CN104155877A - 基于遗传算法的无刷直流电机模糊控制***及控制方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的无刷直流电机模糊控制***及控制方法，其中，控制***包括：驱动***，用于驱动无刷直流电机；速度观测器，用于采集无刷直流电机转速；转速参考模型，提供电机转速的参考数据，并与采集到的电机转速相比较以获得转速误差和误差变化率；参数模糊化模块，接收所述转速误差和误差变化率，并进行量化，映射到模糊集合论域，遗传算法优化模块，采用遗传算法对模块控制规则进行优化，并调节模糊论域中的相关参数，作出模糊决策；反模糊化模块，将模糊决策的输出量映射到基本论域。本发明采用遗传算法对模糊控制器的参数进行在线调节，使控制器在不同的运行环境下都能够有较好的静态和动态性能。

Description

基于遗传算法的无刷直流电机模糊控制***及控制方法

技术领域

本发明属于电机的控制或调节领域，尤其是一种基于遗传算法的无刷直流电机模糊控制***及控制方法。

背景技术

无刷直流电机(brushless DC motor)在工业领域中得到了日益广泛的应用，其控制***是典型的非线性、多变量耦合***。传统的PID控制算法不易满足高精度伺服控制***的控制要求，很难实现电机的高精度运行。

基于现代控制理论和智能控制理论的非线性控制方法为实现被控***高质量的动态和稳态性能奠定了基础，在无刷直流电机控制上得到充分的利用。模糊控制、神经网络控制、变结构控制、鲁棒控制、参数自适应控制等多种先进控制策略已被用于无刷直流电机的控制。

虽然许多自适应控制算法在无刷直流电机的控制中得到了广泛的应用，但这些算法对于电机状态的估计是基于线性模型的，对无刷直流电机这种非线性模型的控制存在一定的不足。神经网络技术对无刷直流电机这种非线性***的控制获得了较好的效果，但控制算法相对复杂。模糊控制技术在电机控制中得到广泛的应用，是模仿人类思维的一种智能化控制技术。但在实际应用中，对于时变参数的非线性***，其模糊控制***的控制规则难以确定，即使在一定条件下获得了模糊控制规则，随着***的变化，原来的模糊控制规则很可能已经不够理想了。

现有的将模糊控制与PID控制相结合来控制无刷直流电机的方法对于无刷直流电机这种时变参数的非线性***控制存在一定的不足：模糊PID控制所依赖的控制规则存在着一定不足，控制***参数缺乏自调整能力，模糊PID控制规则的优化和模糊控制***参数在线调节等方面还存在不足。

发明内容

发明目的：一个目的是提供一种基于遗传算法的无刷直流电机模糊控制***，以解决现有技术的上述问题，实现模糊控制***参数的在线调节，克服传统模糊控制***在线调节效果不佳的弱点，改善控制***的性能。进一步的目的是提供一种控制方法。

技术方案：一种基于遗传算法的无刷直流电机模糊控制***，它包括用以限制最大电流的电流环和用以无刷直流电机转速的速度闭环。

在进一步的实施例中，进一步为：

驱动***，用于驱动无刷直流电机；

速度观测器，用于采集无刷直流电机转速；

转速参考模型，提供电机转速的参考数据，并与采集到的电机转速相比较

获得转速误差和误差变化率；

参数模糊化模块，接收所述转速误差和误差变化率，并进行量化，映射到模糊集合论域，

遗传算法优化模块，采用遗传算法对模块控制规则进行优化，并调节模糊论

域中的相关参数，作出模糊决策；

反模糊化模块，将模糊决策的输出量映射到基本论域；

以及采集无刷直流电机的电流并调节电机功率的电流环。

所述遗传算法优化模块进一步用于：

确定决策变量及其约束条件和编码、解码方法：

在参数优化中，以基准值K_e0，K_ec0，K_u0以及微调参数K₁，K₂，K₃为决策变量，决策变量的约束条件以及***稳定性能指标的要求为参考，若要求***稳态误差小于δ，一般有：

$k_e\≥\frac{1}{2\mathrm{\δ}}$

建立优化模型和确定个体评价方法：

以***最大超调量M_p调整时间t_s和稳态误差e_sr为基础，采用权重系数组合法，构造适应度函数为：

f＝αexp[-(M_p/M_p0)²]+βexp[-(t_s/t_s0)²]+γexp[-(e_sr/e_sr0)²]

式中，M_p0，t_s0和，e_sr0分别为***的响应指标期望值；α，β，γ为权重系数，M_p0为***最大超调量的期望值；e_sr0为***稳态误差的期望值；t_s0为***调整时间的期望值；α+β+γ＝1；

进行遗传操作：设计3个遗传算子、确定遗传算法中的运行参数：

$P_{\mathrm{si}}=f_i/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_i$

式中，f_i为第i个个体的适应度，P_si为第i个个体被选择的概率，n为种群大小；

运行参数的确定，遗传算法种需要确定的参数主要有群体大小M，终止代数T、交叉概率P_c和变异概率P_m，计算公式分别为:

$p_c=\left\{\begin{array}{cc}{p}_{c1}-\frac{(p_{c1}-p_{c2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ p_{c1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

$p_m=\left\{\begin{array}{cc}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ p_{m1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

式中，f_max为群体中最大的适应度，f_avg二为每代群体的平均适应度，f'为2个个体中较大的适应度，f为变异个体的适应度，p_m1为最小适应度个体的变异概率，p_m2是最大适应度个体的变异概率，p_c1为为最小适应度个体的交叉概率，p_c2为最大适应度个体的交叉概率。

一种基于遗传算法的无刷直流电机模糊控制方法，其特征在于，包括如下步骤：

步骤一：计算模糊控制器的输入：包括转速误差e和转速误差变化ec；

步骤二：分别用量化因子k_e和k_ec对转速误差e和转速误差变化ec的值进行量化，并将其映射到模糊集合论域；

步骤三：选择三角形分布函数作为模糊控制器的成员函数；

步骤四：制定模糊控制决策表；

步骤五：利用遗传算法对模糊控制决策表中的模糊控制规则进行优化，得出优化过的模糊决策表；

步骤六：基于遗传算法的模糊控制器参数的寻优以及在线调整；

步骤七：模糊决策的输出量用比例因子K_u从模糊论域映射到基本论域，作用于控制******来控制电机速度。

在进一步的实施例中，包括如下步骤：

步骤1：采集电机的转速，并与速度参考模型中的数据比较，获得速度偏差及误差变化率；

步骤2：判断速度偏差处于第一状态或第二状态；若处于第一状态，执行步骤3，若处于第二状态，执行步骤4；

步骤3：定义动态信号：模糊控制***的速度偏差及误差变化在无刷直流电机的速度控制中分别为转速误差e和误差变化ec；

$\left\{\begin{array}{c}e\left(k\right)=n^{*}\left(k\right)-n\left(k\right)\\ \mathrm{ec}\left(k\right)=e\left(k\right)-e(k-1)\end{array}\right.$

式中，e(k)由参考模型和实际测量的转速信号比较得到；ec(k)为连续两个采样周期e值之差；n^*(k)为第k次采样周期参考模型响应；n(k)为第k次采样周期电机的转速响应；

用量化因子k_e和k_ec量化速度偏差及其误差变化率的实际值，映射到模糊集合论域X＝{-m,-m+1,…,0,…,m-1,m}，需要把比例因子k_u来把输出的变量丛模糊论域转化到实际输出的基本论域，进入步骤5；

步骤4：确定决策变量及其约束条件和编码、解码方法：

在参数优化中，以基准值K_e0，K_ec0，K_u0以及微调参数K₁，K₂，K₃为决策变量，决策变量的约束条件以及***稳定性能指标的要求为参考，若要求***稳态误差小于δ，一般有：

$k_e\&GreaterEqual;\frac{1}{2\mathrm{\&delta;}}$

建立优化模型和确定个体评价方法：

以***最大超调量M_p调整时间t_s和稳态误差e_sr为基础，采用权重系数组合法，构造适应度函数为：

f＝αexp[-(M_p/M_p0)²]+βexp[-(t_s/t_s0)²]+γexp[-(e_sr/e_sr0)²]

式中，M_p0，t_s0和，e_sr0分别为***的响应指标期望值；α，β，γ为权重系数，M_p0为***最大超调量的期望值；e_sr0为***稳态误差的期望值；t_s0为***调整时间的期望值；α+β+γ＝1；

进行遗传操作：设计3个遗传算子、确定遗传算法中的运行参数：

$P_{\mathrm{si}}=f_i/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{f}_i$

式中，f_i为第i个个体的适应度，P_si为第i个个体被选择的概率，n为种群大小；

运行参数的确定，遗传算法种需要确定的参数主要有群体大小M，终止代数T、交叉概率P_c和变异概率P_m，计算公式分别为:

$p_c=\left\{\begin{array}{cc}{p}_{c1}-\frac{(p_{c1}-p_{c2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ p_{c1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

$p_m=\left\{\begin{array}{cc}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ p_{m1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

式中，f_max为群体中最大的适应度，f_avg二为每代群体的平均适应度，f'为2个个体中较大的适应度，f为变异个体的适应度，p_m1为最小适应度个体的变异概率，p_m2是最大适应度个体的变异概率，p_c1为为最小适应度个体的交叉概率，p_c2为最大适应度个体的交叉概率。

步骤5：输出控制信号至驱动***，调整电机的状态。

有益效果：本发明能使电机转速响应变快、超调量变小以及转速波动减小，使电机具有良好的静态性能；本发明的控制方法能使控制器在负载突变的情况下，采用的遗传算法能对模糊控制器的参数进行在线自适应调节，提高***的抗干扰能力，使电动机在不同的运行环境下都能够有很好的动态性能，具有较强的鲁棒性。

附图说明

图1是本发明的***原理图。

图2是本发明的模糊化和反模糊化的隶属度函数表。

图3是本发明的模糊算法流程图。

具体实施方式

如图1所示，控制***采用双闭环控制。内环为电流环，其主要作用是限制最大电流，使***有足够大的加速转矩，并且能够保证***的稳定运行；外环为速度闭环，101和无刷直流电机107相连来驱动直流电机，无刷直流电机107与速度观测器103相连，转速观测器测103得无刷直流电机转速，转速参考模型101与速度观测器103相连比较，比较之后把得到的转速误差e和误差变化ec，速度观测器103与参数模糊化模块106相连，比较之后把得到的转速误差e和误差变化ec作为模糊控制器的输入误差e及误差变化ec，对误差e及其变化ec的实际值分别用量化因子k_e109和k_ec110进行量化，映射到模糊集合论域，模糊化模块106与遗传算法优化105相连，然后用遗传算法对模糊控制规则进行优化105并通过遗传算法在线调节控制器相关参数，遗传算法优化105与反模糊化模块104相连，模糊决策的输出量用比例因子k_u108从模糊论域映射到基本论域，最后作用于控制***，以获得较好的稳定性和较高的控制精度。

外环速度闭环其主要作用是增强***抗负载扰动的能力和抑制转速波动，并能够保证***静态和动态跟踪的性能，直接关系到伺服***的稳定与高性能运行。本发明采用“双模”模糊控制器，即在速度偏差较大的时候采用“粗调”模式以达到伺服***快速性的要求，在转速偏差较小的时候采用“细调”模式以达到精确性的要求。同时采用遗传算法对模糊控制器的参数进行在线调节，使控制器在不同的运行环境下都能够有较好的静态和动态性能。

下面是本发明的遗传模糊自适应算法：

步骤一301：经过公式201计算出模糊控制器的输入：转速误差e和转速误差变化ec。

步骤二302：对转速误差e和转速误差变化ec的值分别用量化因子k_e和k_ec进行量化，并且映射到模糊集合论域。

步骤三303：选择图2的三角形分布函数作为模糊控制器的成员函数。

步骤四304：根据专家经验归纳和总结出模糊控制器的控制规则得出模糊控制决策表。

步骤五305：利用遗传算法对模糊控制规则进行优化，得出优化过的模糊决策表。

步骤六306：基于遗传算法的模糊控制器参数的寻优以及在线调整。

步骤七307：模糊决策的输出量用比例因子K_u从模糊论域映射到基本论域，作用于控制******来控制电机速度。

步骤一301：经过公式201计算出模糊控制器的输入：转速误差e和转速误差变化ec。

根据无刷直流电机控制***的实际需要，本文选取了二维模糊控制器，同时选取电机的转速误差e及其变化率ec作为二维模糊控制器的输入，经过模糊化和模糊决策产生一维的输出，再通过反模糊化输出控制信号对无刷直流电机的转速进行调节，其设计如下:

对动态信号进行定义：模糊控制器的速度跟踪误差e及误差变化ec，在无刷直流电机的速度控制中分别为转速误差e和误差变化ec。其定义为

$\left\{\begin{array}{c}e\left(k\right)=n^{*}\left(k\right)-n\left(k\right)\\ \mathrm{ec}\left(k\right)=e\left(k\right)-e(k-1)\end{array}\right.---201$

式中，e(k)由参考模型和实际测量的转速信号比较得到；ec(k)为连续两个采样周期e值之差；n^*(k)为第k次采样周期参考模型响应；n(k)为第k次采样周期电机的转速响应。

步骤二302：对转速误差e和转速误差变化ec的值分别用量化因子k_e和k_ec进行量化，并且映射到模糊集合论域。

为了增加控制的灵敏度和便于应用模糊规则，对误差e及其变化ec的实际值分别用量化因子k_e和k_ec进行量化，映射到模糊集合论域X＝{-m,-m+1,…,0,…,m-1,m}。随着m的增大，***的控制效果会得到提高，但是m过大时，又给模糊控制规则带来困难，一般而言，m取为6或者7效果比较合适，本发明中模糊论域分为负大NB、负中NB、负小NS、零ZE、正小PS、正中PM和正大PB等7个语言变量值。模糊决策的输出不能直接在控制***中应用，需要把比例因子k_u来把输出的变量丛模糊论域转化到实际输出的基本论域，最后作用于控制***。

步骤三303：选择图2的三角形分布函数作为模糊控制器的成员函数。

本发明中选择三角形分布函数为模糊控制器的成员函数，如附图2所示。

步骤四304：根据专家经验归纳和总结出模糊控制器的控制规则得出模糊控制决策表。

根据专家经验，得出“IF-THEN”形式的模糊控制决策表，控制规则可以用下面的形式表达：

If e is NB and e_c is PM then U is PM，

If e is PM and e_c is NB then U is PS。

步骤五305：利用遗传算法对模糊控制规则进行优化，得出优化过的模糊决策表。

根据无刷直流电机自身的特点，传统的经验方法获得的模糊决策比较难保证在不同的工作状态下都达到良好的控制效果，所以本发明用遗传算法对电机不同状态下的控制规则进行优化，以得到较好的控制效果。本发明采用遗传算法对模糊控制规则进行优化，获得较好的稳定性和较高的控制精度。本发明应用遗传算法优化模糊控制规则时的编码方式:用10位二进制码表示一条模糊决策规则，第一位为标志位，用来表示该规则是否使用，1代表存在该规则，O代表放弃该规则；2一4位码、5一7位码、8一10位码分别代表误差e、误差变化e_c、决策量FD，3个变量都是用001、010、011、100、101、110、111分别代表NB、NM、NS、ZE、PS、PM、PB。

表1给出了经过遗传算法优化后的模糊控制规则。经过遗传算法演化，得出此状态下的最优编码，不好的控制规则经过遗传算法演化，被优化成较好的规则。由于遗传算法优化模糊控制器控制规则的过程相对复杂，在无刷直流电机这种高速运转的控制***中，即使使用高速的数字信号处理器(DSP)也很难满足***快速性和实时性的要求，因此将对模糊控制规则的优化在离线状态下进行，将优化后的模糊控制规则载入DSP中，使得***具有更高的可行性。

表1

步骤六306：基于遗传算法的模糊控制器参数的寻优以及在线调整。

1、模糊控制器的性能决定模糊控制***的性能，而模糊控制器的性能又取决于模糊语言规则和模糊推理。在***特性发生变化后，为使模糊控制***具有优良的动、静态性质，应不断调整模糊控制器的运行参数；针对这种模糊控制器难以应用于不同控制对象的情况，本发明设计了权系数可调的模糊控制器。

本发明将输入变量从基本论域转换到相应的模糊集论域，将输入变量乘以相应的因子，从而引出误差量化因子K_e和误差变化率量化因子K_ec。此外，每次采样经模糊控制器给出的控制量，不能直接控制对象，还必须将其转换到控制对象所能接受的基本论域中，从而引出比例因子K_u。

关于运行参数K_e，K_ec，K_u对***响应的影响如下：

(1)K_e越大，响应曲线上升速度越快；K_e过大，***产生较大的超调，使调节时间增长，严重时会出现振荡现象；K_e过小，则收敛速度过慢；K_e增大，***的静差减小。

(2)K_ec越大，***的响应越迟钝，K_ec越小，***响应越灵敏，上升速率越快，但严重时会使***产生振荡；K_ec增大，***的静差将减小。

(3)K_u相当于常规控制***中的比例增益，一般情况下，K_u越大，响应速率越快；K_u过大，则出现响应严重振荡的情况；K_u过小，则收敛速率太慢。在这三个因子中，K_u的变化对***响应的影响最大。

2、根据上面的分析，受***稳定性的限制，模糊控制器的量化因子不能太大，因此最大量化误差e＝e_max时候最大，由量化误差引起的稳态偏差限制了***进度的提高，所以，本发明设计了基于经验的变参数双模模糊控制器，其控制切换开关在处，其控制思想表现在以下三点：

(1)在时，控制的重点在于满足快速性的要求，采用“粗调”模式；在满足***稳定性的前提下，尽可能增大k_e,k_u以满足快速性的要求，k_ec可以选择得较小。

(2)在时，控制的重点则转移到满足准确性的要求，采用“细调”模式；“细调”模式的模糊控制器的比例和量化因子用k_e1,k_ec1,k_u1来表示，初步进行选择k_e1＝m*k_e,k_ec1＝m*k_ec,，使“粗调”和“细调”的模糊集论域相同，这样量化误差就会减小。

(3)根据步骤六306中的分析，模糊控制器在控制规则确定时，量化参数K_e，K_ec，K_u决定***的控制性能，在“粗调”和“细调”的模糊控制器中，采用带调整因子的模糊控制规则，通过两组不同的量化参数来满足各自的要求。

对这三个参数进行调节，能够加快响应速度、减少超调量，并改善模糊控制器的静态和动态性能。在***运行过程中采用固定参数的模糊控制器不可能得到优良的动态性能以及稳定的性能，因此，根据***的控制进程模式对这些参数进行在线自动调整。对控制器参数的调整，以***动态误差e为变量，对k_e、k_ec和k_u的在线调整，其自调整公式为：

$K_e=\left\{\begin{array}{cc}{K}_{e0}+K_1*e& \left|e\right|\&le;\frac{e_{\max }}{2}\\ K_{e0}+K_1*\frac{e_{\max }}{2}& \left|e\right|>\frac{e_{\max }}{2}\end{array}\right.---202$

$K_{\mathrm{ec}}=\left\{\begin{array}{cc}{K}_{\mathrm{ec}0}+K_2*e& \left|e\right|\&le;\frac{e_{\max }}{2}\\ K_{\mathrm{ec}0}+K_2*\frac{e_{\max }}{2}& \left|e\right|>\frac{e_{\max }}{2}\end{array}\right.---203$

$K_u=\left\{\begin{array}{cc}{K}_{u0}+K_3*e& \left|e\right|\&le;\frac{e_{\max }}{2}\\ K_{u0}+K_3*\frac{e_{\max }}{2}& \left|e\right|>\frac{e_{\max }}{2}\end{array}\right.---204$

式中，K_e0，K_ec0，K_u0为基准值，K₁，K₂，K₃为微调参数，e_max为误差论域的正最大值。

增大K_e相当于缩小了误差的基本论域，增大了误差变量的控制作用。由公式202可知，当时，随着误差的增大，K_e增大，对误差的控制作用增大。对于K_ec，当误差逐渐减小的时候，为减小超调，应增大误差变化的控制作用，就是要求K_ec逐渐增大。对于K_u，由公式204可知，K_u随着误差的增大而增大，加大对误差的控制作用，使得收敛速率加快。

3、使用遗传算法对模糊控制器参数进行优化，主要进行如下步骤:

(1)确定决策变量及其约束条件和编码、解码方法

在参数优化中，以基准值K_e0，K_ec0，K_u0以及微调参数K₁，K₂，K₃为决策变量。决策变量的约束条件以及***稳定性能指标的要求为参考，若要求***稳态误差小于δ，则一般有：

$k_e\&GreaterEqual;\frac{1}{2\mathrm{\&delta;}}---205$

(2)建立优化模型和确定个体评价方法

遗传算法的一个特点是它使用所求问题的目标函数得到下一步的搜索信息，而对目标函数的使用通过评价个体的适应度来体现。因此，适应度函数是遗传算法的关键函数，适应度函数一般由目标函数变换而来。以***最大超调量M_p调整时间t_s和稳态误差e_sr为基础，采用权重系数组合法，构造适应度函数为：

f＝αexp[-(M_p/M_p0)²]+βexp[-(t_s/t_s0)²]+γexp[-(e_sr/e_sr0)²]   206

式中，M_p0，t_s0和，e_sr0分别为***的响应指标期望值；α，β，γ为权重系数，反映各个指标在控制***的总体性能中的权重，要求α+β+γ＝1。此适应度函数值越大，说明***的性能越好。

(3)进行遗传操作

遗传操作是模拟生物基因遗传的控制，包括设计3个遗传算子(选择、交叉和变异算子)以及确定遗传算法中的运行参数。在这里选择算子采用比例选择算子，即每个个体被选择的概率与其适应度成比，选择公式为：

$P_{\mathrm{si}}=f_i/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{f}_i---207$

公式207中，f_i为第i个个体的适应度，P_si为第i个个体被选择的概率，n为种群大小。

交叉算子是遗传算法种产生新个体的主要方法，因为具有全局搜索能力而被作为主要算子，这里采用单点交叉算子；而变异算子只是产生新个体的辅助方法，因为只具有局部搜索能力而被作为辅助算子，这里采用基本位变异算子。

关于运行参数的确定，遗传算法种需要确定的参数主要有群体大小M，终止代数T、交叉概率P_c和变异概率P_m。本发明这里取M＝60，T＝160。同时根据Srinvivas提出的自适应遗传算法，这两个参数可以自动改变，其计算公式分别为:

$p_c=\left\{\begin{array}{cc}{p}_{c1}-\frac{(p_{c1}-p_{c2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ p_{c1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.---208$

$p_m=\left\{\begin{array}{cc}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ p_{m1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.---209$

式中，f_max为群体中最大的适应度，f_avg二为每代群体的平均适应度，f'为2个个体中较大的适应度，f为变异个体的适应度，p_m1为最小适应度个体的变异概率，p_m2是最大适应度个体的变异概率，p_c1为为最小适应度个体的交叉概率，p_c2为最大适应度个体的交叉概率。

交叉概率P_c和变异概率P_m的选择是影响遗传算法行为和性能的关键，直接影响算法的收敛性；

P_c越大，新个体差的速度就越快，但过大会使优秀个体的结构很快被破坏；P_c过小，搜索过程缓慢，以致停止不前；

P_m过小，不易产生新个体结构，P_m过大，变成纯粹的随机搜索。

在本发明中，取P_c1＝0.8,P_c1＝0.6,P_m1＝0.1,P_m2＝0.001。

步骤七：模糊决策的输出量用比例因子K_u从模糊论域映射到基本论域，作用于控制******来控制电机速度。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (5)

1.一种基于遗传算法的无刷直流电机模糊控制***，其特征在于，它包括用以限制最大电流的电流环和用以无刷直流电机转速的速度闭环。

2.如权利要求1所述的基于遗传算法的无刷直流电机模糊控制***，其特征在于：进一步为：

驱动***(102)，用于驱动无刷直流电机(107)；

速度观测器(103)，用于采集无刷直流电机转速；

转速参考模型(101)，提供电机转速的参考数据，并与采集到的电机转速相比较获得转速误差和误差变化率；

参数模糊化模块(106)，接收所述转速误差和误差变化率，并进行量化，映射到模糊集合论域，

遗传算法优化模块(105)，采用遗传算法对模块控制规则进行优化，并调节模糊论域中的相关参数，作出模糊决策；

反模糊化模块(104)，将模糊决策的输出量映射到基本论域；

以及采集无刷直流电机的电流并调节电机功率的电流环。

3.如权利要求2所述的基于遗传算法的无刷直流电机模糊控制***，其特征在于：所述遗传算法优化模块(105)进一步用于：

确定决策变量及其约束条件和编码、解码方法：

在参数优化中，以基准值K_e0，K_ec0，K_u0以及微调参数K₁，K₂，K₃为决策变量，决策变量的约束条件以及***稳定性能指标的要求为参考，若要求***稳态误差小于δ，一般有：

$k_e\&GreaterEqual;\frac{1}{2\mathrm{\&delta;}}$

建立优化模型和确定个体评价方法：

以***最大超调量M_p调整时间t_s和稳态误差e_sr为基础，采用权重系数组合法，构造适应度函数为：

f＝αexp[-(M_p/M_p0)²]+βexp[-(t_s/t_s0)²]+γexp[-(e_sr/e_sr0)²]

式中，M_p0，t_s0和，e_sr0分别为***的响应指标期望值；α，β，γ为权重系数，M_p0为***最大超调量的期望值；e_sr0为***稳态误差的期望值；t_s0为***调整时间的期望值；α+β+γ＝1；

进行遗传操作：设计3个遗传算子、确定遗传算法中的运行参数：

$P_{\mathrm{si}}=f_i/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{f}_i$

式中，f_i为第i个个体的适应度，P_si为第i个个体被选择的概率，n为种群大小；

运行参数的确定，遗传算法种需要确定的参数主要有群体大小M，终止代数T、交叉概率P_c和变异概率P_m，计算公式分别为:

$p_c=\left\{\begin{array}{cc}{p}_{c1}-\frac{(p_{c1}-p_{c2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ p_{c1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

$p_m=\left\{\begin{array}{cc}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ p_{m1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

式中，f_max为群体中最大的适应度，f_avg二为每代群体的平均适应度，f'为2个个体中较大的适应度，f为变异个体的适应度，p_m1为最小适应度个体的变异概率，p_m2是最大适应度个体的变异概率，p_c1为为最小适应度个体的交叉概率，p_c2为最大适应度个体的交叉概率。

4.一种基于遗传算法的无刷直流电机模糊控制方法，其特征在于，包括如下步骤：

步骤一：计算模糊控制器的输入：包括转速误差e和转速误差变化ec；

步骤二：分别用量化因子k_e和k_ec对转速误差e和转速误差变化ec的值进行量化，并将其映射到模糊集合论域；

步骤三：选择三角形分布函数作为模糊控制器的成员函数；

步骤四：制定模糊控制决策表；

步骤五：利用遗传算法对模糊控制决策表中的模糊控制规则进行优化，得出优化过的模糊决策表；

步骤六：基于遗传算法的模糊控制器参数的寻优以及在线调整；

步骤七：模糊决策的输出量用比例因子K_u从模糊论域映射到基本论域，作用于控制******来控制电机速度。

5.如权利要求4所述的基于遗传算法的无刷直流电机模糊控制方法，其特征在于，进一步为：

步骤1：采集电机的转速，并与速度参考模型中的数据比较，获得速度偏差及误差变化率；

步骤2：判断速度偏差处于第一状态或第二状态；若处于第一状态，执行步骤3，若处于第二状态，执行步骤4；

步骤3：定义动态信号：模糊控制***的速度偏差及误差变化在无刷直流电机的速度控制中分别为转速误差e和误差变化ec；

$\left\{\begin{array}{c}e\left(k\right)=n^{*}\left(k\right)-n\left(k\right)\\ \mathrm{ec}\left(k\right)=e\left(k\right)-e(k-1)\end{array}\right.$

式中，e(k)由参考模型和实际测量的转速信号比较得到；ec(k)为连续两个采样周期e值之差；n^*(k)为第k次采样周期参考模型响应；n(k)为第k次采样周期电机的转速响应；

用量化因子k_e和k_ec量化速度偏差及其误差变化率的实际值，映射到模糊集合论域X＝{-m,-m+1,…,0,…,m-1,m}，需要把比例因子k_u来把输出的变量丛模糊论域转化到实际输出的基本论域，进入步骤5；

步骤4：确定决策变量及其约束条件和编码、解码方法：

在参数优化中，以基准值K_e0，K_ec0，K_u0以及微调参数K₁，K₂，K₃为决策变量，决策变量的约束条件以及***稳定性能指标的要求为参考，若要求***稳态误差小于δ，一般有：

$k_e\&GreaterEqual;\frac{1}{2\mathrm{\&delta;}}$

建立优化模型和确定个体评价方法：

以***最大超调量M_p调整时间t_s和稳态误差e_sr为基础，采用权重系数组合法，构造适应度函数为：

f＝αexp[-(M_p/M_p0)²]+βexp[-(t_s/t_s0)²]+γexp[-(e_sr/e_sr0)²]

式中，M_p0，t_s0和，e_sr0分别为***的响应指标期望值；α，β，γ为权重系数，α+β+γ＝1；

进行遗传操作：设计3个遗传算子、确定遗传算法中的运行参数：

$P_{\mathrm{si}}=f_i/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{f}_i$

式中，f_i为第i个个体的适应度，P_si为第i个个体被选择的概率，n为种群大小；

运行参数的确定，遗传算法种需要确定的参数主要有群体大小M，终止代数T、交叉概率P_c和变异概率P_m，计算公式分别为:

$p_c=\left\{\begin{array}{cc}{p}_{c1}-\frac{(p_{c1}-p_{c2})(f^{\&prime;}-f_{\mathrm{avg}})}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ p_{c1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

$p_m=\left\{\begin{array}{cc}{p}_{m1}-\frac{(p_{m1}-p_{m2})(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}}& f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ p_{m1}& f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

式中，f_max为群体中最大的适应度，f_avg二为每代群体的平均适应度，f'为2个个体中较大的适应度，f为变异个体的适应度，p_m1为最小适应度个体的变异概率，p_m2是最大适应度个体的变异概率，p_c1为为最小适应度个体的交叉概率，p_c2为最大适应度个体的交叉概率。

步骤5：输出控制信号至驱动***，调整电机的状态。