人工智能應(yīng)用前景論文

　　隨著電氣自動(dòng)化領(lǐng)域中人工智能的廣泛應(yīng)用，電氣行業(yè)發(fā)生了革命性的變化。以下是學(xué)習(xí)啦小編精心整理的人工智能應(yīng)用前景論文的相關(guān)資料，希望對(duì)你有幫助!

　　人工智能應(yīng)用前景論文篇一

　　人工智能在電氣傳動(dòng)控制中的應(yīng)用

　　【摘要】隨著電氣自動(dòng)化領(lǐng)域中人工智能的廣泛應(yīng)用，電氣行業(yè)發(fā)生了革命性的變化。本文結(jié)合當(dāng)前電氣傳動(dòng)控制中人工智能的應(yīng)用情況，做了相關(guān)的探討。

　　【關(guān)鍵詞】人工智能;電氣傳動(dòng)控制;應(yīng)用;交流;直流

　　人工智能是一門研究如何構(gòu)造智能機(jī)器或智能系統(tǒng)，使它能模擬、延伸擴(kuò)展人類智能的學(xué)科。目前，人工智能的研究更多的是結(jié)合具體領(lǐng)域進(jìn)行的，主要研究領(lǐng)域有專家系統(tǒng)、機(jī)器學(xué)習(xí)、模式識(shí)別和自然語言理解等。人工智能在電氣自動(dòng)化方面的應(yīng)用，給電氣傳動(dòng)控制領(lǐng)域帶來了前所未有的革新變化，下面主要討論。

　　一、人工智能控制器的優(yōu)勢(shì)

　　不同的人工智能控制通常用采用不同的方法去討論。但AI控制器例如：神經(jīng)、模糊、模糊神經(jīng)以及遺傳算法都可看成一類非線性函數(shù)近似器。這樣的分類就能得到較好的總體理解，也有利于控制策略的統(tǒng)一開發(fā)。這些AI函數(shù)近似器比常規(guī)的函數(shù)估計(jì)器具有更多的優(yōu)勢(shì)：

　　1.它們的設(shè)計(jì)不需要控制對(duì)象的模型。在許多場(chǎng)合，很難得到實(shí)際控制對(duì)象的精確動(dòng)態(tài)方程，實(shí)際控制對(duì)象的模型在控制器設(shè)計(jì)時(shí)往往有很多不確實(shí)性因素，例如：參數(shù)變化，非線性時(shí)等。

　　2.通過適當(dāng)調(diào)整(根據(jù)響應(yīng)時(shí)間、下降時(shí)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(shí)間比最優(yōu)PID控制器快1.5倍，下降時(shí)間快3.5倍，過沖更小。

　　3.它們比古典控制器的調(diào)節(jié)容易。

　　4.在沒有必須專家知識(shí)時(shí)，通過響應(yīng)數(shù)據(jù)也能設(shè)計(jì)它們。

　　5.運(yùn)用語言和響應(yīng)信息可以設(shè)計(jì)它們。

　　6.它們有相當(dāng)好的一致性(當(dāng)使用一些新的未知輸入數(shù)據(jù)就能得到好的估計(jì))，與驅(qū)動(dòng)器的特性無關(guān)?，F(xiàn)在沒有使用人工智能的控制算法對(duì)特定對(duì)象控制效果十分好，但對(duì)其他控制對(duì)象效果就不會(huì)一致性地好，因此對(duì)具體對(duì)象必須具體設(shè)計(jì)。

　　7.它們對(duì)新數(shù)據(jù)或新信息具有很好的適應(yīng)性。

　　8.它們能解決常規(guī)方法不能解決的問題。常規(guī)的監(jiān)督學(xué)習(xí)型神經(jīng)網(wǎng)絡(luò)控制器的拓樸結(jié)構(gòu)和學(xué)習(xí)算法已經(jīng)定型，這就給這種結(jié)構(gòu)的控制器增加了限制，使得計(jì)算時(shí)間過長(zhǎng)，常規(guī)非智能人工智能學(xué)習(xí)算法的應(yīng)用效果不好。采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)和試探法就能克服這些困難，加快學(xué)習(xí)過程的收斂速度。

　　9.它們具有很好的抗噪聲干擾能力。

　　10.它們的實(shí)現(xiàn)十分便宜，特別是使用最小配置時(shí)。

　　11.它們很容易擴(kuò)展和修改。

　　總而言之，當(dāng)采用自適應(yīng)模糊神經(jīng)控制器，規(guī)則庫和隸屬函數(shù)在模糊化和反模糊化過程中能夠自動(dòng)地實(shí)時(shí)確定。有很多方法來實(shí)現(xiàn)這個(gè)過程，但主要的目標(biāo)是使用系統(tǒng)技術(shù)實(shí)現(xiàn)穩(wěn)定的解，并且找到最簡(jiǎn)單的拓樸結(jié)構(gòu)配置，達(dá)到學(xué)習(xí)迅速，收斂快速的效果。

　　二、人工智能在電氣傳動(dòng)控制中的運(yùn)用

　　(一)人工智能在交流傳動(dòng)中的應(yīng)用

　　1.模糊邏輯的應(yīng)用。大多數(shù)討論模糊邏輯在交流傳動(dòng)中運(yùn)用的文章中，介紹的都是用模糊控制器取代常規(guī)的速度調(diào)節(jié)器的問題，可英國Aberdeen大學(xué)開發(fā)的全數(shù)字高性能傳動(dòng)系統(tǒng)中有多個(gè)模糊控制器，這些模糊控制器不僅用來取代常規(guī)的PI或PID控制器，同時(shí)也用于其他任務(wù)。該大學(xué)還把模糊神經(jīng)控制器用于各種全數(shù)字高動(dòng)態(tài)性能傳動(dòng)系統(tǒng)開發(fā)中。也有控制感應(yīng)電機(jī)的磁通和力矩。討論這種技術(shù)的第一篇文章發(fā)表于1992年。該文中討論了兩種控制策略，如用第一種策略，規(guī)則表有36條規(guī)則，模糊控制器的輸入是磁通和轉(zhuǎn)矩誤差，根據(jù)轉(zhuǎn)矩和磁通誤差，改變磁通矢量的輻值和旋轉(zhuǎn)方向，反模糊化技術(shù)用到的是中心梯度法，第一種策略沒有考慮最優(yōu)電壓矢量選擇的梯度。而第二種策略考慮了，這種方案被成功地實(shí)現(xiàn)了。

　　2.神經(jīng)網(wǎng)絡(luò)的應(yīng)用。目前，有大量文章討論神經(jīng)網(wǎng)絡(luò)在交流電機(jī)和驅(qū)動(dòng)系統(tǒng)的條件監(jiān)測(cè)和診斷中的運(yùn)用。介紹了使用常規(guī)反向轉(zhuǎn)波算法的ANN用于步進(jìn)電機(jī)控常規(guī)算法的最優(yōu)化。該方案使用實(shí)驗(yàn)數(shù)據(jù)，根據(jù)負(fù)載轉(zhuǎn)矩和初始速度來確定最大可觀測(cè)速度增量。這就需要ANN學(xué)習(xí)三維圖形映射。該系統(tǒng)與常規(guī)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(shí)間，對(duì)負(fù)載轉(zhuǎn)矩的大范圍變化和非初始速度也有滿意的控

　　制效果。ANNS的結(jié)構(gòu)是多層前饋型，運(yùn)用常規(guī)反向傳播學(xué)習(xí)算法。該系統(tǒng)由兩個(gè)子系統(tǒng)構(gòu)成，一個(gè)系統(tǒng)通過電氣動(dòng)態(tài)參數(shù)的辯識(shí)自適應(yīng)控制定子電流，另一個(gè)系統(tǒng)通過對(duì)機(jī)電系統(tǒng)參數(shù)的辯識(shí)自適應(yīng)控制轉(zhuǎn)子速度?，F(xiàn)在發(fā)表的大多數(shù)有關(guān)ANN對(duì)各種電機(jī)參數(shù)估計(jì)的論文，都有一個(gè)共同的特點(diǎn)，它們都是用多層前饋ANNS，用常規(guī)反向傳播算法，只是算法的模型不同或被估計(jì)的參數(shù)不同。

　　(二)人工智能存直流傳動(dòng)中的運(yùn)用

　　1.模糊邏輯控制應(yīng)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(diào)速控制系統(tǒng)中。限于篇幅本文不詳細(xì)討論其中的原因。值得注意的是這兩種控制器都有規(guī)則庫，它是一個(gè)if-then模糊規(guī)則集。但Sugeno控制器的典型規(guī)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(shù)，通常是輸入變量x,y的多項(xiàng)式。當(dāng)f是常數(shù)，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(gè)主要部分組成：(1)模糊化實(shí)現(xiàn)輸入變量的測(cè)量、量化和模糊化。隸屬函數(shù)有多種形式;(2)知識(shí)庫由數(shù)據(jù)庫和語言控制規(guī)則庫組成。開發(fā)規(guī)則庫的主要方法是：把專家的知識(shí)和經(jīng)歷用于應(yīng)用和控制目標(biāo);建模操作器的控制行動(dòng);建模過程;使用自適應(yīng)模糊控制器和人工神經(jīng)網(wǎng)絡(luò)推理機(jī)制;(3)推理機(jī)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(shí)現(xiàn)量化和反模糊化。有很多反模糊化技術(shù)，例如，最大化反模糊化，中間平均技術(shù)等。

　　2.ANNS的應(yīng)用。過去二十年，人工神經(jīng)網(wǎng)絡(luò)(ANNS)在模式識(shí)別和信號(hào)處理中得到廣泛運(yùn)用。由于ANNS有一致性的非線性函數(shù)估計(jì)器，因此它也可有效的運(yùn)用于電氣的傳動(dòng)控制領(lǐng)域，它們的優(yōu)勢(shì)是不需要被控系統(tǒng)的數(shù)學(xué)模型，一致性很好，對(duì)噪音不敏感。另外，由于ANNS的并行結(jié)構(gòu)，它很適合多傳感器輸入運(yùn)用，比如在條件監(jiān)控、診斷系統(tǒng)中能增強(qiáng)決策的可靠性，當(dāng)然，最近電氣傳動(dòng)朝著最小化傳感器數(shù)量方向發(fā)展，但有時(shí)，多傳感器可以減少系統(tǒng)對(duì)特殊傳感器缺陷的敏感性，不需要過高的精度，也不需要復(fù)雜的信號(hào)處理。誤差反向傳播技術(shù)是多層前饋ANN最常用的學(xué)習(xí)技術(shù)。如果網(wǎng)絡(luò)有足夠多的隱藏層和隱藏結(jié)點(diǎn)以及適宜的激勵(lì)函數(shù)，多層ANN只能實(shí)現(xiàn)需要的映射，沒有直接的技術(shù)選擇最優(yōu)隱藏層、結(jié)點(diǎn)數(shù)和激勵(lì)函數(shù)，通常用嘗試法解決這個(gè)問題，反向傳播訓(xùn)練算法是基本的最快下降法，輸出結(jié)點(diǎn)的誤差反饋回網(wǎng)絡(luò)，用于權(quán)重調(diào)整，搜索最優(yōu)。輸出結(jié)點(diǎn)的權(quán)重調(diào)整迭代不同于隱藏結(jié)點(diǎn)的權(quán)重調(diào)整迭代。通過使用反向傳播技術(shù)，能得到需要的非線性函數(shù)近似值，該算法包括有學(xué)習(xí)速率參數(shù)，對(duì)網(wǎng)絡(luò)的特性有很大影響。

　　使用人工智能技術(shù)的電氣傳動(dòng)控制工業(yè)產(chǎn)品出現(xiàn)還不久，發(fā)展還不是很完善，甚至還有很多不足的地方，實(shí)際使用人工智能技術(shù)的實(shí)際產(chǎn)品和應(yīng)用也還不是很多，但由于其不可取代的優(yōu)越性，相信不久的將來，人工智能技術(shù)在電氣傳動(dòng)領(lǐng)域?qū)?huì)取得重要的地位，特別是自適應(yīng)模糊神經(jīng)控制器將在高性能驅(qū)動(dòng)產(chǎn)品中得到廣泛使用。

下一頁分享更優(yōu)秀的<<<人工智能應(yīng)用前景論文