關(guān)于人工智能大學(xué)的論文(2)
關(guān)于人工智能大學(xué)的論文篇二
人工智能控制技術(shù)在電氣傳動(dòng)中的應(yīng)用研究
【摘 要】闡述了人工智能控制技術(shù)的發(fā)展概況，介紹了該控制技術(shù)的優(yōu)勢(shì)，從模糊控制、神經(jīng)網(wǎng)絡(luò)和遺傳算法等方面探討了該技術(shù)的應(yīng)用特點(diǎn)及發(fā)展前景。
【關(guān)鍵詞】人工智能;神經(jīng)網(wǎng)絡(luò)控制;模糊神經(jīng)元控制;自適應(yīng)神經(jīng)網(wǎng)絡(luò)
0 引 言
隨著現(xiàn)代控制理論的發(fā)展，控制器設(shè)計(jì)的常規(guī)技術(shù)正逐漸被廣泛使用的人工智能軟件技術(shù)(人工神經(jīng)網(wǎng)絡(luò)、模糊控制、模糊神經(jīng)網(wǎng)絡(luò)、遺傳算法等)所替代。這些方法的共同特點(diǎn)是，需要不同數(shù)量和類型的必須描述系統(tǒng)和特性的“a-priori”知識(shí)。該系統(tǒng)具有實(shí)現(xiàn)簡(jiǎn)單、性能優(yōu)異等優(yōu)勢(shì)。
1 人工智能控制技術(shù)的優(yōu)勢(shì)
不同人工智能控制通常采用完全不同的方法，但AI控制器，例如神經(jīng)、模糊、模糊神經(jīng)，以及遺傳算法都可看成一類非線性函數(shù)近似器。這些AI函數(shù)近似器比常規(guī)的函數(shù)估計(jì)器具有更多的優(yōu)勢(shì)。
(1)它們的設(shè)計(jì)不需要控制對(duì)象的模型(在許多場(chǎng)合，很難得到實(shí)際控制對(duì)象的精確動(dòng)態(tài)方程，實(shí)際控制對(duì)象的模型在控制器設(shè)計(jì)時(shí)往往有很多不確實(shí)性因素。
(2)通過適當(dāng)調(diào)整(根據(jù)響應(yīng)時(shí)間、下降時(shí)間、魯棒性能等)它們能提高性能。例如模糊邏輯控制器的上升時(shí)間比最優(yōu)PID控制器快1.5倍，下降時(shí)間快3.5倍，過沖更小。
人工智能控制器可分為監(jiān)督、非監(jiān)督或增強(qiáng)學(xué)習(xí)型三種。常規(guī)的監(jiān)督學(xué)習(xí)型神經(jīng)網(wǎng)絡(luò)控制器的拓樸結(jié)構(gòu)和學(xué)習(xí)算法已經(jīng)定型，這就給這種結(jié)構(gòu)的控制器增加了限制，使得計(jì)算時(shí)間過長(zhǎng)，常規(guī)非人工智能學(xué)習(xí)算法的應(yīng)用效果不好。采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)和試探法就能克服這些困難，加快學(xué)習(xí)過程的收斂速度。常規(guī)模糊控制器的規(guī)則初值和模糊規(guī)則表是既定“a-priori”型，這就使得調(diào)整困難，當(dāng)系統(tǒng)得不到“a-priori”(既定)信息時(shí)，整個(gè)系統(tǒng)就不能正常工作。而應(yīng)用自適應(yīng)AI控制器，如使用自適應(yīng)模糊神經(jīng)控制器就能克服這些困難，并且用DSP比較容易實(shí)現(xiàn)這些控制器。
2 人工智能在電氣傳動(dòng)控制中的運(yùn)用
2.1 人工智能在直流傳動(dòng)中的運(yùn)用
2.1.1 模糊邏輯控制應(yīng)用
主要有兩類模糊控制器，Mamdani和Sugeno型。到目前為止只有Mamdani模糊控制器用于調(diào)速控制系統(tǒng)中。值得注意的是這兩種控制器都有規(guī)則庫(kù)，它是一個(gè)if-then模糊規(guī)則集。但Sugeno控制器的典型規(guī)則是“如果x是A，并且y是B，那么Z=f(x,y)”。這里A和B是模糊集;Z=f(x,y)是x,y的函數(shù)，通常是輸入變量x,y的多項(xiàng)式。當(dāng)f是常數(shù)，就是零階Sugeno模型，因此Sugeno是Mamdani控制器的特例。Mamdani控制器由下面四個(gè)主要部分組成。
1)模糊化實(shí)現(xiàn)輸入變量的測(cè)量、量化和模糊化。隸屬函數(shù)有多種形式。
2)知識(shí)庫(kù)由數(shù)據(jù)庫(kù)和語(yǔ)言控制規(guī)則庫(kù)組成。開發(fā)規(guī)則庫(kù)的主要方法是：把專家的知識(shí)和經(jīng)歷用于應(yīng)用和控制目標(biāo);建模操作器的控制行動(dòng);建模過程;使用自適應(yīng)模糊控制器和人工神經(jīng)網(wǎng)絡(luò)推理機(jī)制。
3)推理機(jī)制是模糊控制器的核心，能模仿人的決策和推理模糊控制行為。
4)反模糊化實(shí)現(xiàn)量化和反模糊化。有很多反模糊化技術(shù)，例如，最大化反模糊化，中間平均技術(shù)等。
在許多資料中，介紹了多種被模糊化的控制器，但這應(yīng)與“充分模糊”控制器完全區(qū)分開來(lái)，“充分模糊”控制器才是完全意義上的模糊控制器，被模糊化的控制器易于實(shí)現(xiàn)，往往通過改造現(xiàn)有古典控制器得以實(shí)現(xiàn)，如被模糊化的PI控制器(FPIC)使用模糊邏輯改變控制器的比例、積分參數(shù)，從而使系統(tǒng)的性能得到提高?？刂破鲄?shù)的微小變化可能導(dǎo)致特性的極大提高，被模糊化的控制器參數(shù)調(diào)整方法如下：P(ti)=P(ti-1)+kP·CP，I(ti)=I(ti-1)·CI。但若應(yīng)用“充分”模糊邏輯控制器，系統(tǒng)響應(yīng)遠(yuǎn)遠(yuǎn)優(yōu)于FPIC和最優(yōu)古典PI控制器，用于最優(yōu)化常規(guī)控制器的計(jì)算時(shí)間比模糊化控制器所需的時(shí)間多得
多。因此，使用最小配置的FPIC控制器是可能的選擇之一，事實(shí)上，這也是用現(xiàn)有驅(qū)動(dòng)裝置實(shí)現(xiàn)的最簡(jiǎn)單方法。
2.1.2ANNS的 應(yīng)用
過去20多年，人工神經(jīng) 網(wǎng)絡(luò)(ANNS)在模式識(shí)別和信號(hào)處理中得到廣泛運(yùn)用。由于ANNS有一致性的非線性函數(shù)估計(jì)器，因此它也可有效地運(yùn)用于電氣傳動(dòng)控制領(lǐng)域，其優(yōu)勢(shì)是不需要被控系統(tǒng)的數(shù)學(xué)模型，一致性很好，對(duì)噪音不敏感。 另外，由于ANNS是并行結(jié)構(gòu)，它很適合多傳感器輸入運(yùn)用，如在條件監(jiān)控、診斷系統(tǒng)中能增強(qiáng)決策的可靠性。如果網(wǎng)絡(luò)有足夠多的隱藏層和隱藏結(jié)點(diǎn)以及適宜的激勵(lì)函數(shù)，多層ANN只能實(shí)現(xiàn)需要的映射，沒有直接的技術(shù)選擇最優(yōu)隱藏層、結(jié)點(diǎn)數(shù)和激勵(lì)函數(shù)，通常用嘗試法解決這個(gè)問題，反向傳播訓(xùn)練算法是基本的最快下降法，輸出結(jié)點(diǎn)的誤差反饋回網(wǎng)絡(luò)，用于權(quán)重調(diào)整，搜索最優(yōu)。輸出結(jié)點(diǎn)的權(quán)重調(diào)整迭代不同于隱藏結(jié)點(diǎn)的權(quán)重調(diào)整迭代。通過使用反向傳播技術(shù)，能得到需要的非線性函數(shù)近似值，該算法包括有學(xué)習(xí)速率參數(shù)，對(duì)網(wǎng)絡(luò)的特性有很大影響。
反向傳播算法是多層前聵ANN最廣泛使用的學(xué)習(xí)技術(shù)之一。但有時(shí)網(wǎng)絡(luò)的收斂速度很慢，改進(jìn)算法的開發(fā)是一個(gè)重要研究領(lǐng)域。英國(guó)Aberdeen大學(xué)在這方面取得過令人鼓舞的成績(jī)，他們把常規(guī)的反向傳播算法和其他AI技術(shù)結(jié)合起來(lái)，使得網(wǎng)絡(luò)快速收斂，魯棒性更好。值得注意的是在神經(jīng)模糊實(shí)現(xiàn)中，有時(shí)必須使用不同形式的反向傳播技術(shù)，而不是已知的標(biāo)準(zhǔn)形式。反向傳播技術(shù)是在線(Supervised)學(xué)習(xí)技術(shù)，需要充分的輸入-輸出數(shù)據(jù)對(duì)，雖然這種限制也可以用另外的方法加以克服，但該方法是離線的。
常規(guī)技術(shù)就能實(shí)現(xiàn)簡(jiǎn)單的映射，而神經(jīng)網(wǎng)絡(luò)能實(shí)現(xiàn)更復(fù)雜的映射，并且由于它的并行結(jié)構(gòu)這種映射相當(dāng)快。辯識(shí)ANN用于訓(xùn)練第二個(gè)ANN(神經(jīng)控制器，即過程控制器)，因此，過程輸出跟隨給定信號(hào)，學(xué)習(xí)過程用的是反向傳播算法。該方法分為二步：第一步，ANN被訓(xùn)練用來(lái)代表控制對(duì)象的響應(yīng)，這需要用到表示控制對(duì)象輸出和控制輸入關(guān)系的微分方程。第二步，把ANN用于控制對(duì)象模型的辯識(shí)方案中。把ANN與控制對(duì)象并行連接，每次迭代時(shí)，給ANN提供給定信號(hào)作為ANN輸入信號(hào)。辯識(shí)意味著調(diào)整權(quán)重，使ANN輸出信號(hào)(即網(wǎng)絡(luò)輸出)和控制對(duì)象輸出信號(hào)(即正輸出)的誤差最小。在辯識(shí)階段，全局誤差(即方差之和)以固定時(shí)間間隔被計(jì)算并與希望的最小值比較。ANN是神經(jīng)控制器被用于訓(xùn)練以給出需要的控制對(duì)象響應(yīng)。為了訓(xùn)練這個(gè)網(wǎng)絡(luò)，在每次采樣輸出時(shí)，必須知道誤差(Ec)但僅僅只知道控制對(duì)象輸出和希望輸出(由給定輸入決定)的最后誤差，辯識(shí)方案中的第一個(gè)ANN可將最后誤差Ec反向傳播，用來(lái)訓(xùn)練控制器ANN。在誤差最小化過程中，全局誤差能被最小化到希望的值。經(jīng)過訓(xùn)練辯識(shí)ANNS和控制ANNS，就可以在實(shí)時(shí)系統(tǒng)中運(yùn)用被“調(diào)整”的神經(jīng)自適應(yīng)控制方案。
2.2 人工智能在交流傳動(dòng)中的應(yīng)用
2.2.1模糊邏輯的應(yīng)用
到目前為止，只有兩種運(yùn)用于人工智能技術(shù)的工業(yè)產(chǎn)品，一是安川矢量變頻器，另一個(gè)是日立矢量變頻器。日立公司最近開發(fā)了J300系列IGBT矢量變頻器，功率范圍是5.5~55kW。它的主要特點(diǎn)是使用無(wú)傳感器矢量控制算法和強(qiáng)大的自調(diào)整功能。無(wú)傳感器磁通矢量控制方案采樣兩相定子電流，在初始自整定階段，電機(jī)和負(fù)載的慣性以及其他參數(shù)例如定子電感，定子和轉(zhuǎn)子電阻、勵(lì)磁電感等參數(shù)被計(jì)算。日立公司宣稱這是世界上第一臺(tái)使用模糊控制的變頻器。它考慮了電機(jī)和系統(tǒng)的特性，轉(zhuǎn)矩計(jì)算 軟件在整個(gè)頻率范圍保證了轉(zhuǎn)矩的精確控制。變頻器的主要性能指標(biāo)如下：1Hz時(shí)150%或更高的啟動(dòng)轉(zhuǎn)矩;在3∶1的速度范圍(20到60Hz/16到50Hz)，電機(jī)不用降低功率使用;速度調(diào)節(jié)比率小。
J300系列變頻器由于使用了高速微處理器和內(nèi)置DSP，因此具有很高的響應(yīng)速度，轉(zhuǎn)矩響應(yīng)速度大約可達(dá)到0.1s。它使用模糊邏輯控制電機(jī)電流和加減速斜率，它能根據(jù)電機(jī)負(fù)載和制動(dòng)需要計(jì)算加減速的最優(yōu)時(shí)間，不需要嘗試進(jìn)行調(diào)整。模糊邏輯加減速度函數(shù)根據(jù)模糊規(guī)則設(shè)定加減速度比例因子和速度，而模糊規(guī)則則用當(dāng)前值與過載限幅(或其他限幅)值的差值以及電機(jī)電流和電壓的梯度作為輸入變量。梯度和差值構(gòu)成四個(gè)隸屬函數(shù)，兩個(gè)隸屬函數(shù)是三角函數(shù)，另二個(gè)是半梯形。當(dāng)用常規(guī)的簡(jiǎn)單電流限幅控制，變頻器的斜率是步進(jìn)型的，經(jīng)常引起變頻器跳閘。特別是在減速時(shí)。當(dāng)用模糊邏輯控制時(shí)，斜率十分平滑，變頻器假跳閘的現(xiàn)象也消除了。變頻器在風(fēng)機(jī)和泵類的運(yùn)用最能體現(xiàn)模糊邏輯控制的優(yōu)勢(shì)。在這些應(yīng)用中，不需要恒定的加減速時(shí)間或精確的位置控制。需要的是與負(fù)載條件有關(guān)的加減速度的最優(yōu)化。模糊控制能實(shí)現(xiàn)加減速度的最優(yōu)控制。
AI控制器也能提高直接轉(zhuǎn)矩控制系統(tǒng)的性能，這也是值得深入研究的一個(gè)寬廣領(lǐng)域。英國(guó)Aberdeen大學(xué)的研究人員開發(fā)了基于人工智能的開關(guān)矢量選擇器以及速度、轉(zhuǎn)矩、磁通觀測(cè)器等，初步結(jié)果令人鼓舞。
2.2.2神經(jīng)網(wǎng)絡(luò)的應(yīng)用
該系統(tǒng)與常規(guī)控制算法(梯形控制法)相比具有更好的性能，并且大大減少了定位時(shí)間，對(duì)負(fù)載轉(zhuǎn)矩的大范圍變化和非初始速度也有滿意的控制效果。最后值得指出的是現(xiàn)在 發(fā)表的大多數(shù)有關(guān)ANN對(duì)各種電機(jī)參數(shù)估計(jì)的論文，一個(gè)共同的特點(diǎn)是，它們都是用多層前饋ANNS，用常規(guī)反向傳播算法，只是學(xué)習(xí)算
法的模型不同或被估計(jì)的參數(shù)不同。
3 結(jié)論
綜上，對(duì)人工智能電氣傳動(dòng)控制技術(shù)進(jìn)行了回顧，討論了模糊、神經(jīng)和模糊神經(jīng)控制器等人工智能技術(shù)的優(yōu)點(diǎn)。指出了目前使用人工智能技術(shù)的變速傳動(dòng)工業(yè)產(chǎn)品才剛剛起步，只有兩家公司推出產(chǎn)品。雖然使用人工智能技術(shù)的實(shí)際產(chǎn)品和應(yīng)用還不多，但不久的將來(lái)，人工智能技術(shù)在電氣傳動(dòng)領(lǐng)域?qū)?huì)取得重要的地位，特別是自適應(yīng)模糊神經(jīng)控制器將在高性能驅(qū)動(dòng)產(chǎn)品中得到廣泛使用。
看了“關(guān)于人工智能大學(xué)的論文”的人還看了：
關(guān)于人工智能大學(xué)的論文(2)
下一篇：人工智能編程論文
