電氣自動(dòng)化控制中人工智能分析

1、電氣自動(dòng)化控制中人工智能分析電氣自動(dòng)化控制中人工智能分析1.人工智能應(yīng)用理論分析人工智能屬于自然科學(xué)和社會(huì)科學(xué)穿插的一門邊緣學(xué)科，涉及眾多學(xué)科，比方哲學(xué)與認(rèn)知科學(xué)、計(jì)算機(jī)科學(xué)等，其研究范疇是智能搜索、感知問題、邏輯程序設(shè)計(jì)、遺傳算然、自然語(yǔ)言處理等。從本質(zhì)上來(lái)講，人工智能就是模擬人的思維的信息過程。 兩條道路可以用于對(duì)人的思維模擬，一條是構(gòu)造模擬，對(duì)人腦的構(gòu)造機(jī)制進(jìn)展模擬，將類人腦;的機(jī)器制造出來(lái)；另一條是功能模擬，暫時(shí)將人腦的內(nèi)部構(gòu)造撇開，在模擬是從人腦的功能過程出發(fā)。 對(duì)人腦思維功能的模擬的典型事例就是現(xiàn)代電子計(jì)算機(jī)，它模擬了人腦思維的信息過程。人工智能并不意味著人的智能，更不意味著對(duì)人的

2、智能的超越。 從本質(zhì)上來(lái)將，機(jī)器思維;不同于人類思維的地方表如今四個(gè)方面，一，前者是無(wú)意識(shí)的機(jī)械的物理的單純過程，而后者主要是心理和生理的過程；二，前者沒有社會(huì)性；三，前者沒有人類的意識(shí)所特有的能動(dòng)的創(chuàng)造才能；四，電腦的功能總是在人腦的思維之后。人工智能控制器的優(yōu)勢(shì)人工智能控制器諸如模糊神經(jīng)，遺傳算法等都可以看做一類非線性函數(shù)近似器，經(jīng)過這樣的分類，我們就可以較好地對(duì)其進(jìn)展總體理解，也有利于統(tǒng)一開發(fā)控制策略。 和常規(guī)的函數(shù)估計(jì)其相比，這些人工智能控制器具有以下優(yōu)勢(shì)：沒有控制對(duì)象的模型也可以設(shè)計(jì)人工智能器。 在很多場(chǎng)合，實(shí)際控制對(duì)象的準(zhǔn)確動(dòng)態(tài)方程是很難得到的，在設(shè)計(jì)控制器時(shí)實(shí)際控制對(duì)象的模型通常

3、也存在著諸多不確定性因素，比方， 和最優(yōu) PID 控制器相比， 模糊邏輯控制器的上升時(shí)間是其 1.5被，下降時(shí)間是其 3.5 倍，過沖更加小；相對(duì)于古典控制器，人工智能控制器的調(diào)節(jié)更容易；在缺乏必要的專家知識(shí)時(shí)，通過相應(yīng)數(shù)據(jù)也可以將人工智能控制器設(shè)計(jì)出來(lái)；對(duì)語(yǔ)言和相應(yīng)信息進(jìn)展運(yùn)用也可能將人工智能控制器設(shè)計(jì)出來(lái)；人工智能的一致性良好，即使使用一些新的位置輸入數(shù)據(jù)也能得到良好的估計(jì)， 和驅(qū)動(dòng)器的特性是沒有關(guān)系的。目前，假如沒有使用人工智能的控制算法，也許對(duì)特定對(duì)象具有良好的控制效果，但是對(duì)其他控制對(duì)象就不一定具有一致性的良好的控制效果，因此應(yīng)該根據(jù)徒具對(duì)象進(jìn)展詳細(xì)設(shè)計(jì)；對(duì)新信息或新數(shù)據(jù)，人工智能控

4、制器的適應(yīng)性良好；人工智能控制器可以 將常規(guī)方法解決不了的問題解決掉；人工智能控制器的抗噪聲干擾才能良好；實(shí)現(xiàn)人工智能控制器控制價(jià)格低廉， 尤其是只是對(duì)最下配置進(jìn)展使用的情況下；人們和容易擴(kuò)展和修改人工智能控制器。3.人工智能技術(shù)在電氣自動(dòng)化控制系統(tǒng)中的應(yīng)用3.1 人工智能在直流傳動(dòng)中的應(yīng)用3.1.1 模糊邏輯控制應(yīng)用Mamdani 和 Sugeno 型是主要的兩類模糊控制器。 現(xiàn)階段，在調(diào)速控制系統(tǒng)中只用到了 Mamdani 模糊控制器。 需要注意的是這兩種控制器都有一個(gè) if-then 模糊規(guī)那么庫(kù)，但是假如 x 是 A，并且 y 是 B，那么 Z=fx，y;是 Sugeno 型控制器的典

5、型規(guī)那么，這里 A、B 是模糊集，Z=fx，y是 x、y 的函數(shù)，一般情況下是將 x、y 的多項(xiàng)式輸入進(jìn)去。 當(dāng) f 是常數(shù)，就是零階 Sugeno 模型，因此 Sugeno 是 Mamdani 控制器中一個(gè)特殊的例子。Mamdani 控制器主要由四個(gè)組成局部，一，輸入變量的模糊化、量化等是在模糊化的背景下實(shí)現(xiàn)的，具有多種形式的隸屬函數(shù)；二，數(shù)據(jù)庫(kù)和語(yǔ)言控制規(guī)那么庫(kù)是知識(shí)庫(kù)的兩大組成局部，對(duì)規(guī)那么庫(kù)進(jìn)展開發(fā)的主要方法是在應(yīng)用和控制目的中運(yùn)用專家的知識(shí)和經(jīng)歷，對(duì)建模操作器進(jìn)展控制，建模過程，使用人工神經(jīng)網(wǎng)絡(luò)推理機(jī)制及自適應(yīng)模糊控制器；三，模糊控制器的核心是推理機(jī)，可以對(duì)人的決策和推理模糊控制行為

6、進(jìn)展模擬；四，量化和反模糊化是由反模糊化實(shí)現(xiàn)的，反模糊化的技術(shù)有很多，比方，中間平均技術(shù)等。過去二十多年，在識(shí)別形式和處理信號(hào)過程中，ANNS人工神經(jīng)網(wǎng)絡(luò)得到了極為廣泛的應(yīng)用。 由于 ANNS 的非線性函數(shù)估計(jì)其具有一致性，因此它也可以在電氣傳動(dòng)控制領(lǐng)域得到有效的應(yīng)用，無(wú)需被控系統(tǒng)的數(shù)學(xué)模型，具有良好的一致性，對(duì)噪音不敏感是其優(yōu)勢(shì)所在。此外，ANNS 的并行構(gòu)造使其很合適多傳感器輸入運(yùn)用，比方，在診斷系統(tǒng)、條件監(jiān)控中可以促進(jìn)決策可靠性的有效增強(qiáng)。 近年來(lái)，電氣傳動(dòng)的開展方向變?yōu)榇偈箓鞲衅鲾?shù)量的最小化，但是在特殊情況下，多個(gè)傳感器可以使系統(tǒng)對(duì)特殊傳感器缺陷的敏感性降低，過高的精度和復(fù)雜的信號(hào)處理

7、都是不需要的。多層前饋 ANN 最常用的學(xué)習(xí)技術(shù)是誤差反向傳播技術(shù)。 假如網(wǎng)絡(luò)的隱藏層與隱藏節(jié)點(diǎn)足夠多，而且鼓勵(lì)函數(shù)適宜，多層 ANN 只能實(shí)現(xiàn)需要的映射，缺乏直接技術(shù)對(duì)最優(yōu)隱藏層、鼓勵(lì)函數(shù)等進(jìn)展選擇，那么這個(gè)問題就可以用嘗試法加以解決。 根本的最快下降法就是反向傳播訓(xùn)練算法，它向網(wǎng)絡(luò)反應(yīng)輸出結(jié)點(diǎn)，用于權(quán)重調(diào)整，搜索最優(yōu)、和隱藏結(jié)點(diǎn)的權(quán)重調(diào)整迭代不同，輸出結(jié)點(diǎn)的權(quán)重調(diào)整迭代尤其自身的特點(diǎn)。 通過反向傳播技術(shù)的使用，可以獲取所需的非線性函數(shù)的近似值，學(xué)習(xí)速率參數(shù)包含在該算法當(dāng)中，極大地影響著網(wǎng)絡(luò)的特性。3.2人工智能在交流傳動(dòng)中的應(yīng)用3.2.1 模糊邏輯的應(yīng)用一般情況下，在將模糊邏輯運(yùn)用到交流傳

8、動(dòng)中時(shí)，常規(guī)速度調(diào)節(jié)器被模糊控制器替代。 但是英國(guó) Aberdeen 大學(xué)開發(fā)的具有多個(gè)模糊控制器的全數(shù)字高性能傳動(dòng)系統(tǒng)卻不是這種情況。這些模糊控制器在對(duì)常規(guī)的 PI 或 PID 控制器進(jìn)展替代的同時(shí)，也用于其他任務(wù)。Aberdeen 大學(xué)還在各種全數(shù)字高動(dòng)態(tài)性能傳統(tǒng)系統(tǒng)的開發(fā)只可以運(yùn)用模糊神經(jīng)控制器。 也有人認(rèn)為，可以使用模糊邏輯對(duì)電機(jī)的磁通和力矩進(jìn)展感應(yīng)。它具有變化著的輸入標(biāo)定引資。 有關(guān)實(shí)驗(yàn)也對(duì)所提方案的有效性進(jìn)展了驗(yàn)證。 該系統(tǒng)同時(shí)使用模糊速度控制器、CRP塑變器及 PI 速度控制器，它常常用來(lái)對(duì)可能的慣性和負(fù)載轉(zhuǎn)矩的擾動(dòng)進(jìn)展補(bǔ)償。3.2.2 神經(jīng)網(wǎng)絡(luò)的應(yīng)用在交流電機(jī)和驅(qū)動(dòng)系統(tǒng)的條件檢測(cè)與診斷中使用神經(jīng)網(wǎng)絡(luò)時(shí)，由于 ANN 使用常規(guī)反向轉(zhuǎn)播算法， 因此它在步進(jìn)電機(jī)控制算法的最優(yōu)化中得到了應(yīng)用。 該方案根據(jù)負(fù)載轉(zhuǎn)矩和初始速度，利用實(shí)驗(yàn)數(shù)據(jù)，對(duì)最大可觀測(cè)速度增量進(jìn)展確定。 這就需要 ANN 對(duì)三維圖形映射進(jìn)展學(xué)習(xí)。 相比于常規(guī)控制算法提醒控制法，該系統(tǒng)的性能更加優(yōu)良，可以促進(jìn)定位時(shí)間的極大減少，同時(shí)也可以有效控制負(fù)載轉(zhuǎn)矩的非初始速度及答非為變化。 ANNS 的構(gòu)造屬于多層前饋型，對(duì)常規(guī)反向傳播學(xué)習(xí)算法加以應(yīng)用。 該系統(tǒng)的構(gòu)成元素是兩個(gè)子系統(tǒng)，一個(gè)系統(tǒng)通過辨識(shí)電氣動(dòng)態(tài)參數(shù)對(duì)定子電流進(jìn)展自適應(yīng)控制，另一個(gè)系