文档介绍：人工智能控制技术在电气传动中的应用研究
人工智能控制技术在电气传动中的应用研究
【摘要】阐述了人工智能控制技术的发展概况,介绍了该控制技术的优势,从模糊控制、神经网络和遗传算法等方面探讨了该技术的应用特点及发展前景。
【关键词】人工智能;神经网络控制;模糊神经元控制;自适应神经网络
.Lamdani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。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)推理机制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。
在许多资料中,介绍了多种被模糊化的控制器,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。控制器参数的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(ti-1)+kPCP,I(ti)=I(ti-1)CI。但若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。
过去20多年,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,因此它也可有效地运用于电气传动控制领域,其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。.,由于ANNS是并行结构,它很适合多传感器输入运用,如在条件监控、诊断系统中能增强决策的可靠性。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****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****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他