- 相關推薦
智能控制及其應用論文外文翻譯
摘 要: 介紹了一些有關智能控制的基本概念，如模糊控制，自適應模糊神經控制，專家模糊系統和人工神經網絡等等,并簡要分析了模糊理論與人工神經網絡的特點，將人工神經網絡技術與PID控制相結合，用神經網絡PID控制方法控制一個溫控系統，從輸出曲線中可見，這種方法有輸出超調小、上升時間快等許多優點，為系統提供了一個優良的控制效果。
關鍵詞: 智能控制;神經網絡;溫度控制系統；
正如大家所知道的，在控制系統發展中，智能控制技術的出現有益于邏輯控制、人工神經網絡技術和專家模糊系統的一體化。在由一個誤差信號驅動的學習控制中可以看出，對于許多復雜變量的非線性方程，這些系統的功能得以淋漓盡致地發揮。換句話說，和普通軟件一樣，工業生產的各種各樣應用軟件已經溶入了智能控制的思想。舉個例來說，對于一些較難為傳統方案所能控制的復雜或不大明了的系統，這種高級控制能提供一個切實可行的方案使其接近目前人類專家認識水平上的定性數據。隨著工業控制的發展，智能控制技術領域的繁榮已經為新的控制技術提供了一些重要的應用。
關于智能控制的一些基本概念已在本篇文章中加以解釋，并通過一個例子說明智能控制在溫度控制系統中的運用。
模糊控制
模糊理論的發展源于用精確、傳統的模型沒法解釋一些現實中遇到的物理現象，因
此，模糊理論成為探索復雜問題的一種有力工具，因為在沒有使用精確、常規模型的情況下，對于定的輸入它都能測定出輸出量。它是沒有模型的控制器。模糊控制理論的本質就是把復雜問題簡單化。
設全域U中的一個子集為A，它們之間的關系用函數描述為：μA(χ):χ∈→[0,1]，表示χ中的所有元素在A中的級別。模糊理論在很大程度上得益于人類語言，它是一
語言控制器，自然語言中的每個字或術語都可以視為全域U中的具體模糊子集A的一個標志。這個語言標志是用字、語法和句子來描述全域U.的子集。一個模糊語言上的變
量值就是作為模糊狀態標志使用的語言術語，且是可以變化的。例如，模糊子集標志的高、中、低可作為模糊變量的值。
2、自適應模糊神經控制
自適應模糊神經控制通常包含在體系結構中設定的兩個多層神經網絡模型。其中第一個神經網絡是一個設備競爭者，第二個作為一種補償以提高基本模糊邏輯控制器的性能。這個系統的發展由三個階段組成：第一階段，為設備發展一個基本模糊邏輯控制器；第二階段，依據設備動力學訓練控制神經網絡模型，根據設備的不同類型，這種神經網絡的訓練實時或離線時都可以使用；第三階段，主要包括神經模糊補償的在線學習。預期輸出與實際輸出之間所表現出的誤差會通過神經設備競爭者向后反饋，以適應在線神經模糊補償的分量。這種過程促進了神經網絡設備競爭者與實際輸出之間的誤差在后向反饋中的即時改進。
3、專家模糊系統
專家系統有許多專家知識和實踐經歷，所以被稱為程序系統；在專家的知識和先前實驗數據的基礎上，專家系統得到了很大的發展。為了要圖解式地表達專家的知識，一個知識網絡常通過因果關系的例證被證實；模糊全集函數可以像語言學上的陳述來使用。當專家系統出現故障時，它便開始使用向后和向前的鏈接方法查找根本原因。然后，依照查找到的原因修正控制策略；對每一步操作，它都會考慮到確切步驟不同程度的作用。如果最初原因的判斷超過了預先定義的界限，專家系統會執行操作；當判斷低于預
定的界限，而且如果這步操作不可撤消的話，專家系統就會給操作員發出消息等待他的決斷。如果操作是可逆的，專家系統會毅然使用該操作。這三種不同的控制方案研究是
可選的，比如：給操作員“提出要點”、“模糊回答”、“建議”等。當專家系統執行使用“提出要點”這一方案時，就會發送進程變量的一個最新值給高層控制系統。使用“建議”方案時，系統將“建議”發給進程操作員讓其手動完成操作。“模糊回答”包括三個部分，一個進程變量、自預定義模糊集合方程和所發現原始明確原因的程度。對于出現的每一個故障，將建立一個“模糊回答”。
4．人工神經網絡
人工神經網絡在數學模型中模擬了生物大腦神經網絡，大腦是一個大規模的信息處理系統，它連接了將近1010個神經元。人工神經網絡以平行分布的方式連接了許多線性
或非線性的神經元模型和進程信息。當傳統計算機的計算速度因為從計算方案的預指定運算法則減緩時，神經網絡就會以很高的速度執行計算。另外，神經網絡有很多有趣吸引人的特征，比如寬大的并行處理，錯誤容忍力，自適應學習能力和自我組織能力。
一個人工神經網絡就是在不同層聚集起來的神經單元的一個集合。如圖1所示為一個典型的多個神經網絡。
多個網絡可以實現任意復雜輸入輸出之間的映射。一個神經元i在第k層的輸出如下：
， k= 1, 2,…m . (1)
其中yik是第k層第i個神經元的輸出，wyk是第k-i層第i個神經元與第k層第i個神經元之間的連接分量，m是總的層數，Xik-1是第k-i層第i個神經元的活化，θj是第j個神經元的極值，函數表示神經元的活化規則，它通常是一個分段、具有一定斜率的線性s曲線。在一個競爭的神經網絡中，在第k層每一個神經元i和同層中的其他神經元形成競爭關系。為了學習神經網絡的
分量，可以使用后向反饋誤差的運算法則。這種法則運用傾斜的搜索技巧求出誤差函數的最小值。近來，神經網絡使用控制系統與其他控制器組合到一起，比如神經網絡PID控制器，神經網絡模糊控制……眾多實例說明組合控制的效果優于單個系統。
5、仿真實例
在鍋爐溫度控制中，神經網絡控制的實現過程如圖2所示：
控制器是神經網絡PID控制計劃，溫度控制系統結構如圖3所示：
當神經網絡PID校準器是一個兩層網絡控制的系統，其如圖4所示：
當 x0=1,x1=e(t),x2=, x3=△e(t)-e(t-1)時，目標函數可以如下定義：
, ( 2 )
,
運算法則是基于一種傾斜的理論基礎上的，它被稱之為后向傳輸理論，這個在兩層
之間的反向誤差信號表達式為：
， （3）
其中f(x)是f與x之間關系的派生，這個關系分量表示為：
， （4）
其中，學習比例 ， （5）
精深的論據 ， （6）
系數 η0=0.3 ,α0=0.95 .
W0=θ0為極限值，w1=kp為比例系數，w2=ki為積分系數，w3=kd為微分系數。
實驗中使用容積為8升的鍋爐，選用800W的加熱器，當時間0 <t<60 min溫度保持40℃，60<t<120 min時保持60℃，采樣時間間隔設為20秒。實驗中可觀察到使用神經PID控制器的過程輸出，如圖5（a）為其輸入、輸出曲線圖。但如果使用的是基本的PID控制器，則輸出曲線在理想輸出線附近逆向振蕩，其輸入、輸出曲線如圖5（b）所示。
6、結論
在使用一個神經網絡PID控制系統后，鍋爐溫度控制系統中的智能控制系統能達到預期目的。通過提高溫度過程的即時實驗驗證了該系統的性能，它是相當穩定、靈敏的。系統展示了它的許多優越性，例如超調量減小、上升時間快等等。
參考文獻：
[1] A ntonio Visioli. Fuzzy logic based set-point weight tuning of PID controllers[J].IEEE transaction son systems,1999,29(6):587-592.
[2] Leonid Reznik ,Omar Ghanayem ,Anna Bourmistrov.PID plus fuzzy controller structures as a design base for industrial applications[J].Engineering applications of intelligence. 2000,13:419-430.
[3] Radu-Emil Precup, Simona Doboli,Stefan Preitl. Stability analysis and development of a class of fuzzy control systems[J]. Engineering applications of artifical intelligence. 2000,13:237-247.
[4] Tzafestas S G. Fuzzy systems and fuzzy expert control: An overview [J]. Knowl. Eng.Rev.1990,9(3):229-268.
[5] Psaltis D, Sideris A A,Yamamra A. A multi-layered neural network controller [J]. IEEE Control Systems Magazine. 1991,8,17-21.
[6] 楊玉璞，許曉明，張文遠. 基于模糊邏輯的神經網絡設計 [J]. 模糊理論及系統.2000，414：325-328.
[7] Abdollah Homaifar, Ed Mc-Cormick. Simultaneous design of membership functions and rule sets for fuzzy controllers using genetic algorithm「J」.IEEE Transactions on Fuzzy Systems, 1995, 3(2):129一135.
[8] Astrom K E, Anton J J.,Arzen. K.E Expert Contro[J] Automatica. 1986, 22( 3):277一286.
[9] Khanmohammadi S, Hassanzadeh I, Zarei Poor H R. Fault diagnosis competitive neural network with prioritized modification rule of connection weights「J].Artificial intelligence in engineering. 2000, 14(2):127-129
[10] Karendra K S, Parthasarathy K. Identofocation and control of dvnamical systems using neural network「J]. IEEE Trans on Neural Networks.,1996, 1( 1):1一27.
【智能控制及其應用論文外文翻譯】相關文章：
LonWorks及其在智能小區中的應用08-10
論等效翻譯及其在漢英翻譯中的應用09-28
無線控制授時技術(RCT)及其應用05-03
智能天線及其在無線通信中的應用07-05
智能照明控制系統的設計和應用09-21
綜合智能控制技術在電網規劃中的應用08-17
智能化技術在電氣工程自動化控制的應用論文09-09
詞組堆迭句及其在翻譯中的應用09-01