智能控制技术概论 课件 第7章复合智能控制

自适应神经网络控制概述智能控制技术产品质量特性波动5MIE分析法智能控制技术自适应神经网络控制自适应模糊控制器内容自适应神经网络控制产品质量特性波动5MIE分析法智能控制技术自适应神经网络控制1神经网络控制介绍自适应神经网络控制神经网络控制介绍5MIE分析法智能控制技术自适应控制技术主要包括模型参考自适应控制和自校正控制。有效的自适应控制系统应具备以下关键要素：系统能够实时监测和获取被控对象的状态信息；系统具有可调节的部分，能够根据获取的信息进行调整；确保系统在运行中性能能够符合预设的标准。自适应神经网络控制·5MIE分析法智能控制技术神经网络控制介绍（1）间接控制通过系统辨识获取对象的数学模型，再根据设计指标进行控制器的设计。（2）直接控制根据对象的输出误差直接调节控制器内部参数，达到自适应控制的目的。自适应神经网络控制神经网络自适应控制器的设计与传统自适应控制器有相似之处，主要有两种设计路径：神经网络控制介绍5MIE分析法智能控制技术模型参考自适应控制是一种控制策略，该方法通过选择一个合适的参考模型，并设计稳定性理论下的自适应算法，来实现对系统的控制。自适应神经网络控制产品质量特性波动5MIE分析法智能控制技术自适应模糊控制器2神经网络控制介绍自适应神经网络控制5MIE分析法智能控制技术自适应模糊控制器具备两个主要目标主要目标能够根据被控过程的状态提供合适的控制规则基于控制效果不断改进控制决策自适应神经网络控制产品质量特性波动5MIE分析法智能控制技术性能测量用于评估实际输出与期望输出之间的差异，从而为控制规则的调整提供依据。控制量校正将性能测量结果转化为控制量的调整。自适应模糊控制器神经网络控制介绍自适应神经网络控制控制规则修正根据控制量的校正结果，修改控制规则以优化控制效果。

5MIE分析法智能控制技术场稳定性理论神经网络控制介绍场稳定性理论是分析模糊控制系统稳定性的重要工具之一。它通过构建合适的能量函数或Lyapunov函数，分析系统的能量变化，从而判断系统的稳定性。在基于模型的自适应模糊控制中，场稳定性理论被广泛应用于稳定性证明。自适应神经网络控制

5MIE分析法智能控制技术基于滑模变结构系统的方法神经网络控制介绍滑模变结构控制理论在处理非线性系统和不确定性系统时表现出较强的鲁棒性。将滑模控制与模糊控制相结合，可以设计出具有更强鲁棒性的模糊控制系统。小增益理论是一种基于输入输出稳定性的分析方法，它通过分析系统输入输出之间的增益关系来判断系统的稳定性。小增益理论方法自适应神经网络控制

5MIE分析法智能控制技术相平面分析方法神经网络控制介绍相平面分析法是一种直观的图解分析方法，它通过在相平面上绘制系统的状态轨迹，分析轨迹的变化趋势来判断系统的稳定性。描述函数分析法是一种基于频率响应的稳定性分析方法。它通过分析系统的描述函数（即输入信号的频率响应特性）来判断系统的稳定性。描述函数分析法自适应神经网络控制

5MIE分析法智能控制技术圆稳定性判据方法神经网络控制介绍圆稳定性判据是一种基于奈奎斯特稳定性判据的扩展方法。它利用扇区有界非线性的概念，分析系统的稳定性。在模糊控制系统中，圆稳定性判据可以用于分析SISO和MIMO模糊系统的稳定性，并推导稳定性条件。自适应神经网络控制模糊神经控制智能控制技术5MIE分析法智能控制技术模糊控制与神经网络的结合模糊神经控制的特点模糊神经控制结构内容产品质量特性波动模糊神经控制基于神经网络的模糊控制器产品质量特性波动5MIE分析法智能控制技术模糊神经控制的特点1神经网络模型产品质量特性波动模糊神经控制5MIE分析法智能控制技术神经网络模型特点模糊控制是一种通过模拟人类专家的经验和推理来实现对复杂系统的控制方法。模糊控制器的设计主要是建立在经验和试验的基础上，这将在设计过程中加入主观性和不确定性。产品质量特性波动模糊神经控制神经网络模糊逻辑基本组成神经元模糊规则知识获取样本、算法实例专家知识、逻辑推理知识表示分布式表示隶属函数推理机制学习函数自控制、并行计算、速度快模糊规则的组合、启发式搜索、速度慢推理操作神经元的叠加隶属函数的最大—最小自然语言实现不明确，灵活性低实现明确，灵活性高自适应性通过调整权值学习，容错率高归纳学习，容错率低优点自学习自组织能力，泛化能力可利用专家的经验缺点黑箱模型，难于表达知识难于学习，推理过程模糊性增加

5MIE分析法智能控制技术模糊神经网络控制的特点神经网络模型（1）模糊推理能力通过模糊规则和模糊推理对非精确输入进行处理，可以解决复杂、模糊的控制问题。（2）非线性映射能力神经网络作为模糊控制器的训练工具，具有很强的非线性映射能力，可以对输入输出之间的复杂映射关系进行学习和建模。（3）适应性具有自适应学习能力，可以根据实际控制要求和环境变化自动调整网络的权值和参数。（4）鲁棒性对噪声、干扰和参数变化具有一定的鲁棒性，能够保持良好的控制性能。产品质量特性波动模糊神经控制

5MIE分析法智能控制技术模糊神经网络的应用神经网络模型（1）控制系统在工业自动化、航空航天、机器人控制等领域，模糊神经网络用于设计自适应控制器，提高系统的稳定性和响应速度。（2）预测和分类在金融预测、市场趋势分析、医学诊断等领域，模糊神经网络能够处理复杂的非线性关系和数据中的不确定性，实现更准确的预测和分类。（3）模式识别在图像识别、语音识别、信号处理等领域，模糊神经网络能够利用模糊信息处理的能力，提高识别率和鲁棒性。（4）故障诊断在工业生产、设备维护等领域，模糊神经网络能够快速准确地识别系统故障，减少停机时间和维护成本。产品质量特性波动模糊神经控制产品质量特性波动5MIE分析法智能控制技术模糊控制与神经网络的结合2神经网络模型产品质量特性波动模糊神经控制

5MIE分析法智能控制技术1、基于神经网络的模糊控制神经网络模型基于神经网络的模糊控制系统也称为神经模糊系统，该系统中神经网络可以学习现有的经验规则，或者利用学习或聚类的方法从输入和输出数据中获取控制规则，然后使用控制性能指标作为指导来细分和调整控制规则。学习数据可以是精确值或模糊量。也就是基于神经网络实现模糊控制系统的模糊推理、模糊化和反模糊化。神经模糊系统结合了神经网络和模糊逻辑的优点，能够处理不确定性和模糊性问题。由于其结构的多样性，学习算法也表现出多样性，主要包括结构学习、参数学习和混合学习。（1）结构学习主要采用聚类方法，从样本数据中提取规则，主要包括各种聚类和分类方法、归纳学习法ILA、快速构造法和遗传算法等。（2）参数学习对神经模糊系统的参数进行学习，本质上是一个优化过程，主要包括BP算法、重述算法、时间分段BP算法、遗传算法、Hopfield网络优化法等。（3）混合学习学习过程中动态地进行参数学习与结构学习，主要包括训练剪枝法、用改进CPN网络实现法、基于模糊基函数的OLS法、增强学习法等。产品质量特性波动模糊神经控制

5MIE分析法智能控制技术1、基于神经网络的模糊控制神经网络模型产品质量特性波动模糊神经控制系统名称提出者网络层次实现的模糊系统主要特点Pi-SigmaHorikawaShin-ichi等2层T-S将若干个普通的神经网络通过模糊系统技术进行结构组织NNDFRTakagiTomohiro等4层T-S有明显物理意义，精度高ANFISJyh-ShingR.Jang5层T-S实现方便、有效，被收入Matlab的模糊逻辑工具箱FAMKoskoBart2层Mamdani模糊规则隐含分布网络中，模糊联想就是模糊FUNStephanM.Sulzberger3层Mamdani学习过程通过随机改变学习参数，并采用代价函数进行评价选择NEFCONNauckDetlef等3层Mamdani网络的权值采用模糊集ARICHamidR.Berenji5层Mamdani包括行为选择网络ASN、行为状态评价网络AENFuNet

SamanK.Halgamuge等3层特殊的模糊系统推理的过程隶属函数用Sigmoid函数表1常用的神经模糊系统结构

5MIE分析法智能控制技术2、引入模糊运算的神经网络神经网络模型该方法在神经网络中引入模糊逻辑，例如使用“与”“或”运算符，代替神经网络的激励函数，输入信号或网络权重作为模糊量，然后得到一个新的神经网络——模糊神经网络。模糊神经网络不仅可以处理模糊信息，完成模糊推理功能，而且具有神经网络的一些特性，例如并行处理和自学习。一般来说，研究的模糊神经网络使用多层前向网络结构，根据集成模糊逻辑方式的不同，可以得到了不同类型的模糊神经网络。模糊神经网络继承了传统神经网络的学习算法，同时，由于模糊信息的特殊性，形成了一些独特的算法，如BP算法、遗传算法和随机搜索等算法。产品质量特性波动模糊神经控制

5MIE分析法智能控制技术3、用模糊逻辑增强的神经网络神经网络模型由于传统的神经网络学习算法学习周期长，因此对该方法的研究主要集中在用模糊逻辑提高神经网络的学习速度，通过模糊逻辑改进神经网络的学习算法，对网络的学习性能进行分析得到一些启发式知识，将启发式知识用于调整学习参数，从而加提高学习速度。产品质量特性波动模糊神经控制产品质量特性波动5MIE分析法智能控制技术模糊神经控制结构3神经网络模型产品质量特性波动模糊神经控制5MIE分析法智能控制技术神经网络模型模糊神经网络结构整个神经网络模型分成五个层次，层节点（规则节点）负责对输入进行模糊逻辑推理，生成模糊规则的激活程度，并将这些激活程度传递到下一层。在这一层中，每个节点对应一个模糊规则，例如，如果输入变量是“温度”和“湿度”，则规则可能是“如果温度是高的并且湿度是高的，那么输出是高的”。产品质量特性波动模糊神经控制图1模糊神经网络结构5MIE分析法智能控制技术神经网络模型输入层（第一层）：包含输入节点，用于表示语言变量（例如：温度、湿度等）。这些节点接收来自外部环境的输入信号。隶属度层（第二层和第四层）：这两层包含项节点，负责计算每个输入变量的隶属度函数。隶属度函数可以采用简单的神经元函数（如三角形函数、钟形函数等），也可以通过子网络来构建更复杂的隶属度函数。这些节点将模糊输入转换为模糊值。规则层（第三层）：该层的节点实现模糊逻辑推理，接收来自第二层的隶属度值，并基于模糊规则计算每条规则的激活程度。每个规则节点会输出一个与其对应的模糊规则的结果。输出层（第五层）：输出层节点接收第四层处理后的规则激活强度，并进行精确化处理，将模糊结果转化为具体的输出信号。每个输出变量对应两个语言节点，一个用于期望输出的馈入，另一个用于表示模糊神经网络推理控制的输出信号。产品质量特性波动模糊神经控制图1模糊神经网络结构产品质量特性波动5MIE分析法智能控制技术基于神经网络的模糊控制器4神经网络模型产品质量特性波动模糊神经控制5MIE分析法智能控制技术神经网络模型模糊控制器结构基于神经网络的模糊控制器结构形式有多种，有复合型神经模糊控制器和融合型神经模糊控制器等。该系统由神经网络1、神经网络2、判断机构1、判断机构2和模糊控制器组成。产品质量特性波动模糊神经控制图2基于神经网络的模糊控制器产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义神经网络1用于对控制对象输出波形进行分类，相当于大脑对全局的判断。在这里需要进行预处理并根据预处理结果完成相应的功能。预处理为将控制对象的输出波形分类，并使神经网络学习这些波形。波形共分位七类：A类，对目标只有很小的定常偏差和在允许范围内波动的所期望的输出波形；B类，发散振荡的输出波形；C类，对目标值呈收敛振荡且收敛很慢的输出波形；D类，对目标值呈渐进收敛且收敛很慢的输出波形；E类，对目标值超调很多并且有很大定常偏差的输出波形；F类，对目标值欠调很多并且有很大反向定常偏差的输出波形；G类，其他波形。完成相应的功能为根据神经网络1对波形的分类，向判断机构1发送不同命令：对A类波形再次构造控制规则；对B类波形大幅度减小控制量；对C类波形减小一点控制量；对D类波形增加一点控制量；对E类波形大幅度减小控制量；对F类波形大幅度增大控制量；对G类波形增加波形分类。（1）神经网络1产品质量特性波动模糊神经控制产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义神经网络2的作用是学习被控制对象的动态特性，建立被控对象动态特性的数学模型，以对被控对象进行仿真。预处理为根据被控对象的输入和输出波形，通过神经网络2来学习被控对象的动态特性。完成相应的功能包括神经网络2通过学习被控对象动态特性的模型，使判断机构2可以利用这些有关控制对象行为的知识。通过神经网络2可以知道，要得到控制对象某种输出波形，那么应该输入怎样的输入波形。如果不能用当前的模糊控制器中的控制规则直接控制对象时，可以把学习后的神经网络2用作控制对象，即用神经网络来模拟控制对象。（2）神经网络2产品质量特性波动模糊神经控制·5MIE分析法智能控制技术神经网络控制介绍（3）判断机构1用于判断是否进行控制规则的调整或增加。产品质量特性波动模糊神经控制（4）判断机构2用于确定控制规则后件的模糊变量和校正量。产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义1）通过判断机构1确定最初的控制输入模糊控制器开始形成时，模糊控制器没有任何规则，为形成其初始规则，需要向控制对象输入适当的控制输入值，以观测系统的响应。2）发散波形处理当以上决定的控制量使控制对象的输出波形发散时，根据神经网络1的波形分类，判断机构1大幅度减少控制量。3）收敛波形处理当以上决定的控制量使控制对象的输出波形收敛时，判断机构2观察该波形的收敛时间，把1/2的收敛时间称作

。（5）模糊控制器控制规则形成产品质量特性波动模糊神经控制产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义4）当控制对象输出波形的各个取样的时刻t_i<t_h时，判断机构2检测它们与目标值的偏差ΔE_i，5）决定控制规则后件模糊变量隶属度函数规格化常数，将学习后的神经网络2输出的控制对象期望值输入，得到期望的控制输入波形。6）根据规则前件求后件7）根据波形分类分别处理8）生成最初的控制规则9）在按步骤8）构成规则时，前件的偏差E_i及其变化量∆E_i的模糊变量的标称都为零，所以只要决定了其中一个就决定了前件。10）反复进行步骤4）到步骤9）的操作，直到没有步骤8）的情况时为止。（5）模糊控制器控制规则形成产品质量特性波动模糊神经控制复合专家控制智能控制技术5MIE分析法智能控制技术模糊专家系统神经网络专家系统内容产品质量特性波动复合专家控制产品质量特性波动5MIE分析法智能控制技术神经网络专家系统1神经网络模型产品质量特性波动复合专家控制5MIE分析法智能控制技术神经网络模型概述神经网络专家系统，采用神经网络对专家系统进行知识表示和自动知识获取，通过分布式信息存储特性突破专家系统中知识获取的瓶颈。利用神经网络强大的并行分布式处理功能、连续时间非线性动力学特性和全局集体作用等特点，有效地解决专家系统实现过程中遇到的难点，实现知识获取的自动化、并行联想和知识推理，提高专家系统的智能水平、实时处理能力，以及提高系统的鲁棒性和容错能力。产品质量特性波动复合专家控制5MIE分析法智能控制技术神经网络模型神经网络专家系统结构每个模块的功能如下：自动知识获取模块根据专家知识进行自学习；推理机制提出使用知识解决问题的方法；解释模块用于说明专家系统是根据什么推理思路得出结论的；人机交互接口用于提问和获取结果。产品质量特性波动复合专家控制

5MIE分析法智能控制技术主要功能和工作原理神经网络模型（1）自动知识获取：提出所需神经网络的结构，包括网络层数、输入和输出，以及隐藏节点的数量；组织要训练的学习样本；使用学习算法通过学习样本获取所需权重，从而完成知识获取。（2）知识库：是推理和问题解决的基础，通过自动知识获取获得，并可不断更新。具体表现在学习样本后的网络参数分布。（3）推理机制：与基于逻辑推理的第一代专家系统不同，神经网络专家系统的推理机制主要是数值计算，由以下三部分组成。1）输入逻辑概念到输入模式转换。根据论域的特征确定转换规则，并根据相应规则将当前情况转换为神经网络的输入模式。2）网络中的前向计算。3）输出模式的解释。解释是将输出的数值向量转换成逻辑概念，输出模式的解释随论域的不同也各不相同。产品质量特性波动复合专家控制

5MIE分析法智能控制技术（1）基于神经网络的知识表示神经网络模型传统的知识表示如产生式规则和语义网络等，都可以视为对知识的显式表示，而在神经网络专家系统中，知识表示可以视为隐式表示，其中知识不像产生式系统中那样独立地表示每条规则，而是在同一个网络中表示某个问题的若干知识。神经网络专家系统的知识表示可以分为内部和外部形式。内部形式是神经网络专家系统中知识的表示方式，通常通过权重矩阵和阈值向量来描述。在神经网络专家系统中，知识表示为连接权重和神经元之间的阈值，这些权重和阈值的组合决定了系统的行为和决策过程。外部形式是知识工程师、专家和用户能够直接理解和使用的形式。通常，外部形式是一些学习范式，如IF-THEN规则，外部形式的知识是通过机器学习转换成内部形式，并以网络或动态系统的形式进行表示。产品质量特性波动复合专家控制

5MIE分析法智能控制技术（2）基于神经网络的知识获取神经网络模型产品质量特性波动复合专家控制在神经网络中，通过学习训练实现知识获取，其目的是要求出权系数集合{T_ij}以保证网络对应于每个输入矢量所产生的输出矢量充分接近所希望的输出矢量。

5MIE分析法智能控制技术（3）基于神经网络的知识推理神经网络模型基于知识的推理机制有正向推理、反向推理和双向推理三种。正向推理从已知的征兆事实或系统测量的特征参数出发，使用分布式网络的权重和阈值来计算输出，实现与输出模式的映射而得出推理结论。这种推理机制简单易实现，适用于设备的在线监控和控制。反向推理是从目标到支持目标的证据的推理。其先假设输出是某种类型，然后在知识库中找到假设结论的规则，并验证规则的前提是否存在。双向推理是正向推理和反向推理的有效结合，以实现推理的准确性和效率。其利用征兆事实数据库中的一些已知事实作为神经网络的输入。神经网络利用正向推理初步确定最可能发生的事件，然后利用反向推理进一步验证假设是否成立。产品质量特性波动复合专家控制产品质量特性波动5MIE分析法智能控制技术模糊专家系统2神经网络模型产品质量特性波动复合专家控制5MIE分析法智能控制技术神经网络模型系统结构基于规则的模糊专家系统通常包括：输入输出接口、模糊数据库、模糊知识库、模糊推理机、学习模块和解释模块等。产品质量特性波动复合专家控制

5MIE分析法智能控制技术系统结构解释神经网络模型输入输出接口主要负责系统初始信息的输入和系统最终结论的输出。在实际应用中，很多情况下信息是不确定的，因此输入信息允许包含模糊性，结论也包含一定程度的不确定性。同时，输入输出接口还负责显示系统推理的解释过程，系统运行中的人机交互，输入建库和修改信息等。模糊数据库用于存储各类不确定性信息，包括系统的初始输入信息、基本数据信息以及系统基本定义等。它主要用于确定描述不确定信息的模糊语言值，系统推理过程中产生的中间信息，以及系统的最终结论信息。模糊知识库存放着从领域专家经验中总结出的事实和规则。这些事实或规则可能是模糊的或不完全可靠的，因此需要为每个事实附上一个可信度标志，为规则附上一个强度标志，使系统能够正确地应用这些知识进行推理。模糊推理机的功能是根据系统输入的不确定证据，利用模糊知识库和模糊数据库中的不确定性知识，按一定的不确定性推理策略解决系统问题，并给出较为合理的建议或结论。为了模拟领域专家的推理过程，模糊推理机采用各种推理技术，并定义一组函数用于推理过程中信息的不确定性传播计算。解释模块记录系统推理过程中所使的规则和产生的中间结果，其中每个规则和结论都附有不确定性标度，以更好地理解系统的推理过程。学习模块是接受领域专家用自然语言描述的知识，并将其转换成计算机可识别的规范化模糊事实和规则，或者通过一组经验实例自动总结归纳出模糊规则，以不断完善系统的知识库并提升系统的智能化水平。产品质量特性波动复合专家控制

5MIE分析法智能控制技术可能性分布与模糊测度神经网络模型在进行不确定性推理时，可能性问题通常与判断命题的真实性问题密切相关。在这里所讨论的可能性，并非指事件发生或不发生的概率，而是指某种行为、程序或方案等实现的可能性。举例来说，一个人一天走10000步的可能性，这些情况并非要么完全可行（可能性程度为1），要么完全不可行（可能性程度为0），而是在各种不同程度上具有可行性（可能度在0到1之间取值）。可能性代表一种不确定性，与随机性不同，是一种模糊性。可能性取最大值，而概率则对应平均值。可能度大的事件的概率未必大，概率小的事件的可能度也未必小，但不可能事件的概率必定为0。产品质量特性波动复合专家控制产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义模糊性知识可以采用产生式规则、框架、语义网络等形式表达。（1）模糊产生式规则模糊推理规则是基于模糊技术的模糊规则，其模糊方法主要由前提条件模糊化、动作或结论模糊化、设置规则激活阈值和设置规则可信度等四个方面进行。具有部分特征的产生式规则称为模糊产生式规则。模糊性知识规则表示产品质量特性波动复合专家控制产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义（2）模糊规则的表达方法模糊产生式规则的形式可表示为规则的前件和后件均可以是模糊命题，凡是包含有模糊谓词或模糊状态量词或带不同程度肯定的命题称为模糊命题。模糊性知识规则表示产品质量特性波动复合专家控制产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义（3）模糊产生式系统运行举例为了更好地理解模糊规则是如何表达模糊知识的，了解模糊产生式系统的运行原理，用一个简单的模糊推理的例子来加以说明。假定已有模糊规则集：模糊性知识规则表示产品质量特性波动复合专家控制产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义

模糊性知识规则表示产品质量特性波动复合专家控制产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义

模糊性知识规则表示产品质量特性波动复合专家控制产品质量特性波动5MIE分析法智能控制技术工业控制系统的定义对于一条规则，其不确定性主要体现在前提条件的不确定性、结论的不确定性和规则的不确定性。因此，对于任何不确定性推理模型，必须解决三个问题：前提条件的不确定性描述、规则的不确定性描述和不确定性的传播或更新算法。证据不确定性的描述就是要给出证据为真、为假和对证据一无所知的情况。对证据一无所知称为证据的单位元。对于规则的不确定性描述，要明确地给出规则强度，即当证据为真时，结论为真（或假）的值；还要给出规则的单位元，即证据对结论没有影响的情况。对于不确定性的传播或更新算法，要给出求结论不确定性的计算公式，使得不确定性在推理网络中能够得以传播，最终求得问题的解。不确定性推理模型产品质量特性波动复合专家控制复合智能控制的应用智能控制技术5MIE分析法智能控制技术模糊专家系统在织机经纱张力控制中的应用模糊神经网络在电能质量评估中的应用内容产品质量特性波动复合智能控制的应用神经网络专家系统在变电站故障诊断中的应用模糊专家系统在温室控制中的应用产品质量特性波动5MIE分析法智能控制技术模糊神经网络在电能质量评估中的应用1神经网络模型产品质量特性波动复合智能控制的应用5MIE分析法智能控制技术案例描述学习控制的应用明确的电能质量评估标准也有助于购电方进行比较和选择，以最少的资金获取最适合的电能。考虑电能质量问题有助于改革和完善电力企业管理，提高企业管理效率和电能质量，降低供发电成本和电价，促进国民经济发展。产品质量特性波动复合智能控制的应用学习控制的应用5MIE分析法智能控制技术电能质量综合评估模型（1）评价指标体系的建立根据国家标准或国际公认定义的要求，将电压暂降、电压偏差、频率偏差、三相不平衡、波动和闪变、谐波、可靠性等指标分为5个等级。这5级电能在规定范围内符合国家标准或国际公认定义的各项指标要求认为是合格电能。（2）样本矩阵和标准指标矩阵的规范化电能质量的好坏属于模糊概念，其变化连续，存在着中间过渡的模糊性，故采用相对隶属度对其进行描述：规定标准矩阵中指标的1级标准值对电能质量“好”这个模糊概念的隶属度为1；指标的级指标标准值对电能质量“好”这个模糊概念的；相对隶属度为0，介于1级和级之间的指标的级标准值的相对隶属度按下式确定:产品质量特性波动复合智能控制的应用学习控制的应用5MIE分析法智能控制技术电能质量综合评估模型（3）模糊神经网络模型的建立由于电能质量评估涉及8个主要评估指标，电能质量被分为5个等级，因此模型的输入神经元为8个，输出层神经元为5个，隐藏层神经元数由公式确定：隐藏层神经元数=（输入层神经元数×输出层神经元数）1/2。因此，隐藏层神经元数为6。（4）训练样本的生成根据电能质量标准，各类电能质量的指标都有上下限。当样本的电能指标值都在某类电能质量规定的范围内时，该样本被归为相应级别。通过有限次插值或在相应指标范围内进行随机取值，可以生成足够多的训练样本。利用内插法生成了3000个样本，其中随机抽取500个作为检验样本和测试样本，剩下的2000个作为训练样本。产品质量特性波动复合智能控制的应用学习控制的应用5MIE分析法智能控制技术电能质量综合评估模型（5）电能质量级别的确定根据概念模糊在分级条件下最大隶属度原则不适用的情况，采用级别特征值的方法确定电能质量级别：

为级别特征值矩阵，根据对电能样本进行综合评价，考虑到电能评价中的区间值类别类型，对上述结果做如下处理，对电能质量进行归类。产品质量特性波动复合智能控制的应用学习控制的应用5MIE分析法智能控制技术结果验证通过对某城市8个实际观测点（电压等级为380V）的电能质量实测数据进行实验分析，实测数据详见表1。将这8个评估点的电能质量样本的实测指标相对隶属度输入经过训练的模糊神经识别网络，从而得到待识别电能质量样本相对于标准类别的识别结果。产品质量特性波动复合智能控制的应用评估点电压暂降/%电压偏差/%频率偏差/Hz三相不平衡/%电压波动/%电压谐波电压闪变可靠性152.444.7970.1220.831.332.720.540.54275.891.680.0620.360.531.280.330.8333.564.350.1801.351.954.670.930.32417.36.330.1771.741.373.360.840.54562.33.220.1020.830.882.570.320.76631.34.690.1381.141.673.310.660.67717.64.740.1441.091.462.790.570.75819.26.200.1861.341.574.060.760.31学习控制的应用5MIE分析法智能控制技术结果验证则8个评估点的T为:根据电能质量级别确定方法，得出8个评估点的电能质量级别。模型与模糊综合评判模型的评估结果详见表2。在评估点2，模糊综合评判等级为2级，用本文提出的模型评判等级为3级，与观测点7的电能相比（两种方法对评估点7的评判等级都为3级）可见，根据本模型得出的评估点2和7的级别值分别为2.5644和2.4646。虽然按照进一法的结果两者均属于第3等级，但评估点2比评估点7更接近第3等级。而模糊综合评估模型的评估结果显示评估点2的电能质量要比评估点7差一个等级。实际上，两个评估点的电能质量差别非常小，因此本模型更为合理。产品质量特性波动复合智能控制的应用评估点12345678模糊综合评判模型12442234本模型13542334产品质量特性波动5MIE分析法智能控制技术神经网络专家系统在变电站故障诊断中的应用2神经网络模型产品质量特性波动复合智能控制的应用学习控制的应用5MIE分析法智能控制技术变电站的故障诊断该系统利用新型径向基函数（RBF）神经网络来解决故障诊断问题，采用正交最小二乘算法来优化RBF神经网络参数。神经系统针对变电站，将所有开关和保护的动作信息作为神经网络的输入。一般每台设备配备1到2台主保护和相应的后备保护，如果直接将这些信息作为输入，将导致网络规模过大，影响收敛能力和诊断速度。鉴于当前电网的高可靠性，本系统仅考虑近后备保护的动作情况。因此，某台设备的综合保护系数为：产品质量特性波动复合智能控制的应用学习控制的应用5MIE分析法智能控制技术训练样本前提：由于本系统涉及大量开关和保护，如果完全依赖人工生成训练样本，将难以维护且准确性无法保证。考虑到在没有误动和拒动的情况下，可以根据清晰的规则判断故障情况，因此采用ES自动生成基本训练样本，并结合规则难以表达的复杂故障样本，生成全面的训练样本集合。ES采用CLIPS引擎，利用预先设定的规则库进行推理。系统由推理引擎、事例库和规则库组成，推理引擎通过事例匹配激发相关规则并得出推理结果。事例库根据不同的变电站生成不同的事例，规则库保存在文本文件中可进行添加和修改。系统首先对事例进行预处理，利用网络拓扑和设备属性事例库自动生成保护和开关、保护和一次元件以及开关和一次元件的关联关系，然后根据设备故障与开关、保护动作之间的关系自动生成开关、保护动作情况表，最终通过预处理得到训练样本。产品质量特性波动复合智能控制的应用学习控制的应用5MIE分析法智能控制技术保护和开关动作评价保护和开关的动作情况可分为正确、误动和拒动三种。系统再次利用CLIPS引擎，基于简单规则对其动作行为进行评价。根据故障情况、保护与设备关系以及保护属性，系统利用保护动作规则库确定保护的动作情况。以下是针对线路主保护正确动作的一条规则：IF（故障设备（设备？Device））（object（is-aPROTECT）（保护？Protect）（关联设备？Device）（类型＂主保护＂））（保护动作信息（保护？Protect））THEN（保护动作信息评价（保护？Protect）（评价＂正确＂））产品质量特性波动复合智能控制的应用学习控制的应用5MIE分析法智能控制技术系统测试本系统的测试是基于下图所示的变电站接线图进行的。该变电站包括双母线双变压器、六条出线和十二个开关。开关状态（0或1）和设备的保护系数被用作神经网络的输入，即有ni=22个输入，系统元件的状态则作为神经网络的输出，即有n0=10个输出。如果神经网络的某个输出接近1，则被认为对应的元件发生故障。系统自动生成的样本包含10种基本故障情况。产品质量特性波动复合智能控制的应用学习控制的应用5MIE分析法智能控制技术系统测试为了测试神经网络的泛化能力，选取不在训练样本集中的故障情况作为测试样本。具体故障情况如下：故障情况1：只有开关B5063跳闸。神经网络进行故障诊断，未检测到故障元件，经由ES评估后发现开关5063误动。故障情况2：开关B5062和B5063跳闸，5407线主保护5407TLS动作，但5407线主保护5407DLP未动作。神经网络进行故障诊断，发现故障元件为5407，再经由ES评估后确认5407线主保护5407DLP拒动；故障情况3：开关B5062、B5063和B5061跳闸，5407线主保护5407TLS和5407DLP均动作。神经网络进行故障诊断，发现故障元件为5407，再经由ES评估后确认开关B5061误动。通过测试结果可以发现，即使仅使用基本训练样本，系统也能够判断开关和保护的错误动作。产品质量特性波动复合智能控制的应用产品质量特性波动5MIE分析法智能控制技术模糊专家系统在织机经纱张力控制中的应用3神经网络模型产品质量特性波动复合智能控制的应用学习控制的应用5MIE分析法智能控制技术模糊专家控制的应用前提经线张力的波动是影响纺织品质量的重要因素。由于张力系统是多变量、非线性和时变复杂动态系统，传统的PID控制算法无法随时调整KP、KI和KD参数，容易导致经线张力波动过大，导致系统的稳定性和可靠性较差。通过使用模糊专家控制来控制经线张力，根据当前纱线、织物组织和织机的信息，可以自动从专家知识库中提取信息，并判断相应的控制规则，从而可以在线修改和保存专家知识库，并通过离线学习不断修改知识库。产品质量特性波动复合智能控制的应用学习控制的应用5MIE分析法智能控制技术模糊专家控制的控制原理模糊专家控制器的输入变量为张力偏差和张力偏差变化率，输出变量

为和

，相应的模糊集为，是一个双输入三输出的二维模糊控制器。产品质量特性波动复合智能控制的应用学习控制的应用5MIE分析法智能控制技术模糊专家控制的控制原理产品质量特性波动复合智能控制的应用图1E(EC)的隶属度函数图2U的隶属度函数张力偏差和张力偏差变化率的量化论域均采用三角形隶属度函数，如图1所示，用NB（负大）、NM（负中）、NS（负小）、ZO（零）、PS（正小）、PM（正中）、PB（正大）7个模糊状态来描述；输出控制量同样选用三角形隶属函数，如图2所示，用NB（负大）、NM（负中）、NS（负小）、ZO（零）、PS（正小）、PM（正中）、PB（正大）7个模糊状态来描述。学习控制的应用5MIE分析法智能控制技术模糊专家控制的控制原理产品质量特性波动复合智能控制的应用表1模糊规则表织机的张力控制可以根据经纱张力偏差以及偏差变化率来消除张力偏差，相应的模糊规则控制表见1。的模糊规则表EECNBNMNSZOPSPMPBNBPBPBPMPSPSZOZONMPBPBPMPSPSZONSNSPMPMPMZOZONSNSZOPMPMPSNSNSNMNMPSPSPSZONSNSNMNMPMPSZONSNMNMNMNBPBZOZONMNMNMNBNB的模糊规则表EECNBNMNSZOPSPMPBNBNBNBNMNMNSZOZONMNBNBNMNSNSZOZONSNBNSNSNSZOPSPSZONMNSNSZOPSPMPMPSNMNSZOPSPSPMPBPMZOZOZOPSPMPBPBPBZOZOPSPMPMPBPB模糊规则表EECNBNMNSZOPSPMPBNBPSNSNBNBNBNMPSNMPSNSNBNMNMNSZONSZONSNMNMNSNSZOZOZONSNSNSNSNSZOPSZOZOZOZOZOZOZOPMPBNSPSPSPSPSPBPBPBPMPMPSPSPSPB产品质量特性波动5MIE分析法智能控制技术模糊专家系统在温室控制中的应用4神经网络模型产品质量特性波