From the simulation results shown i

From the simulation results shown in the Figs. 19 to 30, it is observed that the stator current does not exhibit any overshoots nor undershoots. The response of the flux, slip, torque, terminal voltage, speed, currents, etc. takes lesser time to settle & reach the desired value compared to the results presented in [3], [4], [5].
Fig. 15 : ANFIS editor : Training the rules using backpropagation algorithm
Fig. 16 : Surface plot of the 3 parameters (2 inputs : change in error, speed error & 1 output)
Fig. 17 : Contour plot of the 3 parameters (2 inputs : change in error, speed error & 1 output)

It was observed from the simulation results that by using the neuro-fuzzy (ANFIS) control, for the set speed of 100 r / s & for the 49 rules, the speed reaches its desired set value at 0.44 seconds. This shows the effectiveness of the designed neurofuzzy controller & the designed neuro-fuzzy controller tries to speed up the performance of the drive, thus showing faster dynamism. It is also observed that with the designed neuro-fuzzy controller, the response characteristics curves take less time to settle & reach the final steady state value compared to that in [3],
[4], [5]. The motor speed increases like a linear curve upto the set speed of 955 rpm (100 r / s) in 0.44 secs as shown in Fig. 30.Further, it can also be observed that using the ANFIS control, the system stabilizes in a very less time compared to the other methods because of the training process of the ANN involved & the proper selection of the rule base.
Fig. 18 : ANFIS model structure with 2 inputs & 1 output showing all the 5 layers in the ANN architecture

結果 (中文) 1:

从仿真结果显示在图 19 到 30，观察定子电流没有表现出任何超也跌过头。助焊剂、 滑移、 扭矩、 端电压、 速度、 电流等的响应的时间较短的时间来解决 ＆ 到达所需的值相比，[3] 中给出的结果 [4] [5]。图 15： ANFIS 编辑器： 培训使用反向传播算法的规则图 16： 表面情节的 3 个参数 （2 输入： 变化误差、 速度误差和 1 个输出)图 17： 轮廓情节的 3 个参数 （2 输入： 变化误差、 速度误差和 1 个输出)有人从仿真结果，通过使用模糊神经网络 （ANFIS） 控制，设置速度的 100 r / s & 49 规则，速度达到其所需的设定值在 0.44 秒。这表明了设计的模糊神经网络控制器的有效性和所设计的模糊神经网络控制器试图加快性能的驱动器，从而显示更快的活力。它还观察到的响应特性曲线与所设计的模糊神经网络控制器，采取了更少的时间来解决 ＆ 到达最终的稳态值相比，[3] 中[4] [5]。电机的转速增加像线性曲线高达 955 rpm 设置的速度 （100 r / s） 在 0.44 秒如图 30.Further 所示，它也可以被观测到使用自适应模糊控制，该系统稳定在与其他方法相比，由于所涉及的人工神经网络的训练过程和规则库的正确选择的时间非常少。图 18： ANFIS 模型 2 输入与 1 的输出，在人工神经网络体系结构中显示所有的 5 层结构

結果 (中文) 3:

在图所示的仿真结果。19到30，它是观察到的定子电流，并没有表现出任何过冲或下冲。响应的流量，滑，扭矩，端电压，电流，速度等，需要较少的时间来解决&达到期望值相比，在[ 3 ]的结果，[ 4 ]，[ 5 ]。图15：
ANFIS编辑器：训练规律，采用反向传播算法
图16：这3个参数曲面图（2输入：变化的误差，速度误差&1输出）
图17：这3个参数等值线图（2输入：变化的误差，速度误差&1输出）

观察从模拟结果利用模糊神经网络（ANFIS）的控制，为100 R / S&规则设定速度为49，速度在0.44秒达到其所需的设定值。这表明所设计的模糊神经网络控制器的设计&神经模糊控制器试图加快驱动性能的有效性，从而表现出更快的活力。它也观察到，神经模糊控制器的设计，响应特性曲线，花更少的时间来解决&到达最终稳态值相比，
[ 3 ]，[ 4 ]，[ 5 ]。电机的转速增加，像一个线性曲线到955 rpm的速度（100转/秒）0.44秒，如图30所示。此外，它也可以被观察到，使用ANFIS控制，系统稳定，相比其他方法非常少的时间因为人工神经网络的训练过程&规则库的正确选择。
图18：2输入1输出&显示所有5层的神经网络结构模型的结构