Article 

Fuzzy Adaptive Type II Controller for Two‐Mass System 
Piotr Derugo 1,*, Krzysztof Szabat 1, Tomasz Pajchrowski 2 and Krzysztof Zawirski 3,* 

1  Electrical Engineering Faculty, Wrocław University of Science and Technology, 50‐370 Wrocław, Poland;   
krzysztof.szabat@pwr.edu.pl 
2  Faculty of Automatic Control, Robotics & Electrical Engineering, Poznan University of Technology,   

60‐965 Poznan, Poland; tomasz.pajchrowski@put.poznan.pl 
3  Stanislaw Staszic State University of Applied Sciences in Pila, 64‐920 Pila, Poland 

*  Correspondence: piotr.derugo@pwr.edu.pl (P.D.); Krzysztof.Zawirski@put.poznan.pl (K.Z.) 

Abstract: This paper presents original concepts of control systems for an electrical drive with an 
elastic mechanical coupling between the motor and the driven mechanism. The synthesis procedure 
of the speed controller uses a proposed quality index (cost function) of system operation ensures 
the minimization of both tracking errors and torsional vibrations. Proper selection of the cost func‐
tion focusses more on the reduction of torsional vibrations due to their negative influence on the 
drive’s mechanical coupling vitality. The omission of the plant identification of an adaptive fuzzy 
controller  was proposed.  Two  types  of fuzzy  controllers  were  analyzed,  namely  with  type  I  and 
type II fuzzy membership functions. The novelty of the presented approach is in the application of 
a Petri transition layer in a type II fuzzy controller which reduces the numerical complexity in case 
of  a  large  number  of  complicated  type  II  fuzzy  sets. The  presented  simulation  and  experimental 
results prove that the best dumping of mechanical vibrations ensures the adaptive fuzzy controller 
with type II functions and a Petri transition layer. 
Citation: Derugo, P.; Szabat, K.;   
Pajchrowski, T.; Zawirski, K. Fuzzy 
Keywords: fuzzy controller; type II fuzzy functions; membership functions; Petri layer; MRAS;   
Adaptive Type II Controller for 
Two‐Mass System. Energies 2022, 15, 
adaptation process; type 2 fuzzy sets 
419. https://doi.org/10.3390/   
en15020419 

Academic Editors: Mojtaba    1. Introduction 
Ahmadieh Khanesar and Anastasios  The demand for the productivity of technological processes is still growing. This goal 
Dounis 
can be achieved by increasing the speed of the industrial lines. The primary devices which 
are  moving  modern  processes  are  electrical  motors.  They  provide  driving  torque  from 
Received: 11 November 2021 
electrical motors to load machines through different transmission systems, such as me‐
Accepted: 1 January 2022 
chanical shafts, belts or chains. However, due to the finite stiffens of those elements, the 
Published: 6 January 2022 
undesirable phenomena can be excited. The major problem of such systems, which limit 
Publisher’s  Note:  MDPI  stays  neu‐
their performance, are torsional vibrations [1–4]. 
tral  with  regard  to  jurisdictional  Torsional vibrations were first recognized in big industrial drives, a typical example 
claims in published maps and institu‐ being rolling mill drives, in which the mechanical connection may be as long as ten meters 
tional affiliations.  and the driving motor and load machines possess large inertia. A similar problem is evi‐
dent in conveyer belt drive. The elasticity of the belt causes several problems in industrial 
applications. Another traditional example are cage‐hoist drives, but torsional vibrations 
 
were investigated in paper and textile industries [1–4]. 
Copyright: © 2022 by the authors. Li‐ The characteristic feature of the above‐mentioned applications is a low frequency of 
censee  MDPI,  Basel,  Switzerland.  torsional  vibrations.  Due  to  the  progress  of  modern  power  electronics,  microprocessor 
This  article  is  an  open  access  article  techniques which allows forcing the driving torque of the motor practically without delay 
distributed under the terms and con‐ (as  compared  to  the  time  constant  of  the  driving  elements) the torsional  vibrations are 
ditions of the Creative Commons At‐
recognized nowadays in almost all modern drive systems, for instance micro‐electrome‐
tribution (CC BY) license (https://cre‐
chanical  systems,  robot‐arm  drives,  CNC‐tools,  deep  space  antenna  systems,  drives  in 
ativecommons.org/licenses/by/4.0/). 
electrical cars, windmills and others [3–5]. Up until the present moment, different control 

 
Energies 2022, 15, 419. https://doi.org/10.3390/en15020419  www.mdpi.com/journal/energies 
Energies 2022, 15, 419  2  of  24 
 

approaches developed in order to suppress torsional vibrations can be divided into two 
main frameworks. 
The first one includes all methodologies based on the application of additional me‐
chanical dampers. These approaches, applied in electrical car or robot arm drives have the 
following drawbacks. Firstly, their use increases the total cost of the mechanism. Secondly, 
the mechanical dampers require some space, which is not always available. Furthermore, 
the additional elements affect the reliability of the system; therefore this approach is not 
preferable in modern systems. 
The second framework involves all concepts based on control theory. The main ad‐
vantage of this approach is the fact that only the control program is modified, while the 
mechanical parts of the drives remain identical. This framework can be divided into the 
following groups. 
The  concept  based  on  the  linear  control  theory  constitutes  the  first  one.  The  most 
basic methodology is the application of the standard PI controller. However, due to the 
fact that the closed‐loop system is a fourth‐order and there are (in PI) only two parameters, 
the independent location of the closed‐loop poles of the system is not possible. This means 
that in this system the performance limitations are visible [6–9]. In [6], the analysis of the 
influence of the closed‐loop poles’ location on the drive performance is presented. The 
following  configurations  of  poles  are  considered:  with  an  identical  resonant  pulsation, 
damping and real part. The mathematical formulas which allow assigning the poles in the 
selected position are provided. It is shown that oscillations are reduced effectively when 
poles of the system have an identical real part. The more detailed analysis of such meth‐
odology  is  provided  in  [7].  In this paper, the relationship between individual closed‐loop 
poles is shown. The author set the position of the one pair of poles, the location of other pair 
comes from design requirements and limitations. This extends the possible location of poles 
presented in [7], which can result in a better performance of the drive. The most detailed anal‐
ysis of such a system is presented in [8]. The authors investigate three above‐mentioned posi‐
tions of the system closed‐loop poles. They claim that the most effective strategy is based on 
the identical pulsation and damping assignment. The application of the d‐decomposition tech‐
nique to the analysis of the drive performance is presented in [9]. This technique allows to 
determine the stable region of the work as a function of changes of particular parameters of 
the control structure (plant as well as controller coefficients). Furthermore, additional delays 
(caused by the torque control loop and speed sensor) can be included in the formal analysis. 
The optimal gains of the controller can be selected on the basis of the gain and phase margin 
of the system. 
In order to improve the features of the structure with a PI controller, different ap‐
proaches  have  been  proposed.  The  most  popular  one  is  based  on  inserting  one  or  two 
additional feedbacks to the structure, which increases the number of the control parame‐
ters and allow to shift the system poles to the desired position. According to the literature, 
one of the most popular is a system with one additional feedback from the shaft torque. 
In [10] the nine possible additional feedbacks are analyzed. It is shown that all systems 
can  be  divided  into  three  major  groups  with  identical  performance.  Another  approach 
visible in the literature is based on the application of the state controller [11–13]. Usually, 
systems  with  an  additional  integration  term,  located  in  the  main  path  are  considered. 
Given that the state controller allows one to locate the closed‐loop poles independently, 
the  desired  performance  can  be achieved.  The  main  problem  connected  with  the  state‐
controller is the location of closed‐loop poles, the problem of estimation of the non‐meas‐
urable variable, and limitations of the internal states (e.g., shaft torque) of the system. In 
order  to  improve  the  system  performance,  in  [11]  the  advanced  estimation  technique 
based on the MHE (moving horizon estimator) algorithm is proposed. The increased ac‐
curacy  of  the  estimator  ensures  more  efficient  works  of  the  state‐controller.  In  [12]  the 
auto‐tuning methodology based on the Artificial Bee Colony is described. The gains of the 
state controller are selected using user‐defined optimization function. It allows obtaining 
optimal performances for the specified criteria. The state controller is proposed in [13] for 

 
Energies 2022, 15, 419  3  of  24 
 

a system with an additional internal delay. This element increases the order of the system, 
but the extended analysis allows to obtain better performance. 
A methodology that allows to locate poles independently and at the same time ne‐
glects the effect of the load (disturbance) torque is Forced Dynamic Control. This control 
method was proposed by S. Dodds in [14]. The future modification of this strategy was 
discussed in [15]. In this paper, the control of the two‐mass system with the additional 
limitation of electromagnetic and shaft torque is considered. There are also other method‐
ologies based on linear control theory, however, they are less popular. 
The  suppression  of  the  torsional  oscillations  with  the  help  of  a  disturbance  ob‐
server(s) is quite a popular approach. The concept is based on the estimation of the tor‐
sional torque (which is treated as a disturbance) and feeding it back to the control struc‐
ture. In [16] a slow RRC (Resonance Ratio Control) is proposed. The methodology which 
allows selecting the controller parameters is described. In order to reduce noises in the 
estimated torsional torque, a low pass filter is proposed. The application of the RRC to 
pushing control of flexible manipulator is introduced in [17]. The proposed algorithm in‐
cludes three modes: approaching, touching and pushing. In the first mode RRC is used to 
damp torsional vibrations. The drive system with a backlash is investigated in [18]. An 
additional compensator working together with a returnable speed controller is proposed. 
A similar problem is considered in [19]. Here, the load side encoder improves the perfor‐
mance  of the  drive.  In [20]  control  strategies  for a  humanoid  manipulator is proposed. 
Torsional vibrations are suppressed with the help of the RRC strategy. In order to improve 
the robustness of the system, additional motor side and arm side disturbance observers 
are implemented. The double disturbance compensation schemes are investigated in [21]. 
The experiments performed on a two‐joint robot confirmed the effectiveness of the pro‐
posed approach. 
The  second  group  encompasses  concepts  based  on  advanced  control  strategies.  In 
this group Model Predictive Control (MPC) can be included [22–24]. In general, MPC re‐
lies on the shifted time window, where the future behaviour of the plant is predicted. Then 
drawing  on  the  specified  cost  function,  the  optimisation  process  is  applied  in  order  to 
select the suitable control signal. Thus, MPC can be treated as an optimal‐control strategy. 
The input and output constraints problem is taken directly in the MPC during the design 
of the control algorithm, which is seen as a significant advantage of the MPC. The main 
drawback of this strategy is large computational effort. For this reason, this strategy was 
originally implemented in systems with a big time constant (petrochemical industry). Due 
to the increase in the computational power of microprocessors nowadays, it is also imple‐
mented  in  systems  with  short  sampling  times,  such  as  power  electronics  and  electrical 
drives. The explicit MPC‐based speed control structure is investigated in [22]. The system 
is tested under different conditions, including the limitation of the torsional torque. An 
example of a position control structure for the drive with a flexible link is presented in 
[23]. The optimization problem is solved offline in order to reduce the computational ef‐
fort  in  the  real‐time  implementation.  The  limitation  of  the  shaft  torque  problem  is  de‐
scribed in detail in [24]. The authors proposed an optimal ratio between different limita‐
tions used in  the two‐mass  drive.  This strategy improves the  drive  performance  under 
limitations. The application of the MPC to drive a system with a backlash is presented in 
[25]. The prediction of the limit cycle with the help of describing function method is im‐
plemented. 
Another control structure within the second group of strategies is the sliding‐mode 
control (SMC). This strategy is said to be robust against parameter variations and external 
disturbances. Two kinds of work can be distinguished here, namely reaching and sliding 
phases. At the start, the system moves using the reaching phase. During this time the sys‐
tem is sensitive to disturbances. In contrast, after obtaining the sliding phase the system 
becomes robust against disturbances. The application of the sliding‐mode control in elec‐
trical drives is presented in [26]. The parameters of the control structure are derived on 

 
Energies 2022, 15, 419  4  of  24 
 

the  basis  of  the  Lyapunov  theory.  Despite  external  perturbations,  the  system’s  perfor‐
mance is satisfactory. There are also less popular approaches reported in the literature. 
Adaptive systems can be distinguished as a third group. In general, two types of adap‐
tive control are mentioned in the literature [27–36]. The first one is called indirect adaptive 
control. In these systems an additional block is visible [27]. Its goal is to estimate the value 
of the changeable parameters of the system. Then, this value is used to retune the controller’s 
parameters. The main problem in this control structure is the stability and accuracy of the 
implemented estimation algorithm. Its incorrect work can lead even to control structure in‐
stability. In the following papers using this methodology with reference to the two‐mass 
system have been presented [27]. The structure with a PI controller and additional feedbacks 
is proposed in the paper. The unscented Kalman filter is used in order to estimate the states 
of the plant as well as the changeable time constant. According to this estimated value, the 
control structure parameters are retuned online in every iteration. 
The second approach is called direct adaptive control, in which the parameters of the 
controller are changed directly, due to the changes of the tracking error (specified as output 
between the desired trajectory and real output of the plant) [28–38]. For linear systems the 
suitable solution could be a classical PI controller. However, in the presence of additional 
non‐linearities and changes of the system parameters a more advanced controller should be 
used in this structure. In [28] an application of the fuzzy logic controller is described. The 
authors report good performance of the control structure, yet they describe the learning time 
as being relatively long. In order to eliminate this drawback, the fuzzy sliding‐mode con‐
troller has been proposed in [29], since it allows a faster adaptation process and makes the 
control system more robust to additional disturbances. The control of a nonlinear two‐mass 
system (mechanical hysteresis, frictions) with the help of an adaptive sliding‐mode control‐
ler is proposed in [30]. Despite nonlinearities, the system is able to damp vibrations effec‐
tively. The control of the two‐mass system with nonlinear stiffness and damping using a PI 
controller  is  presented  in  [31].  The  procedure  is  based  on  the  backstepping  scheme.  The 
authors report good results. The backstepping adaptive control is implemented for a wind 
turbine [32]. It improves the efficiency of the generated power. 
In the literature, different types of controllers are proposed. In [33–37] NN (neural 
networks) based approaches are implemented. A comparison of four different types of 
NN  controllers  is  presented  in  [34].  The  problems  related  to  the  selection  of  the  initial 
parameters  and  learning  factors  in  an  adaptation  algorithm  are  discussed.  In  [35],  the 
drive  system  with  low  and  high  values  of  resonance  modes  is  considered.  In  order  to 
damp high‐frequency oscillations filter is used. The vibrations generated by low mode is 
damped with the help of a NN controller. The adaptive controller with the reinforcement 
learning  method  is  introduced  in  [36].  The  issues  connected  with  the  stability  of  the 
control  structure  are  also  discussed  here.  The  application  of  the  adaptive  NN  with 
additional  recurrences  is  presented  in  [37].  The  structure  of  the  NN  is  inspired  by  the 
Elman model. Another visible path are fuzzy systems, these are used not only for motors 
but also for the stability of energy systems [39,40], and others [41]. 
The application of a Petri layer with fuzzy type I membership functions is shown in 
[38]. Not only does it ensure good performance of the system, but it also reduces the nu‐
merical complexity of the algorithm. 
The main goal of the paper is to present issues related to the application of the adap‐
tive control structure with fuzzy controller based on two types of fuzzy sets. In order to 
reduce the numerical complexity introduced by the type II fuzzy sets, Petri nets are im‐
plemented in the considered fuzzy controller. This drastically reduces the numerical bur‐
den of the proposed algorithm and allows real‐time implementation on relatively cheap 
microprocessor.  In  order  to  show  advantages  of  the  proposed  controller  comparative 
studies with fuzzy controller based on I‐type sets is also implemented. The designed con‐
trol structure is tested in a non‐linear system. It is shown that the torsional vibrations are 
the most effectively damped in the control structure with a controller based on the II‐type 
fuzzy sets. 

 
Energies 2022, 15, 419  5  of  24 
 

The paper is divided into six sections. After an introduction, where the motivation 
and  brief  literature  survey  is  introduced,  the  mathematical  model  of  the  drive  is  pre‐
sented. Then the control structure is described in detail. Afterward, selected simulation 
results are shown. Finally, some concluding remarks are formulated. 

2. Adaptive Neuro‐Fuzzy Controller with Petri Transition Layer 
For this research two input controller has been modelled using the MathWorks Inc. 
MATLAB Simulink (Natick, Massachusetts, United States) environment, of course it can 
easily be extended to more inputs [38,42]. Input variables can be selected in accordance 
with  the  will  of the  designer. Neuro‐fuzzy  inference  system  consists  of  six  basic layers 
[38,42], and Transition Petri Layer (TPL) implemented between the first and second layer. 
A schematic diagram of the controller with possible Petri layers is presented in Figure 1. 
Layers of the controller are presented below. 

Reference Adaptation
Weight coefficients
ωref model ωm algorithm

ω1 Rules activation
levels
Rhi 1:NN Rhi 1∙whi 1
to adaptation
max Rlo 1:NN Rlo 1∙wlo 1
min Rhi 2∙whi 2
satin1

N Rhi 2:NZ
S2
Transition

max Rlo 2:NZ Rlo 2∙wlo 2

Kin1
e(k)
in1

Z min
Rhi 3:NP
S1

ΣRiꞏwi

u(k)
max

satout
Rlo 3:NP

out1
to adaptation
P min
∑ ÷ Kout
max Rhi 7:PN Rhi 7∙whi 7 lo+hi
ΣRi
N min
satin2

Rlo 7∙wlo 7
S2

Rlo 7:PN
Transition
Δe(k)

max Rhi 8∙whi 8

in2

Kin2 Rhi 8:PZ

Z min
Rlo 8:PZ Rlo 8∙wlo 8
S1

max
Rhi 9:PP
P min
Rlo 9:PP
Lin Ltran Lfuz
Ldfuz
∑
lo+hi
Linf
 
Figure 1. Schematic diagram of the controller with Petri transition layers. 

2.1. Input Layer 
The first layer (Lin), scales inputs are as shown in Equation (1). The considered range 
of  each  variable  is  limited  (satin_k  =  1).  Scaling  coefficients  (Kin_k)  fits  input  signal  to  the 
desired limited range of the expected value. It is easy to choose Kin1, as the error signal is 
difference  between  desired  and  measured  values.  The  scaling  factor  for  other  inputs 
should  be  based  on  maximum  values  that  may  occur  at  certain  inputs  that  should  be 
treated as “big”. For Kin1 = 1 that would mean error of the nominal value or bigger is con‐
sidered big, for Kin2 = 1.5 × 10−3 that would be the maximum value of the derivative that 
would occur for an object defined as (6) [43]. 
Lin = max[min[(Kin_k ⋅ ink),satin_k], − satin_k]  (1)
where: ink = [e(k), Δe(k), Σe(k), u(k−1), …]. 

2.2. Transition Petri Layer 
The second layer (TPL) identifies the sub‐scope of the input value, in which the signal 
is currently located. This layer allows one to select the corresponding rules and included 
in them membership functions based on the identified sub‐scope of the control function. 

 
Energies 2022, 15, 419  6  of  24 
 

Only weight coefficients incorporated in the active rules are being adapted in the current 
iteration. It is dictated by the desire to reduce the numerical complexity of the algorithm 
with a large number of II‐type fuzzy sets. TPL influences the algorithm output value in 
the same way as the Concurrent Petri layer, but additionally offers smaller computational 
cost, in Figure 2 the consequences of TPL application in neuro‐fuzzy system with three 
type II Gaussian membership functions for each of two inputs is presented. For any given 
time, for each input only two instead of four membership functions are active, that causes 
the need for the analysis of only a quarter of plane. Given that in each iteration only four 
(22) out of nine (32) rules need to be analyzed. Assuming we would have the lr membership 
functions and lw inputs, there would be a need for the determination 2lw instead lrlw rules, 
the same is the case with the adaptation of weights. For three inputs and five membership 
functions per each input using a transition layer that activates only two functions per in‐
put, we have 23 instead of 53 rules that are calculated in each iteration. 

B1

B2
out1
B3
B4
B5

B6
in2
B7 B9
B8

 
Figure 2. Control plane for two inputs controller with Gaussian type II membership functions with 
TPL. 

What is important, Gaussian functions medium is infinite, that means for any input 
each  function  is  active  at  the  non‐zero  level.  TPL  application  will  influence  the  output 
value of the whole system causing omission of the least active functions. 

2.3. Fuzzyfication Layer 
There are various types and shapes [38–42] of membership functions (MF) used at 
the  fuzzyfication  layer.  In  this  paper  the  type  II  Gaussian  MF  with  uncertain  standard 
deviation [43–45] has been proposed. The standard type I Gaussian function is defined by 
Formula (2). Using type II fuzzy membership functions, for each input value, the output 
value is described as range. As Figure 3 shows, the output range of the II type membership 
function is limited by the maximum and minimum value of possible outputs. Thus, for 
the whole input value range, the output is limited by the values defined by upper and 
lower  boundaries  of  Gaussian  function.  The  standard  deviation  𝜎   is  different  and 
the centre (𝜇   of both functions is same. Therefore the output of fuzzyfication layer is a 
matrix of n × m × 2 (2: lower and upper boundaries of type II MF). 

𝐿 _ 𝜇
𝐿 𝑒𝑥𝑝  
2∙ 𝜎 …
(2)
…
,

 
Energies 2022, 15, 419  7  of  24 
 

marking in a formula: i—input index, j—the MF index (for TPL function identified by the 
layer as one of the most active), k—number of input, n—inputs count (here 3), m—mem‐
bership  functions  corresponding  to  the  sector  identified  by  the  TPL  or  the  number  of 
membership function corresponding to the input for the controller without TPL. 

 
Figure 3. Type‐II fuzzy membership functions. 

2.4. Inference Layer 
This layer determines the firing levels of individual rules multiplied by the connected 
weights. Rule base consists of expressions like [38,42]: 
Rn: IF e(k) IS Lfuz j1 i1 (e(k)) & Δe(k) IS Lfuz j2 i2 (Δe(k)) THAN y = Rn 
In the work t‐norm prod was used (3). 

𝐿 _ 𝐿 ∙𝐿 ∙𝑤 …
  (3)
…

where n and m are analogous, as in the fuzzyfication layer, the number of inputs and the 
number of membership functions for the controller, yet here number of rules is doubled 
by the fact of existence of the upper and lower bound of the function. 

2.5. Defuzyfication Layer 
The defuzyfication layer (Ldfuz) calculates the output of the system. For this research 
standard singleton defuzyfication algorithm has been implemented, the algorithm is de‐
scribed by the Formula (4). In fact, the singleton defuzyfication should be made for both 
upper and lower boundaries, and then whole output should be calculated for example as 
the weight of these values, but in proposed solution output is weighted average of lower 
and upper boundaries singletons. 
∑ … ∙
…
𝑢 𝑘    (4)
∑ …
…

2.6. Adaptation Algorithm 
Equation (5) shows how each weight coefficient is being changed in each iteration: 
𝑤 𝑘 1 𝑤 𝑘 𝐿 _ 𝑘 ∙ 𝑘 ∙𝑒 𝑘 𝑘∆ ∙ ∆𝑒 𝑘   (5)

where:  em  =  ωmod‐ω1  reference  model  tracking  error.  An  inertial  second  order  object  has 
been used as the reference model (6) with parameters ωr = 30, ξ = 1: 
𝐺 𝑠 𝜔 ⁄ 𝑠 2∙𝑠∙𝜉∙𝜔 𝜔   (6)
In each iteration, adapted weight coefficients are changed by a values dependent on 
the current model tracking error. Only coefficients corresponding to active rules are adapted 

 
Energies 2022, 15, 419  8  of  24 
 

proportionally to the level of corresponding rule activation. Weight coefficients should be 
limited in such a way as to allow to  reach the  maximum desired output signal value.  A 
description of the control structure with reference model is also presented in [46–49]. The 
adaptation parameters (kem, kΔm) are tuned using algorithm described in Section 4.1. 

3. Two Mass System—SimPowerSystem Model 
The standard cascade structure has been used in the study [50–53]. The electromagnetic 
torque is controlled using current controller. For the outer control loop the dynamic of the 
torque control can be represented by equivalent first‐order transfer function with a small 
time constant. The speed control loop includes mechanical part of the drive (two‐mass sys‐
tem with nonlinearities) speed sensor with a neglectable dynamic and speed controller. 
In this paper, the system with two separately excited DC motors connected by means 
of a flexible shaft has been modelled in the MathWorks Inc. MATLAB Simulink (Natick, 
Massachusetts, United States) environment using SimPowerSystems library. The first mo‐
tor is working as a drive and is controlled using cascade control structure. The second 
motor works as a generator which energy is wasted at the resistance. Assuming constant 
excitation of both machines each of them can be described by Equations (7) and (8). 
𝑑𝑖
T 𝑖 𝐾 𝑢 Ψ𝜔   (7)
𝑑𝑡
𝑑𝜔
T Ψ𝑖 𝜏   (8)
𝑑𝑡
where: Tem—electromagnetic time constant, T1—mechanical time constant of the machine, 
τL—load torque, ia—armature current, Kt—gain factor of the motor, ua—armature voltage, 
Ψf—excitation flux 
The mentioned cascade control system is shown in the Figure 4 contains two control 
loops. The inner loop contains electromagnetic part of the motor, the current controller 
and  current  measurement.  Its  purpose  is  to  compensate  electromagnetic  time  constant 
(Tem). The classical PI controller initially tuned with symmetry criterion is used as current 
controller.  The  outer  loop—speed  control  loop—contains  speed  controller  and  speed 
measurement system. Its purpose is to compensate the mechanical time constant (T1)—
the biggest time constant in the system. During research, in the first step the classical PI 
speed controller has been used. Afterwards this speed controller is substituted by pro‐
posed fuzzy adaptive controllers. 

current sensor

ωref  
H‐BRIDGE
Cω  Cc 
DC
load 
switch

speed sensors DC

R load  
Figure 4. Control system scheme. 

Both DC machines are connected via a long shaft wherein elasticity of the shaft is 
non‐negligible. The block diagram is presented in the Figure 5. Mathematical description 
includes Equations (9)–(11). 
𝑑𝜔 1
𝜏 𝜏 𝜏   (9)
𝑑𝑡 J

 
Energies 2022, 15, 419  9  of  24 
 

𝑑𝜔 1
𝜏 𝜏 𝜏   (10)
𝑑𝑡 J
𝑑𝜏 𝑑 𝜔 𝜔
K ∙ 𝜔 𝜔 D∙   (11)
𝑑𝑡 𝑑𝑡
where: 2—load speed, τe—electromagnetic torque, τs—shaft (torsional) torque, Kc—stiff‐
ness constant, D—damping factor of the shaft, τf1, τf2—friction torque of motor and load. 

 
Figure 5. Block diagram of mechanical part of driver system with elastic coupling and friction. 

4. Simulations 
The MathWorks Inc. MATLAB (Natick, MA, USA) simulations scenario looks as fol‐
lows. Firstly the well‐known adaptive Mamdani fuzzy controller, then the same controller 
with Petri layer and type II MF has been created and modelled. Each controller was tuned 
using PSO. Only the best outcomes were presented, along with optimization process. Tun‐
ing process included rng(‘default’) was used to ensure reproducibility. Seven iterations of 
PSO with variable boundaries for each controller were realized. The chosen simulation 
outcomes are presented along with comments. To provide a better comparison, a classical 
PI controller tuned using symmetry criterion (Sym), taking into account flexible connec‐
tion [54] (Flex), has been shown. 
The trajectory used for the simulations is as follows. Reversible speed reference signal 
of frequency 0.5 Hz and amplitude 0.25 rated value and step change of rated load torque 
was applied in time 1.5 s. The limited dynamics origins in the usage of the reference model 
for the adaptation algorithm is shown in (6). This model was also used as filter for the 
linear controller so the comparison is fair. 

4.1. Optimization Process 
As  an  optimization algorithm  the  Particle  Swarm  Optimization  (PSO)  [55–57] was 
used. The swarm size was set as 20. Function tolerance 1 × 10−4. Inertia Range [0.1, 1.5]. 
Initial swarm span (default) 2000, max iterations (200) was never reached. The maximum 
number of stall iterations (5), combined with function tolerance were always the reason to 
stop the algorithm. There were no time constraints. The minimum adaptive neighbour‐
hood size is 0.25. Self‐adjustment as well social adjustment of weight was 1.49. Other not‐
mentioned options are set as default. All the above options are common for all optimiza‐
tions. The search boundaries and number of optimized variables are only variable param‐
eters. 
   

 
Energies 2022, 15, 419  10  of  24 
 

4.2. The Cost Functions for Optimization 
The function (y1) contains sum of two logarithmic expressions. The first part is re‐
sponsible for proper tracking of reference speed. The second part ensures minimization 
of damping of torsional vibrations. ISE criterion supports the minimization of higher am‐
plitudes of signals at the expense of weaker minimization of low amplitudes of respec‐
tively  tracking  error  and  torsional  vibrations.  The  logarithm  and  multiplication  (103  in 
nominator) allow us to adjust the levels of importance of tracking error (which values is 
generally  bigger)  and  torsional  vibrations  causing  difference  in  motor  and  load  speed 
(ω1−2) effectively the used cost function allows obtaining good tracking with minimized 
torsional vibrations. 

𝐼𝑆𝐸 𝜔 𝜔 𝑑𝑡  (12)

𝐼𝑆𝐸 𝜔 𝜔 𝑑𝑡  (13)

𝑙𝑜𝑔 𝐼𝑆𝐸 ∙ 10
𝑦 𝑙𝑜𝑔 𝐼𝑆𝐸   (14)
2

4.3. Simulation Transients 
In the figures three types of transients has been presented. In the first transient refer‐
ence speed versus motor and load speed are presented. In the second transient tracking 
error of motor speed are shown. The last transient presents the difference between motor 
and load speed, which is associated with torsional torque. Underneath, the chosen frag‐
ments can be found. 
The classical PI controller tuned with the symmetry criterion (Sym) and taking into 
account the flexible connection (Flex) criterion [54] was treated as a reference point. 

4.4. Adaptive Fuzzy Controller with Type I Fuzzy Sets 
In this section adaptive fuzzy controller with type I fuzzy sets is presented. Tuning 
process of fuzzy controller is described in Sections 4.1 and 4.2. Chosen outcomes are pre‐
sented along with reference transients. 
Figures 6–8 show the waveforms for the system with a fuzzy controller with type I 
functions  and  a  classic  PI  controller  tuned  in  accordance  with  the  methods  mentioned 
earlier. Not surprisingly, each chip worked. However, when analyzing the differences be‐
tween them, one can notice the potential advantages of more and more complex control 
systems. In the case of the Flex type settings, it is necessary to know the time constants of 
the drive. In the case of the PI controller, it is not necessary to know the connection time 
constant, only the drive. In the case of an adaptive fuzzy controller there is no need to 
know the drive parameters, although of course it is helpful [58]. Figures 9–11 show the 
zoomed trajectory fragment at the moment of switching the load on at the time of 1.5 s. 
Figures 12–14 show a full relapse. Figure 15 is the flow of the optimization process leading 
to obtaining the settings corresponding to the presented waveforms. 
As can be seen in Figure 9, the PI controller tuned in accordance with the symmetry 
criterion gives the highest value of the speed error at the moment of switching the load 
on, additionally the response is characterized by swing. In the case of Flex (blue) settings, 
a significant improvement can be seen, however, the use of a fuzzy controller with type I 
membership functions gives an even better quality of response. The oscillatory nature of 
the speed response ω1 appears, however, in the load speed ω2, there are no oscillations. 
This is confirmed by the analysis of the error ω1. 

 
Energies 2022, 15, 419  11  of  24 
 

 
Figure 6. Transients of difference between motor and load speed for analyzed controller cases. 

 
Figure 7. Transients of difference between motor and reference speed for analyzed controller 
cases. 

 
Figure 8. Transients of motor, load and reference speed for analyzed controller cases. 

 
Energies 2022, 15, 419  12  of  24 
 

 
Figure  9.  Transients  of  difference  between  motor,  load  and  reference  speed  under  torque  load 
change. 

 
Figure 10. Transients of difference between motor and reference speed under torque load change. 

 
Figure 11. Transients of difference between motor and load speed under load occurrence. 

Looking at Figure 11, it can be seen that the smallest maximum difference between 
the speed ω1 and ω2 is given by the Flex tuning of the PI controller. A slightly larger dif‐
ference is offered by the fuzzy regulator, and the smallest, although the differences are 
minimal, is provided by the tuned Flex regulator. Later in Figures 12–14, the transients 
involved by change of reference speed are shown. Here, too, we can see analogous behav‐
ior of a bend, but the time of the dynamic state is relatively longer, so the real differences 
between the systems are also slightly more significant. 

 
Energies 2022, 15, 419  13  of  24 
 

 
Figure 12. Transients of motor, load and reference speed for analyzed controller cases. 

 
Figure 13. Transients of difference between motor and reference speed for analyzed controller cases. 

 
Figure 14. Transients of motor, load and reference speed for analyzed controller cases. 

 
Energies 2022, 15, 419  14  of  24 
 

 
Figure 15. Adaptation process for the controller with type I functions. 

4.5. Adaptive Fuzzy Controller with Type II Fuzzy Sets and Petri Transition Layer 
In this section adaptive fuzzy controller with type II fuzzy sets performance is pre‐
sented. Before mentioned classical PI controller is treated as a reference. Tuning process 
of fuzzy controller is described in Sections 4.1 and 4.2. The chosen outcomes are presented 
along with reference transients. 
Analyzing the waveforms in Figures 16–24, it can be seen that also in this case the 
system with a fuzzy controller with type II functions—turns out to be the best in many 
respects. Most importantly, the parameter which was the most important in the course of 
tuning, i.e., the minimization of torsional vibrations, which is manifested by the difference 
between the drive speed and the actual load speed, is the smallest (Figures 23 and 24) for 
the case of a fuzzy controller with type II membership functions. 

 
Figure 16. Transients of motor, load and reference speed for analyzed controller cases. 

 
Energies 2022, 15, 419  15  of  24 
 

 
Figure 17. Transients of difference between motor and load speed for analyzed controller cases. 

 
Figure 18. Transients of difference between motor and reference speed for analyzed controller cases. 

 
Figure 19. Transients of motor, load and reference speed for analyzed controller cases. 

 
Energies 2022, 15, 419  16  of  24 
 

 
Figure 20. Transients of difference between motor and load speed for analyzed controller cases—
zoom. 

 
Figure 21. Transients of difference between motor and reference speed for analyzed controller cases. 

 
Figure 22. Transients of motor, load and reference speed for case of reference speed change. 

 
Energies 2022, 15, 419  17  of  24 
 

 
Figure 23. Transients of difference between motor and load speed for case of reference speed change. 

 
Figure 24. Transients of difference between motor and reference speed for case of reference speed 
change. 

To be clear, Figures 15 and 25 show the process of adaptation. At the same time, as 
mentioned in Section 4.2 for each system, a series of adaptations with different scopes of 
variable searches. It should be noted, however, that each of the sets (specific constraints 
and specific cost function) were run for both algorithms. Moreover, the reproducibility 
function allows to guarantee the fairness of such a comparison (each algorithm was opti‐
mized for the same parameters). As a result, it turned out that the best quality was ob‐
tained with the optimization of the fuzzy controller with the first type functions for con‐
straints kem (0–10) kΔm (0–20) while for the controller with type II functions for constraints 
were kem (0–10) kΔm (0–10). 

 
Energies 2022, 15, 419  18  of  24 
 

 
Figure 25. Adaptation process for the controller with type II functions. 

For  this  controller,  which  is  the  main  goal  of  this  paper,  similar  transients  like  in 
earlier  analysis  are  presented.  First,  the  analyzed  controller  with  type  II  functions  is 
presented  against  the  background  of—as  before—the  classical  PI  controller.  Then,  in 
Figures 26–28, a comparison of the fuzzy controller with the functions of type I and type 
II is presented. Two best sets for each type. Colour blue are type II controllers, colour red 
are type I controllers. As it is seen in Figure 26 both system offers very good trajectory 
tracking. However, the transient of the difference between machine and load speed (Fig‐
ure 27) shows a smaller and less rippled trajectory of motor speed for type II fuzzy sets as 
membership functions. Additionally, speed tracking under load occurrence (Figure 28) is 
better for type II fs, at the cost of slightly bigger error but fewer ripples during reversion. 

     

Figure 26. Transients of motor, load and reference speed for analyzed controller cases. 

     

Figure 27. Transients of difference between motor and load speed for analyzed controller cases. 

 
Energies 2022, 15, 419  19  of  24 
 

     

Figure 28. Transients of difference between motor and reference speed for analyzed controller cases. 

In Table 1, the numerical quality indicators have been compiled. The first line is the 
proposed (14) cost function for optimization process. As it is seen, fuzzy systems, both 
with type I and II fuzzy MF offer better quality of tracking combined with twisting torque 
minimization. It is not a surprise, since in general analyzed system is nonlinear, and fuzzy 
system offers such nonlinear control strategy whereas classical PI controller, even taking 
flexibility into account is still linear type of control. 
The second and third line are the maximal differences between the machine and load 
speed in  dynamic state (change  of  reference  speed) and under load  occurrence.  Again, 
type II fuzzy sets are better. What is important, however, is that the type I fuzzy system 
offers a worse quality of this indicator than the PI controller with settings taking flexibility 
into account. 
The last two lines present maximal values of the tracking error of the machine. In this 
approach better quality of the type II controller is obtained, yet the error of (ωref‐ω1) in 
dynamic states is higher. 

Table 1. The comparison of numerical quality indicators for different controllers. 

Criterion  Sym  Flex  Fuzzy T I  Fuzzy T II 

Cost function y1 (14)  5.0309  4.8601  2.9462  1.9462 
Max(ω1‐ω2)   
0.0560  0.0545  0.0548  0.0460 
dynamic state 
Max(ω1‐ω2)   
0.0139  0.0136  0.0137  0.0116 
load occurrence 
Max(ωref‐ω1)   
0.0338  0.0176  0.0327  0.0480 
dynamic state 
Max(ωref‐ω1)   
0.0093  0.0056  0.0033  0.0022 
load occurrence 

5. Experimental Verification 
Experimental studies have been carried out on a laboratory system consisting of two 
DC machines. The first DC motor is supplied by transistor H‐bridge. Control is performed 
by a computer equipped with a DSpace 1103 card. The speed control circuit is sampled at 
2 kHz frequency, current loop works at 11 kHz frequency. Due to coupling both DC ma‐
chines by elastic shaft the drive can be treated as a two‐mass system. The block diagram 
of the test system is shown in Figure 29. The speed is measured using high‐quality indus‐
trial encoders (Kübler, 5 k imp/rev). Two reversible trajectories were tested, with constant 
and changeable load torque. 

 
Energies 2022, 15, 419  20  of  24 
 

 
Figure 29. Block diagram of the experimental system. 

The main data of the motor and drive (both motors are the same) are: nominal power 
PN = 0.5 kW, nominal speed nN = 1450 rev/min, nominal current IN = 3.15 A, nominal volt‐
age UN = 220 V, moment of inertia JN = 0.0044 kg∙m2. Machines are connected with a steel 
shaft: length l = 60 cm, diameter Φ = 8 mm. 
As it is seen in Figures 30 and 31 load speed and motor speed accurately are following 
reference signal. What is more, the torsional vibrations are very small. In fact, they are at 
platform noise levels. That is why only chosen cases were presented. If we would like to 
describe them numerically for the case presented in Figure 30 ISE(ωref‐ω1) = 2.6767, ISE(ω1‐
ω2) = 0.5812 and criterion (14) = 4.1672. For the 31st fig case it would be ISE(ωref‐ω1) = 1.1155, 
ISE(ω1‐ω2) = 0.2057 and criterion (14) = 2.7725. Having in mind the trajectory parameters, 
these are considered as very good outcomes. 

   
(a) (b)

   
(c) (d)
Figure 30. Experimental transients of the system with type II fuzzy controller with Petri layer. Ref‐
erence (blue), motor (yellow) and load (orange) speed (a), reference (orange), measured (yellow) 

 
Energies 2022, 15, 419  21  of  24 
 

armature current and load level (blue) (b), tracking error for motor speed (c), difference between 
machine and load (d). Case with constant load. 

   
(a) (b)

   
(c) (d)
Figure 31. Experimental transients of the system with type II fuzzy controller with Petri layer. Ref‐
erence (blue), motor (yellow) and load (orange) speed (a), reference (orange), measured (yellow) 
armature current and load level (blue) (b), tracking error for motor speed (c), difference between 
machine and load (d). Case with variable load. 

6. Conclusions 
This paper presents an original concept of an electrical drive control system with an 
elastic mechanical coupling between the motor and the driven mechanism. As it is known, 
unlimited torsional vibrations or torsional momentum may cause the damage to the shaft 
or non‐plastic deformation. Even if it is not a shaft fracture, twisting in its structure sig‐
nificantly weakens the strength over time and thus eventually causes the shaft to break. 
Therefore, from the strength point of view, the torque values involved by torsional vibra‐
tions should be limited. 
For this purpose two types of fuzzy controllers with type I and type II fuzzy mem‐
bership functions have been analyzed. A system quality indicator taking vibrations into 
account  has  been  proposed  in  the  speed  controller  synthesis  procedure.  An  important 
novelty in the presented approach is the use of a transition Petri layer in the type II fuzzy 
controller to reduce the numerical complexity. When dealing with a large number of com‐
plex type II fuzzy sets. Reducing computational complexity as well as the processing time 
of numerical procedures on a microprocessor chip allows the implementation on a low‐
cost  platform.  The  simulation  and  experimental  results  presented  show  that  the  best 
damping of mechanical vibrations is provided by an adaptive fuzzy controller with type 
II  functions  and  with  a  transition  Petri  layer.  The  proposed  algorithm  also  has  an  ad‐
vantage due to the adaptive nature of the controller, which allowed one to start the control 

 
Energies 2022, 15, 419  22  of  24 
 

process without drive parameter identification. The theoretical considerations were sup‐
ported by simulation results, and tested on‐site. Continued development work is planned 
with multi‐mass objects, as well as the implementation of the algorithm in a cheaper in‐
dustrial platform. 

Author Contributions: Conceptualization, P.D., K.S.; methodology, P.D., K.S.; software, P.D.; vali‐
dation, K.S., K.Z. and T.P.; formal analysis, P.D., K.S., K.Z. and T.P.; investigation, P.D., K.S., K.Z. 
and T.P.; resources, P.D., K.S., K.Z. and T.P.; data curation, P.D., K.S., K.Z. and T.P.; writing—orig‐
inal draft preparation, P.D. and K.S.; writing—review and editing, K.Z. and T.P.; visualization, P.D., 
K.S., K.Z. and T.P.; supervision, K.S. and K.Z.; project administration, T.P.; funding acquisition, K.Z. 
All authors have read and agreed to the published version of the manuscript. 
Funding: This research received no external funding.   
Conflicts of Interest: The authors declare no conflict of interest. 

References 
1. Ohnishi, K.; Katsura, S.; Shimono, T. Motion control for real‐world haptics. IEEE Ind. Electron. Mag. 2010, 4, 16–19. 
2. Inoue, Y.; Katsura, S. Spatial disturbance suppression of a flexible system based on wave model. IEEJ J. Ind. Appl. 2018, 7, 236–
243. 
3. Łuczak, D. Nonlinear Identification with Constraints in Frequency Domain of Electric Direct Drive with Multi‐Resonant Me‐
chanical Part. Energies 2021, 14, 7190. https://doi.org/10.3390/en14217190. 
4. Li, P.; Wang, L.; Zhong, B.; Zhang, M. Linear Active Disturbance Rejection Control for Two‐mass Systems via Singular Pertur‐
bation Approach. IEEE Ind. Inform. 2021, in press. https://doi.org/10.1109/TII.2021.3108950. 
5. Lozynskyy, A.; Chaban, A.; Perzyński, T.; Szafraniec, A.; Kasha, L. Application of Fractional‐Order Calculus to Improve the 
Mathematical Model of a Two‐Mass System with a Long Shaft. Energies 2021, 14, 1854. https://doi.org/10.3390/en14071854. 
6. Zhang, G.; Furusho, J. Speed control of two—Inertia system by PI/PID control. IEEE Trans. Ind. Electron. 2000, 47, 603–609. 
7. Goubej, M. Fundamental performance limitations in PID controlled elastic two‐mass systems. In Proceedings of the IEEE Inter‐
national Conference on Advanced Intelligent Mechatronics (AIM), Banff, AB, Canada, 12–15 July 2016; pp. 828–833. 
8. Li, X.; Shang, D.; Li, H.; Li, F. Resonant Suppression Method Based on PI control for Serial Manipulator Servo Drive System. 
Sci. Prog. 2020, 103, 1–39. https://doi.org/10.1177/0036850420950130. 
9. Nalepa, R.; Najdek, K.; Wróbel, K.; Szabat, K. Application of D‐Decomposition Technique to Selection of Controller Parameters 
for a Two‐Mass Drive System. Energies 2020, 13, 6614. https://doi.org/10.3390/en13246614. 
10. Szabat, K.; Orlowska‐Kowalska, T. Vibration suppression in two‐mass drive system using PI speed controller and additional 
feedbacks—Comparative study. IEEE Trans. Ind. Electron. 2007, 54, 1193–1206. 
11. Serkies, P. Estimation of state variables of the drive system with elastic joint using moving horizon estimation (MHE). Bull. Pol. 
Acad. Sci. Tech. Sci. 2019, 67, 883–892. 
12. Szczepański,  R.;  Kamiński,  M.;  Tarczewski,  T.  Auto‐tuning  process  of  state  feedback  speed  controller  applied  for  two‐mass 
system. Energies 2020, 13, 3067. 
13. Sakaino, S.; Kitamura, T.; Mizukami, N.; Tsuji, T. High‐Precision Control for Functional Electrical Stimulation Utilizing a High‐
Resolution Encoder. IEEJ J. Ind. Appl. 2021, 10, 124–133. 
14. Dodds, S.J.; Szabat, K. Forced dynamic control of electric drives with vibration modes in the mechanical load. In Proceedings 
of the 12th International Power Electronics and Motion Control Conference, Portoroz, Slovenia, 30 August–1 September 2006; 
pp. 1245–1250. 
15. Serkies, P.; Szabat, K. Effective damping of the torsional vibrations of the drive system with an elastic joint based on the forced 
dynamic control algorithms. J. Vib. Control. 2019, 25, 2225–2236. 
16. Hori, Y.; Sawada, H.; Chun, Y. Slow resonance ratio control for vibration suppression and disturbance rejection in torsional 
system. IEEE Trans. Ind. Electron. 1999, 46, 162–168. https://doi.org/10.1109/41.744407. 
17. Katsura, S.; Suzuki, J.; Ohnishi, K. Pushing operation by flexible manipulator taking environmental information into account. 
IEEE Trans. Ind. Electron. 2006, 53, 1688–1697. 
18. Yang, M.; Wang, C.; Xu, D.; Zheng, W.; Lang, X.; Shaft Torque Limiting Control Using Shaft Torque Compensator for Two‐
Inertia  Elastic  System  with  Backlash.  IEEE/ASME  Trans.  Mechatron.  2016,  21,  2902–2911. 
https://doi.org/10.1109/TMECH.2016.2571304. 
19. Yamada, S.; Fujimoto, H.; Precise joint torque control method for two‐inertia system with backlash using load‐side encoder. 
IEEJ J. Ind. Appl. 2019, 8, 75–83. 
20. Liu, H.; Cui, S.; Liu, Y.; Ren, Y.; Sun, Y. Design and Vibration Suppression Control of a Modular Elastic Joint. Sensors 2018, 18, 
1869. 
21. Trung, T.V.; Iwasaki, M. Double‐Disturbance Compensation Design for Full‐Closed Cascade Control of Flexible Robots. In Pro‐
ceedings  of  the  IEEE  International  Conference  on  Mechatronics  (ICM),  Kashiwa,  Japan,  7–9  March  2021;  pp.  1–6. 
https://doi.org/10.1109/ICM46511.2021.9385638. 

 
Energies 2022, 15, 419  23  of  24 
 

22. Cychowski, M.T.; Szabat, K. Efficient real‐time model predictive control of the drive system with elastic transmission. IET Con‐
trol. Theory Appl. 2010, 4, 37–49. 
23. Serkies, P.J.; Szabat, K. Application of the MPC to the position control of the two‐mass drive system. IEEE Trans. Ind. Electron. 
2013, 60, 3679–3688. 
24. Wang, C.; Yang, M.; Zheng, W.; Long, J.; Xu, D. Vibration Suppression with Shaft Torque Limitation Using Explicit MPC‐PI 
Switching  Control  in  Elastic  Drive  Systems.  IEEE  Trans.  Ind.  Electron.  2015,  62,  6855–6867. 
https://doi.org/10.1109/TIE.2015.2438055. 
25. Wang, C.; Yang, M.; Zheng, W.; Hu, K.; Xu, D. Analysis and Suppression of Limit Cycle Oscillation for Transmission System 
with Backlash Nonlinearity. IEEE Trans. Ind. Electron. 2017, 64, 9261–9270. https://doi.org/10.1109/TIE.2017.2711564. 
26. Amirkhani, S.; Mobayen, S.; Iliaee, N.; Boubaker, O.; Hosseinnia, S.H. Fast terminal sliding mode tracking control of nonlinear 
uncertain mass–spring system with experimental verifications. Int. J. Adv. Robot. Syst. 2019, 16, 1–10. 
27. Szabat, K.; Wróbel, K.; Dróżdż K.; Janiszewski, D.; Pajchrowski, T.; Wójcik, A. A fuzzy unscented Kalman filter in the adaptive 
control system of a drive system with a flexible joint. Energies 2020, 13, 2056. 
28. Orlowska‐Kowalska,  T.;  Szabat,  K.  Control  of  the  drive  system  with  stiff  and  elastic  couplings  using  adaptive  neuro‐fuzzy 
approach. IEEE Trans. Ind. Electron. 2007, 54, 228–240. 
29. Orlowska‐Kowalska, T.; Szabat, K. Adaptive fuzzy sliding mode control of a drive system with flexible joint. In Proceedings of 
the IECON 32nd Annual Conference on IEEE Industrial Electronics, Paris, France, 6–10 November 2006; pp. 994–999. 
30. Wróbel,  K.  Fuzzy  Adaptive  Control  of  Nonlinear  Two‐Mass  System.  Power  Electron.  Drives  2016,  1,  133–146. 
https://doi.org/10.5277/PED160208. 
31. Kabziński, J.; Mosiołek, P.; Integrated, Multi‐Approach, Adaptive Control of Two‐Mass Drive with Nonlinear Damping and 
Stiffness. Energies 2021, 14, 5475. https://doi.org/10.3390/en14175475. 
32. Kaminski, M.; Orlowska‐Kowalska, T.; Adaptive neural speed controllers applied for a drive system with an elastic mechanical 
coupling—A comparative study. Eng. Appl. Artif. Intell. 2015, 45, 152–167. 
33. Gaidi, A.; Lehouche, H.; Belkacemi, S.; Tahraoui, S.; Loucif, M.; Guenounou, O. Adaptive backstepping control of wind turbine 
two mass model. In Proceedings of the 6th International Conference on Systems and Control (ICSC), Banta, Algeria, 7–9 May 
2017; pp. 168–172. 
34. Tran Anh, D.; Nguyen Trong, T. Adaptive Controller of the Major Functions for Controlling a Drive System with Elastic Cou‐
plings. Energies 2018, 11, 531. 
35. Brock, S.; Luczak, D.; Nowopolski, K.; Pajchrowski, T.; Zawirski, K. Two approaches to speed control for multi‐mass system 
with variable mechanical parameters. IEEE Trans. Ind. Electron. 2016, 64, 3338–3347. 
36. Pajchrowski, T.; Siwek, P.; Wójcik, A. Adaptive controller design for electric drive with variable parameters by Reinforcement 
Learning method. Bull. Pol. Acad. Sci. Tech. Sci. 2020, 68, 1019–1030. 
37. Kamiński,  M.;  Szabat,  K.  Adaptive  Control  Structure  with  Neural  Data  Processing  Applied  for  Electrical  Drive  with  Elastic 
Shaft. Energies 2021, 14, 3389. https://doi.org/10.3390/en14123389. 
38. Derugo, P.; Szabat, K. Adaptive neuro‐fuzzy PID controller for nonlinear drive system. COMPEL Int. J. Comput. Math. Electr. 
Electron. Eng. 2015, 34, 792–807. https://doi.org/10.1108/COMPEL‐10‐2014‐0257. 
39. Samonto, S.; Kar, S.; Pal, S.; Atan, O.; Sekh, A.A. Fuzzy logic controller aided expert relaying mechanism system. J. Frankl. Inst. 
2021, 358, 7447–7467. 
40. Samonto, S.; Kar, S.; Pal, S.; Sekh, A.A. Fuzzy logic based multistage relaying model for cascaded intelligent fault protection 
scheme. Electr. Power Syst. Res. 2020, 184, 106341. 
41. Precup, R.E.; Hellendoorn, H. A survey on industrial applications of fuzzy control. Comput. Ind. 2011, 62, 213–226. 
42. Derugo, P. Adaptive neuro fuzzy PID type II DC shunt motor speed controller with Petri Transition layer. In Proceedings of 
the IEEE 26th International Symposium on Industrial Electronics (ISIE), Edinburgh, UK, 19–21 June 2017; pp. 395–400. 
43. Castillo, O.; Melin, P.; Kacprzyk, J.; Pedrycz, W. Type‐2 fuzzy logic: Theory and applications. In Proceedings of the IEEE Inter‐
national Conference on Granular Computing, Fremont, CA, USA, 2–4 November 2007; pp. 145–145. 
44. Mendel, J.M.; John, R.B. Type‐2 fuzzy sets made simple. IEEE Trans. Fuzzy Syst. 2002, 10, 117–127. 
45. Karnik, N.N.; Mendel, J.M.; Liang, Q. Type‐2 fuzzy logic systems. IEEE Trans. Fuzzy Syst. 1999, 7, 643–658. 
46. Chai, Y.; Jia, L.; Zhang, Z. Mamdani model based adaptive neural fuzzy inference system and its application. Int. J. Comput. 
Intell. 2009, 5, 22–29. 
47. Liao, Q.; Li, N.; Li, S. Type‐II T‐S fuzzy model‐based predictive control. In Proceedings of the 48th IEEE Conference on Decision 
and Control (CDC) Held Jointly with 2009 28th Chinese Control. Conference, Shanghai, China, 15–18 December 2009; pp. 4193–
4198. https://doi.org/10.1109/CDC.2009.5400480. 
48. Wai, R.J.; Chu, C.C. Robust petri fuzzy‐neural‐network control for linear induction motor drive. IEEE Trans. Ind. Electron. 2007, 
54, 177–189. 
49. Szczepanski, R.; Tarczewski, T.; Grzesiak, L.M. Application of optimization algorithms to adaptive motion control for repetitive 
process. ISA Trans. 2021, 115, 192–205. 
50. Derugo, P.; Szabat, K. Implementation of the low computational cost fuzzy PID controller for two‐mass drive system. In Pro‐
ceedings of the IEEE 16th International Power Electronics and Motion Control. Conference and Exposition, Antalya, Turkey, 
21–24 September 2014; pp. 564–568. 

 
Energies 2022, 15, 419  24  of  24 
 

51. Orlowska‐Kowalska, T.; Szabat, K. Optimization of fuzzy‐logic speed controller for DC drive system with elastic joints. IEEE 
Trans. Ind. Appl. 2004, 40, 1138–1144. 
52. Kamarudin, M.N.; Rozali, S.M. Simulink implementation of digital cascade control DC motor model‐a didactic approach. In 
Proceedings of the IEEE 2nd International Power and Energy Conference, Johor Bahru, Malaysia, 1–3 December 2008; pp. 1043–
1048. 
53. Rosić, M.; Antić, S.; Bjekić, M.; Vujičić, V. Educational laboratory setup of DC motor cascade control based on dSPACE1104 
platform. Zb. Međunarodne Konf. Obnov. Izvorima Električne Energ. MKOIEE 2017, 5, 213–222. 
54. Szabat,  K.;  Orłowska‐Kowalska,  T.;  Kowalski,  C.T.  Wybrane  zagadnienia  sterowania  układu  napędowego  z  połączeniem 
sprężystym. Masz. Elektr. Zesz. Probl. 2005, 71, 155–160. 
55. Kennedy, J.; Russell, E. Particle swarm optimization. In Proceedings of the ICNN’95‐International Conference on Neural Net‐
works, Perth, Australia, 27 November–1 December 1995; Volume 4. 
56. Kabziński, J.; Kacerka, J. Optimization of Polytopic System Eigenvalues by Swarm of Particles. In Proceedings of the Interna‐
tional Conference on Artificial Intelligence: Methodology, Systems, and Applications, Los Angeles, CA, USA, 20–22 February 
1995; pp. 178–185. 
57. Bansal, J.C. Particle Swarm Optimization, Evolutionary and Swarm Intelligence Algorithms; Springer: Cham, Switzerland, 2019; pp. 
11–23. 
58. Derugo, P.; Żychlewicz M. Reproduction of the control plane as a method of selection of settings for an adaptive fuzzy controller 
with Petri layer. Arch. Electr. Eng. 2020, 69, 609–624.