Ein neuartiger PID-Regler für die BLDCM-Geschwindigkeitsregelung unter Verwendung von Dual-Fuzzy-Logic-Systemen mit HSA-Optimierung

Wissenschaftliche Berichte Band 12, Artikelnummer: 11316 (2022) Diesen Artikel zitieren

1388 Zugriffe

Details zu den Metriken

Um die Geschwindigkeitsregelungsleistung des bürstenlosen Gleichstrommotors (BLDCM) zu verbessern, wird in diesem Artikel eine neuartige Proportionalintegrationsdifferenzierung (PID) vorgeschlagen, bei der Dual-Fuzzy-Logic-Systeme (FLSs) mit Harmony-Search-Algorithmus-Optimierung (HSA) verwendet werden namens DFPID-HSA. Erstens sperrt der FLS1 in DFPID-HSA die drei Koeffizienten des PID-Reglers in einem umfangreichen Bereich auf der Grundlage des Systemfehlers und der Fehleränderungsrate. Anschließend wird FLS2 durch HSA (HSA-F2) optimiert, um die präzise Korrektur der drei Koeffizienten zu erhalten. Um die optimale globale Harmonie besser zu erreichen, wird der verbesserte dynamische Anpassungsmodus für die Tonhöhenanpassungsrate (PAR) und die Distanzbandbreite (BW) in HSA verwendet, und die dreifache Auswahlmethode wird im Abschnitt zur Kompositionsharmonie übernommen, um die globale Suche zu realisieren. Schließlich stellt DFPID-HSA dem BLDCM das optimale Versorgungssteuersignal zur Verfügung, damit dieser die Geschwindigkeit effektiv steuern kann. Darüber hinaus wird die Stabilität des Systems mit den Pol-, Lyapunov- und Nyquist-Bestimmungsmethoden analysiert. Und die Empfindlichkeitsanalyse von DFPID-HSA wird unter der Bedingung verschiedener mechanischer Parameter des Motors durchgeführt, um seine Robustheit zu überprüfen. Darüber hinaus wird die Überlegenheit von DFPID-HSA durch die Simulations- und Experimentierplattform MATLAB verifiziert.

Bürstenlose Gleichstrommotoren (BLDCM) wurden aufgrund ihrer Vorteile wie guter Geschwindigkeitsregulierungsleistung, hoher Leistungsdichte, hoher Zuverlässigkeit usw. erfolgreich in Elektrofahrzeugen1,2, Luft- und Raumfahrt3,4, Photovoltaik-Wasserpumpen5 und anderen industriellen und landwirtschaftlichen Bereichen eingesetzt einfache Steuerung6. Angesichts der breiten Anwendung von BLDCM ist die Erforschung seines Kontrollproblems von großer Bedeutung. Angesichts des Fortschritts und der Entwicklung von Wissenschaft und Technologie steigt auch die Nachfrage der Menschen nach motorischen Kontrollproblemen von Tag zu Tag. Seit Jahrzehnten schlagen Experten und Wissenschaftler verschiedene intelligente Steuerungsstrategien vor, um eine bessere Steuerungsleistung von Motoren zu erreichen7.

Für BLDCM-Regelsysteme ist PID eine der klassischsten Regelstrategien. Im Allgemeinen können P (Proportional), I (Integral) und D (Differential) viele Formen annehmen. Beispielsweise wurden PI, PD und PID erfolgreich in der Geschwindigkeitsregelung des BLDCM implementiert8,9. Obwohl die herkömmliche PID-Struktur leicht in das Steuersystem des Motors implementiert werden kann, führen ihre Nachteile, wie z. B. nicht deterministische Parameter und nichtlineare Probleme, dazu, dass das System nicht in der Lage ist, den optimalen Steuereffekt zu erzielen. Daher werden viele durch intelligente Algorithmen optimierte PID-Regler vorgeschlagen. Gobinath und Mu et al.10,11 nutzen neuronale Netze, um PID-Formregler zu optimieren. Obwohl die Steuerungsleistung verbessert wird, erfolgt der Trainingsprozess des neuronalen Netzwerks online oder offline, mit hoher Rechenkomplexität und langsamer Reaktionsgeschwindigkeit. Dat und Xie et al.12,13 verwenden einen Partikelschwarm-Optimierungsalgorithmus, um PID-Strukturregler zu optimieren, und die Regelleistung wird erheblich verbessert. Dennoch ist es für den Partikelschwarmalgorithmus schwierig, durch Partikel- oder Einzeliteration die optimale Lösung zu finden. Demirtas14 schlug den genetischen Algorithmus vor, um die Gewinne des PI-Reglers zu optimieren, aber seine anfängliche Population ist schwer zu bestimmen. Allerdings erfordert die Fuzzy-Logic-Steuerung kein präzises Systemmodell und lediglich Berechnungen, die auf Expertenwissen basieren. Daher haben Optimierungsmethoden, die auf einer Fuzzy-Logik-Steuerung basieren, in den meisten Fällen bessere Steuerungseffekte als andere Algorithmen15,16. Beispielsweise schlugen He et al.17 einen neuen Fuzzy-Selbstoptimierungs-PID-Optimumregler vor, der auf der Analyse des grundlegenden Funktionsprinzips eines bürstenlosen Gleichstrommotors basiert. Der Controller-Ausgang schaltet Leistungs-MOSFET-Geräte durch Ändern des Tastverhältnisses des PWM-Steuersignals, um die Drehzahlsteuerung eines bürstenlosen Gleichstrommotors zu realisieren. Yin et al.18 entwickelten einen Fuzzy-Parameter-adaptiven PI-Regelungsalgorithmus basierend auf der Drehzahlschleife eines bürstenlosen Gleichstrommotors, der eine gute Regelwirkung und Robustheit aufweist und den stabilen Betrieb des Systems unter variablen Drehzahlbedingungen gewährleisten kann.

Die Überlegenheit des Fuzzy-Logic-Steuerungsoptimierungsalgorithmus liegt auf der Hand, seine Mängel sind jedoch auch unvermeidlich. Die Definition seiner Wissensregelbasis ist nicht wissenschaftlich, daher muss die Anpassung der PID-Parameter noch optimiert werden. In19 wird ein ANFIS-Regler mit Fuzzy-PID-Onlineüberwachung eingesetzt, um die Geschwindigkeitsregelung des BLDCM zu realisieren, das unter verschiedenen Fahrbedingungen eine gute Leistung bietet. Allerdings schwankt es im stationären Zustand immer noch leicht. Premkumar und Valdez et al.9,20 schlugen vor, den Fledermausalgorithmus, den Partikelschwarm und andere Gruppenoptimierungsalgorithmen zu verwenden, um den Fuzzy-PID-Regler adaptiv anzupassen. In21 wird der adaptive Fuzzy-Neuronale-Netzwerk-Steuerungsalgorithmus übernommen, um die Geschwindigkeitsverfolgung des BLDCM-Antriebssystems zu realisieren. Rubaai et al.22 übernahmen den genetischen Algorithmus, um den Skalierungsfaktor der Ausgangsvariablen des Fuzzy-PID-Reglers zu optimieren. In23 wird eine Geschwindigkeitssteuerungsmethode von BLDCM vorgeschlagen, die auf dem genetischen Algorithmus zur Optimierung der Fuzzy-PID-Mitgliedschaftsfunktion und der Regelbasis basiert. Alle oben genannten Algorithmen haben bessere Steuerungseffekte als die herkömmliche Fuzzy-PID-Steuerungsmethode und weisen auch die Einschränkungen des im vorherigen Abschnitt erwähnten Algorithmus auf. Der Harmony-Suchalgorithmus (HSA) ist ein neu veröffentlichter heuristischer globaler Suchalgorithmus, der in vielen Lösungsproblemen der kombinatorischen Optimierung24,25 erfolgreich implementiert wurde, wie z. B. der Lösung kontinuierlicher Optimierungsprobleme26, der Lösung uneingeschränkter Probleme27 und auch im Bereich der Motorik28,29. Es wird gezeigt, dass der Harmonie-Suchalgorithmus eine bessere Leistung aufweist als der genetische Algorithmus, der Simulated-Annealing-Algorithmus und der Tabu-Suchalgorithmus usw. In30 wurde erfolgreich eine Optimierungsmethode vorgeschlagen, die den Harmonie-Suchalgorithmus mit Fuzzy-Logik kombiniert, und die Überlegenheit des Prozesses ist verifiziert.

Basierend auf den Beschreibungen des oben erwähnten Algorithmus schlägt dieses Papier einen neuartigen PID-Regler vor, der zwei FLSs mit HSA-Optimierung namens DFPID-HSA verwendet, um die verschiedenen Geschwindigkeitsregelungsleistungen von BLDCM zu verbessern. Die Hauptbeiträge dieser Arbeit sind wie folgt.

DFPID-HSA verwendet duale FLSs, bei denen der FLS1 die drei Koeffizienten des PID-Reglers auf der Grundlage des Systemfehlers und der Fehleränderungsrate in einem weiten Bereich sperrt. Anschließend wird FLS2 durch HSA (HSA-F2) optimiert, um die präzise Korrektur der drei Koeffizienten zu erhalten.

Um die optimale globale Harmonie besser zu erreichen, übernehmen PAR und BW von HSA den verbesserten dynamischen Anpassungsmodus. Im Bereich Kompositionsharmonie wird die Dreifachauswahlmethode verwendet, um eine optimale globale Suche zu erreichen. Schließlich stellt DFPID-HSA dem BLDCM das optimale Steuersignal zur Verfügung, um die Geschwindigkeitssteuerung des BLDCM zu realisieren.

Die Stabilität des vorgeschlagenen Reglers wird durch die Polbestimmungsmethode, die Lyapunov-Bestimmungsmethode und die Nyquist-Bestimmungsmethode analysiert. Dann wurde nachgewiesen, dass das System im geschlossenen Regelkreis stabil ist.

Die Leistungsindikatoren für den stationären, transienten und integralen Zustand von DFPID-HSA werden mit dem für tiefe Perzeptron-Neuronale Netze optimierten Fuzzy-PID-Regler (DPNN-FuzzyPID)10, dem durch genetischen Algorithmus optimierten Fuzzy-Logik-PID-Regler (GA-PID-FLC) verglichen )23, der auf Partikelschwarmoptimierung basierende Fuzzy-Logic-PID-Regler (PSO-FuzzyPID)31, der PID-Regler mit Fuzzy-Logic-Regelung (FuzzyPID)15 und der konventionelle PID-Regler (PID) von Matlab. Die Überlegenheit von DFPID-HSA bei der BLDCM-Geschwindigkeitsregelung ist bestätigt. Und die Empfindlichkeitsanalysen von DFPID-HSA werden unter Variationen der mechanischen Parameter des Motors durchgeführt, um seine Robustheit zu überprüfen.

Die experimentelle Plattform für das BLDCM-Antriebssystem wird gebaut. Unter drei experimentellen Bedingungen wurde bestätigt, dass DFPID-HSA weiterhin seine Überlegenheit beibehält und eine hervorragende Kontrolle des BLDCM erreichen kann, was die Machbarkeit des Algorithmus beweist.

Weitere Organisationsstrukturen für diesen Artikel sind wie folgt: Im zweiten Abschnitt wird die Erstellung des mathematischen BLDCM-Modells vorgestellt. Der dritte Abschnitt beschreibt das Prinzip des vorgeschlagenen DFPID-HSA-Algorithmus. Im vierten Abschnitt wird das Simulationsmodell des BLDCM-Steuerungssystems erstellt und der Leistungsvergleichstest des vorgestellten Algorithmus implementiert. Im fünften Abschnitt wird die experimentelle Plattform des BLDCM-Steuerungssystems aufgebaut, um die Machbarkeit des vorgestellten Algorithmus zu überprüfen. Der sechste Abschnitt fasst den Artikel zusammen.

Das dreiphasige, sterngeschaltete BLDCM kann in das in Abb. 1 gezeigte Schaltbild umgewandelt werden. Das mathematische Modell eines idealen Motors erfordert die Annahme, dass der Motorkörper die folgenden Bedingungen erfüllt32: (1) Ignorieren Sie die Sättigung des Motoreisens Kern, (2) ignorieren Sie die Wirbelstrom- und Hystereseverluste im Motor; (3) der Strom im Motor ist der dreiphasige symmetrische Sinusstrom; und (4) die Auswirkungen von Temperatur, Frequenzschwankung und Wicklungsdämpfung auf den Widerstand werden nicht berücksichtigt. Die Spannungsgleichung der Dreiphasenwicklung kann wie folgt ausgedrückt werden:

wobei \(u_{x}\), \(i_{x}\), \(e_{x}\) \((x = u,v,w)\) und R die Phasenspannung und den Phasenstrom bezeichnet , Gegenelektromotorische Kraft bzw. Phasenimpedanz der Statorwicklungen; L und M repräsentieren die Selbstinduktivität bzw. die paarweise Gegeninduktivität der dreiphasigen Wicklungen.

Ersatzschaltung von BLDCM.

Das von der Statorwicklung erzeugte elektromagnetische Drehmoment beträgt

wobei \(\omega_{m}\) und \(T_{e}\) die mechanische Winkelgeschwindigkeit bzw. das elektromagnetische Drehmoment des BLDCM darstellen.

Die Bewegungsgleichung des BLDCM lautet wie folgt:

wobei \(T_{m}\), \(B\) und \(J\) das Lastdrehmoment, den Dämpfungskoeffizienten bzw. das Trägheitsmoment darstellen. Daher kann die charakteristische Gleichung von BLDCM wie folgt ausgedrückt werden10,33:

Dabei ist Kemf die Konstante der gegenelektromotorischen Kraft. Abbildung 2 ist das Blockdiagramm des Geschwindigkeitsregelsystems für BLDCM. Der vorgeschlagene Controller realisiert hauptsächlich die Tracking-Steuerung für die Geschwindigkeit des BLDCM. Tabelle 1 enthält die Grundparameter von BLDCM und Wechselrichter. Aus der charakteristischen Gleichung des BLDCM in Gl. (4) wird das Übertragungsfunktionsmodell des BLDCM wie folgt abgeleitet:

Blockdiagramm des Geschwindigkeitsregelsystems für BLDCM.

Das Übertragungsfunktionsmodell des PWM-Wechselrichters ist wie folgt angegeben:

Mit Blick auf das Geschwindigkeitsregelungsproblem für BLDCM schlägt dieser Artikel einen HSA-optimierten PID-Regler auf der Basis von Dual-Fuzzy-Logic-Systemen namens DFPID-HSA vor. Der spezifische Aufbau des Steuerungssystems ist in Abb. 2 dargestellt. Erstens sperrt der FLS1 in DFPID-HSA den Proportionalkoeffizienten KP1, den Integralkoeffizienten KI1 und den Differentialkoeffizienten KD1 des PID-Reglers in einem weiten Bereich auf der Grundlage des Systemfehlers e und Fehleränderungsrate ec. Dann wird der genaue Korrekturwert kp'/ki'/kd' von KP1/KI1/KD1 durch HSA-optimiertes FLS2 erhalten. Um die optimale globale Harmonie zu verbessern, verwenden PAR und BW in HSA den verbesserten dynamischen Anpassungsmodus, und im Abschnitt zur Kompositionsharmonie wird die Dreifachauswahlmethode angewendet, um die optimale globale Suche zu realisieren. Schließlich liefert DFPID-HSA das optimale Steuersignal u(t) an BLDCM, um die Geschwindigkeitsregelung zu realisieren.

Gemäß der Struktur in Abb. 3 ist bekannt, dass \(e = y - r\), \(ec = {{de} \mathord{\left/ {\vphantom {{de} {dt}}} \ rechts. \kern-\nulldelimiterspace} {dt}}\), und das Steuersignal u(t) kann angegeben werden als

Dabei werden KP, KI und KD in A durch die Ausgabeparameter KP1/KI1/KD1 von FLS1 in DFPID-HSA und die Ausgabeparameter kp'/ki'/kd' von HSA Optimized FLS2 bestimmt.

Die Architektur des BLDCM-Steuerungssystems.

Die grundlegende Struktur des Fuzzy-Logic-Systems ist im gestrichelten Kasten in Abb. 2 dargestellt und besteht hauptsächlich aus den folgenden vier Teilen34:

Fuzzifizierung

Die Aufgabe der Fuzzifizierung besteht darin, die genaue Eingabemenge in eine Fuzzifizierungsmenge umzuwandeln. Die Eingabe enthält externe Referenzeingaben, Systemausgaben oder -zustände usw.

Wissensdatenbanken

Die Wissensbasen umfassen das Wissen im spezifischen Anwendungsbereich und die erforderlichen Steuerungsziele. Es besteht im Wesentlichen aus zwei Teilen: Datenbanken und Fuzzy-Control-Regelbasen.

Fuzzy-Inferenz-Engine

Die Fuzzy-Inferenz-Engine ist der Kern von FLS, der über die Inferenzkapazität verfügt, Menschen auf der Grundlage von Fuzzy-Konzepten zu simulieren. Der Inferenzprozess basiert auf der Implikationsbeziehung und den Inferenzregeln der Fuzzy-Logik.

Klärung

Die Aufgabe der Klärung besteht darin, die von der Fuzzy-Inferenzmaschine erhaltene Fuzzy-Größe (Kontrollgröße) in die genaue Menge der praktischen Anwendungssteuerung umzuwandeln.

In DFPID-HSA verwenden sowohl FLS1 als auch FLS2 Mamdani-Controller mit zwei Eingängen und zwei Ausgängen. Der Fuzzifizierungsprozess von FLS1 und FLS2 besteht hauptsächlich darin, die tatsächlichen Werte des Systemgeschwindigkeitsfehlers e und der Fehleränderungsrate ec gemäß den Fuzzy-Domänen und Zugehörigkeitsfunktionen in die entsprechenden Fuzzy-Werte umzuwandeln. Der Fuzzy-Bereich der Eingabe- und Ausgabevariablen in FLS1 ist: \(e,ec = [ - 3,3]\), \(K_{P1} ,K_{I1} ,K_{D1} = [0,60]\ ); Die Fuzzy-Domäne der Eingabe- und Ausgabevariablen in FLS2 ist: \(e,ec = [ - 1,1]\), \(k_{{p^{\prime}}} ,k_{{i^{\prime} }} ,k_{{d^{\prime}}} = [0,6]\). Der Fuzzy-Sprachsatz der FLS1- und FLS2-Eingabevariablen ist {NB, NM, NS, ZO, PS, PM, PB} = {"negativ groß", "negativ mittel", "negativ klein", "null", "positiv klein". ", "positive Mitte", "positive große"}; Der Fuzzy-Sprachsatz der FLS1- und FLS2-Ausgabevariablen ist {VS, MS, S, M, B, MB, VB} = {"sehr klein", "mittel klein", "klein", "mittel", "groß", „mittelgroß“, „sehr groß“}35.

Die Zugehörigkeitsfunktionen der Eingabe- und Ausgabevariablen von FLS1 und FLS2 sind in den Abbildungen dargestellt. 4 bzw. 5. In diesem Artikel wählen die Zugehörigkeitsfunktionen hauptsächlich den gleichschenkligen Dreieckstyp und den Gaußschen Funktionstyp. Das gleichschenklige Dreieck bietet den Vorteil, dass es bequem darzustellen, einfach zu berechnen und schnell zu beantworten ist. Die Kantenwerte der Fuzzy-Sets übernehmen hauptsächlich die Gaußsche Funktion, wodurch ihr Wert glatter und adaptiver wird. Die Fuzzy-Regeln verschiedener Ausgabevariablen von FLS1 und FLS2 sind in Tabelle 2 dargestellt. Die Festlegung der Fuzzy-Regeln basiert auf der Erfahrung von Experten und wird durch mehrere Simulationen modifiziert36. Spezifische Fuzzy-Regeln können in der folgenden Form geschrieben werden:

Zugehörigkeitsfunktion von FLS1: (a) Eingabevariablen (b) Ausgabevariablen.

Zugehörigkeitsfunktion von FLS2: (a) Eingabevariablen (b) Ausgabevariablen.

Wenn \(e = e_{f}\) und \(ec = ec_{f}\), dann ist \(K_{P1} = K_{P1f}\) und \(K_{I1} = K_{I1f}\ ) und \(K_{D1} = K_{D1f}\);

Wenn \(e \, = \, e_{f}\) und \(ec = ec_{f}\), dann ist \(K_{{p^{\prime}1}} = K_{{p^{\ prime}f}}\) und \(K_{{i^{\prime}1}} = K_{{i^{\prime}f}}\) und \(K_{{d^{\prime}1 }} = K_{{d^{\prime}f}}\);

(i = 1, 2, 49; jede Variable repräsentiert 49 Regeln);

wobei, \(e_{f}\), \(ec_{f}\), \(K_{P1f}\), \(K_{I1f}\), \(K_{D1f}\), \(K_ {{p^{\prime}f}}\), \(K_{{i^{\prime}f}}\), \(K_{{d^{\prime}f}}\) repräsentieren den Fuzzy Sprachmengen von \(e\), \(ec\), \(K_{P1}\), \(K_{I1}\), \(K_{D1}\), \(K_{{p^{ \prime}}}\), \(K_{{i^{\prime}}}\), \(K_{{d^{\prime}}}\).

Am Beispiel von \(K_{P1}\) beträgt der Zugehörigkeitsgrad der ersten Fuzzy-Regel von \(K_{P1}\).

wobei „\(*\)“ bedeutet, das kleinere zu nehmen, d. h

Analog können die Zugehörigkeitsgrade aller Fuzzy-Regeln, die \(K_{P1}\) entsprechen, unter verschiedenen \(e\) und \(ec\) ermittelt werden. Entsprechend dem Zugehörigkeitsgrad jeder Fuzzy-Regel kann der Fuzzy-Wert von \(K_{P1}\) durch Klärung mit der Schwerpunktmethode ermittelt werden

wobei \(K_{P1f}\) ein reeller Wert im Bereich \(K_{P1} = [0,60]\) ist, \(\mu _{{K_{{P1f}} }}\) Is der Zugehörigkeitsgrad der entsprechenden Fuzzy-Regeln. Ebenso ist der Fuzzy-Ausgabewert von \(K_{I1}\), \(K_{D1}\), \(K_{{p^{\prime}}}\), \(K_{{i^{\ prime}}}\), \(K_{{d^{\prime}}}\) in jeder Abtastperiode erhalten werden.

Der Harmony Search Algorithm (HSA) ist ein von Geem et al.37 vorgeschlagener heuristischer Algorithmus mit starker globaler Konvergenz. HSA ist eine Simulation des Prozesses, bei dem Musiker die Töne verschiedener Musikinstrumente iterativ anpassen, um schließlich die schönste Harmonie zu erreichen38,39. Die Entwicklungsgeschwindigkeit von HSA ist schneller als die von intelligenten Algorithmen wie dem genetischen Algorithmus und stellt weniger mathematische Anforderungen. HSA besteht im Wesentlichen aus fünf Schritten40,41, die wie folgt lauten:

Definieren Sie Problem- und Parameterwerte

Dieses Papier gehört zum Problem der Minimierung, das heißt:

wobei xi ∈ Xi, i = 1, 2, …, n, xi ∈ [Xi min, Xi max]

Parameterwerte ermitteln.

Harmony Memory Size (HMS): Größe der harmonischen Population.

Harmoniegedächtnisberücksichtigungsrate (HMCR): Wahrscheinlichkeit, der bestehenden Bevölkerung eine Harmoniestimme zu entziehen.

Pitch Adjustment Rate (PAR): Wahrscheinlichkeit der Anpassung der Harmoniestimme.

Bandbreite (BW): Amplitude der Tonhöhenanpassung.

Zeiten der Erstellung (Tmax): Zeiten der Anpassung (Iteration).

Offensichtlich kann ein Satz geeigneter Parameter die Fähigkeit des Algorithmus verbessern, nach dem globalen Optimum oder einem Bereich nahe dem Optimum zu suchen, und weist eine hohe Konvergenzgeschwindigkeit auf. Dabei ist der Parameter BW die Distanzbandbreite kontinuierlicher Entwurfsvariablen. Ein großer BW-Wert ist förderlich für die Suche des Algorithmus in einem umfangreichen Bereich, und ein kleiner BW-Wert eignet sich für die Anpassung der optimalen Lösung. Um die objektiven Optimierungsergebnisse besser zu erhalten, nimmt der BW-Wert in diesem Artikel dynamisch mit zunehmender Iterationsdauer ab. Die verbesserte dynamische Anpassungsmethode ist wie folgt:

Dabei ist \(BW_{0}\) der anfängliche Koeffizient der Tonhöhenanpassungsbandbreite und t die aktuellen Iterationszeiten.

PAR ist die Anpassungsrate der Tonhöhe. Ein enormer PAR-Wert trägt dazu bei, die Informationen von xi an die nächste Generation zu übertragen, was die lokalen Entwicklungsfähigkeiten des Algorithmus in der Nähe von xi verbessert. Im Gegensatz dazu ermöglicht ein kleiner PAR-Wert dem neuen Harmonievektor, den Suchbereich zu erweitern und die Multiplizität des Harmoniespeichers zu erhöhen, indem er die Werte der entsprechenden Dimensionen im Harmoniespeicher stört. Mit zunehmender Iterationsdauer wird eine bessere Harmonie immer näher erreicht, sodass auch die Wahrscheinlichkeit einer Anpassung der Harmonie verringert werden sollte. In diesem Artikel wird eine verbesserte dynamische Anpassung für PAR übernommen, wie folgt:

Dabei stehen \(PAR_{0}\) und t für den anfänglichen Koeffizienten der Tonhöhenanpassungsrate bzw. die aktuellen Iterationszeiten.

Initialisierung des Harmoniegedächtnisses

HMS-Harmonien \(X^{1} ,X^{2} , \cdots ,X^{HMS}\) werden zufällig aus dem Lösungsraum von X erzeugt und in den Harmoniespeicher gelegt. Die Matrixform des Harmoniegedächtnisses ist:

HM übernimmt externe Zufallswerte, um zu verhindern, dass es zu einer lokalen Optimierung oder lokalen Konvergenz kommt, wie in Gl. (16)

wobei \(r_{0}\) eine Zufallszahl zwischen [0, 1] ist.

Erzeugen Sie eine neue Harmonie

Generieren Sie eine Zufallszahl \(r_{1}\) zwischen [0, 1], vergleichen Sie mit HMCR,

Wenn \(r_{1}\) < HMCR, nimm eine zufällige Harmonievariable aus dem Harmoniespeicher,

Andernfalls wird eine zufällige harmonische Variable aus dem Lösungsraum erzeugt;

Eine Harmonievariable ergibt sich aus dem oben Gesagten. Wenn die Harmonievariable aus dem Harmoniespeicher abgerufen wird, muss sie angepasst werden, um eine Zufallszahl \(r_{2}\) zwischen [0, 1] zu erzeugen.

Wenn \(r_{2}\) < PAR, passen Sie die resultierende Harmonievariable auf Basis von BW an und erhalten Sie eine neue Harmonievariable.

Andernfalls wird \(x_{ibest}\) verwendet, um die zufällig generierte zu ersetzen, um zu vermeiden, dass die Leistung der zufällig generierten Harmonie im Lösungsraum schlechter ist als die der besten Harmonie \(x_{ibest}\) in HM Harmonie.

Schließlich erhalten wir eine neue Harmonie \(x_{inew}\):

wobei \(r_{0}\), \(r_{1}\), \(r_{2}\) und \(r_{3}\) Zufallszahlen zwischen [0, 1] sind.

Aktualisieren Sie den Harmoniespeicher

Werten Sie \(Xnew\) aus, also \(f\left( {Xnew} \right)\). Wenn es besser ist als das mit dem schlechtesten Funktionswert in HM, also \(f\left( {Xnew} \right) < f\left( {Xworst} \right)\), dann wird \(Xnew\) ersetzt \(Xworst\); Ansonsten erfolgt keine Änderung.

Bestimmen Sie die Stoppbedingung

Wiederholen Sie die Schritte (3) und (4), bis die Erstellungszeiten (Iteration) Tmax erreichen.

In diesem Artikel wird HSA zur Optimierung von FLS2 verwendet, um den genauen Korrekturwert kp'/ki'/kd' der FLS1-Parameter zu erhalten. Da das BLDCM-Geschwindigkeitsregelsystem zum Problem der Minimierung des Fehlers e gehört, wird die Kostenfunktion als integraler absoluter Fehler (IAE) definiert.

Die Einschränkungen von Optimierungsvariablen sind wie folgt:

Dann ist die Harmonie-Erinnerung

Das Flussdiagramm des HSA-F2-Algorithmus ist in Abb. 6 dargestellt, und die spezifischen Schritte sind in Tabelle 3 aufgeführt.

Das Flussdiagramm von HSA-F2.

In diesem Abschnitt wird die Stabilität des geschlossenen Regelkreissystems der Geschwindigkeitsregelung für BLDCM basierend auf dem neuartigen PID-Regler unter Verwendung von Dual-Fuzzy-Logic-Systemen mit HSA-Optimierung analysiert. Zur Überprüfung der Stabilität des Systems werden die Polbestimmungsmethode, die Lyapunov-Bestimmungsmethode und die Nyquist-Bestimmungsmethode verwendet. Um die Stabilität zu testen, muss die Übertragungsfunktion des geschlossenen Systems verwendet werden. Unter Verwendung einer bilinearen Transformation wird die geschlossene Übertragungsfunktion des optimierten DFPID-HSA-gesteuerten BLDCM in Gleichung (1) bereitgestellt. (21), wobei die Übertragungsfunktion des vorgeschlagenen Reglers äquivalent sein kann zu \(G_{C} (s) = {{\left( {K_{P} s + K_{I} + K_{D} s^{ 2} } \right)} \mathord{\left/ {\vphantom {{\left( {K_{P} s + K_{I} + K_{D} s^{2} } \right)} s}} \right. \kern-\nulldelimiterspace} s}\) gemäß Gl. (7) und (8) und das Lastdrehmoment des Motors wird mit Null angenommen.

Gemäß der Analyse der Einheitssprungantwort des Systems höherer Ordnung ist es die dynamische Komponente, die die zeitliche Änderung der Systemleistung beeinflusst. Ob die dynamische Komponente gedämpft wird, hängt nur vom Vorzeichen des geschlossenen Pols des Systems ab. Eine notwendige und hinreichende Bedingung für die Systemstabilität: Alle Pole des geschlossenen Systems sind negative reelle Zahlen oder konjugierte komplexe Zahlen mit negativen reellen Teilen. Mit anderen Worten: Alle Knoten mit geschlossenem Regelkreis müssen sich auf der linken Hälfte der imaginären Achse der S-Ebene verteilen34. Abbildung 7 zeigt das Pol-Nullpunkt-Diagramm des Geschwindigkeitsregelungssystems für das BLDCM basierend auf DFPID-HSA. Aus dem Pol-Nullpunkt-Diagramm geht hervor, dass sich alle Pole auf der linken Hälfte der S-Ebene befinden, was darauf hinweist, dass das System stabil ist.

Pol-Nullpunkt-Diagramm des Geschwindigkeitsregelsystems für das BLDCM basierend auf DFPID-HSA.

Basierend auf dem Matlab-Befehl sind die Nullpunkte (z), Polpunkte (p) und Verstärkung (k) des Systems:

Lyapunov ist ein russischer Mathematiker, der die berühmten Stabilitätskriterien für lineare und nichtlineare Systeme abgeleitet hat. Der Satz von Lyapunov weist darauf hin, dass, wenn es ein eindeutiges \(P = P^{T} > 0\) gibt, das die Gleichung erfüllt. (23) für jedes \(Q = Q^{T} > 0\), dann ist dieses System asymptotisch stabil42.

Dabei steht Q für eine beliebige positiv definite Matrix.

Um die zeitdiskrete Lyapunov-Gleichung zu lösen, ist die Zustandsraummodellmatrix des Systems erforderlich. Nach Gl. (21) Verwenden Sie die Funktion tf2ss(), um die Zustandsraummodellmatrix A, B, C, D des Geschwindigkeitsregelungssystems für BLDCM basierend auf DFPID-HSA zu erhalten.

Nutzen Sie Gl. (23) um die P-Matrix und ihre Eigenwerte λ zu erhalten und zu bestimmen, ob P gemäß λ positiv definit ist.

Beide λ sind positiv, was beweist, dass P positiv definit ist, und das Lyapunov-Kriterium bestätigt, dass das Geschwindigkeitskontrollsystem von BLDCM basierend auf DFPID-HSA asymptotisch stabil ist.

Angenommen, die Übertragungsfunktion des Systems im offenen Regelkreis sei \(G_{C} (s)G(s)\). Wenn das System stabil im offenen Regelkreis ist, ist die notwendige und ausreichende Bedingung für die Stabilität des Systems im geschlossenen Regelkreis, dass, wenn \(\omega\) mal \(0 \to \infty\), die Nyquist-Kurve im offenen Regelkreis \ (G_{C} (j\omega )G(j\omega )\) des Systems den Punkt \(\left( { - 1,j0} \right)\ nicht umschließt, dann ist das geschlossene System stabil . Ansonsten ist es instabil34.

Das Nyquist-Diagramm des Geschwindigkeitsregelungssystems für BLDCM basierend auf DFPID-HSA wird gemäß der Funktion nyquist() in Matlab erhalten, siehe Abb. 8. Aus dem Diagramm ist ersichtlich, dass das System nicht \(( - 1 enthält ,j0)\) Punkt. Daher wird in diesem Artikel vorgeschlagen, dass das DFPID-HSA-basierte BLDCM-Geschwindigkeitsregelungssystem stabil im geschlossenen Regelkreis ist.

Nyquist-Diagramm des Geschwindigkeitsregelungssystems für das BLDCM basierend auf DFPID-HSA.

Um die Überlegenheit von DFPID-HSA bei der BLDCM-Geschwindigkeitsregelung zu überprüfen, werden seine Leistungen mit DPNN-FuzzyPID, GA-PID-FLC, PSO-FuzzyPID, FuzzyPID und PID von MATLAB verglichen und analysiert. Die Auswahl relevanter Parameter in den Vergleichsalgorithmen bezog sich auf die Originalliteratur, folgte den Auswahlregeln relevanter Daten und nahm im Test angemessene Anpassungen vor, um die Fairness des Vergleichs sicherzustellen. Die Vergleichsleistungsindikatoren umfassen hauptsächlich stationäre Leistungsindikatoren: Fehler (U/min, %), vorübergehende Leistungsindikatoren: Verzögerungszeit, Anpassungszeit, maximales Über-/Unterschwingen, Schwingung usw.43, integrale Leistungsindikatoren: Integraler absoluter Fehler ( IAE-Kriterium, Kriterium des integralen quadratischen Fehlers (ISE), Kriterium des integrierten zeitlichen absoluten Fehlers (ITAE), Kriterium des integralen quadratischen Fehlers (ITSE)44,45.

Die Initialisierung der DFPID-HSA-Parameter ist in Tabelle 426 dargestellt. Die Auswahl relevanter Parameter basiert hauptsächlich auf der Erfahrung von Experten und wird durch viele Simulationen modifiziert und ermittelt. Das Konvergenzdiagramm von DFPID-HSA, das durch Ausführen des Systems basierend auf den entsprechenden Parametern erhalten wurde, ist in Abb. 9 dargestellt. Es ist ersichtlich, dass die optimalen Kosten von DFPID-HSA erhalten werden, wenn die Iteration das 55-fache erreicht. Die endgültigen optimierten Parameter Kp/Ki/Kd der vier Vergleichsalgorithmen sind in Tabelle 5 dargestellt. Die integralen Leistungsindikatoren der vier Algorithmen sind in Tabelle 6 dargestellt, und die Analysen der Fehlersignal-Leistungsindikatoren sind in Abb. 10 dargestellt Beim Vergleich der Fehlersignal-Leistungsindikatoren ist ersichtlich, dass DFPID-HSA am besten ist.

Lösungskonvergenz für DFPID-HAS.

Analyse der Fehlersignal-Leistungsindikatoren: (a) IAE (b) ISE (c) ITAE (d) ITSE.

In Anbetracht der Tatsache, dass beim Betrieb des BLDCM-Systems häufig Unsicherheiten wie Laständerungen und Geschwindigkeitsänderungen auftreten, werden der Leistungsvergleich und die Analyse der vier Algorithmen unter den folgenden drei Arbeitsbedingungen durchgeführt.

Im Leerlaufzustand beträgt die Zielgeschwindigkeit des BLDCM 2000 U/min. Das Steuersystem wird nach verschiedenen Algorithmen betrieben und erhält einen Vergleich der Geschwindigkeitsreaktionskurven, wie in Abb. 11 dargestellt. Wie aus Abb. 11 ersichtlich ist, können alle fünf Algorithmen das System dazu bringen, die ideale Geschwindigkeit zu erreichen, darunter auch PID weist ein offensichtliches Überschwingungsphänomen auf. Im Gegensatz dazu weisen FuzzyPID, PSO-FuzzyPID, GA-PID-FLC, DPNN-FuzzyPID und DFPID-HSA kein offensichtliches Überschwingungsphänomen auf. Das maximale Überschwingen MP% und die Oszillationszeiten N der fünf Algorithmen erfüllen die technischen Anforderungen (Mp% ≤ 50 %, n ≤ 1,5). Dennoch weist DFPID-HSA die kürzeste Verzögerungszeit und Einschwingzeit sowie den kleinsten stationären Fehler auf, was zeigt, dass die Steuerungsleistung von DFPID-HSA besser ist. Den Vergleich spezifischer Leistungsindikatoren finden Sie in Tabelle 7.

Der Vergleich der Geschwindigkeitsreaktion im Leerlaufzustand.

Feste Ladung

Die Systemzielgeschwindigkeit von 2000 U/min ist wie oben angegeben, und das System wird bei 0,1 s mit einer Lastinterferenz von 3 Nm beaufschlagt. Die Vergleiche der Geschwindigkeitsreaktions- und Leistungsindikatoren werden im Betriebssystem erhalten, wie in Abb. 12 bzw. Tabelle 8 dargestellt. Aus Abb. 12 und Tabelle 8 ist ersichtlich, dass beim Hinzufügen der Last zum System die Unterschreitung von PID am offensichtlichsten ist und die Volatilität von FuzzyPID, PSO-FuzzyPID, GA-PID-FLC, DPNN-FuzzyPID, und DFPID-HSA ist schwach. Unter diesen beträgt die kürzeste Einschwingzeit von DFPID-HSA etwa 0,001 s und der kleinste stationäre Fehler beträgt 4,5 U/min. Es ist ersichtlich, dass DFPID-HSA hinsichtlich der Anti-Interferenz-Fähigkeit offensichtlich besser ist als andere Algorithmen.

Der Vergleich der Geschwindigkeitsreaktion unter der festen Lastbedingung.

Variable Belastung

Als nächstes wird eine kontinuierliche sinusförmige Signallaststörung auf das System angewendet, die als \(T_{m} = 20\sin t,\; 0 \le t \le 0,2s\) definiert ist. Der Vergleich der Geschwindigkeitsreaktions- und Leistungsindizes unter dem Betriebssystem ist in Abb. 13 und Tabelle 9 dargestellt. Aus Abb. 13 und Tabelle 9 ist ersichtlich, dass die PID-Schwingung am deutlichsten ist, wenn das System von einer Sinuskurve begleitet wird Signalbelastung und verursacht schwerwiegende Dauerzustandsfehler. Die Fluktuation von FuzzyPID, PSO-FuzzyPID, GA-PID-FLC und DPNN-FuzzyPID ist schwächer. Unter diesen weist DFPID-HSA kein offensichtliches Fluktuationsphänomen auf und behält dennoch die kürzeste Einschwingzeit und den kleinsten stationären Fehler bei. Es ist ersichtlich, dass DFPID-HSA eine gute Robustheit und Anti-Interferenz-Leistung aufweist.

Der Vergleich der Geschwindigkeitsreaktion unter der variablen Lastbedingung.

Der Zustand von Geschwindigkeitsänderungen ist eine häufige Situation beim Betrieb von BLDCM, daher ist es wichtig, die Steuerungsleistung von DFPID-HSA unter dieser Betriebsbedingung zu überprüfen. Zunächst wird die anfängliche Zieldrehzahl des BLDCM-Systems im Leerlaufzustand mit 2000 U/min vorgegeben, die Drehzahl wird in 0,1 s auf 2500 U/min erhöht und anschließend in 0,2 s wieder auf 2000 U/min reduziert . Der entsprechende Vergleich der Geschwindigkeitsreaktion ist in Abb. 14 dargestellt, und die Vergleichsdaten der Leistungsindikatoren sind in Tabelle 10 aufgeführt. Aus Abb. 14 und Tabelle 10 ist ersichtlich, dass PID immer noch von einem Über-/Unterschwingphänomen begleitet ist. FuzzyPID, PSO-FuzzyPID, GA-PID-FLC, DPNN-FuzzyPID und DFPID-HSA weisen eine relativ gute Leistung auf, aber DFPID-HSA ist optimal für Verzögerung, Einschwingen und stationären Fehler. Dies beweist also erneut die Überlegenheit von DFPID-HSA.

Der Vergleich der Geschwindigkeitsreaktion unter der Bedingung der Geschwindigkeitsänderungen.

Angesichts des Optimierungskontrollproblems von DFPID-HSA in diesem Artikel ist es wichtig, die Empfindlichkeit mechanischer Parameterschwankungen des BLDCM-Systems zu analysieren. Hier werden der Widerstand, die Induktivität, die Flussverknüpfung und die Trägheit des BLDCM-Systems an die entsprechenden Zunahmen oder Abnahmen angepasst, und die entsprechenden Kurven unter den Bedingungen der relevanten Variationen der mechanischen Parameter sind in Abb. 15 dargestellt. Wie aus ersichtlich ist Selbst wenn die Amplitude der relevanten mechanischen Parameter zunimmt oder abnimmt, kann DFPID-HSA trotz der Zahlen immer noch eine gute Geschwindigkeitsverfolgung ohne Überschwingen/Unterschwingen und Schwingungen erreichen. Es ändert sich lediglich die Verzögerungszeit und die Stabilitätszeit, die endgültige Stabilität des Systems wird dadurch jedoch nicht beeinträchtigt. Daher kann DFPID-HSA eine hervorragende Robustheit bescheinigt werden.

Der Vergleich der Geschwindigkeitsreaktion unter den Variationsbedingungen der mechanischen Parameter: (a) Widerstand (b) Induktivität (c) Flussverknüpfung (d) Trägheit.

Um die Machbarkeit von DFPID-HSA weiter zu überprüfen, wird die experimentelle Plattform für das BLDCM-Steuerungssystem eingerichtet, wie in Abb. 16 dargestellt. Der in der Testplattform verwendete BLDCM ist 80BL110S50-445TKA, und sein Treiber übernimmt den IR2235-Treiberchip von die International Rectification Company. IR2235 ist eine Hochspannungs-Hochgeschwindigkeits-MOSFET- und IGBT-Ansteuerschaltung mit Stromverstärkungs- und Schutzfunktionen bei gleichzeitiger Unterdrückung von Rauschen am Ausgang. Im Versuch wird zur Geschwindigkeitserfassung ein Inkrementalgeber E6C2-CWZ5B mit einer Auflösung von 600 verwendet. Das Steuerplatinenmodell ist DE2-115 und das FPGA-Chipmodell ist EP4CE115F29C7. Das Oszilloskop ist MDO4000C der Firma TEKTRONIX. Im Experiment nutzt dieser Artikel die logischen Ressourcen von FPGA, um einen NIOS II-Softcore-Prozessor zu bauen, und DFPID-HSA wird in der C-Sprache im NIOS II-Softcore programmiert, um eine Echtzeitsteuerung zu realisieren.

Die experimentelle Plattform des BLDCM-Steuerungssystems.

Entsprechend den Arbeitsbedingungen im vorherigen Abschnitt wird der Algorithmus experimentell getestet und die experimentellen Ergebnisse sind in Abb. 17 dargestellt. Im Experiment ist die Zielgeschwindigkeit immer noch auf 2000 U/min eingestellt und die Experimentzeit wurde darauf abgebildet 10 mal. Der äußere Widerstand wird bei 1 s erhöht, um einen Lastsprung zu erreichen, und der Geschwindigkeitssprung wird bei 1 s/2 s erreicht. Die relevanten Parameter jedes Algorithmus werden entsprechend skaliert und die Optimierungszielbeschränkungen in DFPI-HSA werden angepasst an: \(K_{P1} ,K_{I1} ,K_{D1} = [0,100]\), \(k_{ {p^{\prime}}} ,k_{{i^{\prime}}} ,k_{{d^{\prime}}} = [0,30]\). Wie aus Abb. 17 ersichtlich ist, können die fünf Algorithmen die Geschwindigkeitsverfolgung unter Bedingungen ohne Last, fester Last, variabler Last oder Geschwindigkeitsänderungen gut realisieren. Im Vergleich zum Simulationstest weisen die Algorithmen im Experiment jedoch alle Schwankungsphänomene auf. Aus (a) in Abb. 17 und Tabelle 11 ist ersichtlich, dass das Überschwingphänomen von PID immer noch offensichtlich ist und seine Schwankungsfrequenz schnell ist. Die Bereiche von FuzzyPID, PSO-FuzzyPID, GA-PID-FLC und DPNN-FuzzyPID sind signifikanter, aber die Häufigkeit der Schwankungen ist langsamer. Im Vergleich zu den oben genannten vier Algorithmen weist DFPI-HSA das schwächste Fluktuationsphänomen auf und zeigt seine gute Robustheit. Bei fester Last, variabler Last und Geschwindigkeitsänderungen ist der Kontrolleffekt von DFPID-HSA relativ am besten. Insgesamt behält DFPID-HSA im Experiment immer noch seine Überlegenheit und kann die hervorragende Kontrolle von BLDCM realisieren.

Experimentelle Testergebnisse von DFPID-HSA: (a) Leerlauf (b) Feste Last (c) variable Last (d) Geschwindigkeitsänderungen.

In diesem Artikel wird ein neuartiger PID-Regler namens DFPID-HSA vorgestellt, der das Dual-Fuzzy-Logic-System mit HSA-Optimierung verwendet, um die Geschwindigkeitsregelungsleistung von BLDCM zu verbessern. Die Stabilität des vorgeschlagenen Reglers wird durch die Polbestimmungsmethode, die Lyapunov-Bestimmungsmethode und die Nyquist-Bestimmungsmethode analysiert. Dann wurde nachgewiesen, dass das System im geschlossenen Regelkreis stabil ist. Um die Überlegenheit von DFPID-HSA zu testen und zu verifizieren, wird seine Leistung analysiert und mit DPNN-FuzzyPID, GA-PID-FLC, PSO-FuzzyPID, FuzzyPID und PID unter den Bedingungen Leerlauf, feste Last, variable Last usw. verglichen. und Geschwindigkeitsänderungen. Die Ergebnisse zeigen, dass DFPID-HSA anderen Algorithmen im Bereich stationärer Leistungsindikatoren, transienter Leistungsindikatoren und integraler Leistungsindikatoren überlegen ist. Darüber hinaus wird die Sensitivitätsanalyse von DFPID-HSA durchgeführt, um seine Robustheit unter der Bedingung variabler mechanischer Parameter zu bewerten. Abschließend wird eine experimentelle Plattform für das BLDCM-Antriebssystem aufgebaut, um die Überlegenheit und Machbarkeit von DFPI-HSA in praktischen Anwendungen weiter zu demonstrieren.

Die Datenanalyse in der aktuellen Studie ist auf begründete Anfrage beim entsprechenden Autor erhältlich.

Cabuk, AS Simulation der Wirkung segmentierter Axialrichtungsmagnete auf die Effizienz von bürstenlosen Gleichstrommotoren mit Permanentmagneten im Rad, die in leichten Elektrofahrzeugen verwendet werden, basierend auf der Finite-Elemente-Methode. Elektr. Ing. 103(6), 3111–3117. https://doi.org/10.1007/s00202-021-01301-w (2021).

Artikel Google Scholar

Godfrey, AJ & Sankaranarayanan, V. Ein neues elektrisches Bremssystem mit Energierückgewinnung für ein Elektrofahrzeug mit BLDC-Motorantrieb. Ing. Wissenschaft. Technol. 21(4), 704–713. https://doi.org/10.1016/j.jestsch.2018.05.003 (2018).

Artikel Google Scholar

Carev, V., Rohá, J., Ipo, M. & Schmirler, M. Ein mehrschichtiger bürstenloser Gleichstrommotor für Schwerlastdrohnen. Energies 14(9), 2504. https://doi.org/10.3390/en14092504 (2021).

Artikel Google Scholar

Feng, J., Liu, K. & Wang, Q. Schema basierend auf einem Abwärtswandler mit dreiphasigen H-Brückenkombinationen für Hochgeschwindigkeits-BLDC-Motoren in Luft- und Raumfahrtanwendungen. IET Elektr. Power-App. 12(3), 405–414. https://doi.org/10.1049/iet-epa.2017.0615 (2017).

Artikel Google Scholar

Sen, A. & Singh, B. Spitzenstromerkennung, startbasierte sensorlose Positionssteuerung des BLDC-Motorantriebs für eine PV-Array-gespeiste Bewässerungspumpe. IEEE T. Ind. Appl. 57(3), 2569–2577. https://doi.org/10.1109/TIA.2021.3066831 (2021).

Artikel Google Scholar

SangWook, L. & Soo-Whang, B. Eine Studie zur Verbesserung der Nockenphasensteuerungsleistung eines elektrischen stufenlosen Ventilsteuerungssystems unter Verwendung eines Zykloidenreduzierers und eines BLDC-Motors. Mikrosystem. Technol. 26(1), 59–70. https://doi.org/10.1007/s00542-019-04411-5 (2020).

Artikel Google Scholar

Guerra, RH et al. Auf digitalen Zwillingen basierende Optimierung für hochpräzise Bewegungssysteme mit Spiel und Reibung. IEEE-Zugriff. 7(2019), 93462–93472. https://doi.org/10.1109/ACCESS.2019.2928141 (2019).

Artikel Google Scholar

Elkholy, MM & El-Hay, EA Effiziente dynamische Leistung eines bürstenlosen Gleichstrommotors mithilfe von Soft-Computing-Ansätzen. Neuronale Berechnung. Appl. 32(2), 1–14. https://doi.org/10.1007/s00521-019-04090-3 (2020).

Artikel Google Scholar

Premkumar, K. & Manikandan, BV Bat-Algorithmus optimierter Fuzzy-PD-basierter Drehzahlregler für bürstenlose Gleichstrommotoren. Ing. Wissenschaft. Technol. 19(2), 818–840. https://doi.org/10.1016/j.jestsch.2015.11.004 (2016).

Artikel Google Scholar

Gobinath, S. & Madheswaran, M. Deep Perceptron Neural Network mit Fuzzy-PID-Regler zur Drehzahlregelung und Stabilitätsanalyse von BLDC-Motoren. Soft Comput. 24(13), 10161–10180. https://doi.org/10.1007/s00500-019-04532-z (2020).

Artikel Google Scholar

Mu, S., Shibata, S., Yamamoto, T., Nakashima, S., Tanaka, K. Geschwindigkeitsregelung eines Ultraschallmotors mithilfe einer PID-Regelung mit variabler Verstärkung auf der Grundlage neuronaler Netze. in The 7th International Conference on Intelligent Systems and Image Processing 2019, 2019(1), 103–108 (2019). https://doi.org/10.12792/icisip2019.020

Dat, NT, Cao, VK & Anh, H. Optimale FOC-PID-Parameter der BLDC-Motorsystemsteuerung unter Verwendung der parallelen PM-PSO-Optimierungstechnik. Int. J. Comput. Int. Syst. 14(1), 1142–1154. https://doi.org/10.2991/ijcis.d.210319.001 (2021).

Artikel Google Scholar

Xie, W., Wang, JS & Wang, HB PI-Regler zur Drehzahlregelung eines bürstenlosen Gleichstrommotors basierend auf einem Partikelschwarm-Optimierungsalgorithmus mit verbesserten Trägheitsgewichten. Mathematik. Probl. Ing. 2019(2671792), 1–12. https://doi.org/10.1155/2019/2671792 (2019).

Artikel Google Scholar

Demirtas, M. Offline-Tuning eines PI-Geschwindigkeitsreglers für einen bürstenlosen Permanentmagnet-Gleichstrommotor mithilfe von DSP. Energie. Konvers. Verwalten 52(1), 264–273. https://doi.org/10.1016/j.enconman.2010.06.067 (2011).

Artikel Google Scholar

Haber, RE, Alique, JR, Alique, A., Hernandez, J. & Uribe-Etxebarria, R. Eingebettetes Fuzzy-Steuerungssystem für Bearbeitungsprozesse: Ergebnisse einer Fallstudie. Computer. Ind. 50(3), 353–366. https://doi.org/10.1016/S0166-3615(03)00022-8 (2003).

Artikel MATH Google Scholar

Ramı́rez, M., Haber, R., Peña, V. & Rodrıguez, I. Fuzzy-Steuerung eines Mehrherdofens. Berechnen. Ind. 54(1), 105–113. https://doi.org/10.1016/j.compind.2003.05.001 (2004).

Artikel Google Scholar

He, M., Zhang, T., Huang, J. & Luo, C. Studie zur Drehzahlregelung eines bürstenlosen Gleichstrommotors basierend auf der Fuzzy-Optimierung PID. IOP-Konf. Serie Mater. Wissenschaft. Ing. 768(4), 042013. https://doi.org/10.1088/1757-899X/768/4/042013 (2020).

Artikel Google Scholar

Yin, H., Yi, W., Wang, K., Guan, J. & Wu, J. Forschung zu einem bürstenlosen Gleichstrommotor-Steuerungssystem basierend auf einem Fuzzy-Parameter-adaptiven PI-Algorithmus. AIP Adv. 10(10), 105208. https://doi.org/10.1063/5.0025000 (2020).

Artikel ADS Google Scholar

Premkumar, K. & Manikandan, BV Fuzzy PID überwachter online ANFIS-basierter Drehzahlregler für bürstenlose Gleichstrommotoren. Neurocomputing 157(2015), 76–90. https://doi.org/10.1016/j.neucom.2015.01.032 (2015).

Artikel Google Scholar

Valdez, F., Melin, P. & Castillo, O. Eine Umfrage zu von der Natur inspirierten Optimierungsalgorithmen mit Fuzzy-Logik für die dynamische Parameteranpassung. Expertensystem. Appl. 41(14), 6459–6466. https://doi.org/10.1016/j.eswa.2014.04.015 (2014).

Artikel Google Scholar

Rubaai, A. & Young, P. Hardware-/Software-Implementierung von selbstlernenden Fuzzy-Neuronalen-Netzwerk-Steuerungsmethoden für bürstenlose Gleichstrommotorantriebe. IEEE T. Ind. Appl. 52(1), 414–424. https://doi.org/10.1109/TIA.2015.2468191 (2016).

Artikel Google Scholar

Rubaai, A., Castro-Sitiriche, MJ, Ofoli, AR: DSP-basierte Laborimplementierung eines Hybrid-Fuzzy-PID-Reglers unter Verwendung genetischer Optimierung für Hochleistungsmotorantriebe. in Industry Applications Conference, 2007. 42. IAS-Jahrestagung. Konferenzbericht des IEEE 2007, IEEE, 44 (6), 1977–1986 (2008). https://doi.org/10.1109/TIA.2008.2006347

Hu, H., Wang, T., Zhao, S. & Wang, C. Drehzahlregelung eines bürstenlosen Gleichstrommotors unter Verwendung eines durch einen genetischen Algorithmus optimierten Fuzzy-Proportional-Integral-Differentialreglers. Adv. Mech. Ing. 11(11), 168781401989019. https://doi.org/10.1177/1687814019890199 (2019).

Artikel Google Scholar

Li, HC, Zhou, KQ, Mo, LP, Zain, AM & Qin, F. Extraktion gewichteter Fuzzy-Produktionsregeln unter Verwendung eines modifizierten Harmony-Suchalgorithmus und eines BP-Frameworks für neuronale Netzwerke. IEEE Access 8(2020), 186620–186637. https://doi.org/10.1109/ACCESS.2020.3029966 (2020).

Artikel Google Scholar

Fu, L., Zhu, H., Zhang, C., Ouyang, H. & Li, S. Differential-Evolutionsalgorithmus für die hybride Harmoniesuche. IEEE Access 9(2021), 21532–21555. https://doi.org/10.1109/ACCESS.2021.3055530 (2021).

Artikel Google Scholar

Pan, QK, Suganthan, PN, Tasgetiren, MF & Liang, JJ Ein selbstanpassender globaler Suchalgorithmus für die beste Harmonie für kontinuierliche Optimierungsprobleme. Appl. Mathematik. Berechnen. 216(3), 830–848. https://doi.org/10.1016/j.amc.2010.01.088 (2010).

Artikel MathSciNet MATH Google Scholar

Zou, D., Gao, L., Wu, J. & Li, S. Neuartiger globaler Harmonie-Suchalgorithmus für uneingeschränkte Probleme. Neurocomputing 73(16–18), 3308–3318. https://doi.org/10.1016/j.neucom.2010.07.010 (2010).

Artikel Google Scholar

Rahideh, A., Korakianitis, T. Design bürstenloser Gleichstrommotoren unter Verwendung der Optimierung der Harmoniesuche. im Jahr 2011 2. Internationale Konferenz für Steuerung, Instrumentierung und Automatisierung (ICCIA), 2011, 44–50 (2011). https://doi.org/10.1109/ICCIAutom.2011.6356628

Goel, N., Chacko, S. & Patel, RN PI-Regler-Tuning basierend auf stochastischer Optimierungstechnik zur Leistungssteigerung von DTC-Induktionsmotorantrieben. J. Inst. Ing. (Indien) Serie B. 101(6), 1–8. https://doi.org/10.1007/s40031-020-00496-z (2020).

Artikel Google Scholar

Valdez, F., Castillo, O. & Peraza, C. Fuzzy-Logik in der dynamischen Parameteranpassung der Harmonie-Suchoptimierung für Benchmark-Funktionen und Fuzzy-Controller. Int. J. Fuzzy Syst. 22(4), 1–14. https://doi.org/10.1007/s40815-020-00860-7 (2020).

Artikel MATH Google Scholar

Precup, RE & David, RC Von der Natur inspirierte Optimierungsalgorithmen für Fuzzy-gesteuerte Servosysteme. Butterworth-Heinemann Elsevier Oxford UK Kapitel 2, 55–22. https://doi.org/10.1016/C2018-0-00098-5 (2019).

Artikel Google Scholar

Vanchinathan, K. & Selvaganesan, N. Adaptive Abstimmung des PID-Reglers fraktionierter Ordnung für bürstenlose Gleichstrommotoren unter Verwendung eines Algorithmus für künstliche Bienenvölker. Ergebniskontrolle Optim. 4(2021), 100032. https://doi.org/10.1016/j.rico.2021.100032 (2021).

Artikel Google Scholar

Bavafa-Toosi, Y. Stabilitätsanalyse – ScienceDirect. Einführung Lineares Steuerungssystem. 2019, 201–256. https://doi.org/10.1016/B978-0-12-812748-3.00003-3 (2019).

Artikel Google Scholar

Xie, D., Zhu, JQ & Wang, F. Fuzzy-PID-Steuerung zur Versorgung des Servosystems einer CNC-Werkzeugmaschine – ScienceDirect. Procedia Eng. 29(1), 2853–2858. https://doi.org/10.1016/j.proeng.2012.01.403 (2012).

Artikel Google Scholar

Hazari, MR et al. Auf Fuzzy-Logik basierende virtuelle Trägheitssteuerung eines DFIG-basierten Windgenerators zur Stabilitätsverbesserung des Hybridstromsystems. IEEJ Trans. Power Energy 138(8), 733–744. https://doi.org/10.1541/ieejpes.138.733 (2018).

Artikel ADS Google Scholar

Mirzaeinejad, H., Mirzaei, M. & Kazemi, R. Verbesserung der Fahrzeugbremsleistung auf geteilten Straßen durch optimale integrierte Steuerung von Lenk- und Bremssystemen. PI Mech. Ing. K.-J. Mul. 230(4), 401–415. https://doi.org/10.1177/1464419315617332 (2016).

Artikel Google Scholar

Zong, WG, Kim, JH & Loganathan, GV Ein neuer heuristischer Optimierungsalgorithmus: Harmony Search. SIMULATION 76(2), 60–68. https://doi.org/10.1177/003754970107600201 (2001).

Artikel Google Scholar

Zhao, FQ, Liu, Y., Zhang, C. & Wang, JB Ein selbstadaptiver Harmony-PSO-Suchalgorithmus und seine Leistungsanalyse. Expertensystem. Appl. 42(21), 7436–7455. https://doi.org/10.1016/j.eswa.2015.05.035 (2015).

Artikel Google Scholar

Yan, HC, Hong, WC, Shen, W. & Ning, NH Prognose der elektrischen Last basierend auf einer Unterstützungsvektormaschine der kleinsten Quadrate mit Fuzzy-Zeitreihen und einem globalen Harmonie-Suchalgorithmus. Energies 9(2), 70. https://doi.org/10.3390/en9020070 (2016).

Artikel Google Scholar

Chang, MS & Ku, TC Eine Slicing-Tree-Darstellung und ein auf dem QCP-Modell basierender heuristischer Algorithmus für das Problem der Blockanlagenanordnung mit ungleicher Fläche. Mathematik. Probl. Ing. 2013(853586), 1–19. https://doi.org/10.1155/2013/853586 (2013).

Artikel MathSciNet MATH Google Scholar

Cheng, MY, Prayogo, D., Wu, YW & Lukito, MM Ein Hybrid-Harmony-Suchalgorithmus zur diskreten Größenoptimierung der Fachwerkstruktur. Automat. Konstr. 69(2016), 21–33. https://doi.org/10.1016/j.autcon.2016.05.023 (2016).

Artikel Google Scholar

Premkumar, K. & Manikandan, BV Stabilitäts- und Leistungsanalyse des auf ANFIS abgestimmten PID-basierten Drehzahlreglers für bürstenlose Gleichstrommotoren. Curr. Signalübertragung. Dort. 13(1), 19–30. https://doi.org/10.2174/1574362413666180226105809 (2018).

Artikel CAS Google Scholar

Dutta, P. & Nayak, SK Gray-Wolf-Optimierer-basierter PID-Regler zur Drehzahlregelung von BLDC-Motoren. J. Elektr. Ing. Technol. 16(2), 955–961. https://doi.org/10.1007/s42835-021-00660-5 (2021).

Artikel Google Scholar

Khubalkar, SW, Junghare, AS, Aware, MV, Chopade, AS & Da, SS Demonstrative Bruchordnung – PID-Regler-basierter Gleichstrommotorantrieb auf digitaler Plattform. ISA T 82(SI), 79–93. https://doi.org/10.1016/j.isatra.2017.08.019 (2017).

Artikel Google Scholar

Alkrwy, A., Hussein, AA, Atyia, TH & Khamees, M. Adaptive Abstimmung des PID-Reglers unter Verwendung des Krähensuchalgorithmus für Gleichstrommotoren. IOP-Konf. Serie Mater. Wissenschaft. Ing. 1076(1), 012001. https://doi.org/10.1088/1757-899X/1076/1/012001 (2021).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde vom Science and Technology Development Project der Provinz Jilin [Fördernummern 20200201009JC, 20210201051GX und 20210203161SF] und dem Education Department Project der Provinz Jilin [Fördernummer JJKH20220686KJ] unterstützt.

Hochschule für Mechatronik, Technische Universität Changchun, Changchun, 130012, China

Tingting Wang & Hongzhi Wang

Hochschule für Informatik und Ingenieurwesen, Technische Universität Changchun, Changchun, 130012, China

Tingting Wang, Hongzhi Wang und Huangshui Hu

Hochschule für Informatik und Technologie, Changchun Normal University, Changchun, 130032, China

Chuhang Wang

Sie können diesen Autor auch in PubMed Google Scholar suchen

TW: Konzeptualisierung, Methodik, Schreiben – Vorbereitung des Originalentwurfs, Validierung. HW: Fördermittelakquise, Prüfung und Redaktion. CW: Projektverwaltung. HH: formale Analyse, Ressourcen, Aufsicht, Schreiben – Überprüfung und Bearbeitung.

Korrespondenz mit Chuhang Wang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Wang, T., Wang, H., Wang, C. et al. Ein neuartiger PID-Regler für die BLDCM-Geschwindigkeitsregelung unter Verwendung von Dual-Fuzzy-Logic-Systemen mit HSA-Optimierung. Sci Rep 12, 11316 (2022). https://doi.org/10.1038/s41598-022-15487-x

Zitat herunterladen

Eingegangen: 4. Januar 2022

Angenommen: 24. Juni 2022

Veröffentlicht: 04. Juli 2022

DOI: https://doi.org/10.1038/s41598-022-15487-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Blog

Ein neuartiger PID-Regler für die BLDCM-Geschwindigkeitsregelung unter Verwendung von Dual-Fuzzy-Logic-Systemen mit HSA-Optimierung