人工智能在电气传动中运用的进展(专业论文下载）(1)

1 / 16 人工智能在电气传动中运用的进展 (专业论文下载） (1) 摘要：本文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 关键词：神经网络控制 模糊神经元控制 自适应控制 一、引 言 人工智能控制技术一直没能取代古典控制方法。但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 神神经网络、遗传算法等 ) 所替代。这些方法的 共共同特点是：都需要不 同同数量和类型的必须的 描描述系统和特性的 “a priori” 知识 。由于这些方法具有很 多多优势，因此工业界强 烈烈希望开发、生产使用 这这些方法的系统，但又 希希望该系统实现简单、 性性能优异。 由由于控制简单，直流传 动动在过去得到了广泛的 使使用。但由于它们众所 周周知的限制以及 DSP 技技术的进步，直流传动 正正逐渐被高性能的交流 传传动所取代。但最近， 许许多厂商也推出了一些 改改进的直流驱动产品， 但但都没有使用人工智能 技技术。具信使用人工智 能能的直流传动技术能得 到到进一步的提高。 高 性性能的交流传动瞬态转 矩矩的控制性能类似于他 励励直2 / 16 流电机的控制性能 。现有两种高性能 交流 传传动的控制方法：矢量 控控制 (VC)和直接转 矩矩控制 (DTC)。矢 量量控制是德国的研究人 员员在二十多年前提出的 ，现在已经比较成熟， 并并已广泛应用，很多生 产产厂商都推出了他们的 矢矢量控制交流传动产品 ，最近又大量推出了无 速速度传感器的矢量控制 产产品。尽管在高性能驱 动动产品中使用 AI技术 会会极大地提高产品的性 能能，可是到目前为止只 有有两个厂家在他们的产 品品中使用了人工智能 (AAI)控制器；直接转 矩矩控制是大约在十五年 前前由德国和日本的研究 人人员提出的，在过去十 年年中得到 大量的研究， 现现在 ABB公司已向市 场场推出了直接转矩控制 的的传动产品，使得人们 对对直接转矩控制的研究 兴兴趣增加，将来在直接 转转矩控制中将会用到人 工工智能技术，并将完全 地地不需要常规的电机数 学学模型了。 英国 CCT 公司 (Contro l Techniqu e plc)推出了 世世界上第一台统一变频 器器 (Unidrive) ，其他一些公司也推 出出了相应的产品，现在 这这些产品都没有使用人 工工智能技术， “ 统一 ” 的的概念完全依靠软件实 现现，这就为软计算技术 的的实现提供了条件。具 信信在将来统一变频器将 使使用直接转矩控制以及 各各种形式的矢量控制， 单单一使 用直接转矩控制 技技术的产品将遭到淘汰 。本文也将讨论人工智 能能在统一变频器中运用 的的一些方面，同时也包 括括 AI 控制器在 VC 和 DDTC 中的运用。 AAI 控制器能否工业运 用用的关键一点是：实现 这这些控制3 / 16 器的硬件和软 件件。大多数 DSP 控制 的的驱动器都有足够的计 算算能力实现人工智能的 算算法，并且都能得到大 多多数人工智能控制器软 计计算所需要的信号。通 过过运用适当的控制策略 ，就能大大地减少计算 和和硬件的负担，从而把 注注意力集中于提高驱动 器器的性能、鲁棒性和可 靠靠性上面。 在将来， 智智能技术在电气传动技 术术中占相当重 要的地位 ，特别是自适应模糊神 经经元控制器在性能传动 产产品中将得到广泛应用 。但是，还有很多研究 工工作要做，现在还只有 少少数实际应用的例子， 大大多数研究只给出了理 论论或仿真结果，因此， 常常规控制器在将来仍要 使使用相当长一段时间。 二、人工智能控制器的 优优势 文献中，不同的 人人工智能控制通常用完 全全不同的方法去讨论。 但但 AI 控制器例如：神 经经、模糊、模糊神经， 以以及遗传算法都可看成 一一类非线性函数近似器 。这样的分类就能得到 较较好的总体理解，也有 利利于控制策略的统一开 发发。这些 AI函数近似 器器比常规的函数估计 器 具具有更多的优势，这些 优优势如下： 它们的设 计计不需要控制对象的模 型型 通过适当调整它们 能能提高性能。例如：模 糊糊逻辑控制器的上升时 间间比最优 PID控制器 快快倍，下降时间快倍， 过过冲更小。 它们比古 典典控制器的调节容易。 4 / 16 在没有必须专家知识时 ，通过响应数据也能设 计计它们。 运用语言和 响响应信息可能设计它们 。 它们有相当好的一 致致性，与驱动器的特性 无无关。现在没有使用人 工工智能的控制算法对特 定定对象控制效果十分好 ，但对其他控制对象效 果果就不会一致性地好， 因因此对必须具体对象具 体体设计。 它们对新数 据据 或新信息具有很好的 适适应性。 它们能解决 常常规方法不能解决的问 题题。 它们具有很好的 抗抗噪声干扰能力。 它 们们的实现十分便宜，特 别别是使用最小配置时。 它们很容易扩展和修改 。 人工智能控制器可 分分为监督、非监督或增 强强学习型三种。常规的 监监督学习型神经网络控 制制器的拓朴结构和学习 算算法已经定型，这就给 这这种结构的控制器增加 了了限制，使得计算时间 过过长，常规非人工智能 学学习算法的应用效果不 好好。采用自适应神经网 络络和试探法就能克服这 些些困难，加快学习过程 的的收敛速度。常规模糊 控控制器的规则初值和模 糊糊规则表 是既定“ a p riori” 型，这 就就使得调整困难，当系 统统得不到“a prio ri” 信息时，整个 系系统就不能正常工作。 而而应用自适应 AI 控制 器器，例如使用自适应模 糊糊神经控制器就能克服 这这些困难，并且用 DSP 比较容易实现 这些控 制制器。 常规模糊逻辑 控控制器的设计经常使用 尝尝试法。需要“ a5 / 16 pr iori” 信息，如 运运用自适应智能控制器 就就不需要 “a prio ri” 信息。值得注 意意的是，与常规非自适 应应智能控制器相反，它 根根据输入信号更新它的 “ 参数 ” ，换句话说， 它它对变化的输入信号具 有有适应性。自适 应控制 器器分两类：间接和直接 控控制器，间接自适应人 工工智能控制器有一个实 时时辩识模型，用于控制 器器的设计，间接控制器 在在每个采样周期需要采 样样控制对象的输入和输 出出信号，辩识器和控制 器器有很多形式，而直接 AAI 控制器用特性表来 实实现对控制对象的控制 ，这个特性表由两个连 续续采样周期间的误差 的 变变化量构成，用来控制 电电流响应。 如用模糊 逻逻辑控制器，最简单的 应应用可能是标量因子的 运运用。这种方法用现在 的的非自适应驱动器很容 易易实现，因而对工业界 具具有很大的吸引力。用 改改变隶属函数形状的方 法法可实现相似的效果。 这这种运用也可能通过改 变变规则来实现，如用直 接接 AI 控制器来实现， 就就是自适应控制器。它 在在每个采样瞬间先使用 上上一个采样周期采用的 规规则，如果得不到满意 的的特性，就用新的规则 替替代，从而得到满意的 特特性。 总而言之，当 采采用自适应模糊神经控 制制器，规则库和隶属函 数数在模糊化和反模糊化 过过程中能够自动地实时 确确定。有很多方法来实 现现这个过程，但主要的 目目标是使用系统技术实 现现稳定的解，并且找到 最最简单的拓朴结构配置 ，自学习迅速，收敛快 速速。转贴于论文联盟 h ttp:/三、人 工工智能在电气传6 / 16 动控制 中中的 运用 这一部分 主主要讨论人工智能在交 直直流传动中运用的进展 。值得指出的是这是一 个个广阔的领域，在过去 二二年中，研究活动极快 的的增长，本文只是概括 一一下人工智能在电气传 动动中的运用这一领域的 进进展，不可能覆盖研究 的的每一个可能领域。 AI 控制器在直流传动中 运运用的大多数研究集中 于于模糊逻辑应用，在人 工工神经网络和其它智能 控控制的研究还很少。下 面面主要讨论模糊、神经 元元和模糊神经元和模糊 神神经元控制器在交直流 传传动中的应用。 (一 ) 人工智能在直流传动 中中的运用 1.模糊逻 辑辑控制应用 主要有两 类类模糊控制 器， Mamddani和 Sugeno 型。到目前为止只有 M amdani 模糊控 制制器用于调速控制系统 中中。限于篇幅本文不详 细细讨论其中的原因。值 得得注意的是这两种控制 器器都有规则库，它是一 个个 if then模糊 规规则集。但 Sugeno 控制器的典型规则是 “ 如果 X 是 A，并且 y 是是 B，那么Z=f(x,y)” 。这里 A 和 B 是是模糊集； 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 数数，就是零阶 Sugenno模型，因此 Sugeeno是 Mamdani 控制器的特例。 Ma mdani控制 器由 下下面四个主要部分组成 ： 模糊化实现输入变 量量的测量、量化和模糊 化化。隶属函数有多种形 式式。 7 / 16 知识库由数据库 和和语言控制规则库组成 。开发规则库的主要方 法法是：把专家的知识和 经经历用于应用和控制目 标标；建模操作器的控制 行行动；建模过程；使用 自自适应模糊控制器和人 工工神经网络推理机制。 推理机是模糊控制器的 核核心，能模仿人的决策 和和推理模糊控制行为。 反模糊化实现量化和反 模模糊化。有很多反模糊 化化技术，例如，最大化 反反模糊化，中间平均技 术术等。 下面的表 1 由 664 个语言规则组成， 是是用于电气传动控制系 统统的一种可能规则表这 个个规则表相当大，实际 应应用中往往进行简化。 在在各种出版物中，介绍 了了许多被模糊化的控制 器器，但这应与 “ 充分模 糊糊 ” 控制器完全区分开 来来， “ 充分模糊 ” 控制 器器才是完全意义上的模 糊糊控制器，被模糊化的 控控制器易于实现，往往 通通过改造现有古典控制 器器得以实现，如被模糊 化化的 PI 控制器使用模 糊糊逻辑改变控制器的比 例例、积分参数，从而使 系系统的性能得到提高， 控控制器参数的微小变化 可可能导致特性的极大提 高高，被模糊化的控制器 参参数调整方法如下： P=P kP CP， I=I CI。但如应 用 “充分 ”模糊逻辑控制 器器，系统响应远远优于 FFPIC和最优古典 PI 控制器，用于最优化 常常规控制器的计算时间 比比模糊化控制器所需的 时时间多得多。因此，使 用用最小配置的 FPIC 控控制器是可能的选择之 一一，事实上，这也是用 现现有驱动装置实现的最 简简单方法。 8 / 16 在许多电 气气传动文献中，介绍了 用用模糊逻辑控制器替代 古古典 PI 控制器改进系 统统响应的方法。可是， 文文献详细探讨了模糊逻 辑辑控制器用于三环直流 电电机控制系统中所有环 节节的设计和调整的方法 。作者也介绍了 PI和 PPD控制器，文献介绍 了了最小配置模糊控制用 于于直流传动中 的可能性 以以及组合模糊控制器用 于于直流传动中得到满意 响响应的可能性。下节讨 论论模糊神经控制的直流 传传动装置时，我们将讨 论论这种速度和电枢电流 调调节器组合成单一控制 器器的情况。 2. ANNNS的应用 过 去去二十年，人工神经网 络络在模式识别和信号处 理理中得到广泛运用。由 于于 ANNS 有一致性的 非非线性函数估计器，因 此此它也可有效的运用于 电电气了传动控制领域， 它它们的优势是不需要被 控控系统的数学模型，一 致致性很好，对噪音不敏 感感。另外，由于 ANNS 的并行结构，它很适 合合多传感器输入运用， 比比如在条件监控、诊 断 系系统中能增强决策的可 靠靠性，当然，最近电气 传传动朝着最小化传感器 数数量方向发展，但有时 ，多传感器可以减少系 统统对特殊传感器缺陷的 敏敏感性，不需要过高的 精精度，也不需要复杂的 信信号处理。 误差反向 传传播技术是多层前聩 ANNN最常用的学习技术 。如果网络有足够多的 隐隐藏层和隐藏结点以及 适适宜的激励函数，多层 AANN只能实现需要的 映映射，没有直接的技术 选选择最优隐藏层、结点 数数和激励函数，通常用 尝尝试法解决这个问题， 反9 / 16 反向传播训练算法是基 本本的最快下降法，输出 结结点的误差反馈回网络 ，用于权重调整，搜索 最最优。输出结点的权重 调调整迭代不同于隐藏结 点点的权重调整迭代。通 过过使用反向传播技术， 能能得到需要的非线性函 数数近似值，该算法包括 有有学习速率参数，对网 络络的特性有很大影响。 反向传播算法是多层 前前聩 ANN最广泛使用 的的学习技术之一。但有 时时网络的收敛速度很慢 ，改进算法的开发是一 个个重要研究领域。英国 A berdeen 大学 在在这方面取得过令人鼓 舞舞的成绩，他们把常规 的的反向传播算法和其它 AAI 技术结合起来，使 得得网络快速收敛，鲁棒 性性更好。他们还研究过 基基于 AI技术的最优拓 扑扑结构网络，但没有现 成成理论 用于最优配置， K olgomorov 理理论和其他理论也不适 用用，在神经网络的训练 剧剧中使用遗传算法可能 会会提高收敛速度，遗传 算算法是一种基于自然进 化化和遗传机理的统计搜 索索方法，它模仿自然界 个个体适者生存不适者淘 汰汰的原理解决 问题，每 一一代由染色体代表的 (一一套特征串类似于 DNA 中的染色体 )许多个 体体组成，每个个体代表 搜搜索空间的一个点和一 个个可能的解。值得注意 的的是在神经模糊实现中 ，有时必须使用不同形 式式的反向传播技术，而 不 不是已知的标准形式。 反 反向传播技术是在线(S upervised) 学习技术， 需要充分 的的输入输出数据对 ，虽然这种限制也可以 用用另外的方法加以克服 ，但该方法是离10 / 16 线的。 日本和德国的研究人 员员试图把 ANNS 用于 控控制电力变换器，但到 目目前为止没有获得满意 的的结果，这也是一个很 有有趣的领域。主要的有 待待解决的障碍是学习阶 段段时间花费过长，总而 言言之，问题的关键是要 给给变换器的控制器找到 一一个满意的非线性函数 近近似器、得到期望的非 线线性输入输出映射 。常规技术就能实现简 单单的映射，而神经网络 能能实现更复杂的映射， 并并且由于它的并行结构 这这种映射相当快。 只 有有很少的论文讨论神 经 网网络在直流电机控制中 的的应用。文献 (21)介介绍了两个多层前馈人 工工神经网络在直流电机 速速度控制环中的应用。 这这是一种典型配置。辩 识识 ANN 用于训练第二 个个 ANN(神经控制器 ，即过程控制器 )，因 此此过程输出跟随给定信 号号。学习过程用的是反 向向传播算法。该方法分 为为二步：第一步 ANN 被被训练用来代表控制对 象象的响应。这需要用到 表表示控制对象输出和控 制制输入关系的微分方程 。第二步把 ANN 用于 控控制对象模型的辩识方 案案中。在这步中，把 ANNN与控制对象并行连 接接，每次迭代时，给 ANNN提供给定信号作为 A NN输入信号。辩识 意意味着调 整权重，使 ANNN输出信号 (即网络 输输出 )和控制对象输出 信信号 (即正输出 )的误 差差最小。在辩识阶段， 全全局误差 (即方差之和 ) 以固定时间间隔被计 算算并与希望的最小值比 较较。第二个 ANN 是神 经经控制器被用于训练11 / 16 以 给给出需要的控制对象响 应应。为了训练这个网络 ，在每次采样输出时， 必必须知道误差 (Ec)但但仅仅只知道控制对象 输输出和希望输出 (由给 定定输入决定 )的最后误 差差，辩识方案中的第一 个个 ANN可将最后误差 EEc反向传播，用来训 练练控制器 ANN。在误 差差最小化过程中，全局 误误差能被 最小化到希望 的的值。经过训练辩识 ANNNS和控制 ANNS，就可以在实时系统 中 运运用被“调整”的神经 自自适应控制方案。文献 (21)介绍了采用 ANNN自适应速度控制方 案案的直流传动系统的良 好好特性以及抗干扰性能 。这也证明辩识 ANN 学学习到了直流电机、变 换换器和负载的、未知时 不不变非线性操作特性。 但但值得指出的是，用于 神神经元控制器的训练时 间间有时相当长，但这个 困困难可以用上面提到的 高高级技术、避免使用常 规规的反向传播算法的方 法法中以克服。 文献 (222)和 (23)介绍 了了直流传动系统的 ANN 控制，给出了 理论和 实实验结果。文献 (9)讨讨论了直流传动的模糊 神神经速度控制器。这是 文文献中记载的第一次用 单单神经控制器成功替代 双双环直流传动系统的常 规规速度和电流 PI 调节 器器的例子。相对地上面 讨讨论过的直流传动系统 ，该系统运用了更多的 智智能技术，系统得到了 进进一步的简化。有趣的 是是相对于古典多环 PI 调调节器的实现，这里的 电电枢电流控制主要起限 制制电枢电流的作用，并 且且是通过单个速度、电 流流组合的模糊神经控制 器器 “ 自动 ” 加以实现。 12 / 16 (二 )人工智能在交 流流传动中的应用 1.模模糊逻辑的应用 在大 多多数讨论模糊逻辑在交 流流传动中运用的文章中 ，都介绍的是用模糊控 制制器取代常规的速度调 节节器，可英国Aberddeen 大学开发的全 数数字高性能传动系统中 有有多个模糊控制器 (4) ，这些模糊控制器不 仅仅用来取代常规的 PI 或或 PID控制器，同时 也也用于其他任务。该大 学学还把模糊神经控制器 用用于各种全数字高动态 性性能传动系统开发中。 也也有一些优秀的文章论 述述运用模糊逻辑控制感 应应电机的磁通和力矩。 讨讨论这种技术的第一篇 文文章发表于 1992 年 (24)。该文中讨论 了了两种控制策略，如用 第第一种策略，规则表有 336 条规则，模糊控制 器器的 输入是磁通和转矩 误误差， 根据转矩和磁通 误误差，改变磁通矢量的 辐辐值和旋转方向，反模 糊糊化技术用到的是中心 梯梯度法，第一种策略没 有有考虑最优电压矢量选 择择的梯度。而第二种策 略略考虑了，这种方案被 成成功地实现了。 Gallvan的两篇文章 (225)、 (26)讨论 了了用模糊化速度控制器 实实现感应电机的矢量控 制制的方法。并给出了仿 真真结果。 (也见节讨论 的的模糊化控制器 )。矢 量量控制器也是一种间接 控控制类型，并且很好的 特特性。文献 (27)提 出出了一种模糊逻辑速度 控控制器。它的输入标定 因因子是变化的。实验结 果果也验证了 所提方案的 有有效性。文献 (28)给给出了矢量控制器感应 电电机驱动13 / 16 系统的仿真结 果果。该系统中模糊速度 控控制器与常规的 PI速 度度控制器和 CRPWM 塑塑变器一起使用，它往 往往用来补偿可能的惯性 和和负载转矩的扰动。常 规规 PI 控制器用来稳定 系系统的稳态速度响应。 矢矢量控 制器使用转子磁 通通观测器观测 (UI 观 测测器，iw观测器 (1) (4)，模糊逻辑 用用于转子电阻的估计。 到目前为止，只有两 种种运用人工智能技术的 工工业产品，其一是下节 介介绍的安川矢量变频器 ，另一个是日立矢量变 频频器，日立公司最近开 发发了 J300系列 IGBBT矢量变频器，功率 范范围是 55KW。 它它的主要特点是使用无 传传感器矢量控制算法和 强强大的自调整功能。无 传传感器磁通矢量控制方 案案采样两相定子电流， 在在初始自整定阶段，电 机机和负载的惯性以及其 他他参数例如定子电感， 定定子和转子电阻、励磁 电电感等参数被计算。日 立立公司宣称这是世界上 第第一台使用模糊控制的 变变频器。它考虑了电机 和和系统的特性，转矩计 算算软件在整个频率范围 保保证了转矩的精确控制 。变频器的主 要性能指 标标如下：1Hz 时 150 或更高的启动转矩 ；在 31 的速度范围 (20 到60HZ/16 到 50HZ)电机不 用用降低功率使用；速度 调调节比率小于。 J3000系列变频器由于使 用用了高速微处理器和内 置置 DSP，因此具有很 的的响应速度，转矩响应 速速度大约可达到秒。它 使使用模糊逻辑控制电机 电电流和加减速斜率。它 能能根据电机负载14 / 16 和制动 需需要计算加减速的最优 时时间，因此不需要尝试 法法进行调整。模糊逻辑 加加减速度函数根据模糊 规规则设定加减速度比例 因因子和速度，而模糊规 则则则用当前值与过载限 幅幅 (或其它限幅 )值的 差差值以及电机电流和电 压压的梯度作为输入变量 。梯度和差值构成四个 隶隶属函数，两个隶属函 数数是三 角函数，另二个 是是半梯形。当用常规的 简简单电流限幅控制，变 频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 用用模糊逻辑控制时，斜 率率十分平滑，变频器假 跳跳闸的现象也消除了。 变变频器在风机和泵类的 运运用最能体现模糊逻辑 控控制的优势。在这些应 用用中，不需要恒定的加 减减速时间或精确的位置 控控制。在这些应用中， 不不需要恒定的加减速时 间间或精确的位置控制。 需需要的是与负载条件有 关关的加减速度的最优化 。模糊控制能实现加减 速速度的最优控制。 AI 控制器也能提高直接 转转矩控制系统的性能， 这这也是值得深 入研究的 一一个宽广领域。英国 Ab erdeen 大学的 研研究人员开发了基于人 工工智能的开关矢量选择 器器以及速度、转矩、磁 通通观测器等，初步结果 令令人鼓舞 (9)。可以 预预见不久的将业，将会 得得到更好的结果，将会 出出现更多的工业应用产 品品(47)(48)。 2.神经网络的应用 非常少的文章讨论神经 网网络用于交流电机的控 制制，大量15 / 16 文章讨论神经 网网络在交流电机和驱动 系系统的条件监测和诊断 中中的运用。文献 (33) 介绍了使用常规反向 转转波算法的