[article]
| Titre : |
Recurrent-fuzzy-neural-network-controlled linear induction motor servo drive using genetic algorithms |
| Titre original : |
Commande servo linéaire commandée récurrent-brouillée de moteur à induction de réseau neurologique en utilisant des algorithmes génétiques |
| Type de document : |
texte imprimé |
| Auteurs : |
Faa-Jeng Lin, Auteur ; Po-Kai Huang, Auteur ; Chou, Wen-Der, Auteur |
| Année de publication : |
2007 |
| Article en page(s) : |
1449-1461 p. |
| Note générale : |
Electronique |
| Langues : |
Anglais (eng) |
| Mots-clés : |
Backpropagation algorithm Genetic algorithms (GAs) Linear induction motor (LIM) Recurrent fuzzy neural network (RFNN) Algorithme de propagation arrière génétique Moteur à linéaire Réseau neurologique brouillé récurrent |
| Index. décimale : |
621 Ingénierie mécanique en général. Technologie nucléaire. Ingénierie électrique. Machinerie |
| Résumé : |
A recurrent fuzzy neural network (RFNN) controller based on real-time genetic algorithms (GAs) is developed for a linear induction motor (LIM) servo drive in this paper. First, the dynamic model of an indirect field-oriented LIM servo drive is derived. Then, an online training RFNN with a backpropagation algorithm is introduced as the tracking controller. Moreover, to guarantee the global convergence of tracking error, a real-time GA is developed to search the optimal learning rates of the RFNN online. The GA-based RFNN control system is proposed to control the mover of the LIM for periodic motion. The theoretical analyses for the proposed GA-based RFNN controller are described in detail. Finally, simulated and experimental results show that the proposed controller provides high-performance dynamic characteristics and is robust with regard to plant parameter variations and external load disturbance.
Un contrôleur brouillé récurrent du réseau neurologique (RFNN) basé sur des algorithmes génétiques en temps réel (gaz) est développé pour une commande servo linéaire du moteur à induction (LIM) en cet article. D'abord, le modèle dynamique d'une commande servo champ-orientée indirecte de LIM est dérivé. Puis, une formation en ligne RFNN avec un algorithme de backpropagation est présentée comme contrôleur de cheminement. D'ailleurs, pour garantir la convergence globale de l'erreur de cheminement, un GA en temps réel est développé pour rechercher les taux de étude optimaux du RFNN en ligne. On propose le système de commande GA-basé de RFNN pour commander le moteur du LIM pour le mouvement périodique. Les analyses théoriques pour le contrôleur GA-basé proposé de RFNN sont décrites en détail. En conclusion, les résultats simulés et expérimentaux prouvent que le contrôleur proposé fournit des caractéristiques dynamiques à rendement élevé et est robuste en ce qui concerne des variations de paramètre d'usine et la perturbation externe de charge |
| DEWEY : |
621 |
| ISSN : |
0278-0046 |
| RAMEAU : |
Commande linéaire |
| En ligne : |
linfj@mail.ndhu.edu.tw |
in IEEE transactions on industrial electronics > Vol. 54 N°3 (Juin 2007) . - 1449-1461 p.
[article] Recurrent-fuzzy-neural-network-controlled linear induction motor servo drive using genetic algorithms = Commande servo linéaire commandée récurrent-brouillée de moteur à induction de réseau neurologique en utilisant des algorithmes génétiques [texte imprimé] / Faa-Jeng Lin, Auteur ; Po-Kai Huang, Auteur ; Chou, Wen-Der, Auteur . - 2007 . - 1449-1461 p. Electronique Langues : Anglais ( eng) in IEEE transactions on industrial electronics > Vol. 54 N°3 (Juin 2007) . - 1449-1461 p.
| Mots-clés : |
Backpropagation algorithm Genetic algorithms (GAs) Linear induction motor (LIM) Recurrent fuzzy neural network (RFNN) Algorithme de propagation arrière génétique Moteur à linéaire Réseau neurologique brouillé récurrent |
| Index. décimale : |
621 Ingénierie mécanique en général. Technologie nucléaire. Ingénierie électrique. Machinerie |
| Résumé : |
A recurrent fuzzy neural network (RFNN) controller based on real-time genetic algorithms (GAs) is developed for a linear induction motor (LIM) servo drive in this paper. First, the dynamic model of an indirect field-oriented LIM servo drive is derived. Then, an online training RFNN with a backpropagation algorithm is introduced as the tracking controller. Moreover, to guarantee the global convergence of tracking error, a real-time GA is developed to search the optimal learning rates of the RFNN online. The GA-based RFNN control system is proposed to control the mover of the LIM for periodic motion. The theoretical analyses for the proposed GA-based RFNN controller are described in detail. Finally, simulated and experimental results show that the proposed controller provides high-performance dynamic characteristics and is robust with regard to plant parameter variations and external load disturbance.
Un contrôleur brouillé récurrent du réseau neurologique (RFNN) basé sur des algorithmes génétiques en temps réel (gaz) est développé pour une commande servo linéaire du moteur à induction (LIM) en cet article. D'abord, le modèle dynamique d'une commande servo champ-orientée indirecte de LIM est dérivé. Puis, une formation en ligne RFNN avec un algorithme de backpropagation est présentée comme contrôleur de cheminement. D'ailleurs, pour garantir la convergence globale de l'erreur de cheminement, un GA en temps réel est développé pour rechercher les taux de étude optimaux du RFNN en ligne. On propose le système de commande GA-basé de RFNN pour commander le moteur du LIM pour le mouvement périodique. Les analyses théoriques pour le contrôleur GA-basé proposé de RFNN sont décrites en détail. En conclusion, les résultats simulés et expérimentaux prouvent que le contrôleur proposé fournit des caractéristiques dynamiques à rendement élevé et est robuste en ce qui concerne des variations de paramètre d'usine et la perturbation externe de charge |
| DEWEY : |
621 |
| ISSN : |
0278-0046 |
| RAMEAU : |
Commande linéaire |
| En ligne : |
linfj@mail.ndhu.edu.tw |
|
Recurrent-fuzzy-neural-network-controlled linear induction motor servo drive using genetic algorithms in IEEE transactions on industrial electronics, Vol. 54 N°3 (Juin 2007)
