关于人工智能技术在电气自动化控制中的运用探讨

《关于人工智能技术在电气自动化控制中的运用探讨》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、关于人工智能技术在电气自动化控制中的运用探讨　　摘要：由于电气设备从设计、生产到运行、控制，每个环节都是一个复杂的过程，传统的方法有时很难适应。国内外的电气科技工作者将人工智能技术引入电气设备的优化设计、故障诊断及控制过程，并取得了一些成功经验。本文在总结人工智能在电气设备领域取得成果的基础上，论述了人工智能在电气传动领域的发展概况。其中主要包括模糊控制、神经网络和遗传算法的应用特点及发展趋势等。　　关键词：神经网络控制；模糊神经元控制；自适应控制　　　　前言：　　社会的进步要求生产力更加发达，要求人

2、类的经济生活更加智能化，以节省宝贵的时间去做其它有益的事情。电气自动化控制领域的革新需要人工智能的大力支持，而人工智能在自动化控制方面的优势在这个领域也确实能够得到极大的发挥，促进自动化控制的发展进步。自动化的特征，表达了一个共同的主题，即提高机械人类意识能力，强化控制自动化，因此人工智能在电气自动化领域将会大有作为，电气自动化控制也需要人工智能的参与。在将来，智能技术在电气传动技术中占相当重要的地位，特别是自适应模糊神经元控制器在性能传动产品中将得到广泛应用。　　一、人工智能控制器的概述　　不同的人

3、工智能控制通常用完全不同的方法去讨论。但AI控制器例如：神经、模糊、模糊神经以及遗传算法都可看成一类非线性函数近似器。这样的分类就能得到较好的总体理解，也有利于控制策略的统一开发。这些AI函数近似器比常规的函数估计器具有更多的优势，这些优势如下：　　它们的设计不需要控制对象的模型　　通过适当调整它们能提高性能。例如：模糊逻辑控制器的上升时间比最优PID控制器快1.倍，下降时间快3.倍，过冲更小。　　它们比古典控制器的调节容易。　　在没有必须专家知识时，通过响应数据也能设计它们。　　运用语言和响应信息可

4、能设计它们。　　它们有相当好的一致性，与驱动器的特性无关。现在没有使用人工智能的控制算法对特定对象控制效果十分好，但对其他控制对象效果就不会一致性地好，因此对具体对象必须具体设计。　　它们对新数据或新信息具有很好的适应性。　　它们能解决常规方法不能解决的问题。　　它们具有很好的抗噪声干扰能力。　　它们的实现十分便宜，特别是使用最小配置时。　　它们很容易扩展和修改。　　总而言之，当采用自适应模糊神经控制器，规则库和隶属函数在模糊化和反模糊化过程中能够自动地实时确定。有很多方法来实现这个过程，但主要的目标

5、是使用系统技术实现稳定的解，并且找到最简单的拓朴结构配置，自学习迅速，收敛快速。　　二、人工智能在电气传动控制中的运用　　1、人工智能在直流传动中的运用　　模糊逻辑控制应用　　主要有两类模糊控制器，Mamdani和Sugeno型。到目前为止只有Mamdani模糊控制器用于调速控制系统中。限于篇幅这里不详细讨论其中的原因。值得注意的是这两种控制器都有规则库，它是一个if－then模糊规则集。但Sugeno控制器的典型规则是“如果x是A，并且y是B，那么Z=f”。这里A和B是模糊集；Z=f(x,y）是x,

6、y的函数，通常是输入变量x,y的多项式。当f是常数，就是零阶Sugeno模型，因此Sugeno是Mamdani控制器的特例。　　Mamdani控制器由下面四个主要部分组成：　　①模糊化实现输入变量的测量、量化和模糊化。隶属函数有多种形式。　　②知识库由数据库和语言控制规则库组成。开发规则库的主要方法是：把专家的知识和经历用于应用和控制目标；建模操作器的控制行动；建模过程；使用自适应模糊控制器和人工神经网络推理机制。　　③推理机是模糊控制器的核心，能模仿人的决策和推理模糊控制行为。　　④反模糊化实现量化

7、和反模糊化。有很多反模糊化技术，例如最大化反模糊化，中间平均技术等。　　ANNS的应用　　过去二十年，人工神经网络在模式识别和信号处理中得到广泛运用。由于ANNS有一致性的非线性函数估计器，因此它也可有效的运用于电气传动控制领域，它们的优势是不需要被控系统的数学模型，一致性很好，对噪音不敏感。另外，由于ANNS的并行结构，它很适合多传感器输入运用，比如在条件监控、诊断系统中能增强决策的可靠性，当然，最近电气传动朝着最小化传感器数量方向发展，但有时，多传感器可以减少系统对特殊传感器缺陷的敏感性，不需要过

8、高的精度，也不需要复杂的信号处理。　　误差反向传播技术是多层前馈ANN最常用的学习技术。如果网络有足够多的隐藏层和隐藏结点以及适宜的激励函数，多层ANN只能实现需要的映射，没有直接的技术选择最优隐藏层、结点数和激励函数，通常用尝试法解决这个问题，反向传播训练算法是基本的最快下降法，输出结点的误差反馈回网络，用于权重调整，搜索最优。输出结点的权重调整迭代不同于隐藏结点的权重调整迭代。通过使用反向传播技术，能得到需要的非线性函数近似值，该算法包括有学习速率参