Algorytm GWO zastosowany w optymalizacji adaptacyjnego regulatora neuronowo-rozmytego układu dwumasowego

• Autorzy: Kamiński M.

Identyfikatory

DOI

10.15199/48.2018.05.13

Warianty tytułu

EN

The GWO algorithm applied for optimization of adaptive neuro-fuzzy controller used for two-mass system

• Języki publikacji: PL

Abstrakty

PL

Publikacja przedstawia aplikację adaptacyjnego regulatora neuronowo-rozmytego w sterowaniu układem dwumasowym. W trakcie wyznaczania poprawek dla przestrajanego modelu wykorzystano dodatkowy predyktor neuronowy. Struktura sterowania zawierająca opisywany regulator charakteryzuje się wysoką dynamiką oraz szybką reakcją na zmiany parametrów obiektu. Jednak w etapie projektowania, występuje konieczność wyznaczania stałych algorytmu adaptacyjnego, trudnych do jednoznacznego opisania zależnościami matematycznymi. W przedstawionym zadaniu zastosowano algorytm GWO (Grey Wolf Optimizer). Artykuł zawiera opis kolejnych etapów przetwarzania w trakcie optymalizacji oraz uzyskane wyniki badań symulacyjnych oraz eksperymentalnych.

EN

This article presents application of adaptive neuro-fuzzy controller for two-mass system. Updates of weights are calculated based on signal from additional neural predictor. High dynamic of control structure with proposed model and fast reaction against changes of plant parameters are observed. However, design process needs selection of learning coefficients used in calculations of adaptive law. Mathematical representation of those parameters is difficult. For this purpose GWO (Grey Wolf Optimizer) is implemented. Paper contains description of several stages of optimization and obtained results.

Słowa kluczowe

PL

optymalizacja; algorytm GWO; adaptacyjny regulator neuronowo-rozmyty; sterowanie prędkością; napęd elektryczny

EN

optimization; GWO algorithm; adaptive neuro-fuzzy controller; speed control; electric drive

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2018
• Tom: R. 94, nr 5
• Strony: 74--79
• Opis fizyczny: Bibliogr. 23 poz., rys.

Twórcy

autor

Kamiński M.

• Politechnika Wrocławska, Katedra Maszyn, Napędów i Pomiarów Elektrycznych, ul. Smoluchowskiego 19, 50-372 Wrocław

Bibliografia

• [1] Erenturk K., Fractional-Order PID and Active Disturbance Rejection Control of Nonlinear Two-Mass Drive System, IEEE Trans. Ind. Electronics, 60 (2013), n. 9, 3806-3813
• [2] Orłowska-Kowalska T., Kamiński M., Szabat K., Implementation of a Sliding-Mode Controller With an Integral Function and Fuzzy Gain Value for the Electrical Drive With an Elastic Joint, IEEE Trans. Ind. Electronics, 57 (2010), n. 4, 1309-1317
• [3] Saarakkala S.E., Hinkkanen M., State-Space Speed Control of Two-Mass Mechanical Systems: Analytical Tuning and Experimental Evaluation, IEEE Trans. Ind. App., 50 (2014), n. 5, 3428-3437
• [4] Mirjalilia S., Mirjalilib S.M., Lewis A., Grey Wolf Optimizer, Advances in Engineering Software, 69 (2014), 46-61
• [5] Beni G., Wang J., Swarm Intelligence in Cellular Robotic Systems, Robots and Biological Systems: Towards a New Bionics?, (1993), 703-712
• [6] Wang X., Ufnalski B., Grzesiak L.M., Adaptive Speed Control in The PMSM Drive for a Non-Stationary Repetitive Process Using Particle Swarms, 10th International Conference on Compatibility, Power Electronics and Power Engineering (CPEPOWERENG), (2016), 464-471
• [7] Calvini M., Carpita M., Formentini A., Marchesoni M., PSOBased Self-Commissioning of Electrical Motor Drives, IEEE Trans. Ind. Electronics, 62 (2015), n. 2, 768-776
• [8] Tarczewski T., Grzesiak L.M., Artificial Bee Colony Based Auto-Tuning of PMSM State Feedback Speed Controller, IEEE International Power Electronics and Motion Control Conference (PEMC), (2016), 1155-1160
• [9] Rajasekhar A., Das S., Abraham A., Fractional Order PID controller design for speed control of chopper fed DC Motor Drive using Artificial Bee Colony algorithm, World Congress on Nature and Biologically Inspired Computing, (2013), 259-266
• [10] Premkumar K., Manikandan B.V., Speed control of Brushless DC motor using bat algorithm optimized Adaptive Neuro-Fuzzy Inference System, Applied Soft Computing, 32 (2015), 403-419
• [11] Kamiński M., Recurrent Neural Controller Applied for TwoMass System, 21st International Conference on Methods and Models in Automation and Robotics (MMAR), (2016), 128-133
• [12] Pajchrowski T., Zawirski K., Nowopolski K., Neural Speed Controller Trained Online by Means of Modified RPROP Algorithm, IEEE Trans. Ind. Informatics, 11 (2015), n.2, 560-568
• [13] He W., Ouyang Y., Hong J., Vibration Control of a Flexible Robotic Manipulator in the Presence of Input Deadzone, IEEE Trans. Ind. Informatics, 13 (2017), n. 1, 48-59
• [14] Brock S., Łuczak D., Nowopolski K., Pajchrowski T., Zawirski K., Two Approaches to Speed Control for Multi-Mass System With Variable Mechanical Parameters, IEEE Trans. Ind. Electronics, 64 (2017), n. 4, 3338-3347
• [15] Rossi M., Mauri M., Carmeli M.S., Castelli-Dezza F., Latency Effect in a Variable Speed Control on Torsional Response of Elastic Drive Systems, XXII International Conference on Electrical Machines (ICEM), (2016), 2280-2286
• [16] Lin F.-J., Wai R.-J., Adaptive Fuzzy-Neural-Network Control for Induction Spindle Motor Drive, IEEE Trans. Energy Conversion, 17 (2002), n. 4, 507-513
• [17] Szabat K., Direct and Indirect Adaptive Control of a Two-Mass Drive System — a Comparison, Proceedings of the IEEE Int. Symp. Ind. Electronics, (2008), 564-569
• [18] Lin F.-J., Wai R.-J., Hybrid Controller Using a Neural Network For a PM Synchronous Servo-Motor Drive, IEE Proc.-Electr. Power Appl., 145 (1998), n. 3, 223–230
• [19] Osowski S., Sieci Neuronowe do Przetwarzania Informacji, Oficyna Wydawnicza Politechniki Warszawskiej, 2006
• [20] Ren H., Zhang Y., Nonlinear Control Based on an Improved Neural Predictive Control Scheme, 3rd International Conference on Computer Science and Network Technology (ICCSNT), (2013), 1222-1225
• [21] Kamran F., Harley R.G., Burton B., Habetler T.G., Brooke M.A., A Fast On-Line Neural-Network Training Algorithm for a Rectifier Regulator, IEEE Trans. Power Electronics, 13 (1998), n. 2, 366-371
• [22] Cocchi G., Uncini A., Subband Neural Networks Prediction for On-Line Audio Signal Recovery, IEEE Trans. Neural Networks, 13 (2002), n. 4, 867-876
• [23] Jin Y., Su C., Adaptive Model Predictive Control Using Diagonal Recurrent Neural Network, Fourth International Conference on Natural Computation (ICNC), (2008), 276-280

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).