CN113741566A - 一种基于遗传蚁群优化的无刷直流电机转速控制方法 - Google Patents
一种基于遗传蚁群优化的无刷直流电机转速控制方法 Download PDFInfo
- Publication number
- CN113741566A CN113741566A CN202111009398.1A CN202111009398A CN113741566A CN 113741566 A CN113741566 A CN 113741566A CN 202111009398 A CN202111009398 A CN 202111009398A CN 113741566 A CN113741566 A CN 113741566A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- ant colony
- ant
- genetic
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D13/00—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover
- G05D13/62—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover characterised by the use of electric means, e.g. use of a tachometric dynamo, use of a transducer converting an electric value into a displacement
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于遗传蚁群优化的无刷直流电机转速控制方法,其特征在于,包括以下步骤:获取电机的转速误差e和误差率ec,将转速误差e和误差率ec输入模糊控制器,以得到PID控制参数调整量ΔKp、ΔKi和ΔKd,其中,模糊控制器的模糊规则、量化因子Ke、Kec和比例因子Ku均基于遗传蚁群混合算法进行优化;将PID控制参数调整量ΔKp、ΔKi和ΔKd输出给PID调节器,由PID调节器输出得到对应的控制变量;根据控制变量对应控制电机转速。与现有技术相比,本发明采用遗传蚁群混合算法对模糊控制器的模糊规则进行离线优化,并在线优化量化因子和比例因子,能够有效减小转速控制的超调量、提高转速控制的响应速度、抗干扰能力及稳定性。
Description
技术领域
本发明涉及无刷直流电机控制技术领域,尤其是涉及一种基于遗传蚁群优化的无刷直流电机转速控制方法。
背景技术
无刷直流电机由电动机主体和驱动器组成,是一种典型的机电一体化设备,其转速是依靠改变输入到定子线圈上电流的交变频率来控制的。
无刷直流电机转速的控制即可采用开环控制,也可采用闭环控制,相比于开环控制,采用PID闭环控制能够大大提高调速范围,因此,目前大多采用PID调节器进行无刷直流电机的转速控制,但PID调节器易受干扰、采样精度的影响,对于无刷直流电机这么一个典型的非线性、多变量耦合系统来说,常规的PID调节器很难实现对电机的高精度控制,这就导致电机转矩波动较大。
现有技术通过模糊自适应控制方式,以提高PID的控制精度,即利用模糊控制器输出PID的三个参数Kp、Ki、Kd的调整量ΔKp、ΔKi和ΔKd,但现有的模糊控制器中,其模糊规则多是根据专家经验得来,控制参数在线调节能力差、响应速度较慢,不利于稳定可靠地进行控制。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于遗传蚁群优化的无刷直流电机转速控制方法,采用遗传蚁群混合算法对模糊控制器的模糊规则进行离线优化,并在线优化量化因子和比例因子,以提高无刷直流电机转速控制的响应速度和稳定性。
本发明的目的可以通过以下技术方案来实现:一种基于遗传蚁群优化的无刷直流电机转速控制方法,包括以下步骤:
S1、获取电机的转速误差e和误差率ec,将转速误差e和误差率ec输入模糊控制器,以得到PID控制参数调整量ΔKp、ΔKi和ΔKd,其中,模糊控制器的模糊规则、量化因子Ke、Kec和比例因子Ku均基于遗传蚁群混合算法进行优化;
S2、将PID控制参数调整量ΔKp、ΔKi和ΔKd输出给PID调节器,由PID调节器输出得到对应的控制变量;
S3、根据控制变量对应控制电机转速。
进一步地,所述步骤S1具体包括以下步骤:
S11、转速误差e和误差率ec经过量化因子Ke和Kec从基本论域转化到模糊域;
S12、结合模糊规则,对模糊转化后的转速误差e和误差率ec进行模糊推理及解模糊处理,以得到模糊输出变量ΔKpˊ、ΔKiˊ、ΔKdˊ;
S13、模糊输出变量ΔKpˊ、ΔKiˊ、ΔKdˊ经过比例因子Ku进行清晰化,以得到PID控制参数调整量ΔKp、ΔKi和ΔKd。
进一步地,所述步骤S1中模糊控制器的模糊规则具体为:
输入变量为转速误差e和误差率ec,模糊决策输出变量为U,将输入和输出各分成7级:{NB,NM,NS,ZE,PS,PM,PB},即对应表示{负大,负中,负小,零,正小,正中,正大},由此能够获得49条模糊规则。
进一步地,所述步骤S1中基于遗传蚁群混合算法进行优化具体是先运行遗传算法,得到遗传算法终止时产生的解,以作为蚁群算法的初始信息素分布,再运行蚁群算法,求解得到优化后的模糊规则、量化因子Ke、Kec和比例因子Ku。
进一步地,所述遗传算法的求解过程具体为:
A1、采用10位二进制码,以设置模糊规则的编码形式;
A2、构建第一适应度函数;
A3、根据第一种群数量,采用轮盘赌法进行选择,计算出每个第一个体的适应度值,以确定第一选择概率,并设定第一交叉概率和第一变异概率,其中,第一种群数量与模糊规则的数量相同,每个第一个体即对应于一条模糊规则;
A4、构建控制函数,以控制遗传算法的迭代次数,并设置迭代次数的最大值和最小值,结合第一选择概率、第一交叉概率和第一变异概率,完成对模糊规则的优化求解;
B1、设置对应于控制参数的第二种群数量,并对控制参数进行初始化赋值,其中,控制参数包括量化因子Ke、Kec和比例因子Ku;
B2、构建第二适应度函数;
B3、根据第二种群数量,采用轮盘赌法进行选择,计算出每个第二个体的适应度值,以确定第二选择概率,并设定第二交叉概率和第二变异概率,其中,每个第二个体对应于一个控制参数;
B4、结合迭代次数的最大值、第二选择概率、第二交叉概率和第二变异概率,完成对各控制参数的优化求解。
进一步地,所述模糊规则的编码形式具体为:第一位表示该规则是否可用,1表示可用,0表示放弃;
第二至第四位表示误差e;
第五至第七位表示误差变化率ec;
第八至第十位表示决策变量U。
进一步地,所述第一适应度函数具体为:
其中,fGA1为第一适应度函数,JGA1为第一目标函数;
所述第一种群数量为:
MGA1=49
所述第一选择概率为:
其中,fGA1i为第i个第一个体的适应度值;
所述第一交叉概率设定为:
PGA1c=0.8
所述第一变异概率设定为:
PGA1m=0.2
所述控制函数具体为:
ΔfGA=fGAmax-fGAΣ
其中,fGAmax为单个个体得最大适应度值,fGAΣ为个体适应度平均值,当ΔfGA的值超过5代都低于设定的阈值,就结束遗传算法、开始运行蚁群算法。
如果控制函数无法结束遗传算法,则根据迭代次数的最大值NGAmax及最小值NGAmin,在当前迭代次数达到NGAmax时就进行结束遗传算法、开始运行蚁群算法。
进一步地,所述第二适应度函数具体为:
其中,fGA2为第二适应度函数,JGA2为第二目标函数,k1为优化系数。
进一步地,所述蚁群算法的求解过程具体为:
C1、从遗传算法终止时产生的解中筛选出适应度值在前30%以内的优质解,以作为蚁群算法的初始信息素分布;
C2、设置模糊规则表、蚁群迭代阈值和蚂蚁总个数,以49条模糊规则当前所在位置作为初始位置进行搜索;
C3、设定蚁群选择概率以及蚁群目标函数,以更新求解信息素,完成对模糊规则的优化求解;
D1、将量化因子Ke、Kec和比例因子Ku对应为一组15位的数字序列,以表示在平面坐标轴上,其中,横坐标x1~x5、x6~x10、x11~x15分别表示Ke、Kec、Ku,蚂蚁的行走路径为P(q)={y1,β,y2,β,…yj,β…,y15,β},q=1,2,……,N,j=1,2,……,15,yj,β为第β只蚂蚁爬行的纵坐标,N为蚂蚁总个数;
以此确定量化因子Ke、Kec和比例因子Ku的计算表达式;
D2、设置转移概率,结合量化因子Ke、Kec和比例因子Ku的计算表达式,完成对量化因子Ke、Kec和比例因子Ku的优化求解。
进一步地,所述蚁群选择概率具体为:
其中,cACO1为蚂蚁在t时刻从h点到s点的选择概率,aw为允许蚂蚁行走的点的集合,α为信息素浓度权重,pACOhs β为第β只蚂蚁从h点转移到s点的概率,τhs为从h点转移到s点这段路径上的信息素浓度,q是0~1之间的随机数,q0为0~1之间均匀分布的随机数,当q0很大时,蚂蚁就很容易选择有更多信息素存在的路径,造成局部收敛,若较小,就会造成收敛速度过慢,因此选取q0为已迭代次数与总迭代次数之比;
所述蚁群目标函数具体为:
将该目标函数最小值对应的模糊规则填入模糊规则表,以优化模糊规则表;
所述更新求解的信息素具体为:
τhs(t+1)=ρτhs(t)+Δτhs b
其中,ρ为t到t+1时的信息素挥发系数浓度,且0<ρ<1,为t到t+1时刻第β只蚂蚁在dhs支路上单位长度的信息素量,Q为蚂蚁在往返过程中释放的信息素总量,是一个常数,为迭代最佳路径上的信息素量,JACOβ为第β只蚂蚁的目标函数值;
所述量化因子Ke、Kec和比例因子Ku的计算表达式具体为:
所述转移概率具体为:
与现有技术相比,本发明针对无刷直流电机,将遗传算法与蚁群算法相结合,以对模糊控制器的模糊规则进行离线优化,并在线优化量化因子和比例因子,由此获得更快的响应能力、更小的超调量以及更强的抗干扰能力,从而保证后续转速控制的响应速度和稳定性;
本发明首先运行遗传算法,再将遗传算法终止时产生的解作为蚁群算法的初始信息素分布,在遗传算法的基础上运行蚁群算法,进一步提高了优化求解过程的全局搜索能力及收敛速度。
附图说明
图1为本发明的方法流程示意图;
图2为本发明的控制结构框图;
图3为实施例中模糊PID控制器隶属度示意图;
图4为实施例中遗传算法的模糊规则编码示意图;
图5为实施例中各模糊语言变量对应编码示意图;
图6为实施例中蚁群算法的蚂蚁行走路径示意图;
图7为实施例中三种控制方式下的单位阶跃响应曲线对比图;
图8a为实施例中单独采用蚁群算法时目标函数的迭代次数曲线图;
图8b为实施例中采用本发明混合算法时目标函数的迭代次数曲线图;
图9为实施例中三种控制方式下的转速控制效果对比图;
图10为实施例中三种控制方式下的转矩控制效果对比示意图;
图11a为实施例中单独采用蚁群算法优化模糊控制器时的电机电流曲线图;
图11b为实施例中采用本发明混合算法优化模糊控制器时的电机电流曲线图;
图11c为实施例中仅进行模糊控制时的电机电流曲线示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种基于遗传蚁群优化的无刷直流电机转速控制方法,包括以下步骤:
S1、获取电机的转速误差e和误差率ec,将转速误差e和误差率ec输入模糊控制器,以得到PID控制参数调整量ΔKp、ΔKi和ΔKd,其中,模糊控制器的模糊规则、量化因子Ke、Kec和比例因子Ku均基于遗传蚁群混合算法进行优化;
S2、将PID控制参数调整量ΔKp、ΔKi和ΔKd输出给PID调节器,由PID调节器输出得到对应的控制变量;
S3、根据控制变量对应控制电机转速。
本实施例应用上述技术方案,主要包括以下过程:
一、模糊PID控制器的设计
1、控制器整体设计
如图2所示,BLDCM控制系统速度环采用模糊PID控制器,控制器结构为两输入三输出。电机的转速误差e和误差率ec作为控制器的两个输入,通过量化因子Ke和Kec从基本论域转化到模糊域。接着对转化过的输入变量进行模糊推理,接着将模糊输出变量ΔKpˊ、ΔKiˊ、ΔKdˊ经过比例因子Ku进行清晰化,由此获Kpˊ、Kiˊ和Kdˊ的变化量ΔKp、ΔKi和ΔKd,用于在线调节PID参数。
2、模糊规则及隶属度函数确定
输入变量e和ec的取值范围,以及输出变量Kp、Ki和Kd都是预先确定的,在实际的电机控制过程中,对输入量和输出量进行如下设置:输入量e、ec的论域取[-3,3],ΔKpˊ的论域取[-0.3,0.3],ΔKiˊ的论域取[-0.06,0.06],ΔKdˊ的论域取[-0.3,0,3]。本发明将输入量和输出量分成了7级,分别为{NB,NM,NS,ZE,PS,PM,PB},对应表示{负大,负中,负小,零,正小,正中,正大}。本发明中输入和输出变量均采用对称分布的三角形隶属度函数,如图3所示。由此可得49条模糊规则,如表1所示,表中U代表模糊决策输出。
表1
二、遗传算法优化模糊PID
1、优化模糊规则
1)编码
一条模糊规则用10位二进制码表示,编码方式如图4所示,其中第一位表示该规则是否可用:1表示可用,0表示放弃;2~4位表示误差e;5~7位表示误差变化率ec;8~10位表示决策变量U。3个变量的编码方式相同,7个模糊语言变量对应的编码方式如图5所示。
2)适应度函数
设计系统的第一目标函数,对第一目标函数进行适当转换,构造第一适应度函数为:
其中,fGA1为第一适应度函数,JGA1为第一目标函数;
3)选择、变异、交叉
设置第一种群数量为:
MGA1=49
运用轮盘赌法进行选择,计算出每个个体的适应度值fGA1i,得到第一选择概率为:
并设定第一交叉概率为:
PGA1c=0.8
第一变异概率为:
PGA1m=0.2
4)遗传算法终止
设计一个控制函数来控制遗传算法得迭代次数,控制函数如下:
ΔfGA=fGAmax-fGAΣ
其中,fGAmax为单个个体得最大适应度值,fGAΣ为个体适应度平均值,当ΔfGA的值超过5代都低于设定的阈值,就结束遗传算法、开始运行蚁群算法。
如果控制函数无法结束遗传算法,则根据迭代次数的最大值NGAmax及最小值NGAmin,在当前迭代次数达到NGAmax时就进行结束遗传算法、开始运行蚁群算法。
2、优化控制参数
遗传算法对模糊控制器的参数进行优化,可以转化为组合寻优,方式与优化模糊规则相同。设置种群规模MGA2=50,将Ke、Kec、Ku初始化为[0,4]范围内的随机值,最大迭代次数NGAmax=59,构建第二适应度函数为:
其中,fGA2为第二适应度函数,JGA2为第二目标函数,k1为优化系数;
选择、交叉、变异与前述的优化模糊规则相同。
三、蚁群算法优化模糊PID
在遗传算法的基础上运行蚁群算法,以遗传算法终止时产生的解的适应度值的前30%作为优质解,生成最优路径,这些优质解作为蚁群算法的初始信息素分布。
1、优化模糊规则
对于模糊控制器的“IF...THEN”形式的模糊决策,将其转化为蚁群算法的问题形式,那么D代表前件、L代表前件对后件的选择集,将七个模糊语言变量{NB,NM,NS,ZE,PS,PM,PB}用十进制表示,则它们分别代表为{0,1,2,3,4,5,6},模糊规则可如表3所示。
表3
本发明设置最大蚁群迭代次数NACOmax=60,蚂蚁个数MACO=80,蚂蚁不再进行随机分配,将49条规则所在的位置做为初始位置进行搜索。设R[49]为待优化的49条模糊规则表,将其所有值初始化为相同值,τhs为信息素从h(前件)到s(后件)的这段路径的浓度,可以构成信息素矩阵,根据信息素矩阵选择后件,即U的值,从而构建新的规则表,运行蚁群算法的基本步骤如下所示:
1)选择策略改进与目标函数确定
优化模糊规则只根据信息素选择后件,在t时刻蚂蚁从h到s的选择概率:
其中,cACO1为蚂蚁在t时刻从h点到s点的选择概率,aw为允许蚂蚁行走的点的集合,α为信息素浓度权重,pACOhs β为第β只蚂蚁从h点转移到s点的概率,τhs为从h点转移到s点这段路径上的信息素浓度,q是0~1之间的随机数,q0为0~1之间均匀分布的随机数,当q0很大时,蚂蚁就很容易选择有更多信息素存在的路径,造成局部收敛,若较小,就会造成收敛速度过慢,因此选取q0为已迭代次数与总迭代次数之比;
目标函数选取时间乘绝对积分误差准则:
将该目标函数最小值对应的模糊规则填入模糊规则表,以优化模糊规则表;
2)信息素改进
伴随着蚂蚁经过,每条路径上的信息素也会随着时间减少至消失,因此,每一次迭代都要更新信息素。由于使用的是混和算法,因此遗传算法生成的最优解要视为蚁群算法的初始信息素分布。设置总初始信息浓度设为τ,则路径初始化信息素浓度如下式:
其中,Ln={L1,L2,......Ln}为选择的遗传算法产生的最优路径,Jhs为从h到s这条路径的目标函数,r为常数,以保证在没有选择的路径上仍有少量信息素的分布;
每次蚂蚁周游好后设置信息素更新为:
τhs(t+1)=ρτhs(t)+Δτhs b
其中,ρ为t到t+1时的信息素挥发系数浓度,且0<ρ<1,为t到t+1时刻第β只蚂蚁在dhs支路上单位长度的信息素量,Q为蚂蚁在往返过程中释放的信息素总量,是一个常数,为迭代最佳路径上的信息素量,JACOβ为第β只蚂蚁的目标函数值;
2、优化控制参数
对Ke、Kec、Ku进行优化,首先根据经验将三个参数都保留四位小数,每个参数由5个数字表示,三个参数对应一组十五位的数字序列,如图6所示,将三个参数表示在平面坐标轴上:横坐标x1~x5、x6~x10、x11~x15分别表示Ke、Kec、Ku,蚂蚁的行走路径为P(q)={y1,β,y2,β,…yj,β…,y15,β},q=1,2,……,80,j=1,2,……,15,yj,β为第β只蚂蚁爬行的纵坐标,则参数Ke、Kec、Ku可表示为:
1)路径选择及目标函数
转移概率与优化模糊规则不同,设置为:
目标函数和信息素的设定与前述的优化模糊规则相同。
为验证本发明方法的有效性,本实施例在Matlab/Simulink搭建了速度环,分别采用模糊PID、基于ACO的模糊PID和基于GA-ACO(即本发明方法)的模糊PID控制器的无刷直流电机控制系统模型,各参数设置如表4所示。
表4
三种优化控制方法的单位阶跃曲线如图7所示,优化指标对比如表5所示。
表5
控制策略 | 调节时间/s | 稳态误差/% | 超调量/% |
模糊PID | 0.125 | 0.1 | 20 |
ACO-模糊PID | 0.15 | 0.05 | 4.4 |
GA-ACO模糊PID | 0.1 | 0.01 | 0.1 |
蚁群算法和遗传蚁群混合算法的在同样的搜索精度下,目标函数随迭代次数的变化曲线如图8a、8b所示。由图7,8a、8b及表5可以看出,本发明提出的混合算法的响应速度更快,几乎无超调,稳态误差更小,收敛速度明显更快,验证了混合算法更具优越性。
此外,本实施例还设定电机空载启动,在0.02s时给定转速为700r/min,初始电机负载3N·m,并在0.04s时改变电机负载为1N·m,得到三种控制器下无刷直流的转速、转矩、电流对比图,如图9、10、11a、11b、11c所示,实验结果表明,基于改进模糊PID控制器的BLDCM系统抗干扰能力强,响应速度快,各方面的性能得到了更好的提升,验证了改进控制策略的优越性。
综上可知,本发明考虑到目前对于无刷直流电机的模糊PID控制器来说,其模糊规则多是根据专家经验得来,控制参数在线调节能力差,若使用遗传算法对模糊控制器进行优化,其过程较为复杂,存在大量编码解码过程,导致控制结构也变得复杂;单一使用蚁群算法优化模糊控制器,则容易造成局部最优、且收敛速度过慢;此外采用滑膜控制容易产生抖振,增加系统的复杂性和物理实现难度。
因此本发明将遗传算法与蚁群算法相结合,在遗传算法的基础上运行蚁群算法,通过提高算法的全局搜索能力及收敛速度,并将基于遗传蚁群混合算法优化的模糊PID控制器运用到无刷直流电机控制系统中,能够有效提高系统性能、增强抗干扰和鲁棒性,保证转速控制的精度、响应速度及稳定性。
Claims (10)
1.一种基于遗传蚁群优化的无刷直流电机转速控制方法,其特征在于,包括以下步骤:
S1、获取电机的转速误差e和误差率ec,将转速误差e和误差率ec输入模糊控制器,以得到PID控制参数调整量ΔKp、ΔKi和ΔKd,其中,模糊控制器的模糊规则、量化因子Ke、Kec和比例因子Ku均基于遗传蚁群混合算法进行优化;
S2、将PID控制参数调整量ΔKp、ΔKi和ΔKd输出给PID调节器,由PID调节器输出得到对应的控制变量;
S3、根据控制变量对应控制电机转速。
2.根据权利要求1所述的一种基于遗传蚁群优化的无刷直流电机转速控制方法,其特征在于,所述步骤S1具体包括以下步骤:
S11、转速误差e和误差率ec经过量化因子Ke和Kec从基本论域转化到模糊域;
S12、结合模糊规则,对模糊转化后的转速误差e和误差率ec进行模糊推理及解模糊处理,以得到模糊输出变量ΔKpˊ、ΔKiˊ、ΔKdˊ;
S13、模糊输出变量ΔKpˊ、ΔKiˊ、ΔKdˊ经过比例因子Ku进行清晰化,以得到PID控制参数调整量ΔKp、ΔKi和ΔKd。
3.根据权利要求2所述的一种基于遗传蚁群优化的无刷直流电机转速控制方法,其特征在于,所述步骤S1中模糊控制器的模糊规则具体为:
输入变量为转速误差e和误差率ec,模糊决策输出变量为U,将输入和输出各分成7级:{NB,NM,NS,ZE,PS,PM,PB},即对应表示{负大,负中,负小,零,正小,正中,正大},由此能够获得49条模糊规则。
4.根据权利要求3所述的一种基于遗传蚁群优化的无刷直流电机转速控制方法,其特征在于,所述步骤S1中基于遗传蚁群混合算法进行优化具体是先运行遗传算法,得到遗传算法终止时产生的解,以作为蚁群算法的初始信息素分布,再运行蚁群算法,求解得到优化后的模糊规则、量化因子Ke、Kec和比例因子Ku。
5.根据权利要求4所述的一种基于遗传蚁群优化的无刷直流电机转速控制方法,其特征在于,所述遗传算法的求解过程具体为:
A1、采用10位二进制码,以设置模糊规则的编码形式;
A2、构建第一适应度函数;
A3、根据第一种群数量,采用轮盘赌法进行选择,计算出每个第一个体的适应度值,以确定第一选择概率,并设定第一交叉概率和第一变异概率,其中,第一种群数量与模糊规则的数量相同,每个第一个体即对应于一条模糊规则;
A4、构建控制函数,以控制遗传算法的迭代次数,并设置迭代次数的最大值和最小值,结合第一选择概率、第一交叉概率和第一变异概率,完成对模糊规则的优化求解;
B1、设置对应于控制参数的第二种群数量,并对控制参数进行初始化赋值,其中,控制参数包括量化因子Ke、Kec和比例因子Ku;
B2、构建第二适应度函数;
B3、根据第二种群数量,采用轮盘赌法进行选择,计算出每个第二个体的适应度值,以确定第二选择概率,并设定第二交叉概率和第二变异概率,其中,每个第二个体对应于一个控制参数;
B4、结合迭代次数的最大值、第二选择概率、第二交叉概率和第二变异概率,完成对各控制参数的优化求解。
6.根据权利要求5所述的一种基于遗传蚁群优化的无刷直流电机转速控制方法,其特征在于,所述模糊规则的编码形式具体为:第一位表示该规则是否可用,1表示可用,0表示放弃;
第二至第四位表示误差e;
第五至第七位表示误差变化率ec;
第八至第十位表示决策变量U。
7.根据权利要求5所述的一种基于遗传蚁群优化的无刷直流电机转速控制方法,其特征在于,所述第一适应度函数具体为:
其中,fGA1为第一适应度函数,JGA1为第一目标函数;
所述第一种群数量为:
MGA1=49
所述第一选择概率为:
其中,fGA1i为第i个第一个体的适应度值;
所述第一交叉概率设定为:
PGA1c=0.8
所述第一变异概率设定为:
PGA1m=0.2
所述控制函数具体为:
ΔfGA=fGAmax-fGAΣ
其中,fGAmax为单个个体得最大适应度值,fGAΣ为个体适应度平均值,当ΔfGA的值超过5代都低于设定的阈值,就结束遗传算法、开始运行蚁群算法。
如果控制函数无法结束遗传算法,则根据迭代次数的最大值NGAmax及最小值NGAmin,在当前迭代次数达到NGAmax时就进行结束遗传算法、开始运行蚁群算法。
9.根据权利要求8所述的一种基于遗传蚁群优化的无刷直流电机转速控制方法,其特征在于,所述蚁群算法的求解过程具体为:
C1、从遗传算法终止时产生的解中筛选出适应度值在前30%以内的优质解,以作为蚁群算法的初始信息素分布;
C2、设置模糊规则表、蚁群迭代阈值和蚂蚁总个数,以49条模糊规则当前所在位置作为初始位置进行搜索;
C3、设定蚁群选择概率以及蚁群目标函数,以更新求解信息素,完成对模糊规则的优化求解;
D1、将量化因子Ke、Kec和比例因子Ku对应为一组15位的数字序列,以表示在平面坐标轴上,其中,横坐标x1~x5、x6~x10、x11~x15分别表示Ke、Kec、Ku,蚂蚁的行走路径为P(q)={y1,β,y2,β,…yj,β…,y15,β},q=1,2,……,N,j=1,2,……,15,yj,β为第β只蚂蚁爬行的纵坐标,N为蚂蚁总个数;
以此确定量化因子Ke、Kec和比例因子Ku的计算表达式;
D2、设置转移概率,结合量化因子Ke、Kec和比例因子Ku的计算表达式,完成对量化因子Ke、Kec和比例因子Ku的优化求解。
10.根据权利要求9所述的一种基于遗传蚁群优化的无刷直流电机转速控制方法,其特征在于,所述蚁群选择概率具体为:
其中,cACO1为蚂蚁在t时刻从h点到s点的选择概率,aw为允许蚂蚁行走的点的集合,α为信息素浓度权重,pACOhs β为第β只蚂蚁从h点转移到s点的概率,τhs为从h点转移到s点这段路径上的信息素浓度,q是0~1之间的随机数,q0为0~1之间均匀分布的随机数,当q0很大时,蚂蚁就很容易选择有更多信息素存在的路径,造成局部收敛,若较小,就会造成收敛速度过慢,因此选取q0为已迭代次数与总迭代次数之比;
所述蚁群目标函数具体为:
将该目标函数最小值对应的模糊规则填入模糊规则表,以优化模糊规则表;
所述更新求解的信息素具体为:
τhs(t+1)=ρτhs(t)+Δτhs b
其中,ρ为t到t+1时的信息素挥发系数浓度,且0<ρ<1,为t到t+1时刻第β只蚂蚁在dhs支路上单位长度的信息素量,Q为蚂蚁在往返过程中释放的信息素总量,是一个常数,为迭代最佳路径上的信息素量,JACOβ为第β只蚂蚁的目标函数值;
所述量化因子Ke、Kec和比例因子Ku的计算表达式具体为:
所述转移概率具体为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009398.1A CN113741566A (zh) | 2021-08-31 | 2021-08-31 | 一种基于遗传蚁群优化的无刷直流电机转速控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009398.1A CN113741566A (zh) | 2021-08-31 | 2021-08-31 | 一种基于遗传蚁群优化的无刷直流电机转速控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113741566A true CN113741566A (zh) | 2021-12-03 |
Family
ID=78734083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111009398.1A Withdrawn CN113741566A (zh) | 2021-08-31 | 2021-08-31 | 一种基于遗传蚁群优化的无刷直流电机转速控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113741566A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117097227A (zh) * | 2023-10-17 | 2023-11-21 | 深圳市华科科技有限公司 | 电机的调速控制方法及相关装置 |
-
2021
- 2021-08-31 CN CN202111009398.1A patent/CN113741566A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117097227A (zh) * | 2023-10-17 | 2023-11-21 | 深圳市华科科技有限公司 | 电机的调速控制方法及相关装置 |
CN117097227B (zh) * | 2023-10-17 | 2024-01-26 | 深圳市华科科技有限公司 | 电机的调速控制方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111665718B (zh) | 一种基于q学习算法的对角递归神经网络控制方法 | |
CN110531614B (zh) | 新颖的无刷直流电机模糊神经网络pi控制器 | |
CN112035949B (zh) | 一种结合q增强学习的实时模糊能源管理方法 | |
CN113741566A (zh) | 一种基于遗传蚁群优化的无刷直流电机转速控制方法 | |
CN113919217B (zh) | 自抗扰控制器自适应参数整定方法及装置 | |
Wang et al. | Incremental PID controller-based learning rate scheduler for stochastic gradient descent | |
CN114527641B (zh) | 基于人工电场算法优化的无刷直流电机模糊控制方法 | |
CN113050543A (zh) | 一种切削阶段数控车床加工参数节能优化方法 | |
CN116231679A (zh) | 一种基于深度强化学习的自适应虚拟同步机控制方法 | |
CN111474850B (zh) | 基于改进正弦余弦算法优化pid液压调平系统控制方法 | |
CN113885324A (zh) | 一种建筑智能用电控制方法及系统 | |
CN116232132A (zh) | 一种电动汽车无刷直流电机的转速控制方法 | |
CN109754108B (zh) | 基于变加速度系数混沌粒子群的机组经济负荷分配方法 | |
CN113162487B (zh) | 电机控制方法及系统、车辆 | |
CN116243604A (zh) | 污水脱氮过程自适应神经网络滑模控制方法、装置及介质 | |
CN105334730A (zh) | 加热炉氧含量的iga优化t-s模糊arx建模方法 | |
CN102063640A (zh) | 基于效用差分网络的机器人行为学习模型 | |
Koszaka et al. | An idea of using reinforcement learning in adaptive control systems | |
Li et al. | A recursive rule base adjustment algorithm for a fuzzy logic controller | |
CN118611481A (zh) | 一种无刷直流电机的控制方法及装置、设备、介质 | |
CN110671266A (zh) | 一种智能变桨距机电控制优化方法 | |
Maniadakis et al. | A genetic algorithm for structural and parametrical tuning of fuzzy systems | |
CN113131802B (zh) | 电机控制方法及系统、车辆 | |
Shieh | Genetic fuzzy control for time-varying delayed uncertain systems with a robust stability safeguard | |
CN113515124B (zh) | 一种适用于移动机器人路径规划技术的融合模糊控制的改进蚁群算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211203 |