人工智能控制技术在电气传动中的应用研究

《人工智能控制技术在电气传动中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、人工智能控制技术在电气传动中的应用研究人工智能控制技术在电气传动中的应用研究【摘要】阐述了人工智能控制技术的发展概况，介绍了该控制技术的优势，从模糊控制、神经网络和遗传算法等方面探讨了该技术的应用特点及发展前景。　　【关键词】人工智能；神经网络控制；模糊神经元控制；自适应神经网络　　.Lamdani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。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（x,y）。这里A和B是模糊集；Z=f（x,y）是x,y的函数，

2、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）推理机制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。　　

3、在许多资料中，介绍了多种被模糊化的控制器，但这应与充分模糊控制器完全区分开来，充分模糊控制器才是完全意义上的模糊控制器，被模糊化的控制器易于实现，往往通过改造现有古典控制器得以实现，如被模糊化的PI控制器（FPIC）使用模糊逻辑改变控制器的比例、积分参数，从而使系统的性能得到提高。控制器参数的微小变化可能导致特性的极大提高，被模糊化的控制器参数调整方法如下：P（ti）=P（ti－1）＋kPCP，I（ti）=I（ti－1）CI。但若应用充分模糊逻辑控制器，系统响应远远优于FPIC和最优古典PI控制器，用于最优化常规控制器的计算时间比模糊化控制器所需的时间多得多。因此，使用

4、最小配置的FPIC控制器是可能的选择之一，事实上，这也是用现有驱动装置实现的最简单方法。　　2.1.2ANNS的应用　　过去20多年，人工神经网络（ANNS）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，因此它也可有效地运用于电气传动控制领域，其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。.L.另外，由于ANNS是并行结构，它很适合多传感器输入运用，如在条件监控、诊断系统中能增强决策的可靠性。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

5、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数，对网络的特性有很大影响。　　反向传播算法是多层前聩ANN最广泛使用的学习技术之一。但有时网络的收敛速度很慢，改进算法的开发是一个重要研究领域。英国Aberdeen大学在这方面取得过令人鼓舞的成绩，他们把常规的反向传播算法和其他AI技术结合起来，使得网络快速收敛，鲁棒性更好。值得注意的是在神经模糊实现中，有时必须使用不同形式的反向传播技术

6、，而不是已知的标准形式。反向传播技术是在线(Supervised)学习技术，需要充分的输入－输出数据对，虽然这种限制也可以用另外的方法加以克服，但该方法是离线的。　　常规技术就能实现简单的映射，而神经网络能实现更复杂的映射，并且由于它的并行结构这种映射相当快。辩识ANN用于训练第二个ANN（神经控制器，即过程控制器），因此，过程输出跟随给定信号，学习过程用的是反向传播算法。该方法分为二步：第一步，ANN被训练用来代表控制对象的响应，这需要用到表示控制对象输出和控制输入关系的微分方程。第二步，把ANN用于控制对象模型的辩识方案中。把ANN与控制对象并行连接，每次迭代时，给

7、ANN提供给定信号作为ANN输入信号。辩识意味着调整权重，使ANN输出信号(即网络输出)和控制对象输出信号(即正输出)的误差最小。在辩识阶段，全局误差(即方差之和)以固定时间间隔被计算并与希望的最小值比较。ANN是神经控制器被用于训练以给出需要的控制对象响应。为了训练这个网络，在每次采样输出时，必须知道误差(Ec)但仅仅只知道控制对象输出和希望输出(由给定输入决定)的最后误差，辩识方案中的第一个ANN可将最后误差Ec反向传播，用来训练控制器ANN。在误差最小化过程中，全局误差能被最小化到希望的值。经过训练辩识ANNS和控制ANNS，就可以