首页 首页 人工智能 查看内容

人工智能控制器在电气化装备中的应用浅析

木马童年 2019-7-3 04:50 22 0

  摘要:由于控制简单,直流传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 ...

  摘要:由于控制简单,直流传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。相信使用人工智能的直流传动技术能得到进一步的提高。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。为此,本文论述了人工智能在电气传动领域中的应用。 中国论文网 https://www.xzbu.com/3/view-10543745.htm  关键词:神经网络控制模糊神经元控制自适应控制

人工智能一直都处于计算机技术的最前沿,经历了几起几落,长久以来,人工智能对于普通人来说是那样的可望而不可及,然而它却吸引了无数研究人员为之奉献才智,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所替代。

1 人工智能控制器的优势

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,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。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。 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,自学习迅速,收敛快速。

2 人工智能在电气传动控制中的运用

2.1 人工智能在直流传动中的运用

2.1.1 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。

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,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)+kP*CP,I(ti)=I(ti-1)*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。

2.1.2 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。

2.2 人工智能在交流传动中的应用

2.2.1 模糊逻辑的应用 在大多数讨论模糊逻辑在交流传动中运用的文章中,都介绍的是用模糊控制器取代常规的速度调节器,可英国Aberdeen大学开发的全数字高性能传动系统中有多个模糊控制器,这些模糊控制器不仅用来取代常规的PI或PID控制器,同时也用于其他任务。该大学还把模糊神经控制器用于各种全数字高动态性能传动系统开发中。也有一些优秀的文章论述运用模糊逻辑控制感应电机的磁通和力矩。它的输入标定因子是变化的。实验结果也验证了所提方案的有效性。该系统中模糊速度控制器与常规的PI速度控制器和CRPWM塑变器一起使用,它往往用来补偿可能的惯性和负载转矩的扰动。

2.2.2 神经网络的应用 现如今,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用于步进电机控制算法的最优化。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制效果。ANNS的结构是多层前馈型,运用常规反向传播学习算法。该系统由两个子系统构成,一个系统通过电气动态参数的辩识自适应控制定子电流,另一个系统通过对机电系统参数的辩识自适应控制转子速度。

最后值得指出的是现在发表的大多数有关ANN对各种电机参数估计的论文,一个共同的特点是,它们都是用多层前馈ANNS,用常规反向传播算法,只是学习算法的模型不同或被估计的参数不同。

转载注明来源:https://www.xzbu.com/3/view-10543745.htm

在不久的将来,多智时代一定会彻底走入我们的生活,有兴趣入行未来前沿产业的朋友,可以收藏多智时代,及时获取人工智能、大数据、云计算和物联网的前沿资讯和基础知识,让我们一起携手,引领人工智能的未来!

人工智能 智能技术 神经元 实际应用 神经网络 计算机技术
0