人工智能在自动化学科中的应用.pdf

人工智能在自动化学科中的应用人工智能在自动化学科中的应用社会的进步和人类的长寿要求生产力更加发达,要求人类的经济生活更加智能化,以节省珍贵的人类时间去做其它有益的事情。自动化领域的革新需要人工智能的大力支持,而人工智能在自动化学科方面的优势在这个领域也确实能够得到极大的发挥,促进自动化的发展进步。自动化是研究与电气工程有关的系统运行、自动控制、电力电子技术、信息处理、试验分析、研制开发以及电子与电脑应用等领域的一门学科。实现机械的自动化,让机械部份脱离人类的直接控制和操作自动实现某些过程是自动化和人工智能研究的交汇点。 积极运用人工智能的知识。人工智能在电力系统运行控制中的应用综述人工智能在电力系统运行控制中的应用综述人工智能技术(AI)广泛应用于求解非线性问题中,在电力系统的控制、管理、运行等领域发挥着重要的作用。阐述了专家系统、人工神经网络、模糊集理论和启发式搜索等人工智能技术在电力系统中各自的应用特点,展望了人工智能技术在电力系统中的发展趋势,指出混合智能是人工智能的重要发展方向之一。电力系统应用人工智能的起因电力系统运行控制的一个基本目标就是在经济合理的条件下向用户提供高质量的电能。为此,有必要对电力系统进行规划、监视和控制。随着电力系统规模的不断增加,能源管理系统(EMS)运行人员所面临的决策任务也日趋加大,这使得运行人员很难保证电力系简要介绍了现有的高级人工智能技术的发展概况及其实现方法,全面综述了模糊逻辑(FL)、专家系统(ES)、人工神经网络(ANN)和遗传算法(GA)等典型人工智能技术在电能质量控制中的应用情况及国内外的研究现状,并就值得进一步研究的问题及今后的主要研究方向进行了展望.近年来,电能质量问题受到人们越来越广泛的关注.对电能质量问题的正确诊断和处理需要高水平的专家知识,并且所需要的专家知识不是仅仅在某一个领域,而是涉及到电气工程中的许多领域,如电子驱动、传感器、旋转电机、变压器、电力电子、电能传输与供给、保护、谐波、信号分人工智能在智能传感器领域的应用传感器在自动化信息系统中的重要性不言而喻 ,它的特性的好坏、 输出信息的可靠性对整个系统的质量至关重要。 各行各业的自动化程度的迅速提高 ,特别是工业生产的自动化程度的提高 ,对传感器的性能提出了更高的要求。传统的传感器技术由于存在着性能不稳定、可靠性差、 准确度低等缺点已经不能够满足自动化技术迅猛发展的需要。 而人类在人工智能方面取得的进展为人工智能与传感器技术的结合新型智能传感器的出现提供了契机。学习文档 仅供参考主要介绍了人工智能的四个分支 :模糊逻辑、人工神经网络、专家系统、遗传算法在传感器领域的应用。1模糊逻辑模糊逻辑在传感器领域的应用主要是将模糊逻辑与传感器技术结合构成模糊传感器。 由于传统的传感器是数值传感器 ,所以传统的传感器难以对具有较大的非线性或者无法建立精确的数学模型的被测对象进行有效的测量 ,而模糊传感器则能很好的完成这些测量任务。 模糊血压传感器是模糊逻辑在传感器系统中的典型应用。 测量血压是医生检查心血管病例的一种手段。 将医生的知识和经验集成到模糊血压传感器 ,模糊血压传感器就可以充当一位经验丰富的医生的角色。模糊血压传感器通过建立有关不同年龄、性别.。人工智能在故障诊断中的应用人类社会进入工业化阶段以来， 各种复杂的机器设备不断涌现， 设备的故障诊断就成了一项重要的研究课题。就诊断方法而言，目前，除了传统的单一参数、单一故障的技术诊断外，多参量、多故障的综合， 诊断已经兴起。随着现代科学技术的发展，故障诊断技术和方法也不断推陈出新， 正走向智能化阶段。 人工智能的发展为故障诊断提供了智能化的诊断方法 故障诊断专家系统不仅在理论上得到了相当的发展而且已有了成功的应用实例。与此同时，人工神经网络的研究也进入到了故障诊断领域， 成为故障诊断的一个最新研究热点， 并已在许多实际系统中得到了很好的应用。 此外模糊理论、模糊逻辑系统也已经应用到故障诊断领域，并且与人工神经网络和专家系统互相结合， 突显出其独特的优势，成为一种很有价值的故障诊断方法。人工智能在电气传动中运用的进展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“apriori”型，这就使得调整困难，当系统得不到“apriori”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， 例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。常规模糊逻辑控制器的设计经常使用尝试法。需要“apriori”信息，如运用自适应智能控制器就不需要“apriori”apriroi 规则库和隶属函数信息。值得注意的是，与常规非自适应智能控制器相反，它根据输入信号更新它的“参数”，换句话说，它对变化的输入信号具有适应性。自适应控制器分两类：间接和直接控制器，间接自适应人工智能控制器有一个实时辩识模型， 用于控制器的设计， 间接控制器在每个采样周期需要采样控制对象的输入和输出信号，辩识器和控制器有很多形式，而直接AI 控制器用特性表来实现对控制对象的控制，这个特性表由两个连续采样周期间的误差的变化量构成，用来控制电流响应。如用模糊逻辑控制器， 最简单的应用可能是标量因子的运用。 这种方法用现在的非自适应驱动器很容易实现， 因而对工业界具有很大的吸引力。 用改变隶属函数形状的方法可实现学习文档 仅供参考相似的效果。这种运用也可能通过改变规则来实现，如用直接AI 控制器来实现，就是自适应控制器。它在每个采样瞬间先使用上一个采样周期采用的规则，如果得不到满意的特性，就用新的规则替代，从而得到满意的特性。总而言之， 当采用自适应模糊神经控制器， 规则库和隶属函数在模糊化和反模糊化过程中能够自动地实时确定。 有很多方法来实现这个过程， 但主要的目标是使用系统技术实现稳定的解，并且找到最简单的拓朴结构配置，自学习迅速，收敛快速。人工智能在信息检索系统中应用人工智能是当前科学技术发展中的一门前沿学科， 是在电脑科学、控制论、信息论、神经心理学、哲学、语言学等多种学科研究的基础上发展起来的， 是一门综合性很强的边缘学科。总的来说， 人工智能是一门研究如何构造智能机器或智能系统，使它能模拟、 延伸扩展人类智能的学科。目前，人工智能的研究更多的是结合具体领域进行的， 主要研究领域有专家系统、 机器学习、模式识别和自然语言理解等。 自从人工智能技术问世以来， 它的研究已经有了显著的成果。 人工智能应用于信息检索系统的成果智能信息检索系统给信息检索领域带来了革命性的变化。人工智能在自动化领域的各方面的应用由于电气设备从设计、生产到运行、控制，每个环节都是一个复杂的过程，传统的方法有时很难适应。 国内外的电气科技工作者将人工智能技术引入电气设备的优化设计、 故障诊断及控制过程， 并取得了一些成功经验。 本文在总结人工智能在电气设备领域取得成果的基础上，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点及发展趋势等。社会的进步要求生产力更加发达， 要求人类的经济生活更加智能化， 以节省珍贵的时间去做其它有益的事情。 电气自动化控制领域的革新需要人工智能的大力支持， 而人工智能在自动化控制方面的优势在这个领域也确实能够得到极大的发挥，促进自动化控制的发展进步。自动化的特征，表达了一个共同的主题，即提高机械人类意识能力，强化控制自动化，因此人工智能在电气自动化领域将会大有作为， 自动化控制也需要人工智能的参与。 在将来，智能技术在电气传动技术中占相当重要的地位， 特别是自适应模糊神经元控制器在性能传动产品中将得到广泛应用。一、人工智能控制器的概述不同的人工智能控制通常用完全不同的方法去讨论。但AI 控制器例如：神经、模糊、学习文档 仅供参考模糊神经以及遗传算法都可看成一类非线性函数近似器。 这样的分类就能得到较好的总体理解，也有利于控制策略的统一开发。这些 AI 函数近似器比常规的函数估计器具有更多的优势，这些优势如下：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， 例如： 参数变化，非线性时，往往不知道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。3它们比古典控制器的调节容易。4在没有必须专家知识时，通过响应数据也能设计它们。5运用语言和响应信息可能设计它们。6它们有相当好的一致性 当使用一些新的未知输入数据就能得到好的估计 ，与驱动器的特性无关。 现在没有使用人工智能的控制算法对特定对象控制效果十分好， 但对其他控制对象效果就不会一致性地好，因此对具体对象必须具体设计。7 它们对新数据或新信息具有很好的适应性。8它们能解决常规方法不能解决的问题。9它们具有很好的抗噪声干扰能力。10它们的实现十分廉价，特别是使用最小配置时。11它们很容易扩展和修改。总而言之， 当采用自适应模糊神经控制器， 规则库和隶属函数在模糊化和反模糊化过程中能够自动地实时确定。 有很多方法来实现这个过程， 但主要的目标是使用系统技术实现稳定的解，并且找到最简单的拓朴结构配置，自学习迅速，收敛快速。二、人工智能在电气传动控制中的运用1、人工智能在直流传动中的运用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。 限于篇幅这里不详细讨论其中的原因。 值得注意的是这两种控制器都有规则库， 它是一个 ifthen 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=fx,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： 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。 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。 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。 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。2ANNS 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， 比方在条件监控、 诊断系统中能增强决策的可靠性，学习文档 仅供参考当然，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。误差反向传播技术是多层前馈ANN 最常用的学习技术。 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。2、人工智能在交流传动中的应用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，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。 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。2 神经论文联盟lwlm整理网络的应用现如今，有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。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。 ANNS 的结构是多层前馈型，运用常规反向传播学习算法。 该系统由两个子系统构成， 一个系统通过电气动态参数的辩识自适应控制定子电流，另一个系统通过对机电系统参数的辩识自适应控制转子速度。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。三、结束语总之，电气自动化控制是增强生产、流通、交换、分配等关键一环,实现自动化,就等于减少了人力资本投入,并提高了运作的效率。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。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所替代。中国论文联盟学习文档 仅供参考