论文部分内容阅读
【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
[中图分类号] TM921.5[文献标识码] A[文章编号] T2011-12(03)-1703
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用于訓练第二个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。
【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
[中图分类号] TM921.5[文献标识码] A[文章编号] T2011-12(03)-1703
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用于訓练第二个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。