人工智能自动规划论文
人工智能自动规划论文
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。以下是学习啦小编整理分享的人工智能自动规划论文的相关资料，欢迎阅读!
人工智能自动规划论文篇一
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
0 引 言
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，需要不同数量和类型的必须描述系统和特性的“a-priori”知识。该系统具有实现简单、性能优异等优势。
1 人工智能控制技术的优势
不同人工智能控制通常采用完全不同的方法，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。
(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。
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“a-priori”型，这就使得调整困难，当系统得不到“a-priori”(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，如使用自适应模糊神经控制器就能克服这些困难，并且用DSP比较容易实现这些控制器。
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。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)+kP·CP，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。
2.1.2ANNS的 应用
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。 另外，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AI技术结合起来，使得网络快速收敛，鲁棒性更好。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(Supervised)学习技术，需要充分的输入-输出数据对，虽然这种限制也可以用另外的方法加以克服，但该方法是离线的。
常规技术就能实现简单的映射，而神经网络能实现更复杂的映射，并且由于它的并行结构这种映射相当快。辩识ANN用于训练第二个ANN(神经控制器，即过程控制器)，因此，过程输出跟随给定信号，学习过程用的是反向传播算法。该方法分为二步：第一步，ANN被训练用来代表控制对象的响应，这需要用到表示控制对象输出和控制输入关系的微分方程。第二步，把ANN用于控制对象模型的辩识方案中。把ANN与控制对象并行连接，每次迭代时，给ANN提供给定信号作为ANN输入信号。辩识意味着调整权重，使ANN输出信号(即网络输出)和控制对象输出信号(即正输出)的误差最小。在辩识阶段，全局误差(即方差之和)以固定时间间隔被计算并与希望的最小值比较。ANN是神经控制器被用于训练以给出需要的控制对象响应。为了训练这个网络，在每次采样输出时，必须知道误差(Ec)但仅仅只知道控制对象输出和希望输出(由给定输入决定)的最后误差，辩识方案中的第一个ANN可将最后误差Ec反向传播，用来训练控制器ANN。在误差最小化过程中，全局误差能被最小化到希望的值。经过训练辩识ANNS和控制ANNS，就可以在实时系统中运用被“调整”的神经自适应控制方案。
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
到目前为止，只有两种运用于人工智能技术的工业产品，一是安川矢量变频器，另一个是日立矢量变频器。日立公司最近开发了J300系列IGBT矢量变频器，功率范围是5.5~55kW。它的主要特点是使用无传感器矢量控制算法和强大的自调整功能。无传感器磁通矢量控制方案采样两相定子电流，在初始自整定阶段，电机和负载的惯性以及其他参数例如定子电感，定子和转子电阻、励磁电感等参数被计算。日立公司宣称这是世界上第一台使用模糊控制的变频器。它考虑了电机和系统的特性，转矩计算 软件在整个频率范围保证了转矩的精确控制。变频器的主要性能指标如下：1Hz时150%或更高的启动转矩;在3∶1的速度范围(20到60Hz/16到50Hz)，电机不用降低功率使用;速度调节比率小。
J300系列变频器由于使用了高速微处理器和内置DSP，因此具有很高的响应速度，转矩响应速度大约可达到0.1s。它使用模糊逻辑控制电机电流和加减速斜率，它能根据电机负载和制动需要计算加减速的最优时间，不需要尝试进行调整。模糊逻辑加减速度函数根据模糊规则设定加减速度比例因子和速度，而模糊规则则用当前值与过载限幅(或其他限幅)值的差值以及电机电流和电压的梯度作为输入变量。梯度和差值构成四个隶属函数，两个隶属函数是三角函数，另二个是半梯形。当用常规的简单电流限幅控制，变频器的斜率是步进型的，经常引起变频器跳闸。特别是在减速时。当用模糊逻辑控制时，斜率十分平滑，变频器假跳闸的现象也消除了。变频器在风机和泵类的运用最能体现模糊逻辑控制的优势。在这些应用中，不需要恒定的加减速时间或精确的位置控制。需要的是与负载条件有关的加减速度的最优化。模糊控制能实现加减速度的最优控制。
AI控制器也能提高直接转矩控制系统的性能，这也是值得深入研究的一个宽广领域。英国Aberdeen大学的研究人员开发了基于人工智能的开关矢量选择器以及速度、转矩、磁通观测器等，初步结果令人鼓舞。
2.2.2神经网络的应用
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。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。
3 结论
综上，对人工智能电气传动控制技术进行了回顾，讨论了模糊、神经和模糊神经控制器等人工智能技术的优点。指出了目前使用人工智能技术的变速传动工业产品才刚刚起步，只有两家公司推出产品。虽然使用人工智能技术的实际产品和应用还不多，但不久的将来，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。
下一页分享更优秀的<<<人工智能自动规划论文