比较研究的进化计算技术对直流电机的速度控制

m . b . Anandaraju^{# 1}注:Puttaswamy博士^{* 2}

煤斗、ECE系BGSIT Mandya,印度。^{# 1}
教授,EEE称,PESCE, Mandya,印度。^{* 2}

文摘

Proportional-Integral-Derivative (PID)控制器在许多工业和商业应用中起着重要作用。PID控制器的设计始终是一个具有挑战性的问题,特别是对于高阶系统。众所周知,PID控制器用于工业自动化的方方面面。张成的PID控制器应用程序从小型工业高技术产业。因此,问题始终是如何优化的PID控制器。一般来说,最初的设计通过一切手段需要调整多次通过计算机模拟,直到闭环系统执行或根据需要妥协。这个模拟包括“智能”的开发工具,可以帮助工程师达到最好的整体PID控制整个操作范围。自调整PID控制器的使用方法进化计算艾尔(EC)技术能够提供稳健设计。本文提出了两种优化方法,即遗传算法和修改互动进化计算方法。他们获得的结果的基础上分析了直流电机的速度控制和谐波分析和比较研究的两个。

关键字

直流电机、PID MIEC遗传算法

介绍

PID控制器是一种通用的控制回路反馈机制和广泛应用于控制系统。PID控制器使用三种基本行为类型或模式:P -比例,我-积分和D -导数。而比例和积分在一起作为单一控制方式,衍生模式很少使用在自己的控制系统。组合如π和PD控制通常用于实际系统。proportional-integral-derivative控制器或俗称PID控制器是一种通用的控制回路反馈机制(控制器)广泛应用于工业控制系统。因此,一个是最常用的PID反馈控制器[1]。等类型的控制器估计故障率之间的差异需要考虑方法变量和一个点。设计控制器试图减少误差的纠正过程控制的输入。PID控制器算法包括三个不同的稳定参数,因此称为三届控制、比例、积分和微分值,指示为P, I, d .这三个事件的重和部署管理使用过程控制组成。PID控制器是最优秀的控制器。 The controller has a potential to facilitate the organized act programmed for specific process needed by modifying the three parameters in a PID Controller algorithm. The block diagram of a PID Controller is shown in Fig. 1. A PID Controller consists of a Proportional element, Integral element and a Derivative element and all three are connected in parallel and each of them takes error as input. The gains are Kp, Ki, Kd of P, I and D elements respectively. Changing in controller gain K can change the closed loop dynamics and may result in the following conditions: (i) Smaller steady state error. (ii) Faster dynamics, i.e. broader signal frequency band of the closed loop system and larger sensitivity with respect to measuring noise. (iii) Smaller amplitude and phase margin.

一个调优:

一旦获得各种控制参数得到下一步是调优。调优控制回路是指修改其控制参数最优值所需的控制响应。而必须采取优化系统的稳定性的考虑。优化PID控制器起着非常重要的作用。PID调优是一个困难的问题,虽然只有三个参数和原则上是简单的描述,但它必须满足复杂的标准在PID控制的局限性。有相应的各种方法循环优化。在所有的方法,一般情况下,初始设计需要调整多次通过计算机模拟,直到闭环系统执行或根据需要妥协。有几种传统方法优化的PID控制器。即Ziegler-Nichols Cohen-Coon和Chien-Hrones-Reswick程序。但是计算机技术的飞速发展使得高性能的测量和控制系统形成一个重要组成部分的工厂是不可能在传统优化方法。

根据文献调查已经觉得有足够的空间来实现更新和更强大的控制算法优化PID控制器来实现更好的性能。在这种背景下EC算法如遗传算法(GA)和修改交互式进化计算(MIEC)选择实现。本文处理控制器参数的优化和直流电机的速度控制,可以提供更好的性能由于更好的优化值PID控制器的优化参数使用GA和MIEC及其结果进行了比较。仿真的研究方法,使用MATLAB / SIMULINK进行了模型研究了该方案的可行性。

直流电机进行建模

电动直流电机将电能转换为机械能通过电磁感应原理[9]。图2表示的示意图表示直流电机。为了实现直流电机的速度控制,主要要求是模型直流电机系统本身[10]。在控制系统的术语,它被称为植物建模。发展中一个直流电机模型的主要步骤如下:

(我)代表系统的直流电机的示意图。

(2)制定系统方程。

(3)生成传递函数。

(四)开发仿真软件模型。

通过应用一个电压线圈,它会导致电流产生一个转矩成比例。这反过来又加剧了电枢。随着电枢聚集速度,生成一个比例电磁场会反对当前。最终,转子收集足够的速度,电磁场就等于外加电压。在稳态条件下,电流在线圈因此没有进一步加速和转子转动以恒定速度。这种情况是一个完美的汽车没有在轴承摩擦,没有电能损失。

在实践中,运行电动机速度稳定需要少量的电流足以克服摩擦,速度。转子线圈也会有一些阻力,所以任何电流会导致欧姆损失和一个小电压下降。电感线圈也自我线圈中的电流变化然后会有一个感应电动机车力(EMF)反对改变。

答:系统方程:

考虑上述图4.4,电枢电阻,电感和EMF模型介绍Ra,洛杉矶,分别eb。电机转矩τ与电枢电流Ia通过转矩常数k .电动机转矩τ是力需要提供角位移或强制要求对其轴旋转对象。扭矩力与电枢电流,转矩常数K表示为:

back EMF电压或电磁力,针对当前所引起的电枢与角速度和被表示为:

在机械领域,如果J是电动机的转动惯量,τm是电机角速度,τl是净转矩和电磁转矩和负载转矩的转矩方程而言惯性矩可以写成:

结合牛顿定律和基尔霍夫定律我们可以写:

系统的s域表示可以表示为:

所以,

遗传算法

遗传算法是一种随机全局自适应搜索优化技术,基于自然选择机制[11]。这是一个启发式模拟自然进化过程,通常用于生成有用的解决方案的优化问题。遗传算法已经被认为是一个有效的和高效的技术来解决优化问题。相比其他优化技术,如模拟退火和随机搜索方法技术,GA预计将比在避免局部最小值,这是一个重要问题的非线性系统[12]。我们知道任何直流电机的性能参数可以优化采用PID控制器,然后优化或降低误差函数。在目前的工作中,使用遗传算法推导出PID控制器参数优化直流电机角速度的误差。下面的图4给出了流程图代表真正的实现遗传算法的优化参数的相对产出负责电机控制,因此速度/速度控制。

答:遗传算子

在每一代遗传算子应用于选择个人当前的人口来创建一个新的人口。一般来说,三个主要的遗传算子是雇佣他们复制、交叉和变异。对应用这些运营商使用不同的概率收敛的速度可以控制。交叉和变异操作人员必须仔细设计,因为他们的选择极大地影响整个遗传算法的性能。

b .复制品

可以创建一个新的人口的一部分,通过简单地复制不改变选中的个体从目前的人口。也已经选择的新的人口有机会开发解决方案。有一些其他的选择方法,是留给用户选择一个适当的每个过程。选择方法都是基于同样的原理,即。,provides fitter chromosomes to have a larger probability of selection.

四种常见方法的选择是:

(我)轮盘赌选择(2)随机普遍抽样

(3)归一化几何选择(iv)锦标赛选择

c .交叉

交叉算子是一种用于产生后代的主要运营商,不同于他们的父母,但继承了父母的遗传物质的一部分。从这个运营商选择染色体分为两个部分,与另一个选中的染色体重组分在同一交叉点。通常这个算子应用的速度60%至80%的人口,在交叉点和每一对是随机选择的。

d突变

的变异算子在进化过程中起次要作用。它有助于保持多样性的人口通过发现新的或恢复失去的遗传材料通过搜索附近的解空间。尽管变异可以遗传算法中的一个重要的角色,它是指出,它发生在一个小概率的整个人口的0.1%到10%。

修改后的交互式进化计算

交互式进化计算(IEC)或审美选择是一个一般术语用于进化计算方法(EC),使用人类的评价。通常人类评估是必要的,当适应度函数的形式是未知的。交互式电子商务技术,优化系统是基于人的主观评价。简单的说,欧共体适应度函数是被人类所取代。交互式电子商务是基于主观量表的优化技术。人类评估目标和系统输出之间的距离在心理空间。另一方面,电子商务在参数空间搜索。交互式电子商务是一个系统在人类和欧共体合作优化目标系统基于两个空间之间的映射关系。交互式进化计算技术的类进化算法(EA)的适应度函数是被人类所取代。人类的角色适应度函数和选择一个或多个个人(s)生存和繁殖构成新一代。

答:进化策略

搜索程序,模拟自然进化的物种在自然系统创造了进化策略[6]。像GA,他们需要数据基于目标函数和约束,而不是衍生品或其他辅助知识。进化策略(ESs)是由[7],与选择、变异和人口规模。

b .选择

对于给定的一代,父母和弹簧产生的重组和突变。根据用户定义的标准排序,用户选择最好的成为新一代的父母。

c .生殖

下一组人口连续的一代是由一个过程被称为生殖,这涉及到交叉(重组)和变异。这个结果在一套新的人口来自所选解决方案之前的人口。一般来说,人口增加的平均健康相比以前的人口。

d .终止

停止一次需要优化准则的过程。终止条件可以基于代的数量或解决方案满足一个最佳标准。

e .修改IEC

在自动进化优化算法,IEC不使用许多个人和不需要迭代在许多代。决策者的限制是因为人类和由于人类疲劳,不能迭代过程在许多代。因此,MIEC开发与少数人有效地搜索和几代。此外,个人的选择由一个人类也包含在软件自动地选择最佳的四个人从人口参与下一代。适应度函数结果排序从一代和适应度函数的最小值的四个人被允许参与下一代。这克服了限制人类疲劳和迭代的概念,几代可以执行和更好的优化。

完整的系统仿真软件模型

图5展示了控制优化模型通过MIEC或GA。这里,输入角输出本身为预定义的参数优化。PID控制器的输入是美联储分子和分母。PID控制器计算出一个“错误”值基于测量的过程变量的区别和想要的设置点,然后试图最小化误差通过调整过程控制输入,选择一个最佳适应度函数最好在四个随机选择的健身功能。

PID控制器的输出的电流控制器然后传输h桥转换器的输出。h桥转换器开发应用的电压在负载。使变换器的输出是转发到直流电机模型,调节电枢电流及其角速度。然后反馈电枢电流通过电流传感器电流控制器。从而调节输出可以可视化的输出终端。

使用遗传算法优化的结果

GA算法中的适应度函数结构优化配置不同类型的错误。这些错误是适应度函数的返回值。遗传算法使用返回值作为健身参数来评估个人的人口,因此选择最好的候选人。不同的优化函数和由此产生的PID控制器传递函数下面列出。电动机转速优化的结果对各种误差模型在图6到10。获得的结果与GA实现PID控制器的值在表1中给出了不同的误差模型以及所需的几代人。

答:ITSE(积分时间平方误差)

时间管理是一个系统或方法的使用来提高效率和有效性。这可以通过使用别人的时间管理系统或设计他们自己的。时间管理的意义是为了更好地利用时间来获得更多的成就在给定的时间或完成事情更快的空闲时间去做其他的事情。

使用MIEC优化的结果

以下部分介绍了结果从MIEC实现优化直流电机速度控制的目的。这里,图形结果说明不同的PID参数的变化对不同误差函数像ITSE ITAE,绝对误差、峰值超过平方误差。

不同的优化函数,以及随之而来的PID控制器传递函数为各种类型的误差模型,下面列出:

1)。ITSE(平方误差积分时间):惩罚大错误多小。这是错误的累积和传递函数的形式表示如下:

2)。ITAE(绝对误差积分时间):当区域上方和下方设定点,这个惩罚所有错误同样不管方向。PID的ITAE值可以表示成下列传递函数:

3)。绝对误差:它可以表示成下列传递函数:

4)。平方误差:它可以表示成下列传递函数:

5)。峰值超过:

比较研究MIEC和GA之间

下面表3表示两者之间的比较结果分析进化计算算法GA和MIEC等。这些目的的各种错误模型考虑ITSE, ITAE,峰值超调、绝对误差和平方误差。下表中给出的结果是两个不同的操作条件。,500 rpm (i)和(ii) 1000 rpm。一代又一代的数量需要收敛GA和MIEC是不同型号的列表。速度命令的500 rpm, GA需要62代在MIEC和减少到29的速度命令1000 rpm GA需要51代就是减少到4 MIEC ITSE误差模型。同样为其他误差模型也为相同的两个不同的速度甚至可以看出较小数量的需要一代又一代的MIEC比GA。

从上面的分析数据的相对误差函数参数列表确认MIEC基础实现最优化技术可能比遗传算法实现控制系统提供更好的性能,因为它要求较小的数代收敛。

谐波分析

谐波分析各种速度资料进行了GA和MIEC某一特定情况下的特点,提出了比较研究。

以下结果表明谐波结果梯形速度剖面。

答:遗传算法结果:

使用FFT谐波振幅估计包对电压和电流。结果表明,基于遗传算法的进化计算技术存在奇数和偶数谐波和振幅减少,订单增加了如图17所示,图19所示。最主要的谐波只是第二次谐波。

b .交互式进化计算技术修改结果:

谐波电压和电流振幅和他们的订单估计使用FFT的包,在图21和23个。电流和电压都有奇数和偶数谐波,他们发现有相同的振幅如图。

谐波从上面的结果我们可以得出这样的结论:两种方法奇怪甚至谐波呈现。最具优势的谐波在所有的情况下,速度优化都是2日,3日,4日和5日。大多数的谐波呈现几乎相同的振幅在这两种情况下,但一些谐波振幅随着订单的增加略有减少或增加MIEC和GA。但在MIEC谐波含量小于GA。因此我们可以得出结论,在MIEC比遗传算法性能更好。

结论和未来的范围

在目前的研究工作,进化计算技术,如遗传算法和MIEC被用来实现更有效的调优一个控制器,控制器已得到更好的优化条件。获得的结果显示了更好的优化值用于控制器调优,因此电动机性能增强的稳定时间和减少振动。

采用基于GA算法优化控制器参数上面提到的各种误差模型表明,优化的速度已经达到收敛所需的各种数量的代获得控制器参数。代ITSE模型所需的数量是62,67年ITAE峰值超调模型需要51,绝对误差模型需要24和35平方误差要求命令500 rpm的速度。发现各自的建立时间是6秒,4秒,8秒,3秒,3秒。这项研究还进行了另一个1000 rpm的速度命令。优化结果推导表明,优化所需数量的代随误差模型使用的类型。但趋势的一代要求(高或低)是相同的。发现各自的建立时间是7秒,2秒,13秒、15秒和4秒。更高的速度在某些情况下误差模型的发现大但同时在相同情况下,减少了。

因此,我们可以得出这样的结论:既然较小数量的一代需要绝对误差模型的速度,它花费更少的时间建立稳态很快比任何其他类型的模型。但是过渡的速度命令的时候,驱动显示较小比例的超调,除了指定的操作条件下相比其他模型。因此,根据结果我们得出这样的结论:绝对误差为优化模型是最好的模型,可用于直流电机的速度控制。

另一方面MIEC技术用于优化控制器。获得的结果等各种误差模型建立优化上面提到的积分时间平方误差(ITSE),积分时间绝对误差(ITAE),峰值超过误差、绝对误差和平方误差表明,代稳定控制所需的参数的数量正在急剧减少。ITSE模型减少了从62年到29,67到16 ITAE误差模型、51为峰值超过8,绝对误差模型从24到10平方误差模型,减少了一个命令从35到3 500 rpm的速度。发现各自的建立时间是2秒,5秒,2秒,3秒,2秒。这表明通过MIEC更快获得稳定。

优化研究的另一个速度命令使用MIEC 1000 rpm也进行了。本研究表明,代收敛所需的数量减少为MIEC GA相比,同样的操作条件。代的数量从51减少到4 ITSE模型,53 26 ITAE模型,45 - 5峰值超调模型,35 - 2绝对误差模型和48 - 5平方误差模型。找到相应的建立时间12秒,8秒,4秒,3秒,3秒。

因此,一代又一代的数量需要MIEC非常小比GA稳定控制器参数导致更快的响应。也过渡的速度命令超出比例,除了少数发达速度较小的GA相比。基于这些结果,我们可以得出结论,MIEC提供更好和更快的响应比基于遗传算法的PID调整控制器相同类型的模型。

在这两种方法用于模拟研究来确定优化控制器参数,结论推导出了比较代各种误差模型所需的数量相同,通常用于操作条件和稳定所花费的时间。在基于各种误差模型的优化,我们可以得出这样的结论:绝对误差模型GA和MIEC提供了更好的优化。

因此,遗传算法的比较研究来评估性能和MIEC,直流电机的速度控制是使用绝对误差模型进行优化。速度控制的分析对不同速度概要文件已经完成如梯形、广场和多个过渡速度命令。建立的控制更精确的GA和MIEC实现比其他类型的一般使用优化技术。从稳定的可以得出结果结论获得基于MIEC控制优越与GA相比,控制虽然比其他传统的方法都可以提供更好的控制。因此,结论是,MIEC能够更好的优化和提供了更快的稳定也可以用来驱动控制。

表乍一看


表1	表2	表3

数据乍一看


图1	图2	图3	图4	图5

图6	图7	图8	图9	图10

图11	图12	图13	图14	图15

图16	图17	图18	图19	图20

图21	图22	图23

引用

马丹Gopal, i . j . Nagrath控制系统工程”,第五版,新时代国际,2010年。
拉梅什c .熊猫”,介绍了PID控制器——理论、优化和应用前沿领域,“出版者:InTech,章2月29日出版,2012年。
张,j·莫里斯,a . j . (1995)。“模糊神经网络对非线性系统建模,IEE控制理论与应用,142卷,第551 - 561页。
埃里克•波林安德烈·波默洛Andre Desbienst Daniel Hodouins”开发和评估一个调音和自适应PID控制器,“Auromatica, 32卷,1号,第82 - 71页,1996年。
Jan舒尔曼Pierre-Olivier Malaterre大卫·c·罗杰斯“运河控制算法的分类,灌溉和排水工程》杂志“124卷,问题1 /技术论文。
苏歌星期几斤Hyun公园In-Beum李,“不稳定的过程,一个增强的PIC控制策略”Auromatica, 34卷,6号,第756 - 751页,1998年。
M.M., M.J.红晶石”、非线性和基于线性模型的控制器设计变速风力涡轮机、“工程会议旧金山,加利福尼亚,1999年7月18 - 23日。
Horikawa, S。,Furuhashi T. and Uchikawa Y., “On fuzzy modeling using fuzzy neural networks with the back-propagation algorithm,” IEEE Transactions on Neural Networks, vol. 3, pp. 801-806, 1992.
陈,Y.C.和腾贝,“A model reference control structure using a fuzzy neural network. Fuzzy Sets and Systems,” vol.73, pp. 291- 312, 1995.
张J·莫里斯,a·J。,“Fuzzy neural networks for Non-Linear systems modeling,” IEEE Proceeding – Control Theory and Applications, vol. 142, pp. 551-561, 1995.
曹,密度,Rees, N.W., and Feng G., “Analysis and design for a class of complex control systems. Part I:Fuzzy modeling and identification Automatica,” vol. 33, pp. 1017-1028, 1997.
围、效力和林,F.J.,“A fuzzy neural network controller with adaptive learning rates for Non-Linear slider-crank mechanism. Neurocomputing,” vol. 20, pp. 295-320, 1998.
高,F。,Wang, F., and Li, M., “An analytical predictive control law for a class of Non-Linear processes,” Industrial and Engineering Chemistry Research, vol. 39, pp. 2029-2034, 2000.
许,多严峻,Chen, G.M., and Lee, T.T., “Robust intelligent tracking control with PID-type learning algorithm,”Neurocomputing, In press, 2007.
阿特基森,C.G.摩尔,托,and Schaal, S., “Locally weighted learning,” Artificial Intelligence Review, vol.11, pp. 11-73, 1997.Cybenko, G. S. Bittanti and G. Picci, “Identification, adaptation, learning: in the science of learning models from data,” Springer, New York, pp. 423-434, 1996.
陆,J。,Chen, G., and Ying, H., “Predictive fuzzy PID control: Theory, design, and simulation,” Information Sciences, vol. 137, pp. 157-187, 2001.
陈,J.H.和黄,教学楼。,“Applying neural networks to on-line update PID Controller s for Non-Linear process control,” Journal of Process Control, vol. 14, pp. 211-230, 2004.
太阳,L。,Mei, T., yao, Y., Cai, L., and Meng, M.Q.H., “PID controller based adaptive GA and neural networks,” Proceedings of the 6th World Congress on Intelligent Control and Automation, Dalian, China, pp. 6564-6568, 2006.
Chang W.D.,Hwang, R.C., and Hsieh, J.G., “A self-tuning PID control for a class of Non-Linear systems based on the Lyapunov approach,” Journal of Process Control, vol. 12, pp. 233-242, 2002.