论文部分内容阅读
[摘 要]本文论述了人工智能在电气传动领域的发展概况。其中主要包括模糊控制、神经网络和遗传算法的应用特點及发展趋势等
[关键词]人工智能；神经网络控制；模糊神经元控制；自适应控制
中图分类号：U686 文献标识码：A 文章编号：1009-914X（2017）15-0069-01
1.序言
人工智能控制技术一直没能取代古典控制方法。但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：都需要不同数量和类型的必须的描述系统和特性的“a priori”知识。由于这些方法具有很多优势，因此工业界强烈希望开发、生产使用这些方法的系统，但又希望该系统实现简单、性能优异。
2、人工智能在直流传动中的运用
2.1.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：
2.1.1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。
2.1.2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。
2.1.3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。
2.1.4反模糊化实现量化和反模糊化。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，往往通過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（17），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。
2.2.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。
3.人工智能在交流传动中的应用
3.1.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（4），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。
矢量控制器也是一种间接控制类型，并且很好的特性。文献（27）提出了一种模糊逻辑速度控制器。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。常规PI控制器用来稳定系统的稳态速度响应。矢量控制器使用转子磁通观测器观测（UI观测器，iw观测器（1）（4）），模糊逻辑用于转子电阻的估计。
到目前为止，只有两种运用人工智能技术的工业产品，其一是下节介绍的安川矢量变频器，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5.5KW--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；速度调节比率小于。
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（9）。可以预见不久的将业，将会得到更好的结果，将会出现更多的工业应用产品（47）（48）。
3.2.神经网络的应用
非常少的文章讨论神经网络用于交流电机的控制，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。文献（33）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。文献（34）用两个ANNS控制和辩识感应电机，但只给出了仿真研究。
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。
参考文献：
[1] 蔡自兴.关于人工智能学派及其在理论、方法上的观点.高技术通讯，1995，5（5）：55—57
[2]] 蔡自兴.人工智能对人类的深远影响.高技术通讯，1995，5（6）：55—57
[3] 陈慧萍，赵跃华，钱旭.人工智能教程.北京：电子工业出版社，2001
[关键词]人工智能；神经网络控制；模糊神经元控制；自适应控制
中图分类号：U686 文献标识码：A 文章编号：1009-914X（2017）15-0069-01
1.序言
人工智能控制技术一直没能取代古典控制方法。但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：都需要不同数量和类型的必须的描述系统和特性的“a priori”知识。由于这些方法具有很多优势，因此工业界强烈希望开发、生产使用这些方法的系统，但又希望该系统实现简单、性能优异。
2、人工智能在直流传动中的运用
2.1.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：
2.1.1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。
2.1.2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。
2.1.3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。
2.1.4反模糊化实现量化和反模糊化。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，往往通過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（17），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。
2.2.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。
3.人工智能在交流传动中的应用
3.1.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（4），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。
矢量控制器也是一种间接控制类型，并且很好的特性。文献（27）提出了一种模糊逻辑速度控制器。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。常规PI控制器用来稳定系统的稳态速度响应。矢量控制器使用转子磁通观测器观测（UI观测器，iw观测器（1）（4）），模糊逻辑用于转子电阻的估计。
到目前为止，只有两种运用人工智能技术的工业产品，其一是下节介绍的安川矢量变频器，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5.5KW--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；速度调节比率小于。
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（9）。可以预见不久的将业，将会得到更好的结果，将会出现更多的工业应用产品（47）（48）。
3.2.神经网络的应用
非常少的文章讨论神经网络用于交流电机的控制，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。文献（33）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。文献（34）用两个ANNS控制和辩识感应电机，但只给出了仿真研究。
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。
参考文献：
[1] 蔡自兴.关于人工智能学派及其在理论、方法上的观点.高技术通讯，1995，5（5）：55—57
[2]] 蔡自兴.人工智能对人类的深远影响.高技术通讯，1995，5（6）：55—57
[3] 陈慧萍，赵跃华，钱旭.人工智能教程.北京：电子工业出版社，2001