ApplicationofDEOptimizationAlgorithmofFuzzyNeuralNetworkintheControl
SystemofBrushlessDCMotor
李晶LIJing;王勇军WANGYong-jun;王晓安WANGXiao-an
(辽宁工程职业学院,铁岭112008)
(LiaoningEngineeringVocationalCollege,Tieling112008,China)
摘要:DE优化模糊神经网络算法是一种利用模糊神经网络控制器进行计算的方式,该算法避免了以往DE模糊神经网络连接权值和阈值选择上的随机性缺陷,从而能发挥DE模糊神经网络泛化的映射能力。本文就DE优化模糊神经系统在无刷直流电机控制系统中的应用,进行了系统的研究和探讨。
Abstract:DEoptimizationalgorithmoffuzzyneuralnetworkisakindofcalculationmethodwhichusesfuzzyneuralnetworkcontroller;thealgorithmcanavoidtheDEfuzzyneuralnetworkconnectionweightsandthresholdselectionofrandomdefects,andthemappingabilityofnetworkgeneralizationisdisplayed.ThepaperdiscussestheapplicationofDEoptimalfuzzyneuralsysteminBrushlessDCmotorcontrolsystem.
关键词:DE优化模糊神经网络算法;无刷直流电机;控制系统;应用
Keywords:DEfuzzyneuralnetworkoptimizationalgorithm;brushlessDCmotor;controlsystem;application
中图分类号:TM33文献标识码:A文章编号:1006-4311(2014)13-0049-02
1神经网络控制器的设计
BLDCM调速系统能有效提高伺服系统控制的精度和响应速度,是改善控制性能的关键。BLDCM调速系统在工作时,将其速度信号作为输入信号,以经过DE算法优化的DFNN作为BLDCM的速度控制器,以实时的无刷直流电机速度检测,向优化的模糊神经系统输入速度信号,在此环节当中一定要确保速度信号的实时性和准确性。再通过优化的模糊神经网络控制器的在线学习功能,调整控制器内部结构和参数,从而达到调节无刷直流电机速度的目的。
1.1模糊神经网络(DFNN)控制器设计模糊神经网络控制器在不依赖被控制对象精确数学模型的基础上,根据被控对象的参数变化进行调节,它本身具有模糊控制知识的易表达性和很强神经网络自学能力的特点,并且能根据被控对象参数和环境的变化自适应的调节模糊控制规则和控制器参数,但是存在着在线修正权值计算量大,权值过度修正容易导致系统剧烈振荡等特点针对这一问题本文提出了将实施简单的DE算法引入模糊神经网络控制器,用来优化模糊神经网络控制器参数解决在线修正权值计算量大的缺点。
优化模糊神经网络本身具有以下几层:本网络共有输入层、模糊化层、模糊规则层、归一化层和输出层
3小结
本文将基于DE算法的模糊神经网络控制器应用到无刷直流电机控制系统中,通过在线学习生成隶属函数,用DE算法得出一组完整的模糊控制规则,这种模糊控制规则结合了模糊控制和神经网络控制的特点通过DE优化算法解决模糊神经网络控制器容易陷入局部极小点的缺点,取得了较好的优化效果。
参考文献:
[1]林建,黄家才,陈桂.运用DE-RBFNN的直线伺服系统定位精度研究[J].现代制造工程,2012(5):1-5.
[2]郑建国.求解约束优化问题的DE算法[J].软件学报,2012,23(9):2374-2387.
[3]赵中原.直流电机调速系统加速度仿人智能控制[J].中南大学学报,2013,7(44-1):63-68.
[4]LampinenJ,zelinkaI.Mixedinteger-continousoptimizationbydifferentialevolution[C].InproceedingsofMENDEL1999,5thintenationalmendalconference,1999:71-76.
[5]LampinenJ,zelinkaI.Mixedvariablenon-linearoptimizationbydifferentialevolution[C].ProceedingsofNostradamus1999,2ndinternationalpredictionconference,1999:45-55.