人工智能控制技术在电气传动中应用研究.docVIP

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 　　 [中图分类号] TM921.5[文献标识码] A[文章编号] T2011-12(03)-1703 　　 　　 0 引 言 　　 随着现代控制理论的发展，控制器设计的常规技术正逐渐被广泛使用的人工智能软件技术（人工神经网络、模糊控制、模糊神经网络、遗传算法等）所替代。这些方法的共同特点是，需要不同数量和类型的必须描述系统和特性的“a-priori”知识。该系统具有实现简单、性能优异等优势。 　　 1 人工智能控制技术的优势 　　 不同人工智能控制通常采用完全不同的方法，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。这些AI函数近似器比常规的函数估计器具有更多的优势。 　　 （1）它们的设计不需要控制对象的模型（在许多场合，很难得到实际控制对象的精确动态方程，实际控制对象的模型在控制器设计时往往有很多不确实性因素。 　　 （2）通过适当调整（根据响应时间、下降时间、鲁棒性能等）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1.5倍，下降时间快3.5倍，过冲更小。 　　 人工智能控制器可分为监督、非监督或增强学习型三种。常规的监督学习型神经网络控制器的拓朴结构和学习算法已经定型，这就给这种结构的控制器增加了限制，使得计算时间过长，常规非人工智能学习算法的应用效果不好。采用自适应神经网络和试探法就能克服这些困难，加快学习过程的收敛速度。常规模糊控制器的规则初值和模糊规则表是既定“a-priori”型，这就使得调整困难，当系统得不到“a－priori”（既定）信息时，整个系统就不能正常工作。而应用自适应AI控制器，如使用自适应模糊神经控制器就能克服这些困难，并且用DSP比较容易实现这些控制器。 　　 2 人工智能在电气传动控制中的运用 　　 2.1 人工智能在直流传动中的运用 　　 2.1.1 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。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，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。 　　 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）＋kP?CP，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。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，通常用尝试法解决这个问题，