人工智能控制技术在电气传动中的应用研究 |
|
|
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上一页 [1] [2] [3] [4] [5] 下一页 |
|
|
|
上一个论文: 人工智能方法在信号处理中的应用 下一个论文: 开启人工智能时代 |
|