相关热词搜索：
人工智能在电气传动控制中的应用3100字
人工智能在电气传动控制中的应用3100字 人工智能在电气传动控制中的应用 【摘要】随着电气自动化领域中人工智能的广泛应用，电气行业发生了革命 性的变化。本文结合当前电气传动控制中人工智能的应用情况，做了相关的探讨。人工智能是一门研究如何构造智能机器或智能系统，使它能模拟、延伸扩展 人类智能的学科。目前，人工智能的研究更多的是结合具体领域进行的，主要研 究领域有专家系统、机器学习、模式识别和自然语言理解等。人工智能在电气自 动化方面的应用，给电气传动控制领域带来了前所未有的革新变化，下面主要讨 论人工智能在电气传动控制中的应用。
一、人工智能控制器的优势 不同的人工智能控制通常用采用不同的方法去讨论。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：
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，非线性时等。
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以设计它们。
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，因此对具体对象必须具体设计。
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。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，常规非智能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。
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。
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，达到学习迅速， 收敛快速的效果。
二、人工智能在电气传动控制中的运用 （一）人工智能在交流传动中的应用 2．神经网络的应用。目前，有大量文章讨论神经网络在交流电机和驱动系 统的条件监测和诊断中的运用。介绍了使用常规反向转波算法的ANN用于步进电 机控常规算法的最优化。该方案使用实验数据，根据负载转矩和初始速度来确定 最大可观测速度增量。这就需要ANN学习三维图形映射。该系统与常规控制算法 (梯形控制法)相比具有更好的性能，并且大大减少了定位时间，对负载转矩的大 范围变化和非初始速度也有满意的控 [1]张玉清．通信网安全协议的分析研究[D]．西安电子科技大学．2000 [2]安靖，王亚弟，韩继红．安全协议的CSP描述技术[J]．微计算机信息． 2006，10（3）：P52～55[3]汪木兰，顾绳谷．现代传动智能化发展趋势[J]．电气传动．2003（3） （二）人工智能存直流传动中的运用 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 其中的原因。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。
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 用于电气的传动控制领域，它们的优势是不需要被控系统的模型，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 馈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。
使用人工智能技术的电气传动控制工业产品出现还不久，发展还不是很完善， 甚至还有很多不足的地方，实际使用人工智能技术的实际产品和应用也还不是很 多，但由于其不可取代的优越性，相信不久的将来，人工智能技术在电气传动领 域将会取得重要的地位，特别是自适应模糊神经控制器将在高性能驱动产品中得 到广泛使用。
