یک تکنیک بهینه‌سازی انبوه ذرات – ذره باکتریایی برای بهینه‌سازی بهینه کنترلر – کنترل کننده های متناسب با انتگرال مشتق شده یک موتور DC ثابت

کنترل کننده های متناسب با انتگرال مشتق شده – تناسبی به خاطر اثربخشی قابل‌توجه، و سادگی پیاده‌سازی، محبوب‌ترین کنترل‌کننده‌ها در این قرن بودند.با این حال، کنترل کننده های متناسب با انتگرال مشتق شده تناسبی معمولا در عمل تنظیم نمی‌شوند.این مقاله یک الگوریتم ترکیبی بهینه‌سازی انبوه ذرات و روش‌های جستجوی باکتریایی را برای تعیین پارامترهای بهینه یک کنترل‌کننده مشتق از انتگرال گیری برای کنترل سرعت موتور DC بدون جاروبک بدون جاروبک معرفی می‌کند.بخش اول مقاله به مدلسازی سیستم و بررسی آن می‌پردازد که در آن یک مدل از دقت متوسط را نمی توان انتظار داشت تا مقایسه‌ای منصفانه از کنترل‌کننده‌های مختلف انجام دهد.بخش‌های باقیمانده این مقاله کاربرد روش‌های مختلف بهینه‌سازی را برای تنظیم کنترل‌کننده تناسبی – انتگرال گیری به صورت کاربردی در مدل موتور نشان می‌دهد.الگوریتم بهینه‌سازی انبوه ذرات، جستجوی باکتری، و الگوریتم بهینه‌سازی انبوه ذرات در MATLAB اجرا می‌شوند در حالی که جعبه ابزار GA استفاده می‌شود.عملکرد کنترل‌کننده‌های تنظیم‌شده شبیه‌سازی شده و به صورت تجربی برای ارزیابی ویژگی‌های اصلی هر یک بررسی شده‌

The proportional-integral-derivative controllers were the most popular controllers of this century because of their remarkable effectiveness, and simplicity of implementation. However, proportional-integral-derivative controllers are usually poorly tuned in practice. This article presents a hybrid particle swarm optimization and bacterial foraging techniques for determining the optimal parameters of a proportional-integral-derivative controller for speed control of a permanent magnet brushless DC motor. The first part of the article deals with the system modeling and its verification where a model of modest accuracy cannot be expected to give a fair comparison of different controllers. The remaining parts of the article present the application of different optimization techniques to tune the proportional-integral-derivative controller as applied to the motor model. The particle swarm optimization, bacterial foraging, and bacterial foraging-particle swarm optimization algorithms are imp