یک تحلیل مقایسه ای از الگوریتم های هوش جمعی کلونی زنبور مصنوعی و بهینه سازی گروهی ذرات در طراحی یک کنترل کننده PID فازی کسری و پیاده سازی آن بر روی موتور DC

نویسندگان

1 دانشگاه آزاد اسلامی واحد محمودآباد

2 دانشگاه تهران

چکیده

پیاده سازی یک کنترل کننده PID فازی کسری بر روی یک موتور DC در این مقاله مورد مطالعه و تحقیق قرار گرفته است. یک کنترل کننده PID فازی مرتبه کسری یک کنترل کننده PID است که دارای ضرایب مشتقی و انتگرالی غیرصحیح است که برای مواجهه با عدم قطعیتها به صورت فازی هم عمل می کند. استراتژی طراحی این کنترل کننده شامل تعیین پنج ضریب می باشد. این مقاله از الگوریتم های هوش جمعی کلونی زنبور مصنوعی و بهینه سازی گروهی ذرات برای طراحی ضرایب کنترل کننده مذکور استفاده می نماید. الگوریتم کلونی زنبور مصنوعی در طراحی کنترل کننده فازی کسری ارائه شده در مقایسه با روش طراحی بر اساس بهینه سازی گروهی ذرات و همچنین PID معمولی در مواجهه با عدم قطعیتها قوام سیستم را به میزان قابل توجهی بهبود بخشیده است.

کلیدواژه‌ها


عنوان مقاله [English]

A COMPARATIVE ANALYSIS OF ARTIFICIAL BEE COLONY AND PARTICLE SWARM OPTIMIZATION SWARM INTELLIGENCE ALGORITHMS IN DESIGN A FRACTIONAL FUZZY PID CONTROLLER AND IMPLEMENTATION ON DC MOTOR

نویسندگان [English]

  • rohollah Maghsoudi 1
  • yaghoob Heidari 1
  • behzad Moshiri 2
1 university
2 tehran university
چکیده [English]

In this article, has been studied implementation of fractional fuzzy PID controller on a DC motor. A fractional fuzzy PID controller is a conventional PID controller that includes two non-integer derivative and integral parameters (λ,µ) in addition to kp,ki,kd could be perform against uncertainties as fuzzy logic. Design strategy contains five parameters. This research uses from artificial bee colony and particle swarm optimization for designing of controller parameters. Artificial bee colony in designing proposed FFPID has improved system robustness considerably comparison with designed controller based on PSO and conventional PID.

کلیدواژه‌ها [English]

  • fractional fuzzy PID controller
  • Artificial Bee Colony
  • Particle swarm optimization
  • robustness

 

 [1] M. Axtell, M. Bise, 1990, "Fractional calculus applications in control systems", In National Aerospace and Electronics Conference, New York, IEEE, pp. 563–566.
[2] Vinagre B. M. , Podlubny I. , Petras I. , and Chen Y. Q. , 2001, Using fractional order adjustment rules and fractional order reference models in Model Reference Adaptive Control, Nonlinear Dynamics. 29, 269-279.
 [3] B. Aytekin, 2011, "Tabu search algorithm based PID controller tuning for desired system specifications", Volume 348, Issue 10, pp. 2795–2812.
[4] M. Zamani, M. Karimi-Ghartemani, N. Sadati, M. Parniani, 2009, "Design of a fractional order PID controller for an AVR using particle swarm optimization", Control Engineering Practice, Volume 17, Issue 12, pp. 1380–1387
[5] H. Gozde, M.C. Taplamacioglu, 2011, "Comparative performance analysis of artificial bee colony algorithm for automatic voltage regulator (AVR) system", journal of the Franklin Institute, Volume 348, Issue 8, pp. 1927–1946.
[6] M.A.S. Aboelela, M.F. Ahmed, H.T. Dorrah, 2011, "Design of aerospace control systems using fractional PID controller", Journal of Advanced Research, Volume 2, Issue 1, pp. 1-8  
[7] Y. Tang, M. Cui, C. Hua, L. Li, Y. Yang, 2012, "Optimum design of fractional order PIλDμ controller for AVR system using chaotic ant swarm.", Expert Systems with Applications, Volume 39, Issue 8, pp. 6887–6896.
 [8] M. Chengbin,Y. Hori, 2007, "Fractional Order Control: Theory and Its Applications in Motion Control", IEEE IES Magazine ,  pp.5-15.
 [9] J. Kennedy, R.C. Eberhart, 1995, "Particle Swarm Optimization", IEEE International Conference on Neural Networks, Volume 4, pp. 1942–1948.
 [10]  S.L. Sabat, S.K. Udgata, A. Abraham., 2010, "Artificial bee colony algorithm for small signal model parameter extraction of MESFET", Engineering Application of Artificial Intelligence, Volume  23, Issue 5, pp. 689 – 694.
[11] D. Karaboga, B. Akay, 2009, "A Comparative Study of Artificial Bee Colony Algorithm", Applied Mathematics and Computation, Volume 214, Issue 1, pp. 108-132.
[12] S. Sundar, A. Singh, 2010, "A Swarm Intelligence Approach to the Quadratic Minimum Spanning Tree Problem", Information sciences, Volume 180, Issue 17, pp. 3182-3191.
[13] B. Akay, D. Karaboga, 2012, "A Modified Artificial Bee Colony Algorithm for Real-parameter Optimization", Information Sciences, Volume 192, pp. 120–142.
[14]  Y. heidari, A.R. Noee, H.A. Shayanfar, S. Salehi., 2010, "Robust Control of DC Motor Using Fuzzy Sliding Mode Control with  Fractional PID Compensator.", The Journal of Mathematics and Computer Science, Volume 1, Issue 4, pp. 238-246.
[15] M. Zounemat-Kermani., M. Teshnelab, 2008, "Using adaptive neuro-fuzzy inference system for hydrological time series prediction", Applied soft computing, Volume 8, Issue 2, pp. 928-936.
[16] R. Jang, 1993, "ANFIS: Adaptive-network-based Fuzzy Inference Systems", IEEE Trans. Syst. Man Cybern, 1993, Volume 23, pp. 665-685.
[17] M. Fallahi, S. Azadi, 2009, "Robust Control of DC Motor Using Fuzzy Sliding Mode Control with PID Compensator", International MultiConference of Engineers and Computer Scientists,  Volume II.
[18] S.H. Hosseinnia, R. Ghaderi, A. Ranjbar N. , M. Mahmoudian, S. Momani, 2010, "Sliding Mode Synchronization of Uncertain Fractional-Order Chaotic System", Computers and Mathematics with Applications, Volume 59, pp. 1637-1643.