人工智能簡(jiǎn)述論文

人工智能簡(jiǎn)述論文

　　人工智能到底是什么呢？它的本質(zhì)是怎樣的呢？以下是小編收集的相關(guān)論文，僅供大家閱讀參考！

　　一、引言

　　人工智能控制技術(shù)一直沒(méi)能取代古典控制方法。但隨著(zhù)現代控制理論的發(fā)展，控制器設計的常規技術(shù)正逐漸被廣泛使用的人工智能軟件技術(shù)（人工神經(jīng)網(wǎng)絡(luò )、模糊控制、模糊神經(jīng)網(wǎng)絡(luò )、遺傳算法等）所替代。這些方法的共同特點(diǎn)是：都需要不同數量和類(lèi)型的必須的描述系統和特性的“apriori”知識。由于這些方法具有很多優(yōu)勢，因此工業(yè)界強烈希望開(kāi)發(fā)、生產(chǎn)使用這些方法的系統，但又希望該系統實(shí)現簡(jiǎn)單、性能優(yōu)異。

　　由于控制簡(jiǎn)單，直流傳動(dòng)在過(guò)去得到了廣泛的使用。但由于它們眾所周知的限制以及DSP技術(shù)的進(jìn)步，直流傳動(dòng)正逐漸被高性能的交流傳動(dòng)所取代。但最近，許多廠(chǎng)商也推出了一些改進(jìn)的直流驅動(dòng)產(chǎn)品，但都沒(méi)有使用人工智能技術(shù)。具信使用人工智能的直流傳動(dòng)技術(shù)能得到進(jìn)一步的提高。

　　高性能的交流傳動(dòng)瞬態(tài)轉矩的控制性能類(lèi)似于他勵直流電機的控制性能�，F有兩種高性能交流傳動(dòng)的控制方法：矢量控制（VC）和直接轉矩控制（DTC）。矢量控制是德國的研究人員在二十多年前提出的，現在已經(jīng)比較成熟，并已廣泛應用，很多生產(chǎn)廠(chǎng)商都推出了他們的矢量控制交流傳動(dòng)產(chǎn)品，最近又大量推出了無(wú)速度傳感器的矢量控制產(chǎn)品。盡管在高性能驅動(dòng)產(chǎn)品中使用AI技術(shù)會(huì )極大地提高產(chǎn)品的性能，可是到目前為止只有兩個(gè)廠(chǎng)家在他們的產(chǎn)品中使用了人工智能（AI）控制器；直接轉矩控制是大約在十五年前由德國和日本的研究人員提出的，在過(guò)去十年中得到大量的研究，現在A(yíng)BB公司已向市場(chǎng)推出了直接轉矩控制的傳動(dòng)產(chǎn)品，使得人們對直接轉矩控制的研究興趣增加，將來(lái)在直接轉矩控制中將會(huì )用到人工智能技術(shù)，并將完全地不需要常規的電機數學(xué)模型了。

　　英國CT公司（ControlTechniqueplc）推出了世界上第一臺統一變頻器（Unidrive），其他一些公司也推出了相應的產(chǎn)品，現在這些產(chǎn)品都沒(méi)有使用人工智能技術(shù)，“統一”的概念完全依靠軟件實(shí)現，這就為軟計算技術(shù)的實(shí)現提供了條件。具信在將來(lái)統一變頻器將使用直接轉矩控制以及各種形式的矢量控制，單一使用直接轉矩控制技術(shù)的產(chǎn)品將遭到淘汰。本文也將討論人工智能在統一變頻器中運用的一些方面，同時(shí)也包括AI控制器在VC和DTC中的運用。

　　AI控制器能否工業(yè)運用的關(guān)鍵一點(diǎn)是：實(shí)現這些控制器的硬件和軟件。大多數DSP控制的驅動(dòng)器都有足夠的計算能力實(shí)現人工智能的算法，并且都能得到大多數人工智能控制器軟計算所需要的信號。通過(guò)運用適當的控制策略，就能大大地減少計算和硬件的負擔，從而把注意力集中于提高驅動(dòng)器的性能、魯棒性和可靠性上面。

　　在將來(lái)，智能技術(shù)在電氣傳動(dòng)技術(shù)中占相當重要的地位，特別是自適應模糊神經(jīng)元控制器在性能傳動(dòng)產(chǎn)品中將得到廣泛應用。但是，還有很多研究工作要做，現在還只有少數實(shí)際應用的例子（學(xué)術(shù)研究組實(shí)現少，工業(yè)運用的就更少了），大多數研究只給出了理論或仿真結果，因此，常規控制器在將來(lái)仍要使用相當長(cháng)一段時(shí)間。

　　二、人工智能控制器的優(yōu)勢

　　文獻中，不同的人工智能控制通常用完全不同的方法去討論。但AI控制器例如：神經(jīng)、模糊、模糊神經(jīng)，以及遺傳算法都可看成一類(lèi)非線(xiàn)性函數近似器。這樣的分類(lèi)就能得到較好的總體理解，也有利于控制策略的統一開(kāi)發(fā)。這些AI函數近似器比常規的函數估計器具有更多的優(yōu)勢，這些優(yōu)勢如下：

　�。�1）它們的設計不需要控制對象的模型（在許多場(chǎng)合，很難得到實(shí)際控制對象的精確動(dòng)態(tài)方程，實(shí)際控制對象的模型在控制器設計時(shí)往往有很多不確實(shí)性因素，例如：參數變化，非線(xiàn)性時(shí)，往往不知道）

　�。�2）通過(guò)適當調整（根據響應時(shí)間、下降時(shí)間、魯棒性能等）它們能提高性能。例如：模糊邏輯控制器的上升時(shí)間比最優(yōu)PID控制器快1。5倍，下降時(shí)間快3。5倍，過(guò)沖更小。

　�。�3）它們比古典控制器的調節容易。

　�。�4）在沒(méi)有必須專(zhuān)家知識時(shí)，通過(guò)響應數據也能設計它們。

　�。�5）運用語(yǔ)言和響應信息可能設計它們。

　�。�6）它們有相當好的一致性（當使用一些新的未知輸入數據就能得到好的估計），與驅動(dòng)器的特性無(wú)關(guān)�，F在沒(méi)有使用人工智能的控制算法對特定對象控制效果十分好，但對其他控制對象效果就不會(huì )一致性地好，因此對必須具體對象具體設計。

　�。�7）它們對新數據或新信息具有很好的適應性。

　�。�8）它們能解決常規方法不能解決的問(wèn)題。

　�。�9）它們具有很好的抗噪聲干擾能力。

　�。�10）它們的實(shí)現十分便宜，特別是使用最小配置時(shí)。

　�。�11）它們很容易擴展和修改。

　　人工智能控制器可分為監督、非監督或增強學(xué)習型三種。常規的監督學(xué)習型神經(jīng)網(wǎng)絡(luò )控制器的拓樸結構和學(xué)習算法已經(jīng)定型，這就給這種結構的控制器增加了限制，使得計算時(shí)間過(guò)長(cháng)，常規非人工智能學(xué)習算法的應用效果不好。采用自適應神經(jīng)網(wǎng)絡(luò )和試探法就能克服這些困難，加快學(xué)習過(guò)程的收斂速度。常規模糊控制器的規則初值和模糊規則表是既定“a－priori”型，這就使得調整困難，當系統得不到“a－priori”（既定）信息時(shí)，整個(gè)系統就不能正常工作。而應用自適應AI控制器，例如使用自適應模糊神經(jīng)控制器就能克服這些困難，并且用DSP比較容易實(shí)現這些控制器。

　　常規模糊邏輯控制器的設計經(jīng)常使用嘗試法。需要“a－priori”信息，如運用自適應智能控制器就不需要“a－priori”（a－priroi規則庫和隸屬函數）信息。值得注意的是，與常規非自適應智能控制器相反，它根據輸入信號更新它的“參數”，換句話(huà)說(shuō)，它對變化的輸入信號具有適應性。自適應控制器分兩類(lèi)：間接和直接控制器，間接自適應人工智能控制器有一個(gè)實(shí)時(shí)辯識模型，用于控制器的設計，間接控制器在每個(gè)采樣周期需要采樣控制對象的輸入和輸出信號，辯識器和控制器有很多形式，而直接AI控制器用特性表來(lái)實(shí)現對控制對象的控制，這個(gè)特性表由兩個(gè)連續采樣周期間的誤差的變化量構成，用來(lái)控制電流響應。

　　如用模糊邏輯控制器，最簡(jiǎn)單的應用可能是標量因子的運用。這種方法用現在的非自適應驅動(dòng)器很容易實(shí)現，因而對工業(yè)界具有很大的吸引力。用改變隸屬函數形狀的方法可實(shí)現相似的效果。這種運用也可能通過(guò)改變規則來(lái)實(shí)現，如用直接AI控制器來(lái)實(shí)現，就是自適應控制器。它在每個(gè)采樣瞬間先使用上一個(gè)采樣周期采用的規則，如果得不到滿(mǎn)意的特性，就用新的規則替代，從而得到滿(mǎn)意的特性。

　　總而言之，當采用自適應模糊神經(jīng)控制器，規則庫和隸屬函數在模糊化和反模糊化過(guò)程中能夠自動(dòng)地實(shí)時(shí)確定。有很多方法來(lái)實(shí)現這個(gè)過(guò)程，但主要的目標是使用系統技術(shù)實(shí)現穩定的解，并且找到最簡(jiǎn)單的拓樸結構配置，自學(xué)習迅速，收斂快速。

　　三、人工智能在電氣傳動(dòng)控制中的運用

　　這一部分主要討論人工智能在交直流傳動(dòng)中運用的進(jìn)展。值得指出的是這是一個(gè)廣闊的領(lǐng)域，在過(guò)去二年中，研究活動(dòng)極快的增長(cháng)，本文只是概括一下人工智能在電氣傳動(dòng)中的運用這一領(lǐng)域的進(jìn)展，不可能覆蓋研究的每一個(gè)可能領(lǐng)域。AI控制器在直流傳動(dòng)中運用的大多數研究集中于模糊邏輯應用，在人工神經(jīng)網(wǎng)絡(luò )和其它智能控制的研究還很少。下面主要討論模糊、神經(jīng)元和模糊神經(jīng)元和模糊神經(jīng)元控制器在交直流傳動(dòng)中的應用。

　�。ㄒ唬┤斯ぶ悄茉谥绷鱾鲃�(dòng)中的運用

　　1。模糊邏輯控制應用

　　主要有兩類(lèi)模糊控制器，Mamdani和Sugeno型。到目前為止只有Mamdani模糊控制器用于調速控制系統中。限于篇幅本文不詳細討論其中的原因。值得注意的是這兩種控制器都有規則庫，它是一個(gè)if－then模糊規則集。但Sugeno控制器的典型規則是“如果X是A，并且y是B，那么Z=f（x，y）”。這里A和B是模糊集；Z=f（x，y）是x，y的函數，通常是輸入變量x，y的多項式。當f是常數，就是零階Sugeno模型，因此Sugeno是Mamdani控制器的特例。

　　Mamdani控制器由下面四個(gè)主要部分組成：

　�。�1）模糊化實(shí)現輸入變量的測量、量化和模糊化。隸屬函數有多種形式。

　�。�2）知識庫由數據庫和語(yǔ)言控制規則庫組成。開(kāi)發(fā)規則庫的主要方法是：把專(zhuān)家的知識和經(jīng)歷用于應用和控制目標；建模操作器的控制行動(dòng)；建模過(guò)程；使用自適應模糊控制器和人工神經(jīng)網(wǎng)絡(luò )推理機制。

　�。�3）推理機是模糊控制器的核心，能模仿人的決策和推理模糊控制行為。

　�。�4）反模糊化實(shí)現量化和反模糊化。有很多反模糊化技術(shù)，例如，最大化反模糊化，中間平均技術(shù)等。

　　下面的表1由64個(gè)語(yǔ)言規則組成，是用于電氣傳動(dòng)控制系統的一種可能規則表這個(gè)規則表相當大，實(shí)際應用中往往進(jìn)行簡(jiǎn)化。在各種出版物中，介紹了許多被模糊化的控制器，但這應與“充分模糊”控制器完全區分開(kāi)來(lái)，“充分模糊”控制器才是完全意義上的模糊控制器，被模糊化的控制器易于實(shí)現，往往通過(guò)改造現有古典控制器得以實(shí)現，如被模糊化的PI控制器（FPIC）使用模糊邏輯改變控制器的比例、積分參數，從而使系統的性能得到提高（17），控制器參數的微小變化可能導致特性的極大提高，被模糊化的控制器參數調整方法如下：P（ti）=P（ti－1）＋kP＊CP，I（ti）=I（ti－1）＊CI。但如應用“充分”模糊邏輯控制器，系統響應遠遠優(yōu)于FPIC和最優(yōu)古典PI控制器，用于最優(yōu)化常規控制器的計算時(shí)間比模糊化控制器所需的時(shí)間多得多。因此，使用最小配置的FPIC控制器是可能的選擇之一，事實(shí)上，這也是用現有驅動(dòng)裝置實(shí)現的最簡(jiǎn)單方法。

　　在許多電氣傳動(dòng)文獻中，介紹了用模糊邏輯控制器替代古典PI控制器（主要是速度調節器）改進(jìn)系統響應的方法�？墒�，文獻（18）詳細探討了模糊邏輯控制器用于三環(huán)直流電機控制系統中所有環(huán)節（速度、電流和勵磁）的設計和調整的方法。作者也介紹了PI和PD控制器，文獻（9）介紹了最小配置模糊控制用于直流傳動(dòng)中的可能性以及組合模糊控制器用于直流傳動(dòng)中得到滿(mǎn)意響應的可能性。下節討論模糊神經(jīng)控制的直流傳動(dòng)裝置時(shí)，我們將討論這種速度和電樞電流調節器組合成單一控制器的情況。

　　2。ANNS的應用

　　過(guò)去二十年，人工神經(jīng)網(wǎng)絡(luò )（ANNS）在模式識別和信號處理中得到廣泛運用。由于A(yíng)NNS有一致性的非線(xiàn)性函數估計器，因此它也可有效的運用于電氣了傳動(dòng)控制領(lǐng)域，它們的優(yōu)勢是不需要被控系統的數學(xué)模型，一致性很好，對噪音不敏感。另外，由于A(yíng)NNS的并行結構，它很適合多傳感器輸入運用，比如在條件監控、診斷系統中能增強決策的可靠性，當然，最近電氣傳動(dòng)朝著(zhù)最小化傳感器數量方向發(fā)展，但有時(shí)，多傳感器可以減少系統對特殊傳感器缺陷的敏感性，不需要過(guò)高的精度，也不需要復雜的信號處理。

　　誤差反向傳播技術(shù)是多層前聵ANN最常用的學(xué)習技術(shù)。如果網(wǎng)絡(luò )有足夠多的隱藏層和隱藏結點(diǎn)以及適宜的激勵函數，多層ANN只能實(shí)現需要的映射，沒(méi)有直接的技術(shù)選擇最優(yōu)隱藏層、結點(diǎn)數和激勵函數，通常用嘗試法解決這個(gè)問(wèn)題，反向傳播訓練算法是基本的最快下降法，輸出結點(diǎn)的誤差反饋回網(wǎng)絡(luò )，用于權重調整，搜索最優(yōu)。輸出結點(diǎn)的權重調整迭代不同于隱藏結點(diǎn)的權重調整迭代。通過(guò)使用反向傳播技術(shù)，能得到需要的非線(xiàn)性函數近似值，該算法包括有學(xué)習速率參數，對網(wǎng)絡(luò )的特性有很大影響。

　　反向傳播算法是多層前聵ANN最廣泛使用的學(xué)習技術(shù)之一。但有時(shí)網(wǎng)絡(luò )的收斂速度很慢，改進(jìn)算法的開(kāi)發(fā)是一個(gè)重要研究領(lǐng)域。英國Aberdeen大學(xué)在這方面取得過(guò)令人鼓舞的成績(jì)，他們把常規的反向傳播算法和其它AI技術(shù)結合起來(lái)，使得網(wǎng)絡(luò )快速收斂，魯棒性更好。他們還研究過(guò)基于A(yíng)I技術(shù)的最優(yōu)拓撲結構網(wǎng)絡(luò )，但沒(méi)有現成理論用于最優(yōu)配置，Kolgomorov理論和其他理論也不適用，在神經(jīng)網(wǎng)絡(luò )的訓練劇中使用遺傳算法可能會(huì )提高收斂速度，遺傳算法是一種基于自然進(jìn)化和遺傳機理的統計搜索方法，它模仿自然界個(gè)體適者生存不適者淘汰的原理解決問(wèn)題，每一代由染色體代表的（一套特征串類(lèi)似于DNA中的染色體）許多個(gè)體組成，每個(gè)個(gè)體代表搜索空間的一個(gè)點(diǎn)和一個(gè)可能的解。值得注意的是在神經(jīng)模糊實(shí)現中，有時(shí)必須使用不同形式的反向傳播技術(shù)，而不是已知的標準形式。反向傳播技術(shù)是在線(xiàn)（Supervised）學(xué)習技術(shù)，需要充分的輸入－－輸出數據對，雖然這種限制也可以用另外的方法加以克服，但該方法是離線(xiàn)的。

　　日本和德國的研究人員試圖把ANNS用于控制電力變換器，但到目前為止沒(méi)有獲得滿(mǎn)意的結果，這也是一個(gè)很有趣的領(lǐng)域。主要的有待解決的障礙是學(xué)習階段時(shí)間花費過(guò)長(cháng)，總而言之，問(wèn)題的關(guān)鍵是要給變換器的控制器找到一個(gè)滿(mǎn)意的非線(xiàn)性函數近似器、得到期望的非線(xiàn)性輸入－－輸出映射。常規技術(shù)就能實(shí)現簡(jiǎn)單的映射，而神經(jīng)網(wǎng)絡(luò )能實(shí)現更復雜的映射，并且由于它的并行結構這種映射相當快。

　　只有很少的論文討論神經(jīng)網(wǎng)絡(luò )在直流電機控制中的應用。文獻（21）介紹了兩個(gè)多層前饋人工神經(jīng)網(wǎng)絡(luò )在直流電機速度控制環(huán)中的應用。這是一種典型配置。辯識ANN用于訓練第二個(gè)ANN（神經(jīng)控制器，即過(guò)程控制器），因此過(guò)程輸出跟隨給定信號。學(xué)習過(guò)程用的是反向傳播算法。該方法分為二步：第一步ANN被訓練用來(lái)代表控制對象的響應。這需要用到表示控制對象輸出和控制輸入關(guān)系的微分方程。第二步把ANN用于控制對象模型的辯識方案中。在這步中，把ANN與控制對象并行連接，每次迭代時(shí)，給ANN提供給定信號作為ANN輸入信號。辯識意味著(zhù)調整權重，使ANN輸出信號（即網(wǎng)絡(luò )輸出）和控制對象輸出信號（即正輸出）的誤差最小。在辯識階段，全局誤差（即方差之和）以固定時(shí)間間隔被計算并與希望的最小值比較。第二個(gè)ANN是神經(jīng)控制器被用于訓練以給出需要的控制對象響應。為了訓練這個(gè)網(wǎng)絡(luò )，在每次采樣輸出時(shí)，必須知道誤差（Ec）但僅僅只知道控制對象輸出和希望輸出（由給定輸入決定）的最后誤差，辯識方案中的第一個(gè)ANN可將最后誤差Ec反向傳播，用來(lái)訓練控制器ANN。在誤差最小化過(guò)程中，全局誤差能被最小化到希望的值。經(jīng)過(guò)訓練辯識ANNS和控制ANNS，就可以在實(shí)時(shí)系統中運用被“調整”的神經(jīng)自適應控制方案。文獻（21）介紹了采用ANN自適應速度控制方案的直流傳動(dòng)系統的良好特性以及抗干擾性能。這也證明辯識ANN學(xué)習到了直流電機、變換器和負載的、未知時(shí)不變非線(xiàn)性操作特性。但值得指出的是，用于神經(jīng)元控制器的訓練時(shí)間有時(shí)相當長(cháng)，但這個(gè)困難可以用上面提到的高級技術(shù)、避免使用常規的反向傳播算法的方法中以克服。

　　文獻（22）和（23）介紹了直流傳動(dòng)系統的ANN控制，給出了理論和實(shí)驗結果。文獻（9）討論了直流傳動(dòng)的模糊神經(jīng)速度控制器。這是文獻中記載的第一次用單神經(jīng)控制器成功替代雙環(huán)直流傳動(dòng)系統的常規速度和電流PI調節器的例子。相對地上面討論過(guò)的直流傳動(dòng)系統，該系統運用了更多的智能技術(shù)，系統得到了進(jìn)一步的簡(jiǎn)化。有趣的是相對于古典多環(huán)PI調節器的實(shí)現，這里的電樞電流控制主要起限制電樞電流的作用，并且是通過(guò)單個(gè)速度、電流組合的模糊神經(jīng)控制器“自動(dòng)”加以實(shí)現。

　�。ǘ�）人工智能在交流傳動(dòng)中的應用

　　1。模糊邏輯的應用

　　在大多數討論模糊邏輯在交流傳動(dòng)中運用的文章中，都介紹的是用模糊控制器取代常規的速度調節器，可英國Aberdeen大學(xué)開(kāi)發(fā)的全數字高性能傳動(dòng)系統中有多個(gè)模糊控制器（4），這些模糊控制器不僅用來(lái)取代常規的PI或PID控制器，同時(shí)也用于其他任務(wù)。該大學(xué)還把模糊神經(jīng)控制器用于各種全數字高動(dòng)態(tài)性能傳動(dòng)系統開(kāi)發(fā)中。也有一些優(yōu)秀的文章論述運用模糊邏輯控制感應電機的磁通和力矩。討論這種技術(shù)的第一篇文章發(fā)表于1992年（24）。該文中討論了兩種控制策略，如用第一種策略，規則表有36條規則，模糊控制器的輸入是磁通和轉矩誤差，根據轉矩和磁通誤差，改變磁通矢量的輻值和旋轉方向，反模糊化技術(shù)用到的是中心梯度法，第一種策略沒(méi)有考慮最優(yōu)電壓矢量選擇的梯度。而第二種策略考慮了，這種方案被成功地實(shí)現了。

　　Galvan的兩篇文章（25）、（26）討論了用模糊化速度控制器實(shí)現感應電機的矢量控制的方法。并給出了仿真結果。（也見(jiàn)3。1。1節討論的模糊化控制器）。矢量控制器也是一種間接控制類(lèi)型，并且很好的特性。文獻（27）提出了一種模糊邏輯速度控制器。它的輸入標定因子是變化的。實(shí)驗結果也驗證了所提方案的有效性。文獻（28）給出了矢量控制器感應電機驅動(dòng)系統的仿真結果。該系統中模糊速度控制器與常規的PI速度控制器和CRPWM塑變器一起使用，它往往用來(lái)補償可能的慣性和負載轉矩的擾動(dòng)。常規PI控制器用來(lái)穩定系統的穩態(tài)速度響應。矢量控制器使用轉子磁通觀(guān)測器觀(guān)測（UI觀(guān)測器，iw觀(guān)測器（1）（4）），模糊邏輯用于轉子電阻的估計。

　　到目前為止，只有兩種運用人工智能技術(shù)的工業(yè)產(chǎn)品，其一是下節介紹的安川矢量變頻器，另一個(gè)是日立矢量變頻器，日立公司最近開(kāi)發(fā)了J300系列IGBT矢量變頻器，功率范圍是5。5KW－－55KW。它的主要特點(diǎn)是使用無(wú)傳感器矢量控制算法和強大的自調整功能。無(wú)傳感器磁通矢量控制方案采樣兩相定子電流，在初始自整定階段，電機和負載的慣性以及其他參數例如定子電感，定子和轉子電阻、勵磁電感等參數被計算。日立公司宣稱(chēng)這是世界上第一臺使用模糊控制的變頻器。它考慮了電機和系統的特性，轉矩計算軟件在整個(gè)頻率范圍保證了轉矩的精確控制。變頻器的主要性能指標如下：1Hz時(shí)150％或更高的啟動(dòng)轉矩；在3∶1的速度范圍（20到60HZ/16到50HZ）電機不用降低功率使用；速度調節比率小于。

　　J300系列變頻器由于使用了高速微處理器和內置DSP，因此具有很的響應速度，轉矩響應速度大約可達到0。1秒。它使用模糊邏輯控制電機電流和加減速斜率。它能根據電機負載和制動(dòng)需要計算加減速的最優(yōu)時(shí)間，因此不需要嘗試法進(jìn)行調整。模糊邏輯加減速度函數根據模糊規則設定加減速度比例因子和速度，而模糊規則則用當前值與過(guò)載限幅（或其它限幅）值的差值以及電機電流和電壓的梯度作為輸入變量。梯度和差值構成四個(gè)隸屬函數，兩個(gè)隸屬函數是三角函數，另二個(gè)是半梯形。當用常規的簡(jiǎn)單電流限幅控制，變頻器的斜率是步進(jìn)型的，經(jīng)常引起變頻器跳閘。特別是在減速時(shí)。當用模糊邏輯控制時(shí)，斜率十分平滑，變頻器假跳閘的現象也消除了。變頻器在風(fēng)機和泵類(lèi)的運用最能體現模糊邏輯控制的優(yōu)勢。在這些應用中，不需要恒定的加減速時(shí)間或精確的位置控制。在這些應用中，不需要恒定的加減速時(shí)間或精確的位置控制。需要的是與負載條件有關(guān)的加減速度的最優(yōu)化。模糊控制能實(shí)現加減速度的最優(yōu)控制。

　　AI控制器也能提高直接轉矩控制系統的性能，這也是值得深入研究的一個(gè)寬廣領(lǐng)域。英國Aberdeen大學(xué)的研究人員開(kāi)發(fā)了基于人工智能的開(kāi)關(guān)矢量選擇器以及速度、轉矩、磁通觀(guān)測器等，初步結果令人鼓舞（9）�？梢灶A見(jiàn)不久的將業(yè)，將會(huì )得到更好的結果，將會(huì )出現更多的工業(yè)應用產(chǎn)品（47）（48）。

　　2。神經(jīng)網(wǎng)絡(luò )的應用

　　非常少的文章討論神經(jīng)網(wǎng)絡(luò )用于交流電機的控制，大量文章討論神經(jīng)網(wǎng)絡(luò )在交流電機和驅動(dòng)系統的條件監測和診斷中的運用。文獻（33）介紹了使用常規反向轉波算法的ANN用于步進(jìn)電機控制算法的最優(yōu)化。該方案使用實(shí)驗數據，根據負載轉矩和初始速度來(lái)確定最大可觀(guān)測速度增量。這就需要ANN學(xué)習三維圖形映射。該系統與常規控制算法（梯形控制法）相比具有更好的性能，并且大大減少了定位時(shí)間，對負載轉矩的大范圍變化和非初始速度也有滿(mǎn)意的控制效果。文獻（34）用兩個(gè)ANNS控制和辯識感應電機，但只給出了仿真研究。這是第一篇討論神經(jīng)網(wǎng)絡(luò )在感應電機控制中的應用，這個(gè)方案與3。1節中討論的直流驅動(dòng)方案類(lèi)似，ANNS的結構是多層前饋型，運用常規反向傳播學(xué)習算法。該系統由兩個(gè)子系統構成，一個(gè)系統通過(guò)電氣動(dòng)態(tài)參數的辯識自適應控制定子電流，另一個(gè)系統通過(guò)對機電系統參數的辯識自適應控制轉子速度。該文討論了這些控制方案與常規方案的各種優(yōu)點(diǎn)。

　　文獻（35）討論了基于人工神經(jīng)網(wǎng)絡(luò )的電氣機械系統，文獻（36）介紹了運用直接控制ANN觀(guān)測電壓源PWM供電的感應電機矢量控制系統中的磁通的方法。這種基于A(yíng)NN的磁通觀(guān)測器的主要優(yōu)點(diǎn)是對諧波具有免疫性。ANN是使用反向傳播學(xué)習算法的多層前饋類(lèi)型。ANN觀(guān)測的磁通具有振蕩性，因而引起轉矩振蕩。如果用別的方法，可能得到更好的結果。

　　最后值得指出的是現在發(fā)表的大多數有關(guān)ANN對各種電機參數估計的論文，一個(gè)共同的特點(diǎn)是，它們都是用多層前饋ANNS，用常規反向傳播算法，只是學(xué)習算法的模型不同或被估計的參數不同。

　　四、結論

　　本文試圖對人工智能電氣傳動(dòng)控制系統領(lǐng)域的進(jìn)展做一回顧。內容涉及模糊控制、神經(jīng)網(wǎng)絡(luò )、模糊神經(jīng)網(wǎng)絡(luò )在電氣傳動(dòng)系統中的應用，討論了模糊、神經(jīng)和模糊神經(jīng)控制器等人工智能技術(shù)的優(yōu)點(diǎn)。也討論了人工智能最小配置的應用。但到目前為止，使用人工智能技術(shù)的變速傳動(dòng)工業(yè)產(chǎn)品才剛剛出現，只有兩家公司推出他們的產(chǎn)品。雖然使用人工智能技術(shù)的實(shí)際產(chǎn)品和應用還不多，但不久的將來(lái)，人工智能技術(shù)在電氣傳動(dòng)領(lǐng)域將會(huì )取得重要的地位，特別是自適應模糊神經(jīng)控制器將在高性能驅動(dòng)產(chǎn)品中得到廣泛使用。

【人工智能簡(jiǎn)述論文】相關(guān)文章：

人工智能議論文07-03

人工智能園林設計論文07-03

人工智能機器人論文11-04

關(guān)于人工智能的議論文05-25

科技巨頭角逐人工智能論文07-03

人工智能的電氣工程應用論文07-03

機械電子工程與人工智能論文07-03

小學(xué)數學(xué)課堂教學(xué)效率簡(jiǎn)述的論文07-03

簡(jiǎn)述化工新材料與未來(lái)世界共舞論文07-03

人工智能將怎樣影響我們的生活論文07-02