《（建筑电气工程）人工智能在电气传动中运用的进展》由会员分享，可在线阅读，更多相关《（建筑电气工程）人工智能在电气传动中运用的进展（6页珍藏版）》请在金锄头文库上搜索。
1、人工智能在电气传动中运用的进展摘要：本文论述了人工智能在电气传动领域的发展概况。其中主要包括模糊控制、神经网络和遗传算法的应用特点及发展趋势等 关键词：神经网络控制模糊神经元控制自适应控制 一、引言人工智能控制技术一直没能取代古典控制方法。但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：都需要不同数量和类型的必须的描述系统和特性的“a priori”知识。由于这些方法具有很多优势，因此工业界强烈希望开发、生产使用这些方法的系统，但又希望该系统实现简单、性能优异。由于控制简单，直流传
2、动在过去得到了广泛的使用。但由于它们众所周知的限制以及DSP技术的进步，直流传动正逐渐被高性能的交流传动所取代。但最近，许多厂商也推出了一些改进的直流驱动产品，但都没有使用人工智能技术。具信使用人工智能的直流传动技术能得到进一步的提高。高性能的交流传动瞬态转矩的控制性能类似于他励直流电机的控制性能。现有两种高性能交流传动的控制方法：矢量控制(VC)和直接转矩控制(DTC)。矢量控制是德国的研究人员在二十多年前提出的，现在已经比较成熟，并已广泛应用，很多生产厂商都推出了他们的矢量控制交流传动产品，最近又大量推出了无速度传感器的矢量控制产品。尽管在高性能驱动产品中使用AI技术会极大地提高产品的性能
3、，可是到目前为止只有两个厂家在他们的产品中使用了人工智能(AI)控制器；直接转矩控制是大约在十五年前由德国和日本的研究人员提出的，在过去十年中得到大量的研究，现在ABB公司已向市场推出了直接转矩控制的传动产品，使得人们对直接转矩控制的研究兴趣增加，将来在直接转矩控制中将会用到人工智能技术，并将完全地不需要常规的电机数学模型了。英国CT公司(Control Technique plc)推出了世界上第一台统一变频器(Unidrive)，其他一些公司也推出了相应的产品，现在这些产品都没有使用人工智能技术，“统一”的概念完全依靠软件实现，这就为软计算技术的实现提供了条件。具信在将来统一变频器将使用直接
4、转矩控制以及各种形式的矢量控制，单一使用直接转矩控制技术的产品将遭到淘汰。本文也将讨论人工智能在统一变频器中运用的一些方面，同时也包括AI控制器在VC和DTC中的运用。AI控制器能否工业运用的关键一点是：实现这些控制器的硬件和软件。大多数DSP控制的驱动器都有足够的计算能力实现人工智能的算法，并且都能得到大多数人工智能控制器软计算所需要的信号。通过运用适当的控制策略，就能大大地减少计算和硬件的负担，从而把注意力集中于提高驱动器的性能、鲁棒性和可靠性上面。在将来，智能技术在电气传动技术中占相当重要的地位，特别是自适应模糊神经元控制器在性能传动产品中将得到广泛应用。但是，还有很多研究工作要做，现在
5、还只有少数实际应用的例子（学术研究组实现少，工业运用的就更少了），大多数研究只给出了理论或仿真结果，因此，常规控制器在将来仍要使用相当长一段时间。二、人工智能控制器的优势文献中，不同的人工智能控制通常用完全不同的方法去讨论。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。这样的分类就能得到较好的总体理解，也有利于控制策略的统一开发。这些AI函数近似器比常规的函数估计器具有更多的优势，这些优势如下：（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，例如：参数变化，非线性时
6、，往往不知道）（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。（3）它们比古典控制器的调节容易。（4）在没有必须专家知识时，通过响应数据也能设计它们。（5）运用语言和响应信息可能设计它们。（6）它们有相当好的一致性（当使用一些新的未知输入数据就能得到好的估计），与驱动器的特性无关。现在没有使用人工智能的控制算法对特定对象控制效果十分好，但对其他控制对象效果就不会一致性地好，因此对必须具体对象具体设计。（7）它们对新数据或新信息具有很好的适应性。（8）它们能解决常规方法不能解决的问题
7、。（9）它们具有很好的抗噪声干扰能力。（10）它们的实现十分便宜，特别是使用最小配置时。（11）它们很容易扩展和修改。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“apriori”型，这就使得调整困难，当系统得不到“apriori”（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，例如使用自适应模糊神经控制器就能克服这
8、些困难，并且用DSP比较容易实现这些控制器。常规模糊逻辑控制器的设计经常使用尝试法。需要“apriori”信息，如运用自适应智能控制器就不需要“apriori”（apriroi规则库和隶属函数）信息。值得注意的是，与常规非自适应智能控制器相反，它根据输入信号更新它的“参数”，换句话说，它对变化的输入信号具有适应性。自适应控制器分两类：间接和直接控制器，间接自适应人工智能控制器有一个实时辩识模型，用于控制器的设计，间接控制器在每个采样周期需要采样控制对象的输入和输出信号，辩识器和控制器有很多形式，而直接AI控制器用特性表来实现对控制对象的控制，这个特性表由两个连续采样周期间的误差的变化量构成，用
9、来控制电流响应。如用模糊逻辑控制器，最简单的应用可能是标量因子的运用。这种方法用现在的非自适应驱动器很容易实现，因而对工业界具有很大的吸引力。用改变隶属函数形状的方法可实现相似的效果。这种运用也可能通过改变规则来实现，如用直接AI控制器来实现，就是自适应控制器。它在每个采样瞬间先使用上一个采样周期采用的规则，如果得不到满意的特性，就用新的规则替代，从而得到满意的特性。总而言之，当采用自适应模糊神经控制器，规则库和隶属函数在模糊化和反模糊化过程中能够自动地实时确定。有很多方法来实现这个过程，但主要的目标是使用系统技术实现稳定的解，并且找到最简单的拓朴结构配置，自学习迅速，收敛快速。三、人工智能在
10、电气传动控制中的运用 这一部分主要讨论人工智能在交直流传动中运用的进展。值得指出的是这是一个广阔的领域，在过去二年中，研究活动极快的增长，本文只是概括一下人工智能在电气传动中的运用这一领域的进展，不可能覆盖研究的每一个可能领域。AI控制器在直流传动中运用的大多数研究集中于模糊逻辑应用，在人工神经网络和其它智能控制的研究还很少。下面主要讨论模糊、神经元和模糊神经元和模糊神经元控制器在交直流传动中的应用。(一)人工智能在直流传动中的运用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。限于篇幅本文不详细讨论其中的原
11、因。值得注意的是这两种控制器都有规则库，它是一个ifthen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
12、网络推理机制。 （3）推理机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。下面的表1由64个语言规则组成，是用于电气传动控制系统的一种可能规则表这个规则表相当大，实际应用中往往进行简化。在各种出版物中，介绍了许多被模糊化的控制器，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（17），控制器参数的
13、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（ti1）kPCP，I（ti）=I（ti1）CI。但如应用“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。 在许多电气传动文献中，介绍了用模糊逻辑控制器替代古典PI控制器（主要是速度调节器）改进系统响应的方法。可是，文献（18）详细探讨了模糊逻辑控制器用于三环直流电机控制系统中所有环节（速度、电流和励磁）的设计和调整的方法。作者也介绍了
14、PI和PD控制器，文献（9）介绍了最小配置模糊控制用于直流传动中的可能性以及组合模糊控制器用于直流传动中得到满意响应的可能性。下节讨论模糊神经控制的直流传动装置时，我们将讨论这种速度和电枢电流调节器组合成单一控制器的情况。2. ANNS的应用 过去二十年，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，因此它也可有效的运用于电气了传动控制领域，它们的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的并行结构，它很适合多传感器输入运用，比如在条件监控、诊断系统中能增强决策的可靠性，当然，最近电气传动朝着最小化传感器数
15、量方向发展，但有时，多传感器可以减少系统对特殊传感器缺陷的敏感性，不需要过高的精度，也不需要复杂的信号处理。误差反向传播技术是多层前聩ANN最常用的学习技术。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，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
16、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它AI技术结合起来，使得网络快速收敛，鲁棒性更好。他们还研究过基于AI技术的最优拓扑结构网络，但没有现成理论用于最优配置，Kolgomorov理论和其他理论也不适用，在神经网络的训练剧中使用遗传算法可能会提高收敛速度，遗传算法是一种基于自然进化和遗传机理的统计搜索方法，它模仿自然界个体适者生存不适者淘汰的原理解决问题，每一代由染色体代表的(一套特征串类似于DNA中的染色体)许多个体组成，每个个体代表搜索空间的一个点和一个可能的解。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，而不是已知的标准形式。反向传播技术是在线(Superv
