基于改进遗传算法的无刷直流电动机递归模糊神经网络控制

Science and Technology &Innovation ┃科技与创新2022年第02期·11·文章编号：2095－6835（2022）02－0011－03改进遗传算法的RBF 神经网络控制研究＊周勇（荆州学院信息工程学院，湖北荆州434020）摘要：RBF （径向基函数）神经网络是一种具有全局逼近性能的三层前馈网络，但RBF 学习一直存在隐节点的中心选择不合理、训练时间长等问题，针对RBF 神经网络存在的问题，提出一种通过改进遗传算法优基函数中心c 、宽度b 和权值w 的方法。

该方法选取均方误差函数E 作为个体适应值，在传统遗传算法的基础上改进了交叉率和变异率的选取，使个体的变异同时受进化代数和适应度的约束，实现对c 、b 和网络权值的优化。

通过系统辨识仿真分析，证明了该方法的可行性和有效性，使系统具有更好的性能。

关键词：遗传算法；RBF 神经网络；系统辨识；自适应中图分类号：TP273.1文献标志码：ADOI ：10.15913/ki.kjycx.2022.02.004RBF （径向基函数）神经网络是具有单隐层的一种三层前向神经网络，其具有网络结构简单、学习速度快、逼近能力强等特点，在系统辨识、函数逼近、模式识别等领域得到广泛应用。

RBF 神经网络具有模拟人脑中局部调整、相互覆盖接收域的神经网络结构，能以任意精度逼近任一连续函数[1]，一直是研究的热点之一。

RBF 神经网络在学习过程中，其性能主要取决于隐层神经元基函数中心、宽度和隐层节点到输出层之间的连接权值的整定。

目前，RBF 神经网络的参数整定方法主要有K 均值聚类方法、梯度下降法、粒子群算[2]、进化算法[3]等，其中，普通梯度下降法在训练过程中极易出现振荡、不稳定的情况，而且实时性和鲁棒性较差[4]。

其他方法如粒子群算法、进化算法等，虽然有一定的全局收敛能力，但收敛速度慢，网络计算代价大。

遗传算法（Genetic Algorithm ，GA ）是一种高度并行的随机优化方法，具有很好的全局搜索能力和鲁棒性，然而，遗传算法虽然应用广泛，但在解决复杂问题时，由于其自身的随机搜索特点也带来了收敛速度慢和算法局部收敛（早熟）等问题[5]。

㊀２０２１年㊀第４期仪表技术与传感器Ｉｎｓｔｒｕｍｅｎｔ㊀Ｔｅｃｈｎｉｑｕｅ㊀ａｎｄ㊀Ｓｅｎｓｏｒ２０２１㊀Ｎｏ．４㊀基金项目：国家重点研发计划资助项目（２０１８ＡＡＡ０１０１７０３）收稿日期：２０２０－０４－２１基于ＭＦＯ算法的无刷直流电机模糊控制设计刘雨豪，廖㊀平（中南大学机电工程学院，湖南长沙㊀４１００８３）㊀㊀摘要：模糊控制在无刷直流电机（ＢＬＤＣＭ）控制中应用广泛，针对其不能实时更新控制参数的缺点，首次提出了基于飞蛾火焰优化（ＭＦＯ）算法的模糊控制器设计㊂对于ＢＬＤＣＭ控制系统变量复杂且非线性，难以建立具体的数学模型的问题，搭建了电流和转速双闭环控制的模块化电机仿真模型㊂算法在线优化量化因子和比例因子，用ＩＴＡＥ验证适应度目标函数的合理性㊂仿真结果表明所提出的方法使得控制系统具有超调小和控制精度高的优点㊂关键词：无刷直流电机；ＰＩＤ；模糊控制；飞蛾火焰优化算法；ＭＡＴＬＡＢ建模；仿真中图分类号：ＴＰ３９１㊀㊀㊀文献标识码：Ａ㊀㊀㊀文章编号：１００２－１８４１（２０２１）０４－０１０７－０５ＦｕｚｚｙＣｏｎｔｒｏｌＤｅｓｉｇｎｏｆＢｒｕｓｈｌｅｓｓＤＣＭｏｔｏｒＢａｓｅｄｏｎＭＦＯＡｌｇｏｒｉｔｈｍＬＩＵＹｕ⁃ｈａｏ，ＬＩＡＯＰｉｎｇ（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＣｅｎｔｒａｌＳｏｕｔｈＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ４１００８３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＦｕｚｚｙｃｏｎｔｒｏｌｗａｓｗｉｄｅｌｙｕｓｅｄｉｎｂｒｕｓｈｌｅｓｓＤＣｍｏｔｏｒ（ＢＬＤＣＭ）ｃｏｎｔｒｏｌ．Ｉｎｖｉｅｗｏｆｉｔｓｓｈｏｒｔｃｏｍｉｎｇｔｈａｔｔｈｅｃｏｎｔｒｏｌｐａｒａｍｅｔｅｒｓｃｏｕｌｄｎ ｔｂｅｕｐｄａｔｅｄｉｎｒｅａｌｔｉｍｅ，ｔｈｅｄｅｓｉｇｎｏｆｆｕｚｚｙｃｏｎｔｒｏｌｌｅｒｂａｓｅｄｏｎｍｏｔｈｆｌａｍｅｏｐｔｉｍｉｚａｔｉｏｎ（ＭＦＯ）ａｌｇｏｒｉｔｈｍｗａｓｐｒｏｐｏｓｅｄｆｏｒｔｈｅｆｉｒｓｔｔｉｍｅ．ＦｏｒｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｖａｒｉａｂｌｅｓｏｆＢＬＤＣＭｃｏｎｔｒｏｌｓｙｓｔｅｍｗｅｒｅｃｏｍｐｌｅｘａｎｄｎｏｎｌｉｎｅａｒ，ｉｔｗａｓｄｉｆｆｉ⁃ｃｕｌｔｔｏｅｓｔａｂｌｉｓｈｓｐｅｃｉｆｉｃｍａｔｈｅｍａｔｉｃａｌｍｏｄｅｌ．Ａｍｏｄｕｌａｒｍｏｔｏｒｓｉｍｕｌａｔｉｏｎｍｏｄｅｌｏｆｄｏｕｂｌｅｃｌｏｓｅｄ⁃ｌｏｏｐｃｏｎｔｒｏｌｏｆｃｕｒｒｅｎｔａｎｄｓｐｅｅｄｗａｓｂｕｉｌｔ．Ｔｈｅａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚｅｄｔｈｅｑｕａｎｔｉｚａｔｉｏｎｆａｃｔｏｒａｎｄｓｃａｌｅｆａｃｔｏｒｏｎｌｉｎｅ，ａｎｄｕｓｅｄＩＴＡＥｔｏｖｅｒｉｆｙｔｈｅｒａｔｉｏｎａｌｉｔｙｏｆｔｈｅｆｉｔ⁃ｎｅｓｓｏｂｊｅｃｔｉｖｅｆｕｎｃｔｉｏｎ．Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｍａｋｅｓｔｈｅｃｏｎｔｒｏｌｓｙｓｔｅｍｈａｓｔｈｅａｄｖａｎｔａｇｅｓｏｆｓｍａｌｌｏ⁃ｖｅｒｓｈｏｏｔａｎｄｈｉｇｈｃｏｎｔｒｏｌａｃｃｕｒａｃｙ．Ｋｅｙｗｏｒｄｓ：ｂｒｕｓｈｌｅｓｓＤＣｍｏｔｏｒ；ＰＩＤ；ｆｕｚｚｙｃｏｎｔｒｏｌ；ｍｏｔｈｆｌａｍｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ；ＭＡＴＬＡＢｍｏｄｅｌｉｎｇ；ｓｉｍｕｌａｔｉｏｎ０㊀引言在运动控制领域，直流电机以其优良的转矩和调速性能得到了广泛的应用［１］㊂有刷直流电机采用电刷进行机械换向，导致其具有噪音大㊁寿命短㊁可靠性差等缺点㊂随着电力电子技术的不断进步，新型材料和功率开关器件等出现，采用电子换向的无刷直流电机（ＢＬＤＣＭ）应运而生㊂它既克服了有刷直流电机的缺点，又保有了优越的启动和调速性能，在航空航天㊁国防㊁工业自动化等领域得到了极快的发展和普及㊂现代社会对电机控制性能的要求日益提高，一方面可以优化电机本体结构及相关电力电子装置，另一方面可以使用更加先进的电机控制策略［２－３］㊂ＢＬＤＣＭ是变量复杂㊁非线性且强耦合的系统，难以推导出精确的数学模型［４］㊂传统ＰＩＤ控制方法依赖具体数学模型基础，很难满足准确和稳定的控制要求㊂模糊控制（ｆｕｚｚｙｃｏｎｔｒｏｌ）模仿人的思维和逻辑推理来进行控制而不依赖确定的控制对象模型，弥补了传统ＰＩＤ的控制短板［５］㊂但是模糊控制器缺乏参数自调整能力，在包含时变参数的非线性系统中，很难达到最优控制㊂近年来，国内外众多专家学者应用智能控制算法优化模糊控制器，管先翠等将微粒群算法（ＰＳＯ）应用至模糊控制［６－７］，方文茂在遗传算法（ＧＡ）优化模糊控制方面也做了大量工作，取得了一定的成果［８］㊂飞蛾火焰优化算法（ＭＦＯ）是２０１５年由Ｓ．Ｍｉｒｊａｌｉｌｉ提出的一种全新群智能仿生算法，相比其他算法具有更优秀的寻优能力［９］㊂本文提出基于飞蛾火焰算法优化模糊控制的新方法，克服了模糊控制器不能更新控制参数的缺陷，应用ＭＡＴＬＡＢ／ｓｉｍｕｌｉｎｋ对其进行仿真研究，验证了其优越的控制性能㊂１㊀ＢＬＤＣＭ的数学模型无刷直流电机感应电动势为梯形波，且含有较多高次谐波，电感非线性，对其运行特性进行精确分析是非常困难的㊂本文以两两导通三相星形连接为例，并做出以下假设：（１）三相绕组完全对称，定子电流㊁转子磁场分布㊀㊀㊀㊀㊀１０８㊀ＩｎｓｔｒｕｍｅｎｔＴｅｃｈｎｉｑｕｅａｎｄＳｅｎｓｏｒＡｐｒ．２０２１㊀对称；（２）气隙磁场为梯形波，平顶宽度１２０ʎ；（３）不计磁滞和涡流的损耗；（４）忽略磁路饱和㊁齿槽效应和电枢反应㊂１．１㊀定子三相绕组电压平衡方程ｕａｕｂｕｃéëêêêêùûúúúú＝Ｒａ０００Ｒｂ０００Ｒｃéëêêêêùûúúúúｉａｉｂｉｃéëêêêêùûúúúú＋ｄｄｔＬＭＭＭＬＭＭＭＬéëêêêùûúúúｉａｉｂｉｃéëêêêêùûúúúú＋ｅａｅｂｅｃéëêêêêùûúúúú（１）式中：ｕｉ为定子各相电压，Ｖ；ｉｉ为定子各相电流，Ａ；ｅｉ为定子各相反电动势，Ｖ；Ｒｉ为定子各相绕组电阻，Ω；Ｌ为定子绕组自感，Ｈ；Ｍ为定子绕组间互感，Ｈ；ｉ＝ａ，ｂ，ｃ㊂１．２㊀电磁转矩方程和机械运动方程根据能量守恒定律，两方程可分别表示如下：Ｔｅ＝（ｅａｉａ＋ｅｂｉｂ＋ｅｃｉｃ）ｗ（２）式中：Ｔｅ为电磁转矩，Ｎ㊃ｍ；ｗ为电机输出转速，ｒａｄ／ｓ㊂Ｔｅ＝ＴＬ＋Ｂｗ＋Ｊｄｗｄｔ（３）式中：ＴＬ为负载转矩，Ｎ㊃ｍ；Ｂ为阻尼系数，Ｎ㊃ｍ㊃ｓ／ｒａｄ；Ｊ为电机转子转动惯量，ｋｇ㊃ｍ２㊂２㊀基于ＭＡＴＬＡＢ／ｓｉｍｕｌｉｎｋ的ＢＬＤＣＭ控制系统仿真模型本文基于ＢＬＤＣＭ工作原理，在ｓｉｍｕｌｉｎｋ环境下采用模块化建模的方式，将直流无刷电机分离成速度调控㊁参考电流㊁电流滞环㊁电压逆变和ＢＬＤＣＭ本体５个模块㊂系统整体设计框图如图１所示，仿真系统采用双闭环控制方案：外环转速环增强系统抗负载干扰能力，保证系统动静态的跟踪能力；内环电流环控制最大电流，保证系统稳定运行㊂图１㊀ＢＬＤＣＭ控制系统ｓｉｍｕｌｉｎｋ建模整体框图运行仿真系统输出的三相反电动势波形如图２所示，三相定子电流波形如图３所示㊂二者均为梯形波，且较为理想，验证了系统建模的正确性㊂图２㊀反电动势波形３㊀ＢＬＤＣＭ模糊控制系统传统ＰＩＤ调控系统结构简单且控制效果较好，在工图３㊀定子三相电流波形业自动化领域最先得到应用，但比例（ｐｒｏｐｏｒｔｉｏｎ）㊁积分（ｉｎｔｅｇｒａｌ）㊁微分（ｄｉｆｆｅｒｅｎｔｉａｌ）参数一经确定在系统运行过程中就不能改变㊂在一些包含时变参数㊁非线性系统中ＰＩＤ调节很难达到预期的效果㊂模糊ＰＩＤ是基于模糊数学的高级控制，弥补了传统ＰＩＤ控制参数固定不变㊀㊀㊀㊀㊀第４期刘雨豪等：基于ＭＦＯ算法的无刷直流电机模糊控制设计１０９㊀㊀的不足，根据控制系统误差的变化，进行控制量自整定，其原理如图４所示㊂满足了实时更新ＰＩＤ参数的要求，很大程度上加强了控制系统的精确性和鲁棒性㊂图４㊀模糊控制器结构框图本文采用的是二维输入模糊控制器，其控制效果优于一维输入，三维输入模糊规则获取困难，计算复杂，不适合实时控制系统㊂根据输入误差ｅ和误差变化率ｅｃ＝ｄｅ／ｄｔ，在模糊推理下输出ＰＩＤ参数修正值ΔＫｐ㊁ΔＫｉ㊁ΔＫｄ，在线修正实际ＰＩＤ控制参数㊂Ｋｐ＝Ｋｐ０＋ΔＫｐＫｉ＝Ｋｉ０＋ΔＫｉＫｄ＝Ｋｄ０＋ΔＫｄìîíïïïï（４）式中：Ｋｐ０㊁Ｋｉ０㊁Ｋｄ０为ＰＩＤ初始值㊂３．１㊀模糊控制器设计误差和误差变化率的论域为［－３，３］，输出变量ΔＫｐ㊁ΔＫｉ㊁ΔＫｄ论域依次为［０，３］㊁［０，１］㊁［０，１］㊂输入输出变量的隶属函数形状选择三角形（ｔｒｉｍｆ），其运算简单，适合在线调整㊂反模糊化采用重心法，其本质是加权平均法，包含模糊集合所有信息，并依据隶属度大小有所侧重㊂ｅ㊁ｅｃ㊁ΔＫｐ㊁ΔＫｉ㊁ΔＫｄ的模糊语言变量均为｛ＮＢ，ＮＭ，ＮＳ，ＺＯ，ＰＳ，ＰＭ，ＰＢ｝㊂模糊规则是模糊控制器的核心，应该满足完备性要求，规则的确定基于专家经验和学习算法㊂本文采用的模糊规则如表１所示㊂表１㊀ΔＫｐ㊁ΔＫｉ㊁ΔＫｄ的模糊控制规则控制表ｅΔＫｐ／ΔＫｉ／ΔＫｄｅｃ＝ＮＢｅｃ＝ＮＭｅｃ＝ＮＳｅｃ＝ＺＯｅｃ＝ＰＳｅｃ＝ＰＭｅｃ＝ＰＢＮＢＰＢ／ＮＢ／ＰＳＰＢ／ＮＢ／ＮＳＰＭ／ＮＭ／ＮＢＰＭ／ＮＭ／ＮＢＰＳ／ＮＳ／ＮＢＺＯ／ＺＯ／ＮＭＺＯ／ＺＯ／ＰＳＮＭＰＢ／ＮＢ／ＰＳＰＢ／ＮＢ／ＮＳＰＭ／ＮＭ／ＮＢＰＳ／ＮＳ／ＮＭＰＳ／ＮＳ／ＮＭＺＯ／ＺＯ／ＮＳＮＳ／ＺＯ／ＺＯＮＳＰＭ／ＮＢ／ＺＯＰＭ／ＮＭ／ＮＳＰＭ／ＮＳ／ＮＭＰＳ／ＮＳ／ＮＭＺＯ／ＺＯ／ＮＳＮＳ／ＰＳ／ＮＳＮＳ／ＰＳ／ＺＯＺＯＰＭ／ＮＭ／ＺＯＰＭ／ＮＭ／ＮＳＰＳ／ＮＳ／ＮＳＺＯ／ＺＯ／ＮＳＮＳ／ＰＳ／ＮＳＮＭ／ＰＭ／ＮＳＮＭ／ＰＭ／ＺＯＰＳＰＳ／ＮＭ／ＺＯＰＳ／ＮＳ／ＺＯＺＯ／ＺＯ／ＺＯＮＳ／ＰＳ／ＺＯＮＳ／ＰＳ／ＺＯＮＭ／ＰＭ／ＺＯＮＭ／ＰＢ／ＺＯＰＭＰＳ／ＺＯ／ＰＢＺＯ／ＺＯ／ＰＳＮＳ／ＰＳ／ＰＳＮＭ／ＰＳ／ＰＳＮＭ／ＰＭ／ＰＳＮＭ／ＰＢ／ＰＳＮＢ／ＰＢ／ＰＢＰＢＺＯ／ＺＯ／ＰＢＺＯ／ＺＯ／ＰＭＮＭ／ＰＳ／ＰＭＮＭ／ＰＭ／ＰＭＮＭ／ＰＭ／ＰＳＮＢ／ＰＢ／ＰＳＮＢ／ＰＢ／ＰＢ４㊀基于飞蛾火焰算法（ＭＦＯ）的模糊控制器优化模糊控制器输入量ｅ㊁ｅｃ经量化因子Ｋｅ㊁Ｋｅｃ量化后进入模糊控制器进行模糊推理，模糊控制器输出量经比例因子Ｋｐｐ㊁Ｋｉｉ㊁Ｋｄｄ比例运算后，输出ΔＫｐ㊁ΔＫｉ㊁ΔＫｄ三个ＰＩＤ控制修正量㊂可见模糊控制的性能与量化因子和比例因子的关系甚大，Ｋｅ太大㊁Ｋｅｃ太小都容易造成系统产生超调，从而导致震荡不稳定㊂但是一般的模糊控制器创建完成后，这些参数是不能改变的，这大大影响到了系统的性能㊂根据上述不足，本文设计基于ＭＦＯ算法优化的模糊控制器，控制功能框图如图５所示㊂图５㊀ＭＦＯ优化模糊控制的功能框图４．１㊀飞蛾火焰优化算法ＭＦＯ算法诞生是受自然界飞蛾横向导航机制启发，通过飞蛾对火焰不断的螺旋收敛，在搜索空间中逐渐趋近最优解㊂螺旋搜索的方式使算法不易陷入局部最优，具有很好的全局寻优能力㊂Ｍ＝ｍ１１ｍ１２ｍ１ｊｍ２１ｍ２２ｍ２ｊ︙︙︙ｍｉ１ｍｉ２ｍｉｊéëêêêêêêùûúúúúúú，Ｍｆｉｔ＝ｏｍ１ｏｍ２︙ｏｍｉéëêêêêêùûúúúúú（５）式中：Ｍ为飞蛾矩阵，每一行代表一只飞蛾；Ｍｆｉｔ矩阵存储对应每只飞蛾的适应度值；ｉ表示飞蛾的个数；ｊ表示每只飞蛾的维度，即所代表的变量的个数㊂对于火焰亦是如此，如下面矩阵所示：Ｆ＝ｆ１１ｆ１２ ｆ１ｊｆ２１ｆ２２ ｆ２ｊ︙︙︙ｆｉ１ｆｉ２ｆｉｊéëêêêêêêùûúúúúúú，Ｆｆｉｔ＝ｏｆ１ｏｆ２︙ｏｆ１éëêêêêêùûúúúúú（６）㊀㊀㊀㊀㊀１１０㊀ＩｎｓｔｒｕｍｅｎｔＴｅｃｈｎｉｑｕｅａｎｄＳｅｎｓｏｒＡｐｒ．２０２１㊀式中：Ｆ是火焰矩阵，每一行代表一只火焰；Ｆｆｉｔ矩阵存储对应每只火焰的适应度值；ｉ表示火焰的个数；ｊ表示每只火焰的维度㊂Ｆ矩阵与Ｍ矩阵的不同之处在于更新方式，飞蛾是算法寻优过程中进行搜索的个体，而火焰是飞蛾在空间中搜索的最优位置，是飞蛾生成的标记㊂依据飞蛾的飞行轨迹建模，其位置更新机制可以用以下方程表示：Ｍｎ＝Ｓ（Ｍｎ，Ｆｋ）＝Ｄｎｅｂｔｃｏｓ（２πｔ）＋Ｆｋ（７）Ｄｎ＝Ｍｎ－Ｆｋ（８）式中：Ｍｎ为第ｎ只飞蛾；Ｆｋ为第ｋ个火焰；Ｄｎ为第ｎ只飞蛾与第ｋ个火焰的距离；ｂ为螺旋线的形状系数；ｔ为［－１，１］的随机数㊂为加快ＭＦＯ算法收敛速度，应自适应减少火焰的的数目，如式（６）所示：ｎｕｍｆｌａｍｅ＝ｒｏｕｎｄ（Ｎｍａｘ－ｎ㊃Ｎｍａｘ－１Ｔ）（９）式中：Ｎｍａｘ为初代火焰规模；ｎ为当前迭代次数；Ｔ为最大迭代次数㊂４．２㊀确定决策参数和评价标准如图５所示，在控制系统中ＭＦＯ算法对量化因子和比例因子进行寻优，所以每只飞蛾的维度为５，Ｋｅ㊁Ｋｅｃ取值范围设置为［１，３］，Ｋｐｐ为［５，１５］，Ｋｉｉ为［０．０３，０．３］，Ｋｄｄ为［０．０１，０．１］㊂设置初代飞蛾种群大小为３０，最大迭代次数为３０㊂适应度目标函数是确定火焰矩阵的重要标准，是ＭＦＯ算法中的关键函数㊂在ＢＬＤＣＭ控制系统中，依据快速性和准确性评价控制系统的好坏㊂超调量Ｍｐ，上升时间ｔｒ，调整时间ｔｓ，峰值时间ｔｐ是参考的指标，适应度函数确定如下：ｆｉｔ＝１／｛αｅｘｐ［－（Ｍｐ／Ｍｐ０）２］＋βｅｘｐ［－（ｔｒ／ｔｒ０）２］＋γｅｘｐ［－（ｔｓ／ｔｓ０）２］＋ηｅｘｐ［－（ｔｐ／ｔｐ０）２］｝（１０）式中：Ｍｐ０＝１％；ｔｒ０＝０．２ｓ；ｔｓ０＝０．２ｓ；ｔｐ０＝０．２ｓ，是控制系统相应指标的期望值；α，β，γ，η是各个指标对应的权重系数，满足：α＋β＋γ＋η＝１㊂本文α＝０．５，β＝０．１，γ＝０．２，η＝０．２㊂在进行适应度计算时，ｆｉｔ值越小证明系统性能越好㊂本文还引入了同样可以评价控制系统性能的时间偏差绝对值积分型指标函数：ＩＴＡＥ＝ʏｔ０ｔ㊃ｅ（ｔ）ｄｔ（１１）式中：ｅ（ｔ）＝ｗｒ－ｗ（ｔ）为ｔ时刻参考转速与实际转速的差值㊂ＩＴＡＥ值越小则说明控制系统性能越好，本文利用ＩＴＡＥ函数验证ｆｉｔ适应度函数㊂基于ＭＦＯ算法的量化㊁比例因子寻优流程如图６所示㊂在进行适应度目标函数计算时，通过ＭＡＴＬＡＢ中的ａｓｓｉｇｎｉｎ函数将算法中的飞蛾传入ｓｉｍｕｌｉｎｋ仿真模型，通过ｓｉｍ函数运行仿真模型，计算出需要的评价指标㊂ＩＴＡＥ指标由ｓｉｍｕｌｉｎｋ中的ｓｉｍｏｕｔ模块输出㊂图６㊀ＭＦＯ算法粒子寻优流程图５㊀仿真结果与分析本文设定无刷直流电机期望速度ｗｒ＝８００ｒ／ｍｉｎ，仿真时间设置０．５ｓ，为使得结果分析更加精确，ｓｉｍ函数取样步长为０．０００１ｓ，设置传统ＰＩＤ控制和模糊ＰＩＤ控制作为对照组㊂运行３种ＢＬＤＣＭ控制系统仿真模型，基于ＭＦＯ优化后的模糊控制器量化因子和比例因子如表２所示，统计各评价指标如表３所示㊂由适应度目标函数值依次变小可知控制系统性能逐渐提升，由适应度目标函数的验证函数ＩＴＡＥ值亦可得出同样的结论，经ＭＦＯ优化后的控制系统各项评价指标均很好的达到了期望值㊂图７是三种控制系统输出的转速曲线图㊂表２㊀ＭＦＯ优化后的量化因子和比例因子ＫｅＫｅｃＫｐｐＫｉｉＫｄｄ１．９００９１．４１９６５．００４２０．１００００．０３００表３㊀三种控制系统运行指标控制系统类型Ｍｐ／％ｔｐ／ｓｔｓ／ｓｔｒ／ｓ稳定ｗ值／（ｒ㊃ｍｉｎ－１）ｆｉｔＩＴＡＥＰＩＤ２．１０３０．２０９０．３８４０．１６６８１６．８２７８．９８５４．３４１ＦｕｚｚｙＰＩＤ１．１８２０．２０７０．１６４０．１７０８０９．４５４３．０４６３．７３０ＭＦＯＦｕｚｚｙＰＩＤ０．０９００．１７４０．１６５０．１７３８００．７１８１．３５５２．６９５㊀㊀㊀㊀㊀第４期刘雨豪等：基于ＭＦＯ算法的无刷直流电机模糊控制设计１１１㊀㊀图７㊀三种控制系统的转速曲线图６㊀结论本文提出了一种在线优化模糊控制器的新方法，设计了基于飞蛾火焰算法优化的模糊控制器，该算法具有优秀的寻优能力㊂文中建立了ＢＬＤＣＭ仿真模型，编写了ＭＦＯ算法的ｍ文件，应用ＭＡＴＬＡＢ／Ｓｉｍｕｌｉｎｋ进行了仿真实验进行验证，结果显示其能够较好的实现无刷直流电机的速度控制，控制性能明显优于传统ＰＩＤ控制器和普通的模糊控制，具有较高的控制精度㊂参考文献：［１］㊀韩仁银，郭阳宽，祝连庆，等．基于霍尔传感器的无刷直流电机改进测速方法［Ｊ］．仪表技术与传感器，２０１７（１０）：１１５－１１７．［２］㊀田海林，宋珂炜，董铂龙，等．基于粒子群神经网络的无刷直流电机控制方法［Ｊ］．电力电子技术，２０１９，５３（１２）：１０６－１１０．［３］㊀李晓含，王联国．改进细菌觅食算法在ＰＩＤ参数整定中的应用［Ｊ］．传感器与微系统，２０１８，３７（８）：１５７－１６０．［４］㊀方炜，张辉，刘晓东．无刷直流电机双闭环控制系统的设计［Ｊ］．电源学报，２０１４（２）：３５－４２．［５］㊀杨昕红，刘长文．基于ＭＡＴＬＡＢ的直流无刷电机模糊ＰＩＤ控制设计［Ｊ］．仪表技术与传感器，２０１９（１１）：１０５－１０８．［６］㊀管先翠．基于粒子群优化算法的无刷直流电机控制策略研究［Ｄ］．武汉：华中科技大学，２０１５．［７］㊀耿文波，周子昂．改进粒子群算法优化的ＢＬＤＣＭ调速系统研究［Ｊ］．控制工程，２０１９，２６（９）：１６３６－１６４１．［８］㊀方文茂．利用遗传算法优化模糊控制器参数研究［Ｄ］．长春：长春理工大学，２０１６．［９］㊀ＭＩＲＪＡＬＩＬＩＳ．Ｍｏｔｈ⁃ｆｌａｍｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ：ａｎｏｖｅｌｎａ⁃ｔｕｒｅ⁃ｉｎｓｐｉｒｅｄｈｅｕｒｉｓｔｉｃｐａｒａｄｉｇｍ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ⁃ＢａｓｅｄＳｙｓ⁃ｔｅｍｓ，２０１５，８９：２２８－２４９．作者简介：刘雨豪（１９９６ ），硕士研究生，主要研究方向为嵌入式软硬件㊁电机控制，Ｅ⁃ｍａｉｌ：ｌｙｈ０３１４１００１＠１６３．ｃｏｍ廖平（１９６４ ），教授㊁博士生导师，主要研究方向为机电一体化㊁智能算法与控制㊂Ｅ⁃ｍａｉｌ：ｌｉａｏｐｉｎｇ０＠１６３．ｃｏｍ（上接第６１页）［３］㊀ＲＡＨＭＡＮＮＵＲＩＨ，ＲＩＶＡＩＭ，ＳＡＲＤＪＯＮＴＡ．Ｄｅｓｉｇｎｏｆｄｉｇｉｔａｌｌｏｃｋ⁃ｉｎａｍｐｌｉｆｉｅｒｆｏｒｌｏｗｃｏｎｃｅｎｔｒａｔｉｏｎｇａｓｄｅｔｅｃｔｉｏｎ［Ｃ］．ＩｎｔｅｒｎａｔｉｏｎａｌＳｅｍｉｎａｒｏｎＩｎｔｅｌｌｉｇｅｎｔＴｅｃｈｎｏｌｏｇｙａｎｄＩＴＳＡｐｐｌｉｃａｔｉｏｎｓ，２０１７：３１９－３２２．［４］㊀陈浩，闫树斌，郑永秋，等．应用于谐振式光纤陀螺的双相位锁相放大器的设计［Ｊ］．仪表技术与传感器，２０１４（１１）：９３－９５．［５］㊀ＳＯＮＮＡＩＬＬＯＮＭＯ，ＵＲＴＥＡＧＥＲ，ＢＯＮＥＴＴＯＦＪ．Ｈｉｇｈ⁃ｆｒｅ⁃ｑｕｅｎｃｙｄｉｇｉｔａｌｌｏｃｋ⁃ｉｎａｍｐｌｉｆｉｅｒｕｓｉｎｇｒａｎｄｏｍｓａｍｐｌｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｓｔｒｕｍｅｎｔａｔｉｏｎａｎｄＭｅａｓｕｒｅｍｅｎｔ，２００８，５７（３）：６１６－６２１．［６］㊀范松涛，周燕，潘教青，等．基于ＦＰＧＡ的数字锁相放大器在气体探测中的应用［Ｊ］．计算机测量与控制，２０１２，２０（１１）：３０２７－３０２８．［７］㊀赵婷婷，王先全，姜增晖，等．基于数字锁相放大的时栅传感器信号处理研究［Ｊ］．工具技术，２０１７，５１（４）：８７－９２．［８］㊀ＧＡＳＰＡＲＪ，ＣＨＥＮＳＦ，ＧＯＲＤＩＬＬＯＡ，ｅｔａｌ．Ｄｉｇｉｔａｌｌｏｃｋｉｎａｍｐｌｉｆｉｅｒ：ｓｔｕｄｙ，ｄｅｓｉｇｎａｎｄｄｅｖｅｌｏｐｍｅｎｔｗｉｔｈａｄｉｇｉｔａｌｓｉｇｎａｌｐｒｏｃｅｓｓｏｒ［Ｊ］．Ｍｉｃｒｏｐｒｏｃｅｓｓｏｒｓ＆Ｍｉｃｒｏｓｙｓｔｅｍｓ，２００４，２８（４）：１５７－１６２．［９］㊀高华磊，徐德辉，刘松，等．谐振式ＭＥＭＳ磁传感器接口电路设计［Ｊ］．传感器与微系统，２０１６，３５（１１）：９２－９４．［１０］㊀ＧＯＮＺＡＬＯＭＢ，ＲＯＤＲＩＧＵＥＺＲＪ，ＧＥＯＲＧＩＮＡＭＶ，ｅｔａｌ．Ｄｕａｌ⁃ｐｈａｓｅｌｏｃｋ⁃ｉｎａｍｐｌｉｆｉｅｒｂａｓｅｄｏｎＦＰＧＡｆｏｒｌｏｗ⁃ｆｒｅ⁃ｑｕｅｎｃｉｅｓｅｘｐｅｒｉｍｅｎｔｓ［Ｊ］．Ｓｅｎｓｏｒｓ，２０１６，１６（３）：３７９．［１１］㊀刘越，刘富，戴逸松．参考信号频率自调整的数字相敏检波器算法的研究［Ｊ］．计量学报，１９９８，１９（４）：３１２－３１６．［１２］㊀赵俊杰，郝育闻，郭璐璐，等．数字锁相放大器的实现研究［Ｊ］．现代电子技术，２０１２，３５（３）：１９１－１９５．作者简介：梅晓东（１９９４ ），硕士研究生，研究方向为传感器接口电路㊂Ｅ⁃ｍａｉｌ：ｍｅｉｘｄ＠ｍａｉｌ．ｓｉｍ．ａｃ．ｃｎ通信作者：熊斌（１９６２ ），博士，研究员，研究方向为ＭＥＭＳ器件及其相关技术㊂Ｅ⁃ｍａｉｌ：ｂｘｉｏｎｇ＠ｍａｉｌ．ｓｉｍ．ａｃ．ｃｎ。