Int ern at i onal  Journ al of  P ower E le ctr on i cs a n d  Drive  S ystem s   ( IJ PEDS )   Vo l.   12 ,  No.   2 ,  Jun  2021 ,  pp.  119 6 ~ 120 4   IS S N:  20 88 - 8694 ,  DOI: 10 .11 591/ ij peds . v12.i 2 . pp 119 6 - 120 4       1196       Journ al h om e page :  http: // ij pe ds .i aescore.c om   Improvi ng neura l netwo rk  us i ng a sine tr ee - seed al gorithm  f or  tuning m otor D C         Widi  A ri b owo , Ba m bang  Supri anto,  Joko   Depa rtment  o f  E le c tri c al E ngin eering,   Univ ersitas Nege ri   Suraba y a,   Indon esia       Art ic le  In f o     ABSTR A CT    Art ic le   hist or y:   Re cei ved   Oct   6 , 2 0 20   Re vised  Feb   2,  20 21   Accepte d  M ar   2 3 , 20 21       A  DC  mot or   is  appl i ed  to   de li c at e   spee d   and   p ositi on  in   th e  in dustry.   Th e   stabi lity   and   pr oduct ivity   of  a   sys te m  are  keys   for   tuni ng   of   a   DC  mot or  spee d.   Stab il i zed  spee d   is  influence d   by   loa d   sw ay   and   env ironm ental   fac tors.   In   thi s   pape r,  a   com par ison  stu dy  i n  di ver se  t ec hn ique s   to   tune  th e   spee d  of   the  DC  mo tor  wi th   par a me t er  un ce r ta in t ie s  is  show ed.  T he  r ese ar c h   has  discussed  t he  app li c ation  o f  the  fe ed - forw ard   neu ral  ne twork  (FF NN )   which  is  enha n c ed  by  a  sin e  tr e e - see d  al gor it hm   (STSA ).   STS A  is  a   hybrid   me thod   of  the  t ree - see d   al gori t hm  (TSA)  and  Sine  Cosine   a lg orit hm .   The  STS A  me thod   i s  ai m ed   to   im p rove   TSA  per fo rma nc e  b ase d   o n  the  sin e   cosine   a lgori th m   (SCA )  me thod.  A  fee d - forward   neur al   n et work   (FF NN )  i s   popula r  and  ca p abl e   of  nonl inea r  issues.  Th e  fo c us  of  the  rese arch  is  on  the  ac hi eve m ent  spe ed  of  DC  mot or .   In  addi t ion,  th e  proposed  me t hod  will   b e   com par ed  with   proporti ona l  i nte gra l  der iva t i ve  (PID ),   FF NN ,   ma r ine  pre dat or   a lgori th m - fee d - forw ard   neur al  ne twork  ( MP A - N N)  and  a tom   se arc h   al gorit h m - fe ed - f orward  neur al  n et wor k  (AS O - N N).  The   p erf orm anc e  of  the  spee d  from  the   proposed  me tho d  has  the   b est  r e sult.   Th e  set tl in g  ti m e  va lue   of  the  proposed  me thod   is  mor e  stabl e   tha n   th e  P ID  me thod .   The  ITAE   va lue  of  the   STS A - NN   me thod   was  31. 3%  bet t er  th an  t he  PI D  me thod .   Mea nwhile,   the   I TSE  v al ue   i s 29. 2%  b et t er th an  th e  PID   m et h od .   Ke yw or d s :   DC m otor   Feed - f orward  neural  netw ork     Sine c os ine  alg or it hm    Sine tree - see d al gorithm   Tree - see d  al go rithm   This   is an  open   acc ess arti cl e   un der  the  CC  BY - SA   l ic ense .     Corres pond in g  Aut h or :   Widi  Ar i bow o    Dep a rteme nt of Elect rical  E nginee rin g   Un i ver sit as  Ne ger i  Suraba ya   Un es a Ka m pu s   Keti ntan g, S urabay a  61 256, J awa Tim ur,  Indonesia   Emai l:  w idiari bow o@u nesa.a c.id       1.   INTROD U CTION     DC  mo t or  ( di rect  c urren t )  i s  a   basic   el ec trom ec ha nical   dev ic e   that   ha s  the   f unct io n  to   co nvert  el ect rical   po we r  into  mecha ni cal   power.  DC   mo to r  is  a  ty pe   of   m ot or   that   is  us ed  direct  vo lt age  a s  it s  powe r  so urce.   By   pro vid in g  a   volt ag e  dif fer e nce  at   the  tw o  te r min al s,  the  mo t or   will   be  ro ta ti ng  in   one  direct ion .   I f   the  po la rit y  of  the  volt age  is   re ver se d,  the   directi on  ro ta ti on  of  the  mo t or  will   be  reversin g  as   well .  Th e   po la rity  of  the  vo lt age   is  a ppli ed  in   the  t wo  t erminals   to  det ermine   the   dire ct ion   of  r otati on  of  the   m oto r .   DC   mo to rs  ha ve  re li abili ty,  flexib il it y,   and  lo w  cost.  It  is  the   r easo n  w hy  DC   mo t or  is  ve r y  popula r  i n  in dustria l  app li cat io ns   an d  ho us e ho l d  a pp li ance s  that  requires  mo t or  sp ee d  an d  posit ion   co ntr ol.  DC  m oto r s  are   mo s t   com patible   with level  sp ee d  c on t ro l a nd are  t her e fore a ppli ed  in  ma ny ada pt able sp ee d dr i ves [1].   DC  m otors  ha ve  bette r  spe e d  c har act erist i cs  than   AC  m otors.  In  ad diti on,  t he  DC  m otors  hav e  a n  op ti mal   sp ee d  con t ro l   f or  br e akin g  a nd   acc el erati on .   DC  mo to rs   ha ve   a   lo ng e r   li feti me  due   to   a dju st ments   and v a riat ions  in imple mentat ion .     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  P ow Elec   & Dri S ys t   IS S N: 20 88 - 8 694       Impr ovin g neural  network  us i ng a sine  tree - s eed  algorit hm f or  t un i ng moto r D C   ( Wi di  Aribo w o )   1197   Conve ntion al   mo to r  co ntr ollers  su c h  as  P I D  co ntr ollers  a re  sti ll   po pula r ly  ap plied  [ 2].  This  is   due  to   the  sim ple  P I D  t opolog y.  T he  wea kn es s  of  P I D  is  t o  ac hieve   hi gh  performa nce  from   a  c ontrolle r   t hat  has   require d  accu r at e  an d  preci se   co ntr ol  pa ram et ers.   A   good  PI D   c ontrol   set ti ng   will   hav e   an  im pact   on   opti mal  sy ste m  res ponse   [ 3] .   It  is  rea ll y  de p en ding  on  the  par a mete r  set ti ng s   an d  the  mat hemati cal   model.  Cl a ssica l  methods   ha ve  char act e risti cs  wh e n  modeli ng  a  non - li near  sy ste m.   T his  is   infl uen ce d  by  the  co ntr ol  e quat ion  wh ic h  is c ompl ic at ed  an d req ui red   more e ffort .   This  is   sti m ulate d  t he  de velopm ent   of  int el li gen t  c on t rol   te ch no l ogy  [ 4].  T he   dev el opment   of   arti fici al   intel li gen ce   is  becomi ng  a n  a dd it ion al   s upplem ent  in   te rms  of  c on t ro l.   I n  r ecent  year s ,  s ever al   researc hers  ha ve  sta rted  t o  a pp l y  se ve ral  in te ll igent  co ntr ol  met hods  ba sed  on  a rtific i al   intel li gen ce.   Neural   netw orks  a re  the  fa vorite   m et hod  us ed   be cause  the y  ha ve  the  a bili ty   to  s olv e  c omplex  a nd  no n - li near  pro blems.   Se ve ral  neural  net work  meth od s   are  a ppli ed   in   app l ic at io ns   suc h  a s  f or ecast i ng  [ 4 ],  cl assifi cat ion   [ 5 ],  est imat ion  [ 6 ] ,  a n d  pr e dicti on   [ 7 ].   Se ve ral  stu dies  on  DC  m otor  c on trol  a re  div i de d  i nto   t wo  c oncepts,   namely:  c onve ntion al   meth ods  an d  arti fici al   intel li gen ce  m et hods .  seve ral   arti fici al   intel l igence  c oncept s  f or   con t ro ll in g  s uc h  as:   W hale  opti miza ti on   al go rithm  [ 8 ],  [ 9 ] ,  Harris  Hawks  op ti miza ti on  al gorithm   [ 10 ],  f lowe r   po ll inati on  al gorith m  [ 11 ],   fi ref ly  al gorithm   [ 12 ] ,  ant  c olony   al gorithm  [ 13 ],   [ 14 ],   a nd   neural  net wor k  [ 15 ],  [ 16 ].   Feed  for ward  neural  net wor k  (F F N N)   has  a   simple  an d  ea s y  to  im pleme nt   netw ork  st ru ct ur e .  FF N N   is  the  fa vorite   of   t he  m os t  widely   imple mented   an d  is   gro wing  ra pi dly   with  a  wide  va riet y.   Se ver al   com pu ta ti on   methods  ha ve   bee n  wi dely  app li ed   to  op t imi ze  neural  ne tworks   su c h  as  the  par ti cl e  swar m   op ti miza ti on  ( PSO)  meth od  wh ic h  is   a pp li ed  f o r   wei gh ti ng  F FNN   opti miza ti on  [ 17 ],  Ge netic   al gor it hm   com bin e d wit h FF NN [ 18 ], a nd a c ombinati on of  gr a vitat ion al   searc h  al g or it hm a nd FFNN  [ 19 ] .   Tree - see d  al gorithm  (TSA)  ha s  the  a dv a nta ge  that  it   can   s olv e  opti miza tio n  pro blems .  On   t he  oth e r   hand,   TSA   has   li mit ed   exp l oitat ion   w hen   de al ing   with  c omplex  pro blems.   The  sine - c os ine  al gorith m  ( SCA )   method   has   th e  a dv a ntage   of  ba la ncin g  ex pl or at io n  a nd   e xp l oitat ion .   T he   SC A  c an   fin d  pro misi ng  a r eas  of  the searc h spac e an d ult imat el y  c onve rg e  to  t he glo bal opti mal [ 20 ].   T his  resea rc h  is  proposi ng   t he  sine  t ree - se ed  al gorith m  method  t o  imp rove  neural  ne twork  s kill s.   The  li mit at ions  of  the  ne ur al   netw ork  i n  w ei gh ti ng  will   be   ha nd le d  by  the  sine   tree - se ed  al go rithm  method.   The   meth od  of  the   sine   tree - s eed  al gorithm   i s  de vel op e d  by   co mb i ning  t he   sine   co sine   al gorithm   a nd  th e  tree   seed  al go rithm   [ 20 ] .  T he  met hod  of   t his  res earch  is  cal le d  the  STS A - N N  hybri d  met hod.  The  meth od  is  us e d  to  co ntr ol  the  sp ee d  of  a  DC   mo t or .  The  c on t rib ution   of  this  resea rch   is   to  prese nt  int el li gen t  co ntr ol   sk il l s   base d  on  t he   Sine   T ree - Se ed  Algo rithm   hy br i d  meth od  a nd  the   ne ur al   net wor k.  T he  validat ion  a nd  eff ect ive ness o f  the  prop os e d met hod  a re c ompa red with  th e  PID ,   FF NN ,   MP A - N N a nd  AS O - NN .       2.   MA TE RIA L S  AND  METH OD S     2.1.   A  sine  tree - se ed  al go ri th m   The  met hod  pro posed  by  S TSA - N N  is  a   com bin at io n  of   S TS A  an d  NN   met hods.   The  STS A  al gorithm  is  a n  imp r ov e men t  in  the  Tree - Seed  Algorith m  (TSA)  met hod  us in g  the   Sine  Cosi ne  (S CA )  method.     2.1.1.   TSA: T ree - see d a l go ri th m   TSA  is  a   met aheurist ic   met hod  that  has   a  f unct ion  as   an  i ntell igent  op ti miza ti on  ba sed   on   the   relat ion s hip  be tween   trees   a nd  seeds .   It   is  use d  to   s olv e   ongoin g  pr ob le ms.   At   the   sta r t  of  t he   al gorit hm ,   t he  trees  are  plant ed   a bove  the   gro und.  T he  loc at ion   of   t he  tre e  is  placed  wit h  the  best  poss ible  so luti on  t o  the   pro blem.   The   l and  is  a   re pres entat ion  of  t he  search   s pace.   A  c ontrol   pa ra mete r  cal le d  se arch  te nde ncy  (S T )   is  us e d  to   handl e  trees  t hat  ha ve  t he  best  s earch   te nde n c y  or  ta ke n  ra ndom l y.  The   TSA  meth od  has  t he  adv a ntage  of st rengthe ning a nd  blen ding lo c al ly to op ti mal  or n ea r - opti mal.   M ea nwhile ,  a   very   imp or ta nt   opti miza ti on  pro blem   is  t o  ge t  a  cl ear   l ocati on  gen e rated   from   the   tree.   This  is  t he  f oc us   of  the  sea r ch.   N e w  trees   are  create d  by  re placi ng  exis ti ng   trees   with   ne w  see ds   t ha t  are   deeme d  s uitab le   and  be st.  T he  tree   an d  se ed  sea rch  met hod  will   be   re peati ng  unti l  a   sp eci fie d  nu mb e r  of   funct io n  crit eri a are acc ommo dated. I n  t he  ea rly  sta ges, i niti al iz e the tree is   deter mine d by .     , + 1 = ,  + ,   ×   ( ,  −  , min   )   (1)     , + 1 = , + ,   ×   ( ,  − , )   (2)     , + 1 = , + 1 + ,   ×   ( , − , )   (3)     ,  = min   ( ∫ ( , + 1 ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗   ) )   (4 )   Evaluation Warning : The document was created with Spire.PDF for Python.
            IS S N :   2088 - 8 694   In t J   P ow  Ele c  &  D ri   S ys t,   V ol .  12 , N o.   2 ,  J une  2021   :   119 6   –   120 4   1198     Wh e re  dime nsi on   of  the   tree  is  , + 1 .  T he  higher   boun d  of  the   search   s pace   is   ,  .  T he  l ow e r  boun d  of  the  searc h  sp a ce  is   , min     .  The  r a ndom   value  w it h  range   [ 0,1]  gen e rat ed  for   each  dime ns i on   is  , .  T he   dimensi on  of  the  seed  is  , + 1 .   ,   .   ,   a re  the  scal i ng   el eme nt  w hich  gen e rated   in  series  of  [−1,  1]   rand om ly .   The   dimens i on  of   top   tree  place  is  ,  .  The  dime ns io n  of  a  tree   randoml y  c hosen  f rom  th e   popula ti on   is  , .   Fo r  al l  te st,  the  sto p  sta te   is  the  pea k  ti m es  of   functi on   evaluati ons  ( MaxFE )  an d  t he   amo un t  of fu nc ti on  e valuati on s ( FE ) .      =   10000   (5)      =   (6)     W he re  M   is t he  d ime ns io n of  a f un ct io n,  A   is  the  numb e r   of  trees.     2.1.2.   SCA:  S ine – c osi ne a l go ri t hm   SCA is served t o  so lve  opti miza ti on  pr ob le m s w it h  un know n  searc h  s pace s u sin g  the si ne  an d  c os ine   functi ons.  T he  locat ion   of  eac h  sea rch   a ge nt  is  updated   to  ge t  the  opti mal  so luti on.  SCA  has  a n  al gorith m  f or   com bin in g  hi gh  rand omness   o f  se ver al   s olu ti ons  a nd  r andom   s olu ti ons  w hich  is   us ef ul  for  obta ining   promisin g  a rea s in  t he  sea rch  sp ace .     + 1 = + 1   × sin ( 2 ) × | 3   ×   1 − |   , 4 < 0 . 5   (7)     + 1 = + 1   × cos ( 2 ) × | 3   ×   1 − |   , 4 ≥ 0 . 5   (8)     Wh e re  t he  po si ti on  o f   the  c urr ent  s olu ti on   is  + 1 .   The   best so l ution  obtai ned  s o  far   is  1 .  1   dicta te s  the n ex t   place  (or  dire ct ion   of  m ove ment) ,  t he  dis ta nce  from   w hich   the   m ov e ment  s houl d  move  t o  t he  t arg et   or   ou t ward   is   2 .   A   ra ndom  wei gh t  for  t he  go al   s o  th at   stoc hastic al ly  em ph asi z e  ( 3 >1)  or  deem ph a siz e  ( 3 <1 )   the  eff ect   of   desali natio n  in   def i ning  the  distance   is  3 .  A   unif orm  sw it ching   betwee n  sine  a nd  co sin e   functi ons   is  4 .     = −       (9)     Wh e re     is t he c urren t i te rati on ,    is t he  ma xim um  it erati ons , a nd    is a co ns ta nt.      2.1.3.   STSA :  Sine   tr ee - seed  algorit hm   Seeds ha ve  a n i mp ort ant  ro le   in the dist rib ution an d  sea rch f or   opti mal valu e. Th is i s  not o ptimal  du e   to  ra ndom  a nd  simple  see d  pr oductio n.  P oo r   seed   producti on  will   resu lt   i n  op ti miza ti on  resu lt s  t hat  are   not  in   accor da nce  with  the   opti mal  s olu ti on.  The   S TSA   meth od  modifie s  the   num ber  of  see ds   ( ns )   val ue  s o  that  it   can  be  proces s ed  acc ordin g  to  c ha ng es   in   th e  FE   value .  T hi s  has   an   ef fect   on  t he  a mou nt  that  im pacts  on  th e  best s olu ti on  find i ng m od el .       =     (10)      ℎ  = 0 . 5   ×       ×     (11)        =   × | ( − ) × cos   (  ℎ  ) | + 1   (12)     = 2 × ( 1 −   )   (13)     Wh e re   th e   nu mb e r  of  see ds   i s   .    an d     are   the   lo w  a nd upper   bo und  of   the   num ber   of  see ds  pr oduce d   by  a   tree .  A  new   pa rameter  base d  on  the  ori gin al   TSA  w hich   c ombines   the  i nspirat io n  of  S CA  is  .    has  ra ng e   [0,2].   TS A  has   a  wea kn es s  in   the  see d  posit ion  updatin g  functi on.  Prob le ms  a rise  w he n  the  see d  posit ion s   a re   separ at e d.  T he   posit io n  of  th is  seed   will   ha ve  a   la r ge  unc ertai nty  val ue.  This   will   be   a  fact or  cau sin g  t he  po s sibil it y  of  f ind in g  a n  op ti mal  so luti on  t ha t  is  fast  an d  a ccur at e  is  getti ng   small er.  O n  the  ot her   ha nd,  SCA   has  good  pro w ess  in  te r ms  of  global  sea rch  capab il it ie s.  S CA  ha s  a  bala nce  in   ex plorat ion   a nd  e xp l oitat ion .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  P ow Elec   & Dri S ys t   IS S N: 20 88 - 8 694       Impr ovin g neural  network  us i ng a sine  tree - s eed  algorit hm f or  t un i ng moto r D C   ( Wi di  Aribo w o )   1199   The   STS A   al gorith m  i nteg ra te s  TS A  with   SCA  t o  imp rove  t he  abili ty  to  fin d  opti mal  global   stoc ha sti c  so luti ons i n opt imi zat ion  prob le ms.  T he ( 2 )   a nd  ()   in  the  TS A  a re r e place d by .     B i , j t + 1 = t mpran d   ×   P r , j t   + ( 1 − t mpran d ) ×   ,     < 0 . 5    (14)     , + 1 = , +   ×   (   − , ×   , )   × sin (     × a cos ( , ) )   , 0 . 5  ≤       < 0 . 5      ( 15)     B i , j t + 1 = P r , j t   × P i , j t + k ×   (   x t   ×   P i , j t − P r , j t )   x cos (   π   x a rccos ( x t ) ) , 0 . 5  ≤       < 0 . 5    ( 16)     Wh e re     is  a   ne w  pa rameter   ba sed   on   the   or i gin al   TS A .   T he   s up e rv is or  pa rameter   f or  c on t ro ll in g  t he   search  tren d  is  ST .  High e r  ST   s uppli es  so li d  l ocal  s earch  a nd  acce le rates  co nv e r gen ce ,  a nd   vic e  ver sa   lo wer   values  le ad  to  slo w  c onve r gen ce  but  strong gl ob al   s earch .     2.2.   F eed - fo r w ard neural  net w or k   Neural  netw orks  a re  mac hin e   le arn i ng  dev ic es  ins pirite d  by  bio l og ic al   ne ur al   netw orks   and  ca pab l e   of  processin g  with  mimi c  a s  the  huma n  brai n   [ 21 ] .  Ar ti fici al   ne ur al   netw orks   ( A NN )   c ould   c on st ru ct   model   li near   an d  nonl inear  al gorit hms.  T hey   a re  great ly  ans we re d  as  pote nt  tool s  fo r  t he  op ti miza ti on   f unct ion .  T he   feed - f orwa rd  ne ur al   net wor k  (F F NN )   is  t o  appr ox imat e   a nd  c on t ro l   no nl inear  relat ion s hip s   betwee n  i nputs   and  outp uts.  T he  data  m od el   nee ds   to   m ove  in  onl y  one  directi on  ( f orward)   f rom  th e  input  nodes,  via  the   hidden  laye rs,   and eve ntu al l y t o  the  outp ut nod e .  F FNN  has  a to po l ogy w hi ch  co ns i sts  of  process  unit s, whic h  are  re pr ese nte d  by   ne uro ns .  F igure  1   is  the   topo lo gy  of  F F NN.   Ne uro ns   are  the  m os t  i mporta nt  it ems  of   t he  FFNN   w hich   a re  gove r ned  by  in put,  hidde n  la yer s   a nd  ou t pu ts .  The   in pu t   (   )   se nds   a  sign al   to   the   hidden   la yer  th rou gh  a  wei gh te d  net work   ( W ij ) .  In  this  sect io n,  th e  hi dd e n  neuron  receive s  a   w ei gh t  pl us   bias   in pu t.   The n,  t he neu r on s  are  d i rected to  the  outp ut  la yer   ( 4 ) .   F FNN  can be  f or m ul at ed  as .     1 ( ) = ∑  ( t ) + 1 = 1   (17)     2 ( ) = ( 1 ( ) ) = 1 1 +  1   (18)     3 ( ) = ∑  2 ( t ) + 2 = 1   (19)     4 ( ) = ( 3 ( ) ) = 1 1 +  3   (20)         Fig ure   1 .   FF N N   s tr uctu re       2.3.   DC  mo t or   DC mo t or  is a  typ e  of   mo t or  t hat u ses s pee d and   posit ion  c ontr ol which is the arma ture  c ontr ol o f  t he   DC  m oto r  [ 22 ] .  A rmatu re  c ontrol  by  keep i ng  the  sta ti c  fiel d  cu rr e nt  c on st ant  is  ke y  in  D C  mo to r  set up   [ 23 ] .  The  e quivale nt  circuit i s il lust rated i n  Fi gure  2 .     Evaluation Warning : The document was created with Spire.PDF for Python.
            IS S N :   2088 - 8 694   In t J   P ow  Ele c  &  D ri   S ys t,   V ol .  12 , N o.   2 ,  J une  2021   :   119 6   –   120 4   1200       Fig ure   2.   DC  mo to r  e quivale nt circ uit [ 24 ]   Table  1.   DC m otor  par amet e r s   [ 25 ]   No tatio n   Info rm atio n   R a   Armatu re  resistan c e   L a   Armatu re  in d u ctan ce   e a   Armatu re  v o ltag e   e b   Back  electr o m o tiv e f o rce   J   Moment o f  intertia  con stan t   B   Dam p in g  f ri ctio n  r atio   T m   Moto r  to rqu e   K b   EM F  co n stan t   K i   Moment co n stan t         ( ) = ( + . ) . ( ) + ( )   (21)     ( ) = ( )   (22)     ( ) =  ( ) +  ( )   (23)     ( ) =   (24)           2.4.   The pr oposed  STSA - N N  m ode l   The  flo w  cha rt   of   t he  ST SA - NN  hybrid m et hod  is pr ese nte d  in Figure  3   i n  A ppen di x .  S TSA   a nd  N N   work  in dep e ndently .  T he  t wo  proce sses  furthe r  ha ve  i nteracte d  with   each  oth e r  to   form  t he  S T SA - NN  method.  I n  the   method  propo sed  by  S TS A - NN,  data  f r om  the  ge ner at or   is  ta ken   as  in put  an d  ta rget   f or   NN  trai ning.   The   da ta   is  pr ocesse d  a nd  gro up e d.  N N  is   set   us in g  se ve ral  par a mete rs.  T he  w ei gh ti ng  pa ram et er  at   the  beg i nn i ng   will   be   use d  a   rand om  val ue.  This  weig ht  va lue  will   be   inc r eased   us i ng  th e  ST SA  met hod.  T he   weig hted res ults fro m ST SA  will  b e st or e d  i n  the  NN.     3.   RESU LT S  AND DI SCUS S ION   In  the   first  ste p  of  t he   te st ,  t he  DC   m otor  is  m od el e d  on   the   M A TLA B/ Simuli nk  (R2015a) .  D C   mo to r  modeli ng  is  regulat ed  us in g  th e  P ID  method.   P ID   c on t ro ll er  p a ra mete r  values  c an  be  see n  in   T able  2.   The  nece ssar y  data  wer e  ca pt ur e d  an d  grouped   as  a  ref e re nce  f or   the  ST SA - N N  intel li gen t  c on tr ol  tr ai nin g.  Schemati c  of  DC  m otor  c on t ro l  us in g  STS A - NN  ca n  be  s een  in   Fi gure  4 .   T he  par a mete rs  a nd  val ues  use d  i n  the  pro posed  STSA - NN   method  ca n  be   se en  in  Ta ble  3 .   The  c onve rg e nce  cu r ve  of  STSA   is   re por te d  in   Figure  7 .   In  F ig ure  5 ,  th e  co nver ge nce  value   of  STS A   sto ps  at   it erati on  25 .  T his   re su lt   is  obta ine d  by  e nteri ng   the  par a mete rs   co ntaine d  i n  T able  3   i n  t he   STS A - NN   al gorithm .  T he   nex t   ste p ,   it   is   to  i ns ta ll   an d  te st  the  STSA - NN   co nt ro ll er  on  the   DC  M ot or .  T he   res ult  of  a  cl os e d  lo op  s ys t em  bet ween  th e  c ontr oller  a nd  the   dc  mo to r  ca n be s een in Fi gu re  6. Ta ble 4 is a  de ta il  o f DC  M ot or   outp ut w a ve .       Table  2 . Para m et er of  P I D   c ontrolle r   Para m eter   Valu e   K p   2   K I   6 .5   K D   0 .01     Table  3 . Para m et er of  S TS A - NN   Para m eter   Valu e   Hid d en  layer   4   Tr ain in g   Leven b erg - m a rqu ardt   Maximu m  ite ration  nu m b er   50   Nu m b er  o f   p o p u latio n s   50   Lower bo u n d ; up p er  b o u n d   - 1 .28 ;1 .28   ST   0 .3   Up p er  lim it  of see d 's n u m b er   0 .1   Lower li m it  of see d 's n u m b er   0 .25         Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  P ow Elec   & Dri S ys t   IS S N: 20 88 - 8 694       Impr ovin g neural  network  us i ng a sine  tree - s eed  algorit hm f or  t un i ng moto r D C   ( Wi di  Aribo w o )   1201       Fig ure  4 .  D C  mo to r  s pee d  c ontr ol w it h  STS A - NN   co ntr oller           Figure  5 .  The  c onve rg e nce c urve  of STS A       Figure  6 .   S pee d  ste p  re spo ns e  of the  D C  mo t or       In   Table  4 ,  a   com par at ive   a nalysis  of  the  pro po se d  STS A - NN  ap proac h  c ompare d  to   PID  is  s how n .  T o  determi ne  the  eff ect ive ness  a nd  validat io n  of  the prop os ed  method,  tw o  c r it eria  wer e u se d , n amel y  In te gr al  o f   ti me  mu lt ipli ed  by  s qu a re d  e rror   (I T SE)  a nd  I nteg ral  of  ti me  mu lt ipli ed  by   a bsolute  er r or   (I T AE ).   ITSE   has  a   su pple me ntar y  ti me  mu lt ipli er  of  th e  er ror   functi on  wh ic h  po i nts  on  t he   sp a n  of   t he  error   durati on.   This   measu reme nt i s popular  in  t he   sy ste m  takes   qu ic k  tu nnin g  t ime. T he  I TSE  ind e x f or m ula  is give n  as .      = ∫ . 2 ( ) .  ∞ 0   (25)     ITAE  is   integ r at ing   t he  a bsol ute  e rror  m ulti plied by  ti me   a fter  ti me.  M ini mizi ng  the   inte gr al   of  ti me - w ei gh te d  abs olu te  er r or   ( ITAE) is  as  usual  pointe d  t o   as a  good ac hieveme nt in de x  i n plott ing c on t ro ll ers .       = ∫ . ( ) .  ∞ 0   (26)     The  c omparis on  of   t he  ITAE  and  IT SE  ca n  be  see n  i n  Ta bl e  4.   The   IT AE   value   of  t he  P ID   has   val ue  0.594 4.  M ea nwhile ,  th e  lowest  IT AE   value  is  own e d  by   t he  ASO - NN   meth od.  It  is  0.335 7.   T he  lowest  ITSE  va lue  is   owne d  by  t he   STSA - NN  met hod  of   0.1 423.   O n  the   oth er   hand,  the   high est   val ue  of  IT SE  is   ow ned  by  t he  M P A - N N  met hod o f 0. 2057       Table  4.  C omp ariso n of t he  tr ansient  res ponse  an al ysi s r es ul ts for  dif fer e nt  con t ro ll ers .   Co n troller   Ov ersh o o t   Settlin g  T im e ( s )   Ris e T i m e ( s )   IT SE   IT A E   PID   1 .00 0 3     0 .13 7 5   0 .0 81   0 .20 0 7   0 .59 4 4   FFNN   No  ov ersh o o t   0 .13 7 5   0 .08   0 .20 2 5   0 .71 5 5   MPA - NN   No  ov ersh o o t   0 .15   0 .08 5   0 .20 5 7   0 .73 6 4   ASO - NN   1 .04 2   0.1 3   0.0 4   0 .15 1 5   0 .33 5 7   STSA - NN   No   o v ersh o o t   0. 11   0 .0 55   0 .14 2 3   0 .40 9 7       4.   CONCL US I O N   M a nag i ng  co nt ro l  on  a  DC  m otor  is  a  very  interest ing  res earch   area .   D C  mo t or   c ontr ol  that  has  a   set po i nt  value   mu st   pa y  at te nt ion   t o  t he   ef fici ency  of   the   con t ro l.   T he   sine  t ree - see d  al gorithm   a nd  ne ur al   netw ork  hybri d  met hod  pro pose d  in   this  study  is   use d  to  con t ro l  DC  m otors.  From   th e  resea rch  res ul ts,  the   pro po se d  met hod  si ne   tree   s eed   al gorith m - neural  netw or k  (STSA - NN)   ha s  a  bette r   performa nce   on  t he  set tl ing   ti me  a nd  I TAE   par a mete rs  t han  th e  pe rfo rma nce  of  P ID.  T he   IT AE  val ue  of   th e  pro pose d  me thod  i s   Evaluation Warning : The document was created with Spire.PDF for Python.
            IS S N :   2088 - 8 694   In t J   P ow  Ele c  &  D ri   S ys t,   V ol .  12 , N o.   2 ,  J une  2021   :   119 6   –   120 4   1202   0.409 7 .  M ea nwhile ,  t he  ITSE   val ue  of  the  pro po se d  meth od  ha s  bette r  pe rformance   tha n   the   P ID  val ue .  It  is   0.142 3.  T he  l owest   IT AE  val ue  is   owne d  by   the   A SO - NN  method   of   0.3 357.  H ow e ve r,  the  ASO - N N  m et hod  has  a n  ove rshoo t  of   1.0 423.  To  te st  the  pe rformance  of  the  ST SA - N N  method,  it   is  ne cessar y  to  ca r ry   out   furthe r  re sear c h wit h  m ore c omplex  pr ob le m s.         APPE ND I X       Fig ure   3 .   The   pro po se d STS A - NN fl ow c ha rt       REFERE NCE S    [1]   A.  Lot fy ,   M .   Ka veh,   M .   R.   Mos avi   and   A.   R.   R ahm a ti ,   " An  enh anc ed   fuz zy  con trol ler  base d   on  im prove d   geneti c   al gorit h m  for   sp ee d  cont ro l  of   DC  mot ors, "   An alog  Int egr  Circ   Sig   Proce ss ,  vo l.   105 ,   pp.   141 - 155 ,  2020 ,  DOI :  10. 1007/s10470 - 020 - 01599 - 9    Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  P ow Elec   & Dri S ys t   IS S N: 20 88 - 8 694       Impr ovin g neural  network  us i ng a sine  tree - s eed  algorit hm f or  t un i ng moto r D C   ( Wi di  Aribo w o )   1203   [2]   Bapa yya   Naidu   Kommul a ,   and   Venka ta  Reddy   Kota,  " Dire c t   in stant an eous  torq ue  cont rol   of   Br ushless  DC  mo t or  using  fir efl y   Al gorit hm   bas ed   f rac t iona l   ord er   PID   cont rol le r , "  Journal   o f   Kin g  Saud   Univ ersity - Engi ne ering  Sci en ce s ,  v ol.   32 ,   no .   2,   p p .   133 - 140,   2020 .   [3]   Obed  A .   A . ,   Sal eh  A .   L .,   and  K adhi m  A .   K . ,  " Speed  per for ma n ce   ev al ua ti on  of   BLDC  mot or  b ase d  on  dynami c   wave let  neur al  net work  and   PS O  al gorit hm , "   Inte rnationa l  J ournal  of  Pow e r  El e ct ronics  a nd  Dr iv e  S ystem   (IJ PE DS) ,   vol .   1 0,   no .   4 ,   pp .   174 2 - 17 50,   2019 ,  D OI :  10. 11591/ ij p eds. v10. i4 . 1742 - 1750.   [4]   W.   Aribowo ,   S.   Mus li m  and  I .   Basuki,  " Gene r al i ze d  r egr essio n  neur a l  n et wor k  for  long - te r m   elec tr icity  loa d  fore ca st ing , "   20 20  Int ernati ona l  Con fe renc e   o n  Smar t   Techn ology  and   App li cations  (ICoS TA) ,   Sur aba ya ,   Indone sia, pp. 1 - 5,   2020 ,   DOI :  10 . 1109/ICoSTA48221. 2020. 1570 611361.   [5]   Yasar,   A. ,   Sar itas,  I . ,   Sahma n ,   M.A.,   Dundar ,   A.O,  " Cla ss ifica ti on  of   leaf  type  using  ar ti fi cial  neur al  net works , "   Int.   J. I nt el l .   S yst .   App l. E ng .  v ol .   3 ,   no .   4 ,   pp .  136 - 139,   2015 ,  DOI :  10. 18201 /i j isae.49279 .   [6]   Sulistyo.  S.B,   W oo.   W.L,  and   Dl ay.  S.S,   " Regula riz ed   n eur al  n etw orks  fusion  an d  gen et i c   a lgori t hm  b ase d   on - fi eld   nit roge n  st at us  esti mation  of   whea t  p la n ts, "   IE EE   Tr ans.  Indu str.  Inf .  vo l.   13 ,   no.   1 ,   pp.   103 - 114,   2016 ,  DOI :  10. 1109/T II . 201 6. 2628439 .   [7]   Gu.  K,  Zhou.  Y,  Sun.  H ,   Zh ao.  L,  and   Li u .   S,   " Predic ti on   of  a ir  qua li ty   in  Sh enz hen   base d   o n  neur a l  n et w or k   al gorit h m, "   Neur al  Comput.   App l . ,   vol.   32,   pp.   18 79 - 1892 ,   2020 ,  DOI :  10. 1007/s0 0521 - 019 - 04492 - 3 .   [8]   B.   Heki moğl u,   S.  Eki n ci ,   and  S.  Kaya ,   " Opti ma l  PID   con troller  d esign  of  D C - DC  buck  con ver te r   using  wh al e   opti mization  a lgori thm, "   in   Proc.   I EEE   IDAP ,   Ma l at ya ,   Turk ey,  Sep.   2018,   pp.   1 - 6 ,  DOI :  10. 1109/IDAP . 2018. 8620833 .   [9]   B.   Nay ak   and   S.   Sahu,   "P aramet er  est imati on   of   DC  mot or   throu gh  whal e   optimi za t ion  al gor it hm ,"   In te rnationa l   Journal  of  Po wer  Elec troni c s  and  Dr iv e  Syste m  (IJ PE D S) ,   v ol .   10 ,   n o.   1,   pp.   83 - 92,   2019 ,  DOI :  10. 11591/ijpeds. v10. i1. pp83 - 92 .   [10]   G.  Na lc a ci,   D.   Yildi rim  and   M.  Ermis,   "S el e ctive   Harm on ic  E li mi n at ion   for   L ight - Rail   Tr ansporta ti on   Motor   Drive s  using  H arr is  Hawks   Al gorit hm , "  2020  IEE E   Inte rnat io nal  Confe r enc e   on  En vi r onme nt  and  El e ct ric al  Engi ne ering  and   2020   IE EE  Indu strial  and   Comm erc ial  Pow er  S yste ms   Europe   ( E EE IC   /   I&C PS   E urope) ,   Madrid ,   Spain,   2020 ,   pp .   1 - 6,   DOI :  10 . 11 09/E EEIC/ICPS Europe 49358. 20 20. 9160694.   [11]   D.  Puangdownreong,   S .   Hlung nam ti p ,   C .   Thamma r at   and  A .   Naw ika vatan,  " Applic a ti on  of   f lower   pol li na ti o n   al gorit h m  to   par am e te r  ide nt ifi c at ion  of   DC  mo tor  model, "  201 7  Inte rnationa l  El e ct rica l  Eng in ee ring  Congress   (iE ECON) ,   Patta ya,   2017 ,   pp .   1 - 4 ,   DOI :  10 . 1109/I EE CON . 2017. 8 075889.   [12]   B.   N.   Reddy   K ota ,   " Dire ct  inst ant a n eous  torqu e  cont rol   of   b ru shless  DC  mot o r  using  fire f ly  a lg orit hm   b ase d   fra ctional   ord er  PID   cont roll er , "   Journal  of  Kin g  Saud  Unive rs i ty - Eng ine ering  Sci en ce s ,  vo l.   3 2,   no.   2 ,   pp.   13 3 - 140 ,  Februa ry  2 020 ,   DOI :  10 . 10 16/j . jksu es. 2018. 04. 007 .   [13]   E.  C.   Şimşek ,   A .   Kös e,  M.   Şahi n  and   E .   Irma k ,   "O pti mi z at ion   o f  PID   par am e te r s  using  an t   col o ny  al go rit h m  for   positi on  cont ro l   of   DC  m o tor,"  2019  8 th   Int ernati onal   Conf ere nce  on   R en ewabl e   En ergy   R ese arch   and  Appl ic a ti ons (IC RE R A) ,   Brasov,  Roma nia,  2019 ,   pp.   1047 - 1051 ,   DOI :  10. 1109/I CRERA47325.2019. 8997108.   [14]   B.   A.  Kouass i,   Y.  Zha ng ,   S.  Ou at t ara   and  M.  J.  Mbyamm   Kiki ,   "  PID   tuni ng  of  choppe r  f ed  spe ed  cont ro l  of  D C  mot or  base d   o n  ant   col ony  o pti mization  al g orit hm , "  2019  IEE E  3rd  In te r nati onal  El e ct ri cal   and  Ene rg y  Confe renc e  (CI E EC) ,   B ei j ing, Ch ina ,   2019,   pp.   40 7 - 412,   DOI :  10 . 1109/CIE EC471 46. 2019. CIE EC - 2019179.   [15]   C.   Fu,   Q.   - G.  W ang,  J.  Yu   and   C.   L in,  "N eur a l  net work - base d   fi nit e - t ime  com m and  fi ltering   con trol   for   sw it ch ed   nonli ne ar  sys te m s  with  bac k la sh - l ike   hyster esis , "  in   IEE E   Tr ansacti ons  on  Neural  Net works  and  Le arning  Syste ms ,   2020,   pp .   1 - 6 ,   D OI :  10. 1109/ TNNLS.2020. 3009 871.     [16]   C.   Fu,  L .   Zh ao,   J.  Yu,  H.  Yu,   a nd  C.   L in,   "N eu ral   ne twork - base d  com m and  fi lt e red   cont ro l  for  i n duct ion  mot ors   with  inpu t   satu rat ion , "  I ET  Co ntrol  Theory   a nd  App li ca ti ons ,  vo l.  11,   no .   15,   p p .   2636 - 2 642,   2017 ,   DOI :  10. 1049/iet - c ta.2 017. 0059  IE T   [17]   S.  Gajbhi ye ,   M. A.  Ghorbani ,   S . S.  Band,   V.K .   Khos rows hahi   and  C.   Meshram ,   " Rive r  flow  pr edicti on  using  hybr i d  PS OGSA  al gori thm   b ase d   on  f ee d - forward   neu ral  net work , "   So ft   Comput ing ,  v ol.  23,   no.   3 ,   p p.   10429 - 10438 ,   2019 ,  DOI :  10 . 1 007/s00500 - 018 - 3598 - 7 .   [18]   X.J.  Luo ,   Luku mon  O.O . ,   Anuo luwapo  O.A . ,   Ol ugbenga   O.A . ,   Delga d o  J.M . D,  and  Hake em  A. O . ,  et   al. ,  " Gene t ic  al gorit h m - de te r mi ned   de ep   fe ed forward  n eur al  net work  arc h it e c ture  for   pre d ic t i ng  e lectr i ci ty   co nsumpti on   in   re al   buil dings, "  Ene r gy  and  AI ,   v ol .   2 ,   2020 ,  DOI :  10 . 1016/j . egya i . 202 0. 100015 .   [19]   Garc ía - Ród ena s,   R. ,   Li nar es,   L . J.  and  Lóp ez - G óme z .   J.A,  " Me m et i c  a lgori th m s  for  tra ini ng   fe edf orward  neur a l  net works :  an  ap proa ch  b ase d  on   gra vitat iona l   se arc h  al gori thm, "   Neural  Comput   &  App li c ,  vo l.   33 ,   no.   1 ,   2020 ,  DOI :  10. 1007/s0 0521 - 020 - 05131 - y .   [20]   Jianhua   Ji ang,  Meirong  Xu,   Xi anqi u  Meng ,   K e qin  L i,  " STS A:  A  sine  tre e - s ee d   al gor it hm   for   c ompl ex   continuo u s   opti mization  pr oble ms , ”  Phy si ca  A:   Sta ti sti c al  Me chanics  and  it s  Appl i c ati ons ,   vo l .   53 7,   2020 .   DOI :  10. 1016/j.physa.2019.122802 .    [21]   W.   Aribowo,  S.   Mus li m,   muno t o,   B.   Supria nto,  U.  T.   Kar ti ni  a nd  I.   G.  P.  As to   Budit j ah ja n to,   " Tuni ng  of  powe r  sys te m  stabi l ize r  using  ca sca d e   forward  bac kpr opaga t io n, "   202 0  Thir d  Inte rnational   Confe ren c e  on  Voc a ti onal   Educ ati on   an d  Elec tri cal  Engi n ee ring   (ICVEE) ,   Suraba ya,  Ind onesia ,   2020,   pp.   1 - 5,   DOI :  10. 1109/ICVEE50212.2020. 924 3204.   [22]   Ram ír ez - Cárd en as,   O . - D. ,   and   Truj illo - Rom ero ,   F,   " Sensorl ess  spee d   tracki ng   of  a   brushl ess  DC  mot or   using   a  neur al ne twork , "   Math. Comput.  Appl ,   vol .   25 ,   no .   57 ,   2020 ,  DOI :  10. 3390/mca250 30057 .   [23]   Badri yah   Ahm e d  Obaid,   Am ee r   La t ee f  Sa le h ,   a nd  Abbas  Kare e m  Kadhim,  " Re solving  of  optim al   fra ct ion al   PI D   cont roller  for  D C  mot or  driv e  b ase d  on  anti - win dup  by  inva sive  wee d  optimization  te chn ique , "   I ndonesian  Journ al  of  Elec tric al   Engi ne ering  an d  Computer  S ci en ce   ( I JEECS ) ,   v ol .   15 ,   no .   1,   pp.   95 - 1 03 ,   2019 ,  DOI :  10. 11591/ijeecs. v15. i1. pp95 - 103 .   Evaluation Warning : The document was created with Spire.PDF for Python.
            IS S N :   2088 - 8 694   In t J   P ow  Ele c  &  D ri   S ys t,   V ol .  12 , N o.   2 ,  J une  2021   :   119 6   –   120 4   1204   [24]   S.  J.  Hamm ood i,  K.S.  Flayyi h ,   a nd  A.R.   Ham ad,  " Design  and  implementation  sp ee d  con trol   sys t em   of  DC  Moto r  base d  on   PID   cont rol   and   Ma tl ab   Simul ink, "   Int ernati onal   J ournal  of   P ow e r  Elec troni cs  a nd  Dr iv e   Syst e m  (IJ PE DS) ,  vol .   1 1,   no .   1 ,   pp .   127 - 134 ,  Mar ch  202 0 ,  DOI :  10 . 1159 1/i jpe ds . v11. i1 . p p127 - 134 .   [25]   Amiri ,   M.S. ,   Ibr ahi m ,   M.F . ,   Ra ml i,  R ,   " Opti mal  pa ramet er   estimat ion   for   a   D C  mot or   using   g ene t ic  al gor it hm , "   Inte rnational   Jo urnal  of   Pow er  El e ct ronics   and   Dr iv e  S yste m   (IJ PE DS),   vol .   11,   no.   2 ,   pp.   1047 - 1054,   2020 ,  DOI :  10. 11591/ijpeds. v11. i2. pp1047 - 1 054 .       BIOGR AP HI ES OF  A UTH ORS       Widi  Aribowo   i s  a  lectur er   in   t he  Dep art m ent  of  Elec tri c al  En gine er ing,  Univ ersi ta s  N ege ri   Suraba ya,  Indo nesia .   He   is  B . Sc  in   Pow er  Engi ne eri ng/Sep uluh  Nopemb er   Instit u te  of   Te chno logy  (IT S) - Suraba ya  in  2005.   He  is  M. Eng  in  Pow er  E ngine er ing/ Sepu luh  Nopembe r   Instit ute  of   T echnology  (IT S) - S ura baya  in   2009 .   He   is   mainly   r ese arc h   in   th e  p ower  sys te m   and  con trol.          Bamban g  Su pr ianto   is  a  l ectur er  in   th e  Dep artme nt   of  El e ct r ical  Engi ne eri ng ,   Univer sita s   Nege ri  Sur aba ya ,   Indon esia .   He   com pl et ed   Ba ch el or  of   E lectr oni c  Eng ineeri ng  E duca t ion  in   Univer sita s  Neg eri   Suraba y a - Suraba ya  in  1986.   He  holds  Master   Engi n ee ring   in  Sepuluh   Nopembe r   I nsti t ute  of   T ec hnolo gy  (IT S) - Surab a ya  in   2001.   He   was   com p le t ed   Doctor   of   El e ct ri ca l  Engi n ee ring  in  Sepulu h  Nopembe r  Inst it ute   of  Technol ogy  (IT S) - Suraba ya  in  2012 .   His re sea r ch  in terests i nc lude po wer  sys te m, c on t rol  and   e le c tronic.         Jok o   is  a  le c tur er  in  th e  Depa r t me nt  of  El e ct r ical  Eng ine er ing,   Univer sita s  Neg eri   Suraba y a,  Indone sia.  He  c ompl eted  B ac he l or  of  Elec troni c   Engi ne eri ng  Edu ca t ion  in  Univ er sita s  Nege r i   Suraba ya - Surab aya   in   1989 .   He   holds  Master   E ngine er ing  in  Se puluh  Nopember  I nstit ut e  o f   Te chno logy  (IT S) - Suraba ya  in  2 00 4 .   He  was  co mpl eted  Doctor   i n  Univer sita s  Ne ger i  Mal ang - Mala ng  in  2017 .  His re se arc h   intere sts in cl ude   po wer  sys te m   and mot or .       Evaluation Warning : The document was created with Spire.PDF for Python.