区类型自适应模糊神经网络由五层组成，如图在图3.分散分区减少数量的规则来合理数量。层1被称为输入层。在这一层输入模糊化发生。每输入一个隶属度分配给每个模糊子集，它包括输入的宇宙话语。在数学上，这个功能可以通过表达下面的公式，其中，O1ij是第1层的节点的输出，它匹配到第j个第i个输入变量的II1语言短语。广义高斯函数成员身份用于输入变量和函数在以下等式中所表达，其中i=1。.Q和j=1。.Y。输入变量数相等到q和y等于模糊子集为每个输入变量的数量。而参数的三重峰的aij，BIJ和CIJ被称为前提参数或非线性参数和它们适应条件和隶属函数的作用的位置。那些通过程序的训练模式中的参数进行修正误差反向传播算法。这些参数的前提下或非线性参数是在每次迭代更新，即，后每个输入输出对被培训过程中，尽量减少接受如在下面的公式中给出的瞬时误差函数，其中，UC（n）是所希望的输出或监督输出和UA（n）的是在线自适应模糊神经网络控制器的各个步骤时间（n）。对于每一个输入输出训练数据对，自适应模糊神经网络在工作直传为了计算电流输出尿酸（N）。接着，从输出层去，和向后移动时，误差反向传播执行计算衍生物？E（N）在网络的每一层的每个节点/∂w。最后每次迭代，所述非线形参数的aij，BIJ和的CIJ输入隶属函数由下面的等式更新，网络参数的学习率和最速下降势头不变。层2被称为模糊AND操作层。中的每个节点这层执行模糊与操作。在这里，T-规范运营代数产物被选择。这将导致对每个节点的输出。它是所有的其输入的产品，并在等式（8）每个输入节点被连接到该规则节点。其中，k=1。。。Y2。每个节点在该层的输出表示击发强度或相应的激活值的模糊规则。层3被称为归一化层。第k个的输出节点是每个规则的发射强度通过的总和除以的所有的模糊规则的激活值。这将导致每个模糊规则的激活值标准化，这是在以下等式中所提出，4层被称为一个线性参数层。每个节点k在这一层是伴随着一组可调参数D1K，D2K。。。，D0并表示实现了线性函数在以下等式中，权重wk是第k个规则的归一化激活值，等式（9）的帮助来计算。可调参数称为随之而来的参数或自适应模糊神经网络系统的线性参数并且它们通过一个递推最小二乘算法设置。对于在线监督自适应模糊神经网络控制器，输入和输出参数被认为是E，？e和Ua。在下面的输出被表示为方程，其中e（m）和ΔE（m）是控制器的输入矢量，f是已知的输入和d（m）的功能是未知的参数是估计。为了确定未知参数D（m），我们需要在目标系统上输入输出训练数据，它是从PID控制算法获得，并表示在一组在下面的等式所给出的“T”线性方程，由递推最小二乘算法的应用，在线自适应模糊神经网络控制器的线性参数的结果由在层4.在下面方程给出，层5被称为输出层。该层由一个与仅产生网络的输出作为代数和节点的节点的输入。它被示于下面的等式为，3.3学习参数更新律在线自适应模糊神经网络调节器在本节中，学习参数更新规定的无刷直流电动机已经描述在线自适应模糊神经网络控制器的不同的操作条件。图4（a）示出的查找表的学习参数，它包括三个查找表。在直流无刷电机在线自适应模糊神经网络基于控制器的运行条件下，每个查找表具有两个输入，即设定速度和负载转矩无刷直流电动机和它所提供的