阐述了人工智能控制技术的发展，介绍了其优势，从模糊控制、神经网络和遗传算法等方面探讨了其应用特点和发展前景。以下是边肖整理分享的《人工智能自动规划》论文的相关信息。欢迎阅读！
人工智能自动规划论文第一部分
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，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和发展前景。
[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报价
随着现代控制理论的发展，传统的控制器设计技术正逐渐被广泛应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)所取代。).这些方法的共同特征是它们需要不同数量和类型的必须描述系统和特征的“先验”知识。该系统实现简单，性能优良。
1人工智能控制技术的优势
不同的人工智能控制通常采用完全不同的方法，但人工智能控制器，如神经、模糊、模糊神经和遗传算法，可以看作是一种非线性函数逼近器。这些人工智能函数逼近器比传统的函数估计仪器有更多的优点。
(1)它们的设计不需要被控对象的模型(在很多场合，很难得到实际被控对象的精确动力学方程，实际被控对象的模型在控制器设计中往往存在很多不确定性。
(2)它们可以通过适当的调整(根据响应时间、下降时间、鲁棒性等)来提高性能。).比如模糊逻辑控制器上升时间比最优PID控制器快1.5倍，下降时间快3.5倍，超调更小。
人工智能控制器可以分为三种：有监督的、无监督的或强化学习的。常规监督学习神经网络控制器的拓扑结构和学习算法已经定型，增加了这种结构的控制器的局限性，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。自适应神经网络和启发式方法可以克服这些困难，加快学习过程的收敛。常规模糊控制器的规则初始值和模糊规则表是“先验”式建立的，难以调整。当系统无法获得“先验的”(既定的)信息时，整个系统就无法正常工作。自适应AI控制器的应用，如自适应模糊神经控制器，可以克服这些困难，并且很容易用DSP实现这些控制器。
人工智能在电气传动控制中的应用
2.1人工智能在DC驱动中的应用
2.1.1模糊逻辑控制应用
有两种模糊控制器，Mamdani和Sugeno。到目前为止，只有Mamdani模糊控制器被用于速度控制系统。值得注意的是，两个控制器都有一个规则库，是一个if-then模糊规则集。但是Sugeno控制器的典型规则是“如果x是a，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为常数时，是零阶Sugeno模型，所以Sugeno是Mamdani控制器的特例。Mamdani控制器由以下四个主要部分组成。
1)模糊化实现输入变量的度量、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有：利用专家的知识和经验来应用和控制目标；控制建模操作员的操作；建模过程；采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，可以模仿人的决策和推理模糊控制行为。
4)去模糊化，实现量化和去模糊化。有许多反模糊技术，如最大反模糊技术、中间反模糊技术
在许多参考文献中，介绍了许多种模糊控制器，但它们应该完全区别于“全模糊”控制器，后者是完全意义上的模糊控制器。模糊化控制器易于实现，通常通过修改现有的经典控制器来实现，例如模糊PI控制器(FPIC)，它使用模糊逻辑来改变控制器的比例和积分参数，从而改善系统的性能。控制器参数的微小变化可能导致特性的极大改善。模糊控制器参数调整方法如下：P (Ti)=P (Ti-1) KP CP，I (Ti)=I (Ti-1) Ci。然而，如果应用“充分”模糊逻辑控制器，系统响应比FPIC和最优经典PI控制器好得多，并且用于优化常规控制器的计算时间比模糊控制器多得多。
更多。因此，使用最低配置的FPIC控制器是可能的选择之一。其实这也是用现有的驱动设备最简单的实现方式。
神经网络的应用
在过去的20年里，人工神经网络已经广泛应用于模式识别和信号处理。由于人工神经网络具有一致的非线性函数估计器，因此也可以有效地应用于电气传动控制领域。其优点是不需要被控系统的数学模型，一致性好，对噪声不敏感。此外，由于人工神经网络是一种并行结构，它非常适合于多传感器输入的应用，如状态监测和诊断系统，可以增强决策的可靠性。如果网络有足够的隐层、隐节点和合适的激励函数，多层神经网络只能实现所需的映射，但没有直接的技术来选择最优的隐层、节点数和激励函数。通常采用试错法来解决这个问题。反向传播训练算法是基本的最快下降法，将输出节点的误差反馈给网络进行权值调整和寻优。输出节点的权重调整迭代不同于隐藏节点的权重调整迭代。通过使用反向传播技术，可以获得所需非线性函数的近似值。该算法包括学习率参数，它对网络的特性有很大的影响。
反向传播算法是多层前馈神经网络最广泛使用的学习技术之一。但有时网络的收敛速度很慢，因此改进算法的开发是一个重要的研究领域。英国阿伯丁大学在这方面取得了令人鼓舞的成就。他们将常规的反向传播算法与其他人工智能技术相结合，使网络收敛速度更快，鲁棒性更好。值得注意的是，在神经模糊的实现中，有时必须使用不同形式的反向传播技术来代替已知的标准形式。反向传播技术是一种监督学习技术，需要足够的输入输出数据对。虽然这种限制可以通过其他方法来克服，但是这种方法是离线的。
常规技术可以实现简单的映射，而神经网络可以实现更复杂的映射，并且这种映射由于其并行结构而相当快。辨识神经网络用于训练第二个神经网络(神经控制器，即过程控制器)。因此，过程输出跟随给定信号，并且在学习过程中使用反向传播算法。该方法分为两步：第一步，训练ANN来表示控制对象的响应，这需要使用微分方程来表示控制对象的输出和控制输入之间的关系。其次，将人工神经网络用于控制对象模型的辨识方案中。人工神经网络与控制对象并联，在每次迭代中，给定信号作为人工神经网络的输入信号提供给人工神经网络。辨识是指调整权值，使ANN输出信号(即网络输出)与控制对象输出信号(即正输出)之间的误差最小。在识别阶段，以固定的时间间隔计算全局误差(即方差之和),并与期望的最小值进行比较。ANN是用于训练的神经控制器，以给出受控对象所需的响应。为了训练这个网络，每次采样输出时必须知道误差(Ec ),但只有被控对象输出和期望输出(由给定输入确定)的最终误差是已知的。识别方案中的第一个ANN可以将最终误差Ec传播回去以训练控制器ANN。在误差最小化过程中，全局误差可以最小化到期望值。在训练识别神经网络和控制神经网络之后，调整后的神经自适应控制方案可用于实时系统。
2.2人工智能在交流传动中的应用
模糊逻辑的应用
到目前为止，应用于人工智能技术的工业产品只有两个，一个是安川矢量变频器，另一个是日立矢量变频器。日立最近开发了功率范围为5.5~55kW的J300系列IGBT矢量变频器。其主要特点是无传感器矢量控制算法和强大的自调节功能。无传感器磁通矢量控制方案对两相定子电流进行采样。在初始自校正阶段，计算电机和负载的惯量以及定子电感、定转子电阻和励磁电感等其他参数。日立声称这是世界上第一台带模糊控制的变频器。它考虑了电机和系统的特性，转矩计算软件保证了转矩在整个频率范围内的精确控制。变频器的主要性能指标如下：1Hz时150%或更高的起动转矩；在31(20 ~ 60Hz/16 ~ 50Hz)的速度范围内，电机不需要降功率使用；调速比小。
J300系列逆变器响应速度快，由于采用了高速微处理器和内置DSP，其转矩响应速度可以达到0.1s左右。它采用模糊逻辑控制电机电流和加减速斜率，可以根据电机负载和制动需要计算出最佳加减速时间，无需尝试调整。模糊加速/减速功能根据模糊规则设置加速/减速比例因子和速度，模糊规则使用电流值和过载限制(或其他限制)值之间的差值以及电机电流和电压的梯度作为输入变量。并且梯度和差分构成四个隶属函数，其中两个是三角函数，另外两个是半梯形。当使用常规的简单限流控制时，变频器的斜率是阶梯式的，这常常会导致变频器跳闸。尤其是减速的时候。采用模糊逻辑控制时，斜率非常平滑，消除了变频器误跳闸现象。变频器在风机和水泵上的应用最能体现模糊逻辑控制的优势。在这些应用中，不需要恒定的加速和减速时间或精确的位置控制。需要的是与负载条件相关的加速和减速的优化。模糊控制可以实现加减速的最优控制。
人工智能控制器还可以改善直接转矩控制系统的性能，是一个值得深入研究的广阔领域。英国阿伯丁大学的研究人员开发了一种基于人工智能的开关矢量选择器，以及速度、扭矩和磁通量的观测器。初步结果令人鼓舞。
2.2.2神经网络应用
与常规控制算法(阶梯控制法)相比，该系统具有更好的性能，大大减少了定位时间，对负载转矩和非初速度的大范围变化具有满意的控制效果。最后，值得指出的是，大部分公开发表的关于ANN估计各种电机参数的论文都有一个共同的特点，就是都采用多层前馈ANN和常规的反向传播算法，只是学习和计算。
方法的不同模型或不同的估计参数。
3结论
综上所述，对人工智能电气传动的控制技术进行了综述，讨论了模糊、神经、模糊神经控制器等人工智能技术的优势。指出目前采用人工智能技术的变速传动工业产品刚刚起步，只有两家公司推出产品。虽然采用人工智能技术的实际产品和应用并不多，但在不久的将来，人工智能技术将在电气传动领域发挥重要作用，尤其是自适应模糊神经控制器将广泛应用于高性能传动产品中。
下一页，分享一篇更好的关于人工智能自动规划的论文。
