基于蝙蝠算法優(yōu)化的自適應神經(jīng)模糊推理系統(tǒng)直流無刷電機的速度控制

1、基于蝙蝠算法優(yōu)化的自適應神經(jīng)模糊推理系統(tǒng)直流無刷電機的速度控制摘要在本文中，用蝙蝠算法在線自適應神經(jīng)模糊推理系統(tǒng)呈現(xiàn)直流無刷電機的速度控制優(yōu)化。針對不同的優(yōu)化，采用遺傳算法和蝙蝠算法，學習在線ANFIS控制器的參數(shù)，即學習率，遺忘因子和最速下降動量常數(shù)，粒子群算法和直流無刷電機的運行條件。此外采用遺傳算法，粒子群算法優(yōu)化 和蝙蝠算法計算，比例積分微分（PID），模糊PID的收益調(diào)整，和自適應模糊邏輯控制器。得到和比較所考慮的控制器速度響應，如上升時間的時域特定網(wǎng)絡陽離子，峰值過沖，下沖，恢復時間，穩(wěn)定時間和穩(wěn)態(tài)誤差。此外評估和比較上述控制器性能指標如均方根誤差，積分絕對誤差，積分時間倍增絕對誤

2、差和積分平方誤差。為了驗證所提出的控制器的有效性，在恒定負荷的條件下，不同的負載條件和不同的設定速度條件進行直流無刷電機的仿真。使用VERI網(wǎng)絡版先進的DSP處理器VERI網(wǎng)絡陽離子對控制器實時實驗。在線ANFIS控制器優(yōu)于所有考慮的工作條件下，仿真結(jié)果和實驗結(jié)果確認自適應模糊神經(jīng)網(wǎng)絡蝙蝠算法優(yōu)化了其他控制器。1. 緒論大多數(shù)有刷直流電機相關的問題通過直流無刷電機克服。直流無刷電機效率高，有更低的易感性機械磨損，每重量比扭矩高，可靠性高，噪音低，壽命長和電磁干擾總體減少。在許多工業(yè)生產(chǎn)過程無刷直流電動機的調(diào)速控制是一個重要方面1-4。多種控制方式都已經(jīng)開發(fā)了用于改進無刷直流電機驅(qū)動的速度控制性

3、能。其結(jié)果是，在新興的智能控制系統(tǒng)，無刷直流電機驅(qū)動的興趣有所增加和基于線性和非線性模型設計的直流電動機電刷眾多的智能控制方案。515.在5基于速度控制器比例積分微分（PID）控制器已發(fā)展為三相無刷直流電動機。然而，PID控制器降低系統(tǒng)控制器的恒定增益參數(shù)，從控制器的參數(shù)也表現(xiàn)該控制器不斷受到不正確的調(diào)整。在6中，混合模糊PID控制器一直提出在直流無刷電機中的應用。遺傳算法是用來調(diào)模糊PID控制器的輸入和輸出縮放因子。但由于突發(fā)性負載擾動和速度變化，模糊PID控制器還具有不確定性因素。已被設計在無刷直流電動機7模糊滑模控制器和比例積分微分控制器模糊滑模控制的有效性進行了比較。模糊設計控制器依賴

4、非常對人體的專業(yè)知識的基礎上，提出的目標和滑模控制器的設計也很復雜。在8中, 并行模糊PID算法已來實現(xiàn)速度調(diào)節(jié)器的直流無刷電機，但模糊PID控制器由于突發(fā)的負載擾動存在不確定性因素。自適應模糊邏輯控制器已經(jīng)開發(fā)速度響應和建立時間在9和無刷的具有較大的穩(wěn)態(tài)誤差的無刷直流電動機。在10中討論與PI控制器的有效性相比模糊速度控制器適配無刷直流電機驅(qū)動。然而，控制器會降低在瞬態(tài)期間的無刷直流電動機的速度的性能。在11，混合的PI模糊邏輯控制器一直用于直流無刷電機?；旌系腜I的性能模糊控制器比傳統(tǒng)的PI控制器更好。但是，該控制器顯示，由于設置速度變化存在不確定因素。在12，所述已使用模糊PD控制器控制

5、無刷直流電動機的速度。該控制器產(chǎn)生了較大過沖以及因負載變化的響應速度下沖。在13，已經(jīng)概述了直流無刷電機模糊神經(jīng)網(wǎng)絡基于PI / PD控制器擴展卡爾曼濾波。這 種控制設計增加了控制器的復雜性。在14，ANFIS基于有監(jiān)督評論家控制器算法已被提 出，但評論的比例調(diào)整和衍生收益具有控制系統(tǒng)顯著的影響性能如超調(diào)大，建立時間大 和馬達的速度響應穩(wěn)態(tài)誤差高。在15，對于直流無刷電機的設計由粒子群與ANFIS增益 比例積分根據(jù)速度調(diào)節(jié)器的整定。如果操作條件的改變，速度的響應也發(fā)生了變化，因 此，控制器僅對于設計具體的操作條件。此外，網(wǎng)上ANFIS控制器從得知遺忘因子和最速 下降動量與在直流無刷電機的工作點

6、變化。這些參數(shù)對時域規(guī)格有顯著的效果。由于直 流無刷電機的工作點定期更換，它已成為必要。為一個優(yōu)化目標，許多已制定的算法和每一個算法都有自己的優(yōu)點和缺點。遺傳算法（GA）是在開發(fā)16模糊邏輯控制器的最佳設計。但是，這種優(yōu)化技術方法取決于的大小正在研究的系統(tǒng)需要很長的運行時間。此外，它算法的設置已引起參數(shù)重復類似的次優(yōu)解決方案?；?7 了于粒子群優(yōu)化（PSO）的設計參數(shù)。 PSO相對于其他相關的優(yōu)化技術如GA有一定優(yōu)勢。然而，PSO在其速度和調(diào)節(jié)跟蹤不太精確。此外，該算法在高級搜索階段銜接不暢，弱局部搜索能力和算法可能會導致局部最優(yōu)解決方案不成立。在為了克服這些缺點，并獲得更好的清晰度，最近研

7、究人員開始利用蝙蝠算法18,19。蝙蝠算法在啟發(fā)式算法下進行分類。蝙蝠算法是一種新的搜索算法，看臺上的微型蝙蝠的行為回聲定位。初步研究表明，對于GA和PSO求解無約束優(yōu)化問題蝙蝠算法是更好的，因為這些方法無法處理多模態(tài)優(yōu)化問題19。因為，該無刷直流電動機的運轉(zhuǎn)狀態(tài)趨于太多改變，魯棒控制器設計下寬工作 操作條件范圍，在已經(jīng)給足夠的研究范圍下也提升了控制系統(tǒng)的性能參數(shù)。在本文提出了直流無刷電機自適應神經(jīng)模糊推理系統(tǒng)基礎速度控制器。 GA，PSO， 和蝙蝠算法適用于不同的操作條件下優(yōu)化ANFIS控制器直流無刷電機。此外，使用GA，PSO和蝙蝠算法的有效性 蝙蝠算法與GA和PSO相比，增益 PID法，

8、模糊PID和自適應模糊邏輯進行了優(yōu)化。BAT- ANFIS控制器與BAT-比例積分微分控制器，BAT-模糊PID相比 控制器，BAT-自適應模糊邏輯，GA-ANFIS和PSO-ANFIS 控制器為恒定負荷，不同的負載條件，并改變直流無刷電機的設定速度條件下， 該控制器已經(jīng)過測試，硬件實時利用得天獨厚的DSP處理器。2. 無刷直流電機驅(qū)動的建模無刷直流電動機具有三個定子繞組和永磁磁體上的轉(zhuǎn)子。數(shù)學狀態(tài)空間的無刷直流電動機的變量可以由下面的公式，其中，VA，VB和Vc的表示無刷電機定子相電壓直流電動機的電壓。 R代表定子歐姆繞組電阻。電動機的相電流由IA，IB和IC在安培表示。電機的自感繞組由L表

9、示和定子繞組之間的互感用M表示亨利。EA，EB和EC表示梯形的每個反電動勢相伏特。P是轉(zhuǎn)子的極數(shù)。r是轉(zhuǎn) 在弧度轉(zhuǎn)子的位置。 ，B，R和TL表示時刻 的慣性，摩擦系數(shù)，角速度和負載轉(zhuǎn)矩。機電扭矩表現(xiàn)在下面的方程，對于瞬時電轉(zhuǎn)矩公式中給出式（3）并且還角速度和轉(zhuǎn)子之間的關系位置。圖1基于自適應模糊神經(jīng)網(wǎng)絡速度控制器蝙蝠算法優(yōu)化的直流無刷電機。3. 基于自適應模糊神經(jīng)網(wǎng)絡速度控制器蝙蝠算法優(yōu)化的直流無刷電機所提出的系統(tǒng)的方框圖示于圖1。 在該系統(tǒng)中，直流無刷電機的轉(zhuǎn)子位置 由轉(zhuǎn)子位置編碼器檢測。速度的馬達（Na）的 是通過分化所述電動機的轉(zhuǎn)子位置獲得，并且然后電機的實際速度與基準進行比較 速度（N

10、 T個），以產(chǎn)生一個速度偏差（e）。速度的變化 誤差（e）是通過微分速度誤差得到。該ANFIS 控制器接收到六個輸入是e, -e, , , 和學習 誤差（ES），并產(chǎn)生一個控制信號（UA）PWM逆變器的開關邏輯。通過比較獲得的學習誤差 PID控制訓練數(shù)據(jù)與ANFIS的控制器輸出。 PID控制訓練數(shù)據(jù)的查找表由 的PID控制器的輸入輸出數(shù)據(jù)。輸入到塊 是e和？e和輸出是PID監(jiān)督數(shù)據(jù)（UC）。查找表蝙蝠算法優(yōu)化的值？，？和組成 如從蝙蝠獲得的學習參數(shù)的輸入輸出數(shù)據(jù)，對于不同的操作條件的算法優(yōu)化發(fā)動機。為塊的輸入是參考速度和負載轉(zhuǎn)矩（TL）和輸出是學習參數(shù)（，和）。相對于柵極到轉(zhuǎn)子的電機和控制的位

11、置，切換邏輯電路提供了用于逆變器必要的PWM信號從提出的控制器獲得的信號。 PWM逆變器通過控制DC總線電壓控制逆變器電機的轉(zhuǎn)速。3.1比例積分微分控制訓練數(shù)據(jù)PID控制的訓練數(shù)據(jù)在圖中描繪圖2（a）它包括一個2D查找表。二維查找表有兩個輸入端是速度誤差（e）和誤差（E）的變化率和單輸出（U）?？偣?561的數(shù)據(jù)存儲在查找表中，并示出在圖2（b）。查找表安排基礎上建立比例微分控制器的原理。產(chǎn)量查找表是通過比例積分控制器和它處理提供在線自適應模糊神經(jīng)網(wǎng)絡控制器監(jiān)督的輸入。圖2（a）PID控制訓練數(shù)據(jù)的結(jié)構。 （b）為PID2D查找表控制動作。3.2在線自適應神經(jīng)模糊推理系統(tǒng)自適應神經(jīng)模糊推理系統(tǒng)

12、結(jié)合了神經(jīng)網(wǎng)絡和模糊推理系統(tǒng)的結(jié)構。一般，ANFIS結(jié)構使用以下兩種方法形成離線方法和網(wǎng)上的方法。每種方法包括兩個學習，一個是結(jié)構學習，另一個是參數(shù)學習。在離線方法，結(jié)構和參數(shù)的學習以順序方式完成。在離線模式的開始階段，初始隸屬函數(shù)和模糊規(guī)則的基礎上產(chǎn)生分區(qū)算法。在離線模式下，ANFIS網(wǎng)絡參數(shù)，即線性和非線性參數(shù)的第二階段采用梯度下降和遞歸最小二乘算法更新。但離線模式有一些缺點，它需要一個大的用于訓練和也脫機模式的順序過程的輸入和輸出的數(shù)據(jù)量需要更多的時間來訓練ANFIS網(wǎng)絡。為了克服離線模式的缺點ANFIS時，ANFIS網(wǎng)絡聯(lián)機模式的發(fā)展。在網(wǎng)上模式，結(jié)構和參數(shù)學習的同時治療。在本文中，散

13、布分區(qū)類型結(jié)構學習采用在ANFIS網(wǎng)絡。圖3分散分區(qū)類型的建筑自適應模糊神經(jīng)網(wǎng)絡網(wǎng)絡分散分區(qū)類型自適應模糊神經(jīng)網(wǎng)絡由五層組成，如圖在圖3.分散分區(qū)減少數(shù)量的規(guī)則來合理數(shù)量。層1被稱為輸入層。在這一層輸入模糊化發(fā)生。每輸入一個隸屬度分配給每個模糊子集，它包括輸入的宇宙話語。在數(shù)學上，這個功能可以通過表達下面的公式，其中，O1ij是第1層的節(jié)點的輸出，它匹配到第j個第i個輸入變量的II1語言短語。廣義高斯函數(shù)成員身份用于輸入變量和函數(shù)在以下等式中所表達，其中i= 1。 .Q和j= 1。 .Y。輸入變量數(shù)相等 到q和y等于模糊子集為每個輸入變量的數(shù)量。而參數(shù)的三重峰的aij，BIJ和CIJ被稱為 前

14、提參數(shù)或非線性參數(shù)和它們適應 條件和隸屬函數(shù)的作用的位置。 那些 通過程序的訓練模式中的參數(shù)進行修正 誤差反向傳播算法。這些參數(shù)的前提下 或非線性參數(shù)是在每次迭代更新，即，后 每個輸入輸出對被培訓過程中，盡量減少接受 如在下面的公式中給出的瞬時誤差函數(shù)，其中，UC（n）是所希望的輸出或監(jiān)督輸出和UA（n）的 是在線自適應模糊神經(jīng)網(wǎng)絡控制器的各個步驟時間（n）。 對于每一個輸入輸出訓練數(shù)據(jù)對，自適應模糊神經(jīng)網(wǎng)絡在工作 直傳為了計算電流輸出尿酸（N）。接著，從輸出層去，和向后移動時，誤差反向傳播執(zhí)行計算衍生物 ？E（N）在網(wǎng)絡的每一層的每個節(jié)點/w。 最后每次迭代，所述非線形參數(shù)的aij，BIJ和

15、的CIJ 輸入隸屬函數(shù)由下面的等式更新，網(wǎng)絡參數(shù)的學習率和最速下降勢頭不變。層2被稱為模糊AND操作層。中的每個節(jié)點 這層執(zhí)行模糊與操作。在這里，T-規(guī)范運營代數(shù)產(chǎn)物被選擇。這將導致對每個節(jié)點的輸出。它是所有的其輸入的產(chǎn)品，并在等式（8） 每個輸入節(jié)點被連接到該規(guī)則節(jié)點。其中，k =1。 。 。 Y2。每個節(jié)點在該層的輸出表示擊發(fā)強度或相應的激活值的模糊規(guī)則。層3被稱為歸一化層。第k個的輸出節(jié)點是每個規(guī)則的發(fā)射強度通過的總和除以的所有的模糊規(guī)則的激活值。這將導致每個模糊規(guī)則的激活值標準化，這是在以下等式中所提出，4層被稱為一個線性參數(shù)層。每個節(jié)點k 在這一層是伴隨著一組可調(diào)參數(shù) D1K，D2K

16、。 。 。，D0并表示實現(xiàn)了線性函數(shù) 在以下等式中，權重w k是第k個規(guī)則的歸一化激活值， 等式（9）的幫助來計算?？烧{(diào)參數(shù)稱為隨之而來的參數(shù)或自適應模糊神經(jīng)網(wǎng)絡系統(tǒng)的線性參數(shù)并且它們通過一個遞推最小二乘算法設置。對于在線監(jiān)督自適應模糊神經(jīng)網(wǎng)絡控制器，輸入和輸出參數(shù)被認為是E，？e和Ua。在下面的輸出被表示為方程，其中e（m）和E（m）是控制器的輸入矢量，f是已知的輸入和d（m）的功能是未知的參數(shù)是估計。為了確定未知參數(shù)D（m），我們需要在目標系統(tǒng)上輸入輸出訓練數(shù)據(jù)，它是從PID控制算法獲得，并表示在一組在下面的等式所給出的“T”線性方程，由遞推最小二乘算法的應用，在線自適應模糊神經(jīng)網(wǎng)絡控制器

17、的線性參數(shù)的結(jié)果由在層4.在下面方程給出，層5被稱為輸出層。該層由一個與僅產(chǎn)生網(wǎng)絡的輸出作為代數(shù)和節(jié)點的節(jié)點的輸入。它被示于下面的等式為，3.3學習參數(shù)更新律在線自適應模糊神經(jīng)網(wǎng)絡調(diào)節(jié)器在本節(jié)中，學習參數(shù)更新規(guī)定的無刷直流電動機已經(jīng)描述在線自適應模糊神經(jīng)網(wǎng)絡控制器的不同的操作條件。 圖4（a）示出的查找表的學習參數(shù)，它包括三個查找表。在直流無刷電機在線自適應模糊神經(jīng)網(wǎng)絡基于控制器的運行條件下，每個查找表具有兩個輸入，即設定速度和負載轉(zhuǎn)矩無刷直流電動機和它所提供的學習參數(shù)。圖4（b）示出了用于學習參數(shù)更新的流程圖規(guī)定的在線ANFIS控制器。最初讀的值設定速度和馬達的負載扭矩。流程圖由兩循環(huán)，即回

18、路1用于更新學習參數(shù)如果設置速度，如果設定速度之間的1000和轉(zhuǎn)速之間還有1500 然后0和1000轉(zhuǎn)用循環(huán)2。如果設定速度為1000之間 和1500rpm下，再檢查馬達的負載扭矩。如果力矩 由m個0.5介于0和N然后更新在線ANFIS控制器的學習參數(shù)1500轉(zhuǎn)的設定速度和轉(zhuǎn)矩 0為NM條件下，如果別的扭矩為0.5N M之間，以1.2為NM，然后 更新的在線ANFIS控制器的學習參數(shù) 1500轉(zhuǎn)和1.1 nm個條件的扭矩設定速度，否則，如果扭矩 是米1.2 2之間為NM到N然后更新的在線ANFIS控制器學習參數(shù)1500轉(zhuǎn)的設定速度和轉(zhuǎn)矩 2.2 NM個條件，否則到讀取電動機的轉(zhuǎn)矩設定速度和負載

19、的值，相同的過程之后的循環(huán)2。圖5蝙蝠算法流程圖4. 在線自適應模糊神經(jīng)網(wǎng)絡的學習參數(shù)的調(diào)整控制器采用蝙蝠算法在本節(jié)，參數(shù)的優(yōu)化ANFIS算法直流無刷電機的不同運行條件下ANFIS控制器解釋。此外，學習參數(shù)使用GA和PSO算法進行了優(yōu)化。蝙蝠算法利用蝙蝠的回聲定位行為。這些蝙蝠發(fā)出一個非常響亮的聲音脈沖（回聲定位），并采取聽取回聲從周圍的物體反彈。其信號帶寬的變化取決于物種。每個聲音脈沖包括頻率，音量，以及脈沖發(fā)射率。大多數(shù)蝙蝠使用帶有調(diào)諧頻率的信號，其余均采用固定頻率信號。通過這些生物所使用的頻率范圍是間 25 kHz和150千赫。蝙蝠算法是基于以下幾個方面; 所有蝙蝠回聲定位使用并區(qū)分之間

20、的區(qū)別 受害者和阻塞。蝙蝠是用隨機速度飛行，在一 隨機位置，用可變頻率，響度和脈沖 發(fā)射率18,19。對于蝙蝠算法的流程圖中示出 在圖學習的優(yōu)化算法蝙蝠5.應用 ANFIS控制器的參數(shù)如下：適應度函數(shù)可以被定義為一個特定類型的目標用來概括，作為優(yōu)點的單一數(shù)字的功能;在一般情況下，適應度函數(shù)應該是該模型預測了所觀察到的或預期的數(shù)據(jù)相匹配緊密的措施給定一組模型參數(shù)。健身函數(shù)的概念是以進化算法為根本的應用;在他們的應用程序的成功程度可能關鍵取決于定義優(yōu)化問題的設計參數(shù)。健身函數(shù)必須根據(jù)其是否適合用于解決優(yōu)化問題保證個人可以分化。在進化算法，由適應度函數(shù)測量個別運行性能。每次迭代后，給出從健身函數(shù)派生

21、的性能指標功能和人口的“優(yōu)勝劣汰”的成員將傳播為下一次迭代。在本文中，以確保穩(wěn)定和達到卓越的阻尼突然負載擾動，并設置速度變型中，控制器的參數(shù)可被選擇為 小化由等式描述的以下目標函數(shù)。（15 被認為是作為用于優(yōu)化健身函數(shù)功能，生成通過調(diào)節(jié)頻率和更新新的速度和位置/解決方案。 （19） - （21）如果（隨機數(shù)（0到1） Pi）選擇最佳的解決方案中的，并產(chǎn)生一個本地使用下圍繞選定最佳的解決方案的解決方案方程，通過隨機生成一個新的解決方案接受新的解決方案，增加Pi和使用公式（23）和（24）。本文側(cè)重于學習使用GA，PSO和蝙蝠算法在線自適應模糊神經(jīng)網(wǎng)絡速度控制器參數(shù)的優(yōu)化調(diào)整。這種優(yōu)化的目的是最小

22、化目標函數(shù)，以便修改時域規(guī)范和性能指標，如上升時間，過沖，下沖，恢復時間，穩(wěn)定時間，穩(wěn)態(tài)誤差，均方根誤差（RMSE），整體絕對誤差（IAE）的，積分的時間不同工況下乘以絕對誤差（ITAE）和積分平方誤差（ISE）的。使用GA，PSO和BAT算法在線自適應模糊神經(jīng)網(wǎng)絡控制器的整定參數(shù)的框圖如圖6所示。用于GA的參數(shù)，PSO和BAT算法表1中。圖6采用遺傳算法的在線自適應模糊神經(jīng)網(wǎng)絡控制器學習參數(shù)優(yōu)化，PSO和BAT算法表1遺傳算法，PSO和蝙蝠算法參數(shù)目標函數(shù)為最小化函數(shù)作為等式（15），不同的工作條件下被認為是直流無刷電機在給定的，如表2中給出對于每個操作條件靠在參數(shù)進行了優(yōu)化。對于所考慮的操

23、作條件收斂的曲線圖7中描繪。表2直流無刷電機工作條件考慮表7對于目標函數(shù)J1所有工作條件下收斂曲線。從圖中所示的收斂的曲線圖7很顯然，蝙蝠算法的適應值，以全局最優(yōu)的第二次迭代所有操作條件下最大程度地減少。但是，GA和PSO在某些工作條件下第二次迭代最小化的健身函數(shù)值，全局最優(yōu)，它需要兩年以上的迭代的一些操作條件。最后，平均計算時間和？，和最佳的價值？使用GA的直流無刷電機的不同工況在線自適應模糊神經(jīng)網(wǎng)絡控制器，PSO和蝙蝠算法在表3中給出從這些結(jié)果，顯而易見的是，蝙蝠算法對所有的操作比GA和PSO最小適應值 條件。此外，平均計算時間也有利于只有BAT算法。適應度函數(shù)和平均計算時間的最小值不僅是

24、判斷BAT算法比GA和PSO更好的決定性參數(shù)。為了評價在BAT算法的優(yōu)越性，時域規(guī)范（上升時間，過沖，下沖，穩(wěn)定時間和穩(wěn)態(tài)誤差）和性能指標（RMSE，IAE，ITAE，和使用）被測量并且對于不同的操作條件進行分析無刷直流電機，并與GA和PSO相比。表4顯示了直流無刷電機與GA，PSO和BAT的所有工作條件下的性能參數(shù)。從這些結(jié)果中，BAT算法的直流無刷電機比GA和PSO的不同工況較小的值總指數(shù)?？紤]到所有重要的參數(shù)，適應值，平均計算時間和總指數(shù)，顯而易見的是，蝙蝠算法正在執(zhí)行比GA和PSO更好。表3 GA，PSO和BAT算法所有操作條件表4與GA，PSO和BAT算法，所有工作條件下的性能分析5

25、. PID增益參數(shù)整定，模糊PID和使用GA，PSO和蝙蝠自適應模糊邏輯控制器算法在本節(jié)中，將提出PID（Kp，Ki，Kd和 Td值的增益的優(yōu)化），模糊PID（Ke，Kce，Gp，Gi和Gd）和自適應模糊邏輯 控制器（Ke，Kce，Ku和Kb）使用GA，PSO和BAT算法。圖8示出的PID的結(jié)構，模糊PID和自適應模糊邏輯控制器。在方程相同的目標函數(shù)（15）用于優(yōu)化 使用GA，PSO與優(yōu)化的BAT算法。曲線以上控制器的增益示于圖 9，該曲線（圖9），很清楚的是，BAT算法收斂到 第二次迭代，但GA內(nèi)的全局最優(yōu)解的適應值和PSO需要超過兩次迭代收斂。該PID的增益，模糊PID和自適應模糊的最優(yōu)值

26、邏輯控制器和平均計算時間都在 表5.從這些分析中，BAT算法具有最好的鍛煉價值平均計算時間比GA和PSO。最小健身 函數(shù)值和平均計算時間不僅是重要參數(shù)來判斷蝙蝠算法優(yōu)于GA和 PSO。時域規(guī)范和性能指標也被評估并用于與1500轉(zhuǎn)的設定速度和馬達測試 1 nm個條件負載轉(zhuǎn)矩。表6示出了用于將PID的性能分析參數(shù)，模糊PID和自適應模糊邏輯控制器GA，PSO和BAT算法。圖8控制器的結(jié)構：（a）PID控制器（b）的模糊PID控制器，以及（c）自適應模糊邏輯控制器。表6 PID，模糊PID性能分析和自適應模糊邏輯控制器與GA，PSO和BAT算法。從表6中這些分析結(jié)果，它證明了，BAT算法具有良好品質(zhì)

27、的健身函數(shù)價，平均計算時間和總指數(shù)比GA和PSO。圖9 PID控制器，模糊PID控制器，并與目標函數(shù)J1自適應模糊邏輯控制器收斂曲線。6. Simulink模型和仿真結(jié)果在本節(jié)中，Simulink模型和仿真結(jié)果驗證了優(yōu)化ANFIS控制器（BAT-ANFIS）所提出的蝙蝠算法的有效性。對于該控制器獲得了與BAT-PID控制器（BAT-PID），BAT-模糊PID控制器（BAT-FPID）相比，恒定負載條件下，不同的負載條件和直流無刷電機的不同設定速度條件下的速度響應特性， BAT-自適應模糊邏輯控制器（BAT-AFLC），GA-ANFIS在線（GA-ANFIS），以及PSO-在線ANFIS（PS

28、O-ANFIS）單獨行事。直流無刷電機驅(qū)動系統(tǒng)的規(guī)格：額定功率 - 1.1 HP，額定電流 - 4.52安培，額定電壓 - 310 V DC，額定轉(zhuǎn)速 - 2000 RPM和額定轉(zhuǎn)矩 - 2.2為Nm。6.1基于ANFIS速度控制器的Simulink模型的直流無刷電機直流無刷電機蝙蝠算法優(yōu)化ANFIS根據(jù)速度調(diào)節(jié)器的整體Simulink模型如圖10。Simulink模型由三相電壓源PWM逆變器，三相無刷直流電機，在線ANFIS控制器，切換邏輯，PWM發(fā)生器和電機測量塊。切換邏輯和PWM發(fā)生器模型Simulink模型由一個三角波發(fā)生器，三個與門，比較器和三個非門。另一個Simulink模型，調(diào)用

29、包括一個在線ANFIS控制器和兩個查找表。一個查找表用于提供PID控制器的訓練數(shù)據(jù)。另一個查找表來提供學習的參數(shù)，如學習率，遺忘因子和最速下降動量常數(shù)到ANFIS控制器。為測量轉(zhuǎn)子轉(zhuǎn)速，轉(zhuǎn)子位置，電磁轉(zhuǎn)矩，反電動勢和定子電流產(chǎn)生的另一個Simulink模型。圖10蝙蝠算法的仿真模型優(yōu)化了直流無刷電機基于ANFIS速度控制器6.2恒定負載條件下的模擬結(jié)果在本節(jié)中，無負荷和滿負荷情況下的無刷直流電動機的高速響應特性進行說明。圖11（a）示出用于與1500轉(zhuǎn)的設定速度無負載條件下的響應速度。速度響應的性能參數(shù)列于表7所提出的BAT-在線ANFIS具有更好的時域規(guī)范和性能指標比另一深思熟慮控制器。重要

30、的參數(shù)，如過沖和穩(wěn)態(tài)誤差都贊成只有該控制器。圖。11（b）示出用于與1500轉(zhuǎn)的設定速度滿載狀態(tài)的高速響應特性。速度響應的性能參數(shù)在表8從這些結(jié)果所示，很顯然，所提出的控制器具有高速響應和性能指標更好的時間域規(guī)范。所有考慮的參數(shù)，如上升時間，過沖，沖，穩(wěn)定時間，穩(wěn)態(tài)誤差，RMSE，ITAE在有利于只有該控制器。瞬態(tài)區(qū)域，響應速度是欠阻尼的BATPID控制器，BAT-FPID控制器和BAT-AFLC控制器。速度響應過阻尼性質(zhì)的擬議控制器和建議BAT-ANFIS控制器優(yōu)于其他考慮的控制器。6.3針對不同的負載條件下的模擬結(jié)果為了驗證所提出的控制器的有效性，電動機承受負載突然變化與被觀察到的反應。對

31、于不同的負載條件的高速響應特性進行了分析為兩種情況。情況A中，速度設定在1500rpm下和負荷從空載到滿載在0.1秒變化。情況B，速度設定在1500rpm下和負載從滿負荷到空載在0.1秒變化。圖12（a）表示的情況下的速度響應的條件和性能參數(shù)列于表9的總的性能指標是為所提出的控制器比其他考慮的控制器。此外，如恢復時間，過沖和穩(wěn)態(tài)誤差非常重要的參數(shù)也支持該控制器。圖12（b）表示在B的情況條件的高速響應。速度響應的性能參數(shù)表10.從這些結(jié)果示出，它確定所提出的控制器能夠在負載條件下突然變化更好。這種由于負載的變化完全解決由該控制器跟蹤不確定性問題，這使得它在工業(yè)環(huán)境直流無刷電機的競爭者使用的理想

32、控制器。圖11（a）速度在1500轉(zhuǎn)空載條件的響應。 （b）速度以1500rpm滿載狀態(tài)響應。表7對于無負載條件的性能參數(shù)的結(jié)果表8對于滿負載狀態(tài)下的性能參數(shù)的結(jié)果圖12（a）方案A.轉(zhuǎn)速響應特性（b）方案B.轉(zhuǎn)速響應特性圖9方案A條件性能參數(shù)的結(jié)果。圖10方案B條件性能參數(shù)的結(jié)果。圖13（a）C情況轉(zhuǎn)速響應特性（b）D情況轉(zhuǎn)速響應特性6.4針對不同的設定速度條件下的模擬結(jié)果為了判斷所提出的控制器的優(yōu)越性，電動機也改變設定速度的條件。兩個重要的情況下被考慮。在情況C，速度從1500rpm下在0.1秒改變?yōu)?000rpm。在案例D，速度從1000轉(zhuǎn)時0.1秒變化到1500轉(zhuǎn)。 圖13（a）表示的

33、情況下C的相應的性能參數(shù)的速度響應特性在表11中示出的響應是過阻尼性質(zhì)與提出的控制器，而它是欠阻尼性質(zhì)為其他考慮的控制器。圖13（b）示出了情況D條件的高速響應特性。和相應的時域和性能指標列于表12的重要參數(shù)，例如過沖，恢復時間，穩(wěn)態(tài)誤差，RMSE，IAE，ITAE，并使用顯示也有利于所提出的控制器的不同設定速度條件像其他結(jié)果，如上所述。系統(tǒng)響應也很好阻尼為考慮不同的操作條件下所提出的控制器。7基于ANFIS速度控制器直流無刷電機的在線優(yōu)化蝙蝠算法的實驗驗證為了驗證所提出的控制器的極端的工作條件如變化的負載并設定速度條件下的性能，不采取單獨的模擬結(jié)果=。通過實驗裝置的性能驗證補充贊成該控制器的

34、理由。7.1實驗裝置使用電壓控制技術中的基于DSP的計算機控制系統(tǒng)的無刷直流電動機驅(qū)動的框圖如圖14（a）。實時硬件設置圖提供。圖14（b）。該裝置由微2407教練機，個人電腦，整流器，逆變模塊，直流無刷電機，力矩傳感器和霍爾傳感器信號調(diào)理組成。該微2407基于TMS320LF2407A DSP的處理器的16位定點DSP訓練者用作控制器單元。此訓練器具有基本DSP功能如過濾，PWM生成和輸入模擬信號的頻譜特性計算沿數(shù)字控制。 TMS320LF2407A的包含有用的外圍設備，如ADC，DAC，定時器和PWM生成沿著C2XX DSP內(nèi)核集成到一塊硅片。該微2407訓練者可以在兩種模式下操作。在模式

35、1（串行模式）教練員被配置為通過串口與PC進行通信。在模式2（單機模式），教練員可以與IBM PC鍵盤和162液晶顯示屏20,21進行互動。表11 C情況下的性能參數(shù)的結(jié)果表12 D情況下的性能參數(shù)的結(jié)果個人計算機用于顯示電動機的實際速度，并給予參考設定的速度到DSP處理器。輸入交流電壓由二極管橋整流電路整流。整流后的直流電壓通過一個濾波電容器供給到電源電路。電源電路由三腿IGBT，二極管對開關。從驅(qū)動器IC中的PWM信號被供給到開關的柵極。電源電路的輸出被提供給無刷直流電動機。將PWM信號提供給IGBT開關由DSP控制器單元產(chǎn)生。來自控制器的PWM信號是通過設置在前面板上的連接器饋送到IGB

36、T的PWM逆變器模塊。在該實驗中，控制器被用于PWM生成和切換邏輯產(chǎn)生的IGBT模塊。轉(zhuǎn)矩傳感器，霍爾傳感器和速度傳感器單元用于檢測所述無刷直流電動機的轉(zhuǎn)子的負載轉(zhuǎn)矩，位置和速度。它被反饋到經(jīng)A / D轉(zhuǎn)換器的DSP處理器。針對提出的控制過程中的DSP控制器程序用C語言編寫。控制和編譯過程是由編譯器程序執(zhí)行的。7.3實驗驗證提供了一些直流無刷電機提出的蝙蝠算法優(yōu)化在線ANFIS控制器的控制性能的實驗結(jié)果。在實驗中，它們是突然的負載變化的情況下和設定的速度變化的情況下，提供了兩個測試條件。圖15（a）和（b）分別為無刷直流電動機為負載的突然增加從0 N - m至2 N M和從2 N m至0 Nu

37、m的速度響應特性描繪。期間負載變化時，電動機的速度降低輕輕負載增加的條件和速度增加輕輕負載減小的條件，然后迅速跟蹤設定的速度。 圖16（a）和（b）示出了用于設定速度的變化的速度的響應特性從1500 rpm到1000轉(zhuǎn)，并從1000轉(zhuǎn)1500轉(zhuǎn)分別。在設定的速度變化，該無刷直流電動機的高速響應能夠跟蹤設定的速度命令為基準速度的兩個增加和減少的條件。從實驗研究中，證明了所提出的控制器具有良好的跟蹤表現(xiàn)。圖14（a）基于DSP的蝙蝠算法進行優(yōu)化在線ANFIS控制的直流無刷電機。（b）實時硬件設置快照。圖15（a）從0 N m至2 Nm個負荷突然增加速度響應。 （b）速度響應從2 N m至0 Nm個

38、負荷突然下降。圖16（a）設定速度指令響應速度從1500轉(zhuǎn)下降到 1000轉(zhuǎn)。 （b）設定速度指令響應速度從1000轉(zhuǎn)提高到 1500轉(zhuǎn)。8結(jié)論優(yōu)化在線自適應神經(jīng)模糊推理系統(tǒng)根據(jù)速度控制器直流無刷電機蝙蝠算法已被提出。此外，模擬了控制器與GA比較，PSO優(yōu)化在線ANFIS，蝙蝠算法優(yōu)化的PID，模糊PID，以及自適應模糊邏輯控制器。該控制器具有在在所有工作條件下最小的健身函數(shù)值方面比其他考慮控制器卓越的性能，有更少的平均計算時間，提高了時域規(guī)范和改進的性能指標。實時驗證了該控制器采用DSP處理器。從仿真和實驗設置的結(jié)果，可以清楚地表明，所提出的控制器能夠消除發(fā)生由于負載的變化和設定速度變化的不

39、確定性問題。由于控制器表現(xiàn)出無與倫比的性能，非常適合在過程工業(yè)的應用。所提出的蝙蝠算法的ANFIS結(jié)構的結(jié)構學習和參數(shù)學習中的應用與性能研究留作今后的工作范圍。9參考文獻1 1 H.-B. Wang, H.-P. Liu, A novel sensorless control method for brushless DC motor,IET Electr. Power Appl. 3 (3) (2009) 240246.2 B. Singh, S. Singh, Single-phase power factor controller topologies for permanent mag

40、net brushless DC motor drives, IET Power Electr. 3 (2) (2010) 147175.3 D. Gambetta, A. Ahfock, New sensorless commutation technique for brushlessDC motors, IET Electr. Power Appl. 3 (1) (2009) 4049.4 S.S. Bharatkar, R. Yanamshetti, D. Chatterjee, A.K. Ganguli, Dual-mode switching technique for reduc

41、tion of commutation torque ripple of brushless dcmotor, IET Electr. Power Appl. 5 (1) (2011) 193202.5 C. Sheeba Joice, S.R. Paranjothi, V. Jawahar, Senthil Kumar, Digital control strategy for four quadrant operation of three phase BLDC motor with load variations,IEEE Trans. Ind. Inform. 9 (2) (2013)

42、 974981.6 A. Rubaai, M.J. Castro-Sitiriche, A.R. Ofoli, DSP-based laboratory implementation of hybrid Fuzzy-PID controller using genetic optimization forhigh-performance motor drives, IEEE Trans. Ind. Appl. 44 (6) (2008)19771986.7 J.-B. Cao, B.-G. Cao, Fuzzy-logic-based sliding-mode controller desig

43、n forposition-sensorless electric vehicle, IEEE Trans. Power Electr. 24 (10) (2009)23682378.8 A. Rubaai, M.J. Castro-Sitiriche, A.R. Ofoli, Design and implementation of parallel fuzzy PID controller for high-performance brushless motor drives: anintegrated environment for rapid control prototyping,

44、IEEE Trans. Ind. Appl.44 (4) (2008) 10901098.9 N. Senthil Kumar, C. Senthil Kumar, Design and implementation of adaptivefuzzy controller for speed control of brushless DC motors, Int. J. Comput. Appl.1 (27) (2010) 3641.10 K. Premkumar, B.V. Manikandan, Adaptive fuzzy logic speed controller forbrushl

45、ess DC motor, 68 February, International Conference on Power, Energyand Control (ICPEC) (2013) 290295.11 K. Dhanya, Ms. Panicker, R. Mol, Hybrid PI-fuzzy controller for brushless DCmotor speed control, IOSR-J. Electr. Electr. Eng. 8 (NovemberDecember (6)(2013) 3343.12 T.C. Siong, B. Ismail, S.F. Sir

46、aj, M.F. Mohammed, Fuzzy logic controller for BLDCpermanent magnet motor drives, Int. J. Electr. Comput. Sci. 11 (2) (2011) 1217.13 A. Rubaai, P. Young, DSP-based fuzzy neural network PI/PD-like fuzzy controllerfor motion controls and drives, in: IEEE Industry Applications Society AnnualMeeting (IAS), 37 October, 2010, pp. 18.14 M.R. Mosavi, A. Rahmati, A. Khoshsaa