英语原文共 18 页，剩余内容已隐藏，支付完成后下载完整资料
摘要：
这篇文章面向一个自适应神经模糊推理系统（ANFIS）,是一个智能直流电机速度优化群。首先，控制器是根据模糊规则为基础而做的，从根本上来讲是强大的。其次，自适应神经模糊控制器是检测直流电动机的速度，然后设计和模拟，这个自适应神经模糊推理系统（ANFIS）具有专家知识的模糊推理系统和神经网络学习能力。最后，ANFIS进行优化群智能。数字仿真结果表明，设计ANFIS的群速度控制器能实现良好的直流动态地控制电机，是一个完美的速度跟踪，无超调，更好的性能的系统，比单独使用ANFIS好得多。
关键词：
直流电动机速度控制 神经模糊控制器 群集合智能 自适应神经模糊推理系统（ANFIS） 控制器使用粒子群优化
介绍：
随着电力电子资源的发展,直接电流机器变得越来越有用。现在他们的用途并不局限于汽车的应用（电动汽车），在弱电源使用电池系统（电机或玩具）和多机系统的电气牵引中也有应用。直流电动机的速度可以在很大程度上调节，以提供可控性简单和高性能[1，2]。目标的速度控制器可以控制直流电机的转速来执行一系列的任务，控制器可以是：控制器，模糊逻辑控制器，或他们之间的组合；也可以是模糊神经网络，模糊遗传算法，模糊群体、模糊群。
自适应神经模糊推理系统（ANFIS），在上世纪90年代开始成长[3]，是结合模糊逻辑和神经网络的概念而形成的一个混合智能系统，它提高了自主学习和适应能力。混合动力系统已经被研究人员用于各种工程系统的建模和预测，这些神经网络自适应学习技术背后的基本思想是一种方法。模糊建模过程中学习信息的一个数据采集能力，以便自动进行计算隶属函数，最好让相关的FIS的跟踪给定的输入/输出数据的隶属函数参数进行自动调整，使用组合隶属函数的最小二乘估计和误差反向传播算法参数估计。这些参数关联的隶属函数将通过与神经网络的学习过程的变化。他们的调整是通过梯度向量促成的，它提供了衡量FIS建模给定参数的输入/输出数据。一旦得到的梯度矢量，任何几个优化例程都可以应用于调整参数，以便减少实际和期望输出之间的误差。这让模糊系统学习如何进行数据建模。该方法具有的优点超过纯模糊的范例，即需要人为的调整系统，通过调整系统的边界除去隶属函数。
粒子群优化算法（粒子群优化算法）用于获得最优值，我们的系统参数是基于社会互动的隐喻。它的搜索空间单个矢量的轨迹，这些轨迹被称为“粒子”，因为它们的概念是多维空间中的点移动。单个粒子被随机分配，他们自己的最佳表现和他们邻居的最佳表现。自成立以来，已显着改善初始粒子群优化算法，试图在两者之间取得平衡。这个第一版是由Eberhart [4]使用的一个额外的惯性权重的词，就是减小每个粒子的速度，这个术语通常呈线性下降贯穿整个运行过程。第二版由Clerc和甘乃迪[ 5 ]介绍了涉及公式的整体右侧是由一个系数加权的收缩因子。它们的广义粒子群模型可以有无限多的方式，其中勘探和收敛之间的平衡可以控制。最简单的是称为粒子群优化。这提出了ANFIS-群的应用。 PSO算法应用到搜索ANFIS控制器的全局最优参数。最好的范围和成员的形状与ANFIS获得船舶功能再次使用PSO调整。模拟结果给予展现ANFIS-群控制器的有效性。
直流电动机的模型
直流电机由它们的通用性特征。通过各种组合的方式shunt-，串联，并励场绕组它们可以被设计为显示一个各种动态和稳态伏安或速度转矩特性操作。因为易于与它们可以被控制直流电机的系统已在需要宽范围的电动机速度和许多应用经常使用精确的输出电机控制[6,7]。
在本文中，励直流电机模型是根据他的选择良好的电气和机械性能要比其他的直流电机模型的更多。直流电机由施加电压驱动。图1示出直流电动机的等效电路励。
直流电动机的特性方程式表示为：
符号，名称和单位：
从状态方程（1），（2），（3）以前，可以构造与模型环境MATLAB7.4（R2007a）Simulink中的6.6版。 DC电动机的模型中的Simulink的是在图1所示的直流电动机的各种参数在表1中示出。
表1直流电动机的参数
自适应神经模糊模型速度控制器
自适应神经模糊原则
一个ANFIS的典型体系结构示于图2，其中一个圆圈表示一个固定节点，而方形表示一个自适应节点。为简单起见，我们考虑两个输入的x，y和一个输出Z。在众多FIS车型，Sugeno模糊模型是最广泛应用于一个高解释性和计算效率，并内置优化和自适应技术。对于一阶Sugeno模糊模型，一个共同的规则集具有两个模糊的if-then规则，可以被表示为：
其中Ai和Bi是模糊集的前因和PI，理气和RI是设计参数那些在训练过程中确定。如在图2中，ANFIS由五个层[8]：
图1.直流电动机Simulink中的模型
图2.相应的ANFIS架构
1层：在第一层中的每个节点i使用由给定的一个节点的功能：
和可以采用任何隶属函数（MF）。
第2层：这一层的每个节点计算经由乘法规则的发射强度：
层3：在该层中的第i个节点计算的第i个规则烧制强度的比率AIL的射击规则之优势：
被称为归一化的烧成强度。
4层：在该层中，每一个节点i具有以下功能：
是层3的输出，是参数集合, 在此参数层被称为随之参数。
5层：在该层中的单个节点计算，因为所有的总和的总输出输入信号，它被表示为：
在图输出Z。 3可以改写为[9,10]：
自适应神经模糊控制器的ANFIS控制器产生的参考电压变化,基于速度误差e和速度误差定义为：
和分别为参考和实际速度。
在这项研究中第一阶Sugeno型用于ANFIS和模糊推理典型的模糊规则为：
和是模糊集在先行和是一个清脆的功能在随之而来。
ANFIS结构的意义是：
层1：在该层中的每个自适应节点产生会员资格牌号为输入矢量I，I =1，...，5。在本文中，节点的功能是一个三角形的隶属函数：
层2：规则的总数是在该层25。每个节点输出代表规则的激活水平：
层3：固定节点i在该层计算第i个规则的激活电平到比总激活所有等级：
4层：自适应节点i在该层计算朝向第i个规则的贡献整体输出，具有以下节点的功能：
5层：在该层中的单一的固定节点计算为的总和的总输出从每个规则的贡献：
接受培训的参数是AI，BI和CI的前提下的参数，PI，RI的的结果参数。训练算法需要的输入和输出[3]之间界定的训练集。虽然，输入和输出模式集具有150行。图3.A显示为电子和去训练的优化后的隶属度函数。图3.B显示面输入和输出参数之间的情节显关系后培训。图3.C显示该ANFIS模型结构。历元的数目是100。隶属函数的输入数变量e分别为5和5。数量是接着图25（5times;5=25）。该三角形的MF被用于两个输入变量。它是从（14）明确表示，三角MF是由两个参数指定。
因此，这里使用的ANFIS共包含95拟合参数，其中20（5times;2 5times;2 =20）的前提参数和75（3times;25= 75）的随之参数。
培训和测试均方根从ANFIS获得的均方根误差4.7times;10-6和5.3times;10-6.
粒子群优化（PSO）最早是由埃伯哈特提出 [11，12]。一些PSO的吸引人的特点包括：易于实现，并且不需要梯度信息的事实。它可以用来解决各种各样的不同的优化问题。像进化算法，PSO技术用颗粒群中，对应于个体进行搜索。每个粒子表示在手的候选解决问题的办法。在PSO系统中，粒子通过多维搜索空间飞来飞去，直到计算的局限性改变自己的立场被超过。由粒子群一个搜索点的变形例的概念示于图4。
PSO的技术是一种进化计算技术，但它与其他不同公知的进化计算算法，例如遗传算法。虽然人口用于搜索的搜索空间，没有由启发运营施加在人口的人DNA的程序。相反，PSO的种群动态模拟“鸟群”的行为，在信息社会共享发生和个人可以从发现和所有其他的以前
图3.A.对于e和d隶属函数后，受训
图3.B.的曲面图显示输入和输出参数之间的关系
的经验中获益寻找食物中的同伴。因此，每个同伴，被称为粒子，在人口，这就是所谓的群，假定为以找到“飞”在搜索空间景观潜力的地区。例如，在最小化的情况下，这样的区域
拥有低于其他函数值，先前访问。在这种情况下，每个粒子是如在d维空间，它调整它自己的一个点处理的“飞行”根据其飞行经验以及其他粒子（同伴）的飞行经验。在PSO中，粒子被定义为超空间移动的点。每个粒子，在当前时间步骤，记录都将保留的位置，速度和搜索空间迄今发现的最好位置.
假设是PSO[12]的一个基本概念。在PSO算法，而不是使用进化的运营商，如变异和交叉，操纵算法，一个变量优化问题，粒子的羊群被放入d维搜索空间与随机选择的速度和位置知道他们的最佳值为止（最佳）和在d维空间中的位置。每个粒子的速度，根据调整自己的飞行经验和其他粒子的飞行经验。例如，第i个粒子被表示为。最好以前第i个粒子的位置被记录并表示为：
最好颗粒在所有的粒子组成的组中的索引是.该粒子速度i被表示为.修改后的速度和每个粒子的位置可使用当前速度和从距离计算到如示于下式[13]：
N=该组中的粒子的数目,d=纬度，t =迭代指针（代），=粒子的速度i在迭代器T，，w=惯性权重因子，c1,c2=恒加速度，rand() =0和1之间的随机数，
=在迭代粒子的当前位置，=第i个粒子的最优位置，=在人群中的所有粒子之间最好粒子。
PSO算法的进化过程示于图。 5.初始生产人口是PSO的第一步。人口是由属于染色体真正的代码。人口的相应的评价被称为“适应度函数”。 它是人口的性能指标。健身值越大，而且性能更好。适应度函数定义如下：
PI为适应值，e是速度误差和“MIN偏置”是一个常数。
适应度函数的计算后，适值的数代确定进化过程是否停止或不（最大迭代数量达到了？）。在下文中，计算最佳每个粒子和GBEST的人口（所有粒子的最佳运动）。更新速度，位置最好，最好的颗粒提供（在我们的命题最好的染色体），一个新的最佳位置。
图5. PSO算法的演变过程
优化ANFIS控制器设计
为了设计最佳的ANFIS控制器，PSO算法应用于找到在ANFIS的全局最优参数。在ANFIS控制器PSO的结构算法示于图6。
本文的PSO算法的染色体包含两部分：范围隶属函数（Ke和KDE）和隶属函数的形状（E1〜E5）和DE 1〜DE5）。它给最佳输出电压，使得的稳态误差响应为零。在染色体的基因被定义为：
图7显示了ANFIS控制器PSO的隶属函数算法。表2列出了本文所采用的算法PSO的参数。
图6. ANFIS与PSO算法结构
图ANFIS控制器PSO的7隶属函数
表2：PSO参数
计算机模拟
三种不同的控制器是专为计算机模拟。首先，将模糊逻辑控制器是根据专家经验而设计的。第二，模糊逻辑控制器是根据神经网络的设计，发现对成员的最佳范围功能（ANFIS）。在此之后，最优模糊控制器（ANFIS）被设计基于该粒子群，以搜寻的隶属函数的最佳范围，的最佳形状隶属函数（ANFIS与PSO）。
原始的模拟过程结束后，柯和KDE的ANFIS的最优值分别为0.005和0.005，计算。在ANFIS最好的染色体与PSO是奉行为：
最优隶属函数与PSO ANFIS示于图8。
让该命令信号是用于直流电动机的在127.93弧度/秒的速度的步骤。仿真结果0.01第二个范围时获得。
FLC的速度响应（模糊逻辑控制器）图9.速度显示利用神经网络FLC（ANFIS）的响应如图10的速度响应如图使用粒子群优化ANFIS控制器被示于图11。
三个控制器的性能列于表3中。
根据我们的MATLAB模型仿真，说明了稳态误差在一种情况下等于零：ANFIS与PSO（ANFIS-群）控制器;超车值在三种情况下，这意味着在使用FLC零强劲。直流电机调速的上升时间步骤是不太重要的FLC与FLC和单独使用相比，神经网络（ANFIS）它已经在ANFIS控制器PSO（ANFIS-群）的最低值。
在目前的工作中，智能控制器基于ANFIS-群优化给人以步参考速度有很好的一致性。在自适应神经模糊（ANFIS）直流电动机的控制，隶属函数的优化变得非常必要的，这是在高速响应的最小上升时间显示重要的，所以该隶属函数在最佳值被调整以得到稳态误差的速度值等于零。该计算机MATLAB仿真表明，该ANFIS控制器相关联的群智能方法变得非常强大，它提供了很好的效果，并具有良好的鲁棒性。
图8.最佳隶属函数与PSO ANFIS
图9.模糊逻辑控制器的速度响应
图10.利用神经网络RLC（ANFIS）的速度响应
表3.三个控制器的性能
结论
在本文中，最佳ANFIS控制器是采用粒子群设计最优化算法。一个直流电动机驱动器的速度是由三个的装置控制不同的控制器。根据计算机模拟，自适应神经的结果模糊（ANFIS）控制器
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[147071]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
