人工智能應用前景論文

人工智能應用前景論文

　　隨著電氣自動化領域中人工智能的廣泛應用，電氣行業發生了革命性的變化。以下是學習啦小編精心整理的人工智能應用前景論文的相關資料，希望對你有幫助!

　　人工智能應用前景論文篇一

　　人工智能在電氣傳動控制中的應用

　　【摘要】隨著電氣自動化領域中人工智能的廣泛應用，電氣行業發生了革命性的變化。本文結合當前電氣傳動控制中人工智能的應用情況，做了相關的探討。

　　【關鍵詞】人工智能;電氣傳動控制;應用;交流;直流

　　人工智能是一門研究如何構造智能機器或智能系統，使它能模擬、延伸擴展人類智能的學科。目前，人工智能的研究更多的是結合具體領域進行的，主要研究領域有專家系統、機器學習、模式識別和自然語言理解等。人工智能在電氣自動化方面的應用，給電氣傳動控制領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勢

　　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、模糊、模糊神經以及遺傳算法都可看成一類非線性函數近似器。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一開發。這些AI函數近似器比常規的函數估計器具有更多的優勢：

　　1.它們的設計不需要控制對象的模型。在許多場合，很難得到實際控制對象的精確動態方程，實際控制對象的模型在控制器設計時往往有很多不確實性因素，例如：參數變化，非線性時等。

　　2.通過適當調整(根據響應時間、下降時間、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間比最優PID控制器快1.5倍，下降時間快3.5倍，過沖更小。

　　3.它們比古典控制器的調節容易。

　　4.在沒有必須專家知識時，通過響應數據也能設計它們。

　　5.運用語言和響應信息可以設計它們。

　　6.它們有相當好的一致性(當使用一些新的未知輸入數據就能得到好的估計)，與驅動器的特性無關。現在沒有使用人工智能的控制算法對特定對象控制效果十分好，但對其他控制對象效果就不會一致性地好，因此對具體對象必須具體設計。

　　7.它們對新數據或新信息具有很好的適應性。

　　8.它們能解決常規方法不能解決的問題。常規的監督學習型神經網絡控制器的拓樸結構和學習算法已經定型，這就給這種結構的控制器增加了限制，使得計算時間過長，常規非智能人工智能學習算法的應用效果不好。采用自適應神經網絡和試探法就能克服這些困難，加快學習過程的收斂速度。

　　9.它們具有很好的抗噪聲干擾能力。

　　10.它們的實現十分便宜，特別是使用最小配置時。

　　11.它們很容易擴展和修改。

　　總而言之，當采用自適應模糊神經控制器，規則庫和隸屬函數在模糊化和反模糊化過程中能夠自動地實時確定。有很多方法來實現這個過程，但主要的目標是使用系統技術實現穩定的解，并且找到最簡單的拓樸結構配置，達到學習迅速，收斂快速的效果。

　　二、人工智能在電氣傳動控制中的運用

　　(一)人工智能在交流傳動中的應用

　　1.模糊邏輯的應用。大多數討論模糊邏輯在交流傳動中運用的文章中，介紹的都是用模糊控制器取代常規的速度調節器的問題，可英國Aberdeen大學開發的全數字高性能傳動系統中有多個模糊控制器，這些模糊控制器不僅用來取代常規的PI或PID控制器，同時也用于其他任務。該大學還把模糊神經控制器用于各種全數字高動態性能傳動系統開發中。也有控制感應電機的磁通和力矩。討論這種技術的第一篇文章發表于1992年。該文中討論了兩種控制策略，如用第一種策略，規則表有36條規則，模糊控制器的輸入是磁通和轉矩誤差，根據轉矩和磁通誤差，改變磁通矢量的輻值和旋轉方向，反模糊化技術用到的是中心梯度法，第一種策略沒有考慮最優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現了。

　　2.神經網絡的應用。目前，有大量文章討論神經網絡在交流電機和驅動系統的條件監測和診斷中的運用。介紹了使用常規反向轉波算法的ANN用于步進電機控常規算法的最優化。該方案使用實驗數據，根據負載轉矩和初始速度來確定最大可觀測速度增量。這就需要ANN學習三維圖形映射。該系統與常規控制算法(梯形控制法)相比具有更好的性能，并且大大減少了定位時間，對負載轉矩的大范圍變化和非初始速度也有滿意的控

　　制效果。ANNS的結構是多層前饋型，運用常規反向傳播學習算法。該系統由兩個子系統構成，一個系統通過電氣動態參數的辯識自適應控制定子電流，另一個系統通過對機電系統參數的辯識自適應控制轉子速度。現在發表的大多數有關ANN對各種電機參數估計的論文，都有一個共同的特點，它們都是用多層前饋ANNS，用常規反向傳播算法，只是算法的模型不同或被估計的參數不同。

　　(二)人工智能存直流傳動中的運用

　　1.模糊邏輯控制應用。主要有兩類模糊控制器，Mamdani和Sugeno型。到目前為止只有Mamdani模糊控制器用于調速控制系統中。限于篇幅本文不詳細討論其中的原因。值得注意的是這兩種控制器都有規則庫，它是一個if-then模糊規則集。但Sugeno控制器的典型規則是“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，通常是輸入變量x,y的多項式。當f是常數，就是零階Sugeno模型，因此Sugeno是Mamdani控制器的特例。Mamdani控制器由下面四個主要部分組成：(1)模糊化實現輸入變量的測量、量化和模糊化。隸屬函數有多種形式;(2)知識庫由數據庫和語言控制規則庫組成。開發規則庫的主要方法是：把專家的知識和經歷用于應用和控制目標;建模操作器的控制行動;建模過程;使用自適應模糊控制器和人工神經網絡推理機制;(3)推理機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)反模糊化實現量化和反模糊化。有很多反模糊化技術，例如，最大化反模糊化，中間平均技術等。

　　2.ANNS的應用。過去二十年，人工神經網絡(ANNS)在模式識別和信號處理中得到廣泛運用。由于ANNS有一致性的非線性函數估計器，因此它也可有效的運用于電氣的傳動控制領域，它們的優勢是不需要被控系統的數學模型，一致性很好，對噪音不敏感。另外，由于ANNS的并行結構，它很適合多傳感器輸入運用，比如在條件監控、診斷系統中能增強決策的可靠性，當然，最近電氣傳動朝著最小化傳感器數量方向發展，但有時，多傳感器可以減少系統對特殊傳感器缺陷的敏感性，不需要過高的精度，也不需要復雜的信號處理。誤差反向傳播技術是多層前饋ANN最常用的學習技術。如果網絡有足夠多的隱藏層和隱藏結點以及適宜的激勵函數，多層ANN只能實現需要的映射，沒有直接的技術選擇最優隱藏層、結點數和激勵函數，通常用嘗試法解決這個問題，反向傳播訓練算法是基本的最快下降法，輸出結點的誤差反饋回網絡，用于權重調整，搜索最優。輸出結點的權重調整迭代不同于隱藏結點的權重調整迭代。通過使用反向傳播技術，能得到需要的非線性函數近似值，該算法包括有學習速率參數，對網絡的特性有很大影響。

　　使用人工智能技術的電氣傳動控制工業產品出現還不久，發展還不是很完善，甚至還有很多不足的地方，實際使用人工智能技術的實際產品和應用也還不是很多，但由于其不可取代的優越性，相信不久的將來，人工智能技術在電氣傳動領域將會取得重要的地位，特別是自適應模糊神經控制器將在高性能驅動產品中得到廣泛使用。

下一頁分享更優秀的<<<人工智能應用前景論文