基于蚁群-粒子群的模糊神经网络超声波电动机控制

doi:1004-7018-46-4-62-65

微特电机 ›› 2018, Vol. 46 ›› Issue (4): 62-65.doi: 1004-7018-46-4-62-65

基于蚁群-粒子群的模糊神经网络超声波电动机控制

乔维德¹,张本法²

^1. 无锡开放大学,无锡 214011
^2. 常州开放大学,常州 213001

收稿日期:2016-01-31 出版日期:2018-04-28 发布日期:2018-04-28
作者简介:乔维德(1967—),男,教授,研究方向为电气自动化、智能控制。
基金资助:
无锡市社会事业领军人才资助项目(WX530/2015021YB);江苏城市职业学院“工学结合人才培养模式研究”教学改革课题项目(13-YB-03)

Fuzzy Neural Network Speed Control For Ultrasonic Motor Based on Ant Colony Algorithm-Particle Swarm Optimization

QIAO Wei-de¹, ZHANG Ben-fa²

^1. Wuxi Open University,Wuxi 214011,China
^2. Changzhou Open University,Changzhou 213001,China

Received:2016-01-31 Online:2018-04-28 Published:2018-04-28

摘要/Abstract

摘要：

超声波电动机运行时具有高度非线性、时变性及强耦合性。为有效破解超声波电动机非线性和建模困难的瓶颈,研究蚁群算法和粒子群算法相结合优化模糊神经网络参数的超声波电动机转速控制方案。仿真分析与实验结果表明,相比传统的BP算法训练模糊神经网络控制方法,该系统能实现对超声波电动机速度的自适应跟踪,速度脉动较小,调节精度高,动态性能较好,抗干扰能力强。

关键词: 超声波电动机, 蚁群算法, 粒子群算法, 模糊神经网络, 速度控制

Abstract:

The ultrasonic motor is highly nonlinear, time varying and strong coupling. To effectively break the bottleneck of nonlinear and modeling of ultrasonic motor, the scheme was proposed to optimize the parameters of fuzzy neural network parameters of the ultrasonic motor speed control with ant colony algorithm and particle swarm optimization algorithm. Simulation analysis and experimental results show that, compared with the traditional BP algorithm training of fuzzy neural network control method, the system have the advantages of small response speed pulse,flexible control, adaptability, high control precision and robustness.

Key words: ultrasonic motor (USM), ant colony algorithm (ACO), particle swarm optimization (PSO), fuzzy neural network (FNN), speed control

中图分类号:

TM359.9

乔维德, 张本法. 基于蚁群-粒子群的模糊神经网络超声波电动机控制[J]. 微特电机, 2018, 46(4): 62-65.

QIAO Wei-de, ZHANG Ben-fa. Fuzzy Neural Network Speed Control For Ultrasonic Motor Based on Ant Colony Algorithm-Particle Swarm Optimization[J]. Small & Special Electrical Machines, 2018, 46(4): 62-65.

[1]	陶涛, 林荣文. 基于小生境粒子群算法的永磁同步电机参数辨识[J]. 微特电机, 2021, 49(2): 29-33.
[2]	张毅锋, 潘云华, 李支超, 杜金霞, 师聪. 超声波电动机在三自捷联惯性制导组件中的应用[J]. 微特电机, 2021, 49(1): 14-17.
[3]	黄锐, 郑东. 基于Kriging模型和粒子群算法的不等厚永磁电机优化设计[J]. 微特电机, 2020, 48(7): 19-40.
[4]	黄文文, 宋璐, 史敬灼. 超声波电动机二输入Hammerstein非线性建模[J]. 微特电机, 2020, 48(3): 61-64.
[5]	孙阳, 狄思思, 李华峰. 超声波电动机无模型自适应速度控制研究[J]. 微特电机, 2020, 48(12): 1-5.
[6]	付文强, 赵东标, 赵世超. 基于BP神经网络优化自抗扰PMSM高精度速度控制[J]. 微特电机, 2020, 48(12): 50-54.
[7]	. 一种纵弯复合单驱动足超声波电动机的设计[J]. 微特电机, 2019, 47(9): 24-26.
[8]	. 基于割线法的超声波电动机迭代学习转速控制[J]. 微特电机, 2019, 47(9): 55-57.
[9]	武海强, 徐文潭, 王光庆, 崔素娟, 赵泽翔, 谭江平 . 基于BPNN的超声波电动机转速控制与实验研究[J]. 微特电机, 2019, 47(8): 58-63.
[10]	高炳东,潘云华,张丛巨,王红茹,王帅. 基于等效电路模型的超声波电动机匹配电路研究[J]. 微特电机, 2019, 47(7): 32-36.
[11]	万志坚, 张俊峰. 一种超声波电动机的两相驱动电路研究[J]. 微特电机, 2019, 47(6): 68-72.
[12]	刘炯,纪跃波. 行波旋转型超声波电动机定转子接触滑移分析[J]. 微特电机, 2019, 47(5): 29-31.
[13]	乔维德. 粒子群蛙跳模糊神经网络的PMSM转速控制器设计[J]. 微特电机, 2019, 47(3): 66-69.
[14]	安国庆,杨少锐,安孟宇,刘庆瑞,李洪儒. 形态谱和LCD法提取超声波电动机陶瓷故障特征[J]. 微特电机, 2019, 47(2): 18-23.
[15]	. 适用于电机辨识建模的改进差分进化算法[J]. 微特电机, 2019, 47(11): 34-37.

基于蚁群-粒子群的模糊神经网络超声波电动机控制

Fuzzy Neural Network Speed Control For Ultrasonic Motor Based on Ant Colony Algorithm-Particle Swarm Optimization

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

联系我们