人工智慧自動規劃論文
闡述了人工智慧控制技術的發展概況，介紹了該控制技術的優勢，從模糊控制、神經網路和遺傳演算法等方面探討了該技術的應用特點及發展前景。以下是小編整理分享的的相關資料，歡迎閱讀!
篇一
人工智慧控制技術在電氣傳動中的應用研究
【摘 要】闡述了人工智慧控制技術的發展概況，介紹了該控制技術的優勢，從模糊控制、神經網路和遺傳演算法等方面探討了該技術的應用特點及發展前景。
【關鍵詞】人工智慧;神經網路控制;模糊神經元控制;自適應神經網路
0 引 言
隨著現代控制理論的發展，控制器設計的常規技術正逐漸被廣泛使用的人工智慧軟體技術***人工神經網路、模糊控制、模糊神經網路、遺傳演算法等***所替代。這些方法的共同特點是，需要不同數量和型別的必須描述系統和特性的“a-priori”知識。該系統具有實現簡單、效能優異等優勢。
1 人工智慧控制技術的優勢
不同人工智慧控制通常採用完全不同的方法，但AI控制器，例如神經、模糊、模糊神經，以及遺傳演算法都可看成一類非線性函式近似器。這些AI函式近似器比常規的函式估計器具有更多的優勢。
***1***它們的設計不需要控制物件的模型***在許多場合，很難得到實際控制物件的精確動態方程，實際控制物件的模型在控制器設計時往往有很多不確實性因素。
***2***通過適當調整***根據響應時間、下降時間、魯棒效能等***它們能提高效能。例如模糊邏輯控制器的上升時間比最優PID控制器快1.5倍，下降時間快3.5倍，過沖更小。
人工智慧控制器可分為監督、非監督或增強學習型三種。常規的監督學習型神經網路控制器的拓樸結構和學習演算法已經定型，這就給這種結構的控制器增加了限制，使得計算時間過長，常規非人工智慧學習演算法的應用效果不好。採用自適應神經網路和試探法就能克服這些困難，加快學習過程的收斂速度。常規模糊控制器的規則初值和模糊規則表是既定“a-priori”型，這就使得調整困難，當系統得不到“a-priori”***既定***資訊時，整個系統就不能正常工作。而應用自適應AI控制器，如使用自適應模糊神經控制器就能克服這些困難，並且用DSP比較容易實現這些控制器。
2 人工智慧在電氣傳動控制中的運用
2.1 人工智慧在直流傳動中的運用
2.1.1 模糊邏輯控制應用
主要有兩類模糊控制器，Mamdani和Sugeno型。到目前為止只有Mamdani模糊控制器用於調速控制系統中。值得注意的是這兩種控制器都有規則庫，它是一個if-then模糊規則集。但Sugeno控制器的典型規則是“如果x是A，並且y是B，那麼Z=f***x,y***”。這裡A和B是模糊集;Z=f***x,y***是x,y的函式，通常是輸入變數x,y的多項式。當f是常數，就是零階Sugeno模型，因此Sugeno是Mamdani控制器的特例。Mamdani控制器由下面四個主要部分組成。
1***模糊化實現輸入變數的測量、量化和模糊化。隸屬函式有多種形式。
2***知識庫由資料庫和語言控制規則庫組成。開發規則庫的主要方法是：把專家的知識和經歷用於應用和控制目標;建模操作器的控制行動;建模過程;使用自適應模糊控制器和人工神經網路推理機制。
3***推理機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***反模糊化實現量化和反模糊化。有很多反模糊化技術，例如，最大化反模糊化，中間平均技術等。
在許多資料中，介紹了多種被模糊化的控制器，但這應與“充分模糊”控制器完全區分開來，“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於實現，往往通過改造現有古典控制器得以實現，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、積分引數，從而使系統的效能得到提高。控制器引數的微小變化可能導致特性的極大提高，被模糊化的控制器引數調整方法如下：P***ti***=P***ti-1***+kP·CP，I***ti***=I***ti-1***·CI。但若應用“充分”模糊邏輯控制器，系統響應遠遠優於FPIC和最優古典PI控制器，用於最優化常規控制器的計算時間比模糊化控制器所需的時間多得
多。因此，使用最小配置的FPIC控制器是可能的選擇之一，事實上，這也是用現有驅動裝置實現的最簡單方法。
2.1.2ANNS的 應用
過去20多年，人工神經 網路***ANNS***在模式識別和訊號處理中得到廣泛運用。由於ANNS有一致性的非線性函式估計器，因此它也可有效地運用於電氣傳動控制領域，其優勢是不需要被控系統的數學模型，一致性很好，對噪音不敏感。 另外，由於ANNS是並行結構，它很適合多感測器輸入運用，如在條件監控、診斷系統中能增強決策的可靠性。如果網路有足夠多的隱藏層和隱藏結點以及適宜的激勵函式，多層ANN只能實現需要的對映，沒有直接的技術選擇最優隱藏層、結點數和激勵函式，通常用嘗試法解決這個問題，反向傳播訓練演算法是基本的最快下降法，輸出結點的誤差反饋回網路，用於權重調整，搜尋最優。輸出結點的權重調整迭代不同於隱藏結點的權重調整迭代。通過使用反向傳播技術，能得到需要的非線性函式近似值，該演算法包括有學習速率引數，對網路的特性有很大影響。
反向傳播演算法是多層前聵ANN最廣泛使用的學習技術之一。但有時網路的收斂速度很慢，改進演算法的開發是一個重要研究領域。英國Aberdeen大學在這方面取得過令人鼓舞的成績，他們把常規的反向傳播演算法和其他AI技術結合起來，使得網路快速收斂，魯棒性更好。值得注意的是在神經模糊實現中，有時必須使用不同形式的反向傳播技術，而不是已知的標準形式。反向傳播技術是線上***Supervised***學習技術，需要充分的輸入-輸出資料對，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。
常規技術就能實現簡單的對映，而神經網路能實現更復雜的對映，並且由於它的並行結構這種對映相當快。辯識ANN用於訓練第二個ANN***神經控制器，即過程控制器***，因此，過程輸出跟隨給定訊號，學習過程用的是反向傳播演算法。該方法分為二步：第一步，ANN被訓練用來代表控制物件的響應，這需要用到表示控制物件輸出和控制輸入關係的微分方程。第二步，把ANN用於控制物件模型的辯識方案中。把ANN與控制物件並行連線，每次迭代時，給ANN提供給定訊號作為ANN輸入訊號。辯識意味著調整權重，使ANN輸出訊號***即網路輸出***和控制物件輸出訊號***即正輸出***的誤差最小。在辯識階段，全域性誤差***即方差之和***以固定時間間隔被計算並與希望的最小值比較。ANN是神經控制器被用於訓練以給出需要的控制物件響應。為了訓練這個網路，在每次取樣輸出時，必須知道誤差***Ec***但僅僅只知道控制物件輸出和希望輸出***由給定輸入決定***的最後誤差，辯識方案中的第一個ANN可將最後誤差Ec反向傳播，用來訓練控制器ANN。在誤差最小化過程中，全域性誤差能被最小化到希望的值。經過訓練辯識ANNS和控制ANNS，就可以在實時系統中運用被“調整”的神經自適應控制方案。
2.2 人工智慧在交流傳動中的應用
2.2.1模糊邏輯的應用
到目前為止，只有兩種運用於人工智慧技術的工業產品，一是安川向量變頻器，另一個是日立向量變頻器。日立公司最近開發了J300系列IGBT向量變頻器，功率範圍是5.5~55kW。它的主要特點是使用無感測器向量控制演算法和強大的自調整功能。無感測器磁通向量控制方案取樣兩相定子電流，在初始自整定階段，電機和負載的慣性以及其他引數例如定子電感，定子和轉子電阻、勵磁電感等引數被計算。日立公司宣稱這是世界上第一臺使用模糊控制的變頻器。它考慮了電機和系統的特性，轉矩計算 軟體在整個頻率範圍保證了轉矩的精確控制。變頻器的主要效能指標如下：1Hz時150%或更高的啟動轉矩;在3∶1的速度範圍***20到60Hz/16到50Hz***，電機不用降低功率使用;速度調節比率小。
J300系列變頻器由於使用了高速微處理器和內建DSP，因此具有很高的響應速度，轉矩響應速度大約可達到0.1s。它使用模糊邏輯控制電機電流和加減速斜率，它能根據電機負載和制動需要計算加減速的最優時間，不需要嘗試進行調整。模糊邏輯加減速度函式根據模糊規則設定加減速度比例因子和速度，而模糊規則則用當前值與過載限幅***或其他限幅***值的差值以及電機電流和電壓的梯度作為輸入變數。梯度和差值構成四個隸屬函式，兩個隸屬函式是三角函式，另二個是半梯形。當用常規的簡單電流限幅控制，變頻器的斜率是步進型的，經常引起變頻器跳閘。特別是在減速時。當用模糊邏輯控制時，斜率十分平滑，變頻器假跳閘的現象也消除了。變頻器在風機和泵類的運用最能體現模糊邏輯控制的優勢。在這些應用中，不需要恆定的加減速時間或精確的位置控制。需要的是與負載條件有關的加減速度的最優化。模糊控制能實現加減速度的最優控制。
AI控制器也能提高直接轉矩控制系統的效能，這也是值得深入研究的一個寬廣領域。英國Aberdeen大學的研究人員開發了基於人工智慧的開關向量選擇器以及速度、轉矩、磁通觀測器等，初步結果令人鼓舞。
2.2.2神經網路的應用
該系統與常規控制演算法***梯形控制法***相比具有更好的效能，並且大大減少了定位時間，對負載轉矩的大範圍變化和非初始速度也有滿意的控制效果。最後值得指出的是現在 發表的大多數有關ANN對各種電機引數估計的論文，一個共同的特點是，它們都是用多層前饋ANNS，用常規反向傳播演算法，只是學習算
法的模型不同或被估計的引數不同。
3 結論
綜上，對人工智慧電氣傳動控制技術進行了回顧，討論了模糊、神經和模糊神經控制器等人工智慧技術的優點。指出了目前使用人工智慧技術的變速傳動工業產品才剛剛起步，只有兩家公司推出產品。雖然使用人工智慧技術的實際產品和應用還不多，但不久的將來，人工智慧技術在電氣傳動領域將會取得重要的地位，特別是自適應模糊神經控制器將在高效能驅動產品中得到廣泛使用。
下一頁分享更優秀的<<<