人工智能自動規劃論文
人工智能自動規劃論文
闡述了人工智能控制技術的發展概況，介紹了該控制技術的優勢，從模糊控制、神經網絡和遺傳算法等方面探討了該技術的應用特點及發展前景。以下是學習啦小編整理分享的人工智能自動規劃論文的相關資料，歡迎閱讀!
人工智能自動規劃論文篇一
人工智能控制技術在電氣傳動中的應用研究
【摘 要】闡述了人工智能控制技術的發展概況，介紹了該控制技術的優勢，從模糊控制、神經網絡和遺傳算法等方面探討了該技術的應用特點及發展前景。
【關鍵詞】人工智能;神經網絡控制;模糊神經元控制;自適應神經網絡
0 引 言
隨著現代控制理論的發展，控制器設計的常規技術正逐漸被廣泛使用的人工智能軟件技術(人工神經網絡、模糊控制、模糊神經網絡、遺傳算法等)所替代。這些方法的共同特點是，需要不同數量和類型的必須描述系統和特性的“a-priori”知識。該系統具有實現簡單、性能優異等優勢。
1 人工智能控制技術的優勢
不同人工智能控制通常采用完全不同的方法，但AI控制器，例如神經、模糊、模糊神經，以及遺傳算法都可看成一類非線性函數近似器。這些AI函數近似器比常規的函數估計器具有更多的優勢。
(1)它們的設計不需要控制對象的模型(在許多場合，很難得到實際控制對象的精確動態方程，實際控制對象的模型在控制器設計時往往有很多不確實性因素。
(2)通過適當調整(根據響應時間、下降時間、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間比最優PID控制器快1.5倍，下降時間快3.5倍，過沖更小。
人工智能控制器可分為監督、非監督或增強學習型三種。常規的監督學習型神經網絡控制器的拓樸結構和學習算法已經定型，這就給這種結構的控制器增加了限制，使得計算時間過長，常規非人工智能學習算法的應用效果不好。采用自適應神經網絡和試探法就能克服這些困難，加快學習過程的收斂速度。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，整個系統就不能正常工作。而應用自適應AI控制器，如使用自適應模糊神經控制器就能克服這些困難，并且用DSP比較容易實現這些控制器。
2 人工智能在電氣傳動控制中的運用
2.1 人工智能在直流傳動中的運用
2.1.1 模糊邏輯控制應用
主要有兩類模糊控制器，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。值得注意的是這兩種控制器都有規則庫，它是一個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控制器由下面四個主要部分組成。
1)模糊化實現輸入變量的測量、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言控制規則庫組成。開發規則庫的主要方法是：把專家的知識和經歷用于應用和控制目標;建模操作器的控制行動;建模過程;使用自適應模糊控制器和人工神經網絡推理機制。
3)推理機制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)反模糊化實現量化和反模糊化。有很多反模糊化技術，例如，最大化反模糊化，中間平均技術等。
在許多資料中，介紹了多種被模糊化的控制器，但這應與“充分模糊”控制器完全區分開來，“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現，往往通過改造現有古典控制器得以實現，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。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。但若應用“充分”模糊邏輯控制器，系統響應遠遠優于FPIC和最優古典PI控制器，用于最優化常規控制器的計算時間比模糊化控制器所需的時間多得
多。因此，使用最小配置的FPIC控制器是可能的選擇之一，事實上，這也是用現有驅動裝置實現的最簡單方法。
2.1.2ANNS的 應用
過去20多年，人工神經 網絡(ANNS)在模式識別和信號處理中得到廣泛運用。由于ANNS有一致性的非線性函數估計器，因此它也可有效地運用于電氣傳動控制領域，其優勢是不需要被控系統的數學模型，一致性很好，對噪音不敏感。 另外，由于ANNS是并行結構，它很適合多傳感器輸入運用，如在條件監控、診斷系統中能增強決策的可靠性。如果網絡有足夠多的隱藏層和隱藏結點以及適宜的激勵函數，多層ANN只能實現需要的映射，沒有直接的技術選擇最優隱藏層、結點數和激勵函數，通常用嘗試法解決這個問題，反向傳播訓練算法是基本的最快下降法，輸出結點的誤差反饋回網絡，用于權重調整，搜索最優。輸出結點的權重調整迭代不同于隱藏結點的權重調整迭代。通過使用反向傳播技術，能得到需要的非線性函數近似值，該算法包括有學習速率參數，對網絡的特性有很大影響。
反向傳播算法是多層前聵ANN最廣泛使用的學習技術之一。但有時網絡的收斂速度很慢，改進算法的開發是一個重要研究領域。英國Aberdeen大學在這方面取得過令人鼓舞的成績，他們把常規的反向傳播算法和其他AI技術結合起來，使得網絡快速收斂，魯棒性更好。值得注意的是在神經模糊實現中，有時必須使用不同形式的反向傳播技術，而不是已知的標準形式。反向傳播技術是在線(Supervised)學習技術，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，但該方法是離線的。
常規技術就能實現簡單的映射，而神經網絡能實現更復雜的映射，并且由于它的并行結構這種映射相當快。辯識ANN用于訓練第二個ANN(神經控制器，即過程控制器)，因此，過程輸出跟隨給定信號，學習過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。把ANN與控制對象并行連接，每次迭代時，給ANN提供給定信號作為ANN輸入信號。辯識意味著調整權重，使ANN輸出信號(即網絡輸出)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)以固定時間間隔被計算并與希望的最小值比較。ANN是神經控制器被用于訓練以給出需要的控制對象響應。為了訓練這個網絡，在每次采樣輸出時，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ANN可將最后誤差Ec反向傳播，用來訓練控制器ANN。在誤差最小化過程中，全局誤差能被最小化到希望的值。經過訓練辯識ANNS和控制ANNS，就可以在實時系統中運用被“調整”的神經自適應控制方案。
2.2 人工智能在交流傳動中的應用
2.2.1模糊邏輯的應用
到目前為止，只有兩種運用于人工智能技術的工業產品，一是安川矢量變頻器，另一個是日立矢量變頻器。日立公司最近開發了J300系列IGBT矢量變頻器，功率范圍是5.5~55kW。它的主要特點是使用無傳感器矢量控制算法和強大的自調整功能。無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150%或更高的啟動轉矩;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。
J300系列變頻器由于使用了高速微處理器和內置DSP，因此具有很高的響應速度，轉矩響應速度大約可達到0.1s。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需要計算加減速的最優時間，不需要嘗試進行調整。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載限幅(或其他限幅)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隸屬函數，兩個隸屬函數是三角函數，另二個是半梯形。當用常規的簡單電流限幅控制，變頻器的斜率是步進型的，經常引起變頻器跳閘。特別是在減速時。當用模糊邏輯控制時，斜率十分平滑，變頻器假跳閘的現象也消除了。變頻器在風機和泵類的運用最能體現模糊邏輯控制的優勢。在這些應用中，不需要恒定的加減速時間或精確的位置控制。需要的是與負載條件有關的加減速度的最優化。模糊控制能實現加減速度的最優控制。
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寬廣領域。英國Aberdeen大學的研究人員開發了基于人工智能的開關矢量選擇器以及速度、轉矩、磁通觀測器等，初步結果令人鼓舞。
2.2.2神經網絡的應用
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間，對負載轉矩的大范圍變化和非初始速度也有滿意的控制效果。最后值得指出的是現在 發表的大多數有關ANN對各種電機參數估計的論文，一個共同的特點是，它們都是用多層前饋ANNS，用常規反向傳播算法，只是學習算
法的模型不同或被估計的參數不同。
3 結論
綜上，對人工智能電氣傳動控制技術進行了回顧，討論了模糊、神經和模糊神經控制器等人工智能技術的優點。指出了目前使用人工智能技術的變速傳動工業產品才剛剛起步，只有兩家公司推出產品。雖然使用人工智能技術的實際產品和應用還不多，但不久的將來，人工智能技術在電氣傳動領域將會取得重要的地位，特別是自適應模糊神經控制器將在高性能驅動產品中得到廣泛使用。
下一頁分享更優秀的<<<人工智能自動規劃論文