制冷與空調(diào)系統(tǒng)的智能控制課件

1、第8章制冷與空調(diào)系統(tǒng)的智能控制8.1智能控制 8.2電力電子技術在制冷技術上的應用和發(fā)展 8.3電子膨脹閥在制冷技術上的應用 8.4變頻空調(diào)智能控制系統(tǒng) 8.5制冷與空調(diào)系統(tǒng)電氣控制技術未來的發(fā)展 8.1智能控制8.1.1智能控制系統(tǒng)的發(fā)展概況控制科學的發(fā)展同其他科學的發(fā)展一樣,都主要由人類的生產(chǎn)發(fā)展需求和人類當時的知識和技術水平?jīng)Q定。從瓦特(J.Watt)的用來調(diào)節(jié)蒸氣機運行的飛球調(diào)節(jié)到1892年李雅普諾夫(A.M.Lyapunov)的博士論文論運動穩(wěn)定性的一般問題,建立了從概念到方法的關于穩(wěn)定性理論的完整體系。奈奎斯特(H.Nyquist)、伯德(H.W.Bode)關于反饋放大器的研究,奠

2、定了自動控制理論的基礎,并在此基礎上逐步發(fā)展形成了經(jīng)典控制理論,其主要研究對象是單變量常系數(shù)線性系統(tǒng),其分析和綜合的方法主要是基于根軌跡法和頻率法。 20世紀60年代以后,由于衛(wèi)星及宇宙飛船控制的需要及計算機的發(fā)展,以多輸入多輸出變量控制為特征的現(xiàn)代控制理論得到了重大發(fā)展,主要有美國卡爾曼(Kalman)的濾波理論和能控性、能觀性理論,前蘇聯(lián)龐特里亞金(Pontryagin)的極大值原理,貝爾曼(Bellman)的動態(tài)規(guī)劃等,形成了以最優(yōu)控制、系統(tǒng)辨識和最優(yōu)估計、自適應控制等為代表的現(xiàn)代控制理論分析和設計方法。系統(tǒng)分析的數(shù)學模型主要是狀態(tài)空間描述法。 由于以上兩種控制方法都是基于數(shù)學模型的控制

3、,因此對于具有以下特征的系統(tǒng)卻難以解決對其的控制問題:(1)控制對象難以精確建模,或所建模型過于復雜,或建模代價太高。(2)控制對象的模型具有高度非線性。(3)復雜的任務要求,例如智能機器人系統(tǒng)、復雜工業(yè)控制過程、能源系統(tǒng)等。采用傳統(tǒng)控制理論已經(jīng)無法解決此類控制問題。然而,我們在生產(chǎn)實踐中看到,許多復雜的生產(chǎn)過程難以實現(xiàn)的目標控制,可以通過熟練的操作人員獲得滿意的控制效果。那么,如何有效地將熟練的操作人員的經(jīng)驗知識和控制理論結(jié)合起來去解決復雜系統(tǒng)的控制問題,就是智能控制理論研究的目標所在。智能控制的概念主要是針對控制對象及其環(huán)境、目標和任務的不確定性和復雜性而提出來的。它是一門新興學科,其發(fā)展

4、與人工智能、認知科學、現(xiàn)代自適應控制、最優(yōu)控制、神經(jīng)網(wǎng)絡、模糊邏輯、學習理論、生物控制和激勵學習等的發(fā)展是分不開的。 1.智能控制的定義智能控制這個術語早在1967年就由利奧德斯(Leondes)等人提出了。定性地說,智能控制系統(tǒng)應具有仿人的功能(學習、推理);能不斷適應變化的環(huán)境,能處理多種信息以減少不確定性;能以安全和可靠的方式進行規(guī)劃,產(chǎn)生和執(zhí)行控制的動作,以獲得系統(tǒng)總體上最優(yōu)或次優(yōu)的性能指標。按照薩里迪斯提出的觀點,可以把智能控制看作是人工智能、自動控制和運籌學三個學科的交集,即如圖81所示的智能控制的三元結(jié)構(gòu)。圖81智能控制的三元結(jié)構(gòu) 智能控制的三元結(jié)構(gòu)可定義為IC=AIACOR其中

5、:IC智能控制(IntelligenceControl);AI人工智能(ArtificalIntelligence);AC自動控制(AutomaticControl);OR運籌學(Operationsresearch)。 如上所述,智能控制是一個多學科互相滲透和交叉的領域,因而它所包含的智能控制系統(tǒng)的類型很多,主要可以分為以下幾類:(1)多級遞推智能控制;(2)基于知識的專家控制;(3)基于模糊邏輯的智能控制模糊控制;(4)基于神經(jīng)網(wǎng)絡的智能控制神經(jīng)網(wǎng)絡控制;(5)基于規(guī)則的仿人智能控制;(6)基于模式識別的智能控制; (7)多模變結(jié)構(gòu)智能控制;(8)學習控制和自學習控制;(9)基于可拓邏輯的

6、智能控制可拓控制;(10)基于混沌理論的智能控制混沌控制。 2.制冷技術中應用的幾種智能控制1)模糊控制我們知道,無論采用經(jīng)典控制理論還是現(xiàn)代控制理論設計,一個控制系統(tǒng)都需要知道被控對象(或過程)的精確數(shù)學描述,整體控制規(guī)律的設計都是根據(jù)被控對象的數(shù)學模型和要求的性能指標來進行的。對于許多情況下的被控對象(或過程)而言,要獲得其精確的數(shù)學模型是十分困難的。例如,一些化工生產(chǎn)過程,它的特性很難用一個精確的數(shù)學解析式來表達,而且影響因素很多,相互交叉耦合,使其模型極其復雜,難于求解以至于沒有實用價值。此類過程的變量多,各種參數(shù)又存在不同程度的時變性,且過程具有非線性、強耦合等特點,因此建立這一類過

7、程的精確數(shù)學模型困難很大,甚至是辦不到的。這樣一來,對于這類對象或過程就難以進行自動控制。 與此相反,對于上述難以自動控制的一些生產(chǎn)過程,有經(jīng)驗的操作人員進行手動控制卻可以收到令人滿意的效果。既然存在大量的模糊問題難以用傳統(tǒng)的精確數(shù)學模型解決,在這樣的事實面前,人們就不得不尋找新的出路,開始重新研究和考慮人的控制行為有什么特點,能否將無法構(gòu)造數(shù)學模型的對象讓計算機來模擬人的思維方式,進行控制與決策,希望用一種全新的數(shù)學去求解模糊問題。在這種背景下,就產(chǎn)生了和精確數(shù)學有巨大區(qū)別的數(shù)學模糊數(shù)學。模糊數(shù)學是解決模糊問題的有效工具。 人通過感覺器官感知周圍世界,在腦和神經(jīng)系統(tǒng)中調(diào)整獲得的信息,經(jīng)過適當

8、的存儲、校正、歸納和選擇等過程而進行決策并反作用于外部世界,從而達到預期目標。遵循反饋和反饋控制的思想,人的手動控制可以用語言來描述,總結(jié)成一系列的條件語句,即控制規(guī)則。運用計算機程序來實現(xiàn)這些規(guī)則,計算機就起到了控制器的作用。于是,利用計算機取代人,就可以對被控對象進行自動控制。在描述控制規(guī)則的條件語中的一些詞,如“較大”、“偏差”等都屬于模糊概念,因此采用模糊集合來描述這些模糊條件語句,即組成了所謂的模糊控制器。 1974年英國的馬達尼(E.H.Mamdani)首次用模糊邏輯和模糊推理實現(xiàn)了第一個實驗性的蒸氣機控制,并取得了比傳統(tǒng)的直接數(shù)字控制(DDC)更好的效果。1975年荷蘭的萊姆基(

9、V.N.Lemke)和基克特(W.Kickert)研究了熱水站的模糊控制,使這個傳統(tǒng)方法難以進行控制的多變量非線性對象實現(xiàn)了穩(wěn)定可靠的控制。1976年丹麥的拉森(R.M.Larson)和奧斯特加德(J.J.Ostergaard)進行了雙輸入雙輸出且具有很強的耦合作用和非線性特性對象的模糊控制,控制效果良好。1977年帕皮斯(C.Pappis)和馬達尼(E.H.Mamdani)等人用模糊控制的方法很好地實現(xiàn)了十字路口的交通管理。1979年中國的李寶綬、劉志俊等人開始了模糊控制器的研究工作,用連續(xù)數(shù)字仿真的方法研究了模糊控制器的性能,并與傳統(tǒng)PI控制器進行了性能比較。1981年王以治等人對模糊語言

10、和模糊文法進行了研究。 龍升照等人對人機系統(tǒng)中模糊變量的隸屬函數(shù)和模糊控制的自調(diào)整形式也進行了探討。1983年日本的安信等人用預測模糊控制方法對電氣化鐵路列車的運行和停止進行了控制,并達到了節(jié)能1114的效果。鄧聚龍對模糊控制過程的穩(wěn)定性問題進行了研究,并給出了有關模糊控制的穩(wěn)定條件。1984年涂象初提出了把模糊控制和常規(guī)調(diào)節(jié)器相結(jié)合組成混合型的調(diào)節(jié)器。1988年鄧聚龍?zhí)岢隽俗钚⌒畔⒘康淖顑?yōu)模糊控制。1990年陳常樣應用自尋優(yōu)模糊控制,在電氣傳動方面模糊控制理論有相當多的應用,如異步電機的直接轉(zhuǎn)矩控制、逆變器供電電機控制、矢量控制以及伺服系統(tǒng)控制。近年來,日本興起了模糊控制熱,據(jù)統(tǒng)計,日本的采

11、用模糊控制的變頻冰箱、變頻空調(diào)器已占到市場的80以上。隨著科學技術的發(fā)展,模糊邏輯和模糊控制的應用將會越來越多,越來越廣。 在制冷領域,模糊控制已經(jīng)成功地用于變頻冰箱、變頻空調(diào)器等家用電器中。例如,根據(jù)冰箱內(nèi)的溫度傳感器測得多室溫度值和得出相應的溫度變化率,運用模糊神經(jīng)推理確定冰箱內(nèi)食品溫度,進而控制變頻壓縮機的轉(zhuǎn)速、風扇運轉(zhuǎn)和風門的開閉,達到最佳的運行狀況和最佳的保鮮效果。神經(jīng)網(wǎng)絡通過不斷地學習和記憶用戶的調(diào)節(jié)要求、環(huán)境溫度、門開啟次數(shù)和取放食品等使用情況,預置于控制程序中,然后自動地借助專家系統(tǒng)選擇最佳控制方案?？照{(diào)器的模糊控制就是通過傳感器獲得室溫變化、室內(nèi)外溫度、房間情況等大量數(shù)據(jù),將

12、這些實測數(shù)據(jù)與大量經(jīng)驗數(shù)據(jù)相比較,應用模糊理論使變頻壓縮機、電子膨脹閥和風機轉(zhuǎn)速及風門這些執(zhí)行機構(gòu)做出相應的快速調(diào)節(jié)。盡管當前模糊控制應用已經(jīng)很多,但其實現(xiàn)仍主要是基于已有的專家經(jīng)驗知識和規(guī)則,通過增加一些規(guī)則調(diào)整方法來改善系統(tǒng)控制的性能。而控制規(guī)則的獲取和調(diào)整是模糊控制應用的難點,這主要是因為模糊控制所具有的學習能力較弱。因此將模糊控制與其他優(yōu)化理論、方法和控制技術相結(jié)合,提高模糊控制系統(tǒng)的性能,成為當前模糊控制領域研究者們關注的問題。隨著模糊控制技術在家用電器中應用研究的不斷深入,在控制策略方面從基于查詢表方法的簡單模糊控制發(fā)展到了與其他人工智能領域相結(jié)合的智能模糊控制,如傳統(tǒng)控制方法與模

13、糊控制構(gòu)成復合控制,利用神經(jīng)網(wǎng)絡來實現(xiàn)模糊控制,采用非線性優(yōu)化算法、遺傳算法和進化算法對模糊控制的規(guī)則進行優(yōu)化等。因此,如何實現(xiàn)模糊控制規(guī)則的獲取和調(diào)整將是今后模糊控制發(fā)展的一個研究方向。 2)神經(jīng)網(wǎng)絡控制神經(jīng)網(wǎng)絡是模仿人腦神經(jīng)的活動而建立的一種數(shù)學模型。實際上,早在20世紀40年代人們已對腦和計算機交叉科學進行了研究,試圖解決智能信息處理機理的問題。維納(N.Wiener)在控制論一書中已經(jīng)提出了反饋控制、信息和能的一些關系。當時在控制論的引導下,很多學者把這些內(nèi)容當作一個統(tǒng)一的主題進行研究。但控制學科、計算機學科和神經(jīng)生物學各按自己獨立的道路發(fā)展,相互之間缺乏溝通,給學科之間的有效交流帶來

14、了障礙。直到近年來,智能控制才作為一個新的交叉學科蓬勃發(fā)展,人們開始在更高的水平上尋求控制、計算機和神經(jīng)生物學新的結(jié)合,以此來解決現(xiàn)實世界中用常規(guī)控制理論和方法所難以解決的一些問題。 神經(jīng)網(wǎng)絡的研究已有60多年的歷史。20世紀40年代初,心理學家麥克洛克(W.S.Mcculloch)和數(shù)學家皮茨(W.Pitts)給出了神經(jīng)元的數(shù)學模型,并研究了基于神經(jīng)元模型幾個基本元件互相連接的潛在功能。1949年赫布(D.O.Hebb)和其他學者研究神經(jīng)系統(tǒng)中的自適應定律,并提出了改變神經(jīng)元連接強度的Hebb規(guī)則。1958年羅森布拉特(F.Rosenblatt)首先引入了感知器(Perceptron)的概念

15、,并提出了構(gòu)造感知器的結(jié)構(gòu),這對以后的研究起了很大的作用。1962年威德羅(B.Widrow)提出了線性自適應元件(Adline),它是連續(xù)取值的線性網(wǎng)絡,主要用于自適應系統(tǒng),與當時占主導地位的以順序離散符號推理為基本特性的AI方法完全不同。在此之后,明斯基(M.Minsky)和帕佩特(S.Papert)對感知器為代表的網(wǎng)絡作了嚴格的數(shù)學分析,證明了許多性質(zhì),指出了幾個模型的局限性。格羅斯伯格(S.Grossberg)在20世紀70年代的工作使神經(jīng)網(wǎng)絡的研究有了突破性的進展,提出了具有新特征的幾種非線性動態(tài)系統(tǒng)的結(jié)構(gòu)。 1982年霍普菲爾德(J.J.Hopfield)在網(wǎng)絡的研究中引入了能量函

16、數(shù)的概念,把特殊非線性動態(tài)系統(tǒng)結(jié)構(gòu)用于解決優(yōu)化之類的問題,引起了工程界的巨大興趣。1985年欣頓(G.E.Hinton)借用統(tǒng)計物理學的概念和方法,提出了Boltzman機模型,在學習過程中采用了模擬退火技術,保證了系統(tǒng)全局最優(yōu)。1986年以拉梅爾哈特(D.E.Rumelthart)和麥克菜蘭(J.L.McClelland)為首的PDP(ParallelDistributedProcessing,并行分布式處理)小組提出了BP反向誤差傳播模型,把學習的結(jié)果反饋到中間層次的隱單元,改變它們的權(quán)系數(shù),從而達到預期的學習目的。BP模型實現(xiàn)了明斯基認為不可能實現(xiàn)的多層網(wǎng)絡的學習算法,使得神經(jīng)網(wǎng)絡的研究

17、和應用再次進入了全盛期。后來科斯庫(B.Kosko)提出了雙向聯(lián)想存儲器和自適應雙向聯(lián)想存儲器,為在有噪聲環(huán)境下的學習提供了有力的方法。至今神經(jīng)網(wǎng)絡方面的研究一直在廣泛地進行著,特別是其應用方面的研究,取得了大量的應用成果。 將極具潛力的神經(jīng)網(wǎng)絡連接主義模型用于復雜系統(tǒng)的建模、辨識與控制,迄今已取得了很多成果,如系統(tǒng)的建模與辨識、PID參數(shù)的設定、極點配置、內(nèi)?？刂啤?yōu)化設計、預測控制、最優(yōu)控制、專家控制、自適應控制、濾波與預測、容錯控制、模糊控制、學習控制,甚至還應用于與控制有關的其他問題,如A/D轉(zhuǎn)換、D/A轉(zhuǎn)換、矩陣求逆、Jacobian陣計算、Lyapunov方程和Ricati方程求解

18、等。將神經(jīng)網(wǎng)絡應用于控制領域,是因為與傳統(tǒng)的控制技術相比,它具有以下重要的特征和性質(zhì): (1)非線性。神經(jīng)網(wǎng)絡在理論上能夠以任意精度逼近任意非線性映射,這就給控制理論中困難的非線性問題帶來了新的希望。(2)分布式存儲信息。所有定量或定性的信息都等勢分布儲存于網(wǎng)絡的各神經(jīng)元,神經(jīng)元間廣泛連接,這樣即使網(wǎng)絡中部分單元損壞也不影響整體的性能,網(wǎng)絡本身就具有良好的可靠性、魯棒性和容錯性。(3)并行處理方式。使神經(jīng)網(wǎng)絡有實現(xiàn)大量復雜的控制算法的潛力。(4)學習和自適應性。利用系統(tǒng)過去的數(shù)據(jù)記錄,可對網(wǎng)絡進行訓練,受適當訓練的網(wǎng)絡有能力泛化,即當輸入出現(xiàn)訓練中未提供的數(shù)據(jù)時,網(wǎng)絡也有能力進行辨識。(5)數(shù)

19、據(jù)融合。網(wǎng)絡能夠同時融合定量或定性數(shù)據(jù),使其能夠利用連接主義的結(jié)構(gòu)將傳統(tǒng)控制方法與符號數(shù)據(jù)的人工智能相結(jié)合。(6)多變量系統(tǒng)。神經(jīng)元網(wǎng)絡的多輸入多輸出模型可方便地應用于多變量控制系統(tǒng)。 目前,神經(jīng)網(wǎng)絡控制系統(tǒng)的應用可分為以下幾種類型:(1)神經(jīng)網(wǎng)絡專家系統(tǒng)控制。專家系統(tǒng)是一種知識表達,適于邏輯推理。神經(jīng)網(wǎng)絡則反映的是一種輸入輸出的數(shù)學映射關系,屬于直覺推理。把兩者結(jié)合起來,發(fā)揮各自的作用,可能產(chǎn)生更好的控制效果。(2)神經(jīng)網(wǎng)絡模糊控制?，F(xiàn)實世界中大量存在的是不確定性和難以分類界定的事物,模糊系統(tǒng)是仿效人的模糊邏輯思維方法設計的一類系統(tǒng)。系統(tǒng)在工作中允許數(shù)值型量的不精確性存在。另一方面,神經(jīng)網(wǎng)絡

20、在計算處理信息過程中所表示出來的容錯性來自于其網(wǎng)絡自身的結(jié)構(gòu)特點,而人腦思維的容錯能力正是源于這兩個方面的綜合思維方法上的模糊性及大腦本身的結(jié)構(gòu)特點。所以,將神經(jīng)網(wǎng)絡與模糊系統(tǒng)相結(jié)合便成為一種很自然的趨勢。 一般來說,利用神經(jīng)網(wǎng)絡表達的模糊邏輯控制器,必然引入學習機制,同時也給神經(jīng)網(wǎng)絡帶來諸多結(jié)合的優(yōu)點,如存儲容量的減小,泛化能力的增加,特別是模糊邏輯處理時間動態(tài)系統(tǒng)的能力,可能為動態(tài)神經(jīng)網(wǎng)絡的研究帶來根本出路。因此,無論從模糊邏輯,還是從神經(jīng)網(wǎng)絡控制研究的角度來講,將神經(jīng)元、模糊邏輯、專家系統(tǒng)結(jié)合起來將代表這一領域的主要發(fā)展方向。在此研究方向上,有代表性的成果主要是由美國加利福尼亞大學伯克利

21、分校以扎德(L.A.Zadeh)為首的“FuzzyGroup”做出的。 (3)神經(jīng)網(wǎng)絡滑?？刂啤＿@種方法將系統(tǒng)的控制或狀態(tài)分類,根據(jù)系統(tǒng)和環(huán)境的變化進行切換和選擇,這樣可以在不確定的環(huán)境下通過自學來改進滑模開關曲線,進而改善控制效果。(4)時間進化反轉(zhuǎn)(BTT,BackpropagationThroughTime)。它先利用神經(jīng)網(wǎng)絡來構(gòu)造一個模擬器以模擬系統(tǒng)的動態(tài)特性,進而再對系統(tǒng)進行在線控制。(5)神經(jīng)網(wǎng)絡自適應評判控制。這種方法與自適應評判法在平面上是一樣的,作用網(wǎng)絡產(chǎn)生控制指令,評價網(wǎng)絡對本系統(tǒng)狀態(tài)進行評估,通過獎勵學習來實時對作用網(wǎng)絡本身的狀態(tài)變量(即權(quán)重)進行修正。 (6)容錯控制。

22、這種方法由神經(jīng)網(wǎng)絡對系統(tǒng)裝置進行故障診斷,一旦發(fā)現(xiàn)錯誤,即通知容錯控制系統(tǒng)來及時調(diào)整其結(jié)構(gòu),以保證系統(tǒng)正常運行。(7)神經(jīng)網(wǎng)絡與常規(guī)控制方法結(jié)合。神經(jīng)網(wǎng)絡PID控制。利用神經(jīng)網(wǎng)絡在線整定PID調(diào)節(jié)器的參數(shù)系統(tǒng)、對環(huán)境的適應能力和控制效果。 神經(jīng)網(wǎng)絡自校正控制。傳統(tǒng)控制中自校正調(diào)節(jié)器的目的是在被控系統(tǒng)參數(shù)變化的情況下,自動調(diào)整控制器的參數(shù),消除擾動的影響,以保證系統(tǒng)的性能指標。此法依賴于對系統(tǒng)參數(shù)的辨識,本質(zhì)上以線性模型來描述實際系統(tǒng),因而其算法復雜,應用受到了極大的限制。神經(jīng)網(wǎng)絡具有良好的逼近能力,不僅可以避免參數(shù)辨識,簡化算法,而且可以延拓到非線性系統(tǒng)。(8)神經(jīng)網(wǎng)絡模型參考自適應控制。 (

23、9)完全神經(jīng)網(wǎng)絡控制。完全神經(jīng)網(wǎng)絡控制也稱直接神經(jīng)網(wǎng)絡控制,包括神經(jīng)網(wǎng)絡反饋控制、神經(jīng)網(wǎng)絡自適應控制和神經(jīng)網(wǎng)絡非線性控制等。其特點是辨識、估計、計算、控制等都是由神經(jīng)網(wǎng)絡完成的?？傊?在短短的幾年內(nèi),神經(jīng)網(wǎng)絡控制的發(fā)展,無論在理論上還是在實踐上都取得了可喜的進展,但我們必須看到,由于人們對生物神經(jīng)系統(tǒng)的研究與了解還很少,因此使用的神經(jīng)網(wǎng)絡模型無論從結(jié)構(gòu)還是規(guī)模上,都是真實神經(jīng)網(wǎng)絡的極簡單的模擬,所以神經(jīng)網(wǎng)絡控制的研究還非常原始,目前大都停留在仿真與實驗室階段。對于完整的、系統(tǒng)的網(wǎng)絡體系,還有大量艱難而富有挑戰(zhàn)性的理論問題尚未解決,真正成功的在線應用實例也有待于進一步發(fā)展。 目前,從總體上來看,

24、今后的研究應致力于以下幾個方面。(1)神經(jīng)元網(wǎng)絡逼近非線性函數(shù)方面:現(xiàn)有的學習算法收斂速度太慢,而且在許多情況下存在局部最優(yōu)解,因此如何提高學習速度就特別迫切。這一問題的解決有待于多變量非線性方法和理論的進展。若能用某種智能搜索方法快速求得次最優(yōu)解或可行解,也有重大意義。在逼近非線性函數(shù)的問題上,現(xiàn)有的理論只解決了存在性問題。對不同的被控對象,如何選擇合適的神經(jīng)元網(wǎng)絡結(jié)構(gòu),目前還缺乏理論指導,僅僅停留在經(jīng)驗上和啟發(fā)式規(guī)則上。當采用多層前饋網(wǎng)絡時,這一問題就是網(wǎng)絡的層數(shù)、隱節(jié)點數(shù)的選擇問題。這一直是神經(jīng)元網(wǎng)絡研究的熱點問題,但至今仍未解決,還需要從理論上做深入的研究。 對神經(jīng)元網(wǎng)絡的應用不應僅停

25、留在學習方法的改進上,還應該對網(wǎng)絡的映射機理進行深入的研究,找出現(xiàn)有網(wǎng)絡模型逼近復雜非線性關系速度慢的癥結(jié)所在,研究它易于實現(xiàn)的映射所具有的特點,研究如何通過設計或者至少是在設計與學習相互結(jié)合的基礎上構(gòu)成對非線性關系的逼近。探索能更好地實現(xiàn)非線性對象逼近的新的網(wǎng)絡結(jié)構(gòu)形式。 (2)控制系統(tǒng)應用方面:目前研究證明神經(jīng)網(wǎng)絡可以實現(xiàn)對任意的非線性函數(shù)逼近,但要滿足什么條件才能實現(xiàn)這種逼近,則很少討論。將神經(jīng)元網(wǎng)絡作為模型或控制器加入控制回路中,通過網(wǎng)絡的學習,實現(xiàn)對非線性系統(tǒng)的自適應控制,這是目前神經(jīng)元網(wǎng)絡控制的基本應用模式。對于這種模式,控制系統(tǒng)的穩(wěn)定性、可控性等理論問題還需進一步研究解決。由于非

26、線性本身的多樣性、復雜性,使這一問題的解決具有相當大的難度。在復雜非線性系統(tǒng)中,噪聲是普遍存在的。因此如何提高神經(jīng)元網(wǎng)絡控制器的魯棒性是一個有待解決的關鍵性問題。目前神經(jīng)元網(wǎng)絡模型的使用通常采用“離線學習、在線修正”的方法。如何能夠直接在線建立對象的模型一直是神經(jīng)元網(wǎng)絡控制的一個熱點問題,但一直沒有找到一種可以實際應用的具有實時性的神經(jīng)元網(wǎng)絡在線辨識算法。神經(jīng)元網(wǎng)絡最終是要以硬件來實現(xiàn)大規(guī)模的并行計算,這樣才能體現(xiàn)出神經(jīng)元網(wǎng)絡的強大功能。 8.1.2模糊控制模糊控制的基本原理如圖82所示,其核心部分是模糊控制器。模糊控制器是模糊控制系統(tǒng)和其他控制系統(tǒng)區(qū)別最大的環(huán)節(jié)。模糊控制器由于是采用數(shù)字計算

27、機實現(xiàn)的,因此具有下面三個重要的功能:系統(tǒng)的誤差從數(shù)字量轉(zhuǎn)化為模糊量;模糊量按一定的方法給出規(guī)則進行推理;推理的結(jié)果從模糊量轉(zhuǎn)化為可用于實際控制的數(shù)字量。 圖82模糊控制的基本原理框圖 圖83模糊控制器的主要功能 模糊控制器的控制規(guī)律是由計算機程序?qū)崿F(xiàn)的。實現(xiàn)模糊控制算法的過程是這樣的:微機經(jīng)過中斷采樣獲取被控制量的精確值,然后將此值與給定值比較得到誤差信號E,一般選取誤差信號E作為模糊控制器的一個輸入量。把誤差信號E的精確值進行模糊化轉(zhuǎn)換成模糊量。誤差E的模糊量可用相應的模糊語言表示。至此得到誤差量的模糊語言集合e(實際上是一個模糊向量)。再由e和模糊控制規(guī)則R(模糊關系)根據(jù)推理的合成規(guī)則

28、進行模糊決策,得到模糊控制量U。為了對被控對象施加精確控制,還需將模糊控制量轉(zhuǎn)換成精確量,即去模糊化處理(亦稱清晰化)。得到的精確數(shù)字控制量經(jīng)數(shù)模轉(zhuǎn)換變?yōu)榫_的模擬量送給執(zhí)行機構(gòu),對被控對象進行一步控制。如此循環(huán)下去,就實現(xiàn)了被控對象的模糊控制。模糊控制可概括為下述四個步驟: (1)根據(jù)本次采樣得到的系統(tǒng)輸出值,計算所選擇的系統(tǒng)輸入變量。(2)將輸入變量的精確值變?yōu)槟：俊?3)根據(jù)輸入變量(模糊量)及模糊控制規(guī)則,由模糊推理合成規(guī)則計算控制量(模糊量)。(4)由上述得到的控制量(模糊量)計算精確的控制量。 1.模糊控制器的輸入變量模糊控制器的輸入變量一般選擇被控系統(tǒng)的誤差以及誤差的微分等,這

29、主要是考慮到在上述人機系統(tǒng)中,人對誤差最為敏感,其次是誤差的變化,再次是誤差變化的速率。通常將模糊控制器輸入變量的個數(shù)稱為模糊控制的維數(shù)。從理論上講,模糊控制器的維數(shù)越高,控制越精細。但維數(shù)過高,模糊控制規(guī)則變得過于復雜,控制算法實現(xiàn)相當困難,這也是人們廣泛采用二維模糊控制器的原因所在。 將變量的實際變化范圍劃分成若干等級,這些等級的全體稱為變量的論域。在這個論域上定義相應的語言變量值。描述輸入變量及輸出變量的語言值的模糊子集形如負大,負中,負小,零,正小,正中,正大,一般簡寫為NB,NM,NS,Z,PS,PM,PB,其中NNegative,PPositive,BBig,M=Middle,SS

30、mall,ZZero。將實際變化范圍內(nèi)的輸入值轉(zhuǎn)換成論域范圍內(nèi)的有關等級值的過程稱為模糊化過程。例如,設k1,k2分別為誤差和誤差變化的比例因子,-em,em為關于誤差的論域,-cem,cem為關于誤差變化的論域,-en,en為誤差的實際變化范圍,-cen,cen為誤差變化的實際范圍,則(81) (82) 確切輸入量和比例因子相乘后,取其距離最近的等級值,即成為論域中的元素。同樣經(jīng)模糊推理和決策得到的控制量,與實際控制量之間也有一個比例關系。因此也需通過比例因子將論域中的等級值轉(zhuǎn)換成確切的控制量。設-um,um為關于控制量的論域,-un,un為控制量的實際變化范圍,k3為輸出比例因子,有時也與

31、前面兩個因子統(tǒng)一稱為量化因子,則(83) 2.模糊控制器的隸屬函數(shù)各個模糊變量隸屬函數(shù)的形狀和參數(shù)的選擇是否符合實際,將直接影響控制效果。一般常用的隸屬函數(shù)有對稱三角形、對稱梯形、正態(tài)形等。在定義各模糊變量的隸屬函數(shù)時,要考慮到它對論域的覆蓋程度。論域中任何一個等級的最大隸屬度均不能過小,否則在這一等級上會出現(xiàn)“空擋”,從而導致失控。通常,當論域中元素的個數(shù)為模糊變量總數(shù)的2倍左右時,模糊變量對論域的覆蓋度比較好。在定義各模糊變量的隸屬函數(shù)時,還要考慮各模糊集合相互間的影響,即兩個模糊集合之間的交集大小。二者交集大時控制器魯棒性強,交集小時控制靈敏度高,所以應適當選擇交集的大小,即模糊集合的重

32、疊度。 3.模糊控制器的控制規(guī)則及推理模糊控制規(guī)則是對系統(tǒng)控制經(jīng)驗的總結(jié),這些經(jīng)驗用模糊條件語句來表述。模糊控制規(guī)則的生成基本有四種方法:(1)根據(jù)專家經(jīng)驗或過程控制知識生成控制規(guī)則。(2)根據(jù)過程的模糊模型生成控制規(guī)則。(3)根據(jù)對手動控制操作的系統(tǒng)觀察和測量生成控制規(guī)則。(4)根據(jù)學習算法生成控制規(guī)則。 這四種方法并不互相排斥,綜合這幾種方法可以構(gòu)成有效的方法去生成規(guī)則?？刂埔?guī)則一般用IFTHEN語句描述。當模糊控制器有多個輸入量和多個輸出變量時,可以用IFANDANDTHENANDAND來描述。模糊控制規(guī)則一般以規(guī)則表或推理關系矩陣的形式存儲。在實際控制系統(tǒng)運行中,可以采用實時查表或模糊

33、集合的模糊運算(如模糊直積加模糊并運算等),得到控制器輸出的模糊變量。比較典型的方法有Zadeh法、Baldwin法、Mizumoto法、Takagi和Sugeuo的后件函數(shù)法、Mamdani法等。其中目前在實時控制中應用較廣的是Mamdani法。 4.模糊量的非模糊化方法在模糊控制中,對經(jīng)過模糊推理決策出的控制變量的一個模糊子集,由于它是一個模糊量而不能直接作用于控制對象,還需要采取合理的方法將模糊量轉(zhuǎn)換成精確量,以便最好地發(fā)揮出模糊推理的決策結(jié)果。把模糊量轉(zhuǎn)換為精確量的過程稱為清晰化,或去模糊化。模糊推理及其模糊量的去模糊化過程有多種方法,主要有以下幾種:(1)重心法(Centroid)。

34、取模糊隸屬函數(shù)曲線與橫坐標圍成的面積的重心為代表點。(2)最大隸屬度法(MAX)。在推理結(jié)論的模糊集合中取隸屬度最大的元素作為輸出量。但要求在這種情況下的隸屬函數(shù)曲線一定是正規(guī)凸模糊集合,即曲線只能是單峰曲線。(3)中位數(shù)法(Bisector)。計算模糊隸屬函數(shù)曲線與橫坐標圍成的面積,取12面積處橫坐標為決策值。(4)系數(shù)加權(quán)平均法。 5.模糊控制器設計中的問題模糊控制器的設計主要是以下三個部分:(1)語言控制規(guī)則。(2)模糊量的隸屬函數(shù)。(3)模糊控制器的輸入輸出量化因子。這三部分的設計工作一般都由專家根據(jù)自身的經(jīng)驗來進行。 在設計模糊控制器的語言規(guī)則時,必須考慮它的完整性、交叉性和一致性。

35、所謂完整性,是指對于任意的給定輸入,必有相應的控制規(guī)則起作用。要求控制規(guī)則的完整性是保證系統(tǒng)能被控制的必要條件。如果控制器的輸出值由數(shù)條控制規(guī)則來決定,則說明控制規(guī)則之間是有相互聯(lián)系、相互影響的,這就是控制規(guī)則之間的交叉性。利用控制規(guī)則之間的交叉性,可以產(chǎn)生復雜的控制曲面,得到更好的控制性能,但也會增加設計的難度。控制規(guī)則的一致性是指控制規(guī)則中不存在相互矛盾的規(guī)則。如果兩條規(guī)則的條件部分相同,但結(jié)論部分相差很大,則稱兩條規(guī)則相互矛盾。 模糊變量的隸屬函數(shù)可以取不同的形狀。其中三角形隸屬函數(shù)的形狀簡單、計算簡易,并且和其他較復雜的隸屬函數(shù)得出的控制效果差別很小,因此被廣泛應用。經(jīng)證明,隸屬函數(shù)的

36、曲線形狀較尖的模糊子集,其分辨率較高,控制靈敏度也較高;相反,隸屬函數(shù)的曲線形狀較緩的模糊子集,其控制特性也較平緩,系統(tǒng)的穩(wěn)定性較好。因此一般在誤差大的區(qū)域選擇低分辨率的模糊子集,在誤差小的區(qū)域選擇較高分辨率的模糊子集。從自動控制的角度,希望一個控制系統(tǒng)在要求的范圍內(nèi)都能很好地實現(xiàn)控制。因此在選擇描述某一個模糊變量的各個模糊子集時,要使它們在論域上的分布合理,即它們應該較好地覆蓋整個論域。一般論域中的元素個數(shù)的選擇均不低于13個,而模糊子集的總數(shù)通常選7個。當論域中的元素個數(shù)為模糊子集總數(shù)的23倍時,模糊子集對論域的覆蓋程度較好。與此同時,還應考慮各模糊子集之間的相互影響,即兩個模糊子集的重疊

37、程度,兩者重疊越小,控制的靈敏度越高。實際系統(tǒng)設計中應合理地選擇模糊子集的重疊程度,一般取4080。 當計算機在進行模糊控制時,必須進行模糊化和去模糊化,這就必須使用到量化因子。大量的實驗結(jié)果表明,量化因子的大小及其不同量化因子之間大小的相互關系,對模糊控制器的控制性能影響極大。因此在實際使用當中,量化因子是經(jīng)過反復實驗加以確定的。 8.1.3神經(jīng)網(wǎng)絡控制1.多層前饋學習算法的描述在神經(jīng)網(wǎng)絡的研究和應用中,人們已經(jīng)提出了很多神經(jīng)元網(wǎng)絡結(jié)構(gòu)模型,而多層前饋網(wǎng)絡是其中最常用的形式。多層前饋人工神經(jīng)元網(wǎng)絡(MultiLayerFeedforwardNeuralNetworks,簡稱MFNN)提供了一

38、種非線性靜態(tài)映射關系,MFNN在許多領域中的各種各樣的應用,都是以這一映射關系為基礎的。在MFNN的應用中,首先亟待解決的就是網(wǎng)絡的訓練問題。這不僅僅是如何縮短訓練時間的問題,更重要的是在稍微復雜一些的應用中,MFNN學習的收斂性、成功性都是無法保障的。所以在研究MFNN訓練問題時,一方面要努力提高學習速度,另一方面要研究如何提高網(wǎng)絡逼近精度、改善逼近效果。 神經(jīng)網(wǎng)絡是由大量處理單元(神經(jīng)元、處理元件、電子元件、光電元件等)廣泛互連而成的網(wǎng)絡,它是在現(xiàn)代神經(jīng)科學研究成果的基礎上提出的,反映了人腦的基本性能,但它并不是人腦的真實描寫,而只是某種抽象、簡化與模擬。網(wǎng)絡的信息處理由神經(jīng)元之間的相互作

39、用來實現(xiàn),網(wǎng)絡的學習和識別決定于各神經(jīng)元連接權(quán)系數(shù)的動態(tài)演化過程。神經(jīng)元是神經(jīng)網(wǎng)絡的基本處理單元,它一般是一個多輸入/單輸出的非線性器件,其模型如圖84所示。(84) (85) 圖8-4 神經(jīng)元模型從神經(jīng)網(wǎng)絡逼近性理論可知,MFNN構(gòu)成了RnRm的一個連續(xù)映射,它可以任意逼近一個集上的任意連續(xù)函數(shù)。這些特點是使MFNN得到廣泛應用的理論基礎。目前尚未找到較好的直接構(gòu)造方法來確定MFNN的結(jié)構(gòu)和權(quán)值參數(shù),表達給定的映射或逼近一個未知的映射,只能通過網(wǎng)絡訓練的方式來得到滿足要求的MFNN。MFNN的訓練問題可描述如下: 給定一個樣本集合(xp,tp),xpRn,tpRm,p=1,2,P,它通過輸入

40、輸出對,以隱含形式定義了某種RnRm的函數(shù)關系,函數(shù)的具體表達式形式可能是未知的。我們期望能利用MFNN所具有的任意逼近能力來表示這一未知的函數(shù)關系,即尋找一組適當?shù)臋?quán)值ij,ij來構(gòu)成網(wǎng)絡y=NN(x),使得如下的指標函數(shù)最小: （8-6） 通常找到最優(yōu)的權(quán)值ij,ij是非常困難的,甚至是不可能的。在實際使用時,樣本集中的樣本輸出或多或少地被噪聲所污染,所以即使僥幸得到了最優(yōu)解也只能是對真實函數(shù)關系的一個近似。因此,人們一般僅希望得到一個滿意解。為此給定一個誤差精度要求0,只要能找到一組權(quán)值ij,ij能夠滿足條件E,則我們就說找到了對未知函數(shù)的一個逼近。為實際應用的需要,不僅是希望得到一個樣

41、本集合的逼近,更重要的是逼近樣本集所隱含的函數(shù)關系。因此,還要求對樣本集之外的某一測試集中的點(xq,tq),q=1,2,Q也滿足條件E0,稱為學習率;可以看成神經(jīng)元所表現(xiàn)出來的誤差。 BP的算法是一種非常耗時的算法,對于共有N個連接權(quán)的網(wǎng)絡,學習時間在串行機上約為0(N3)運算量,在一般并行機上約需0(N2)運算量,而且學習樣本函數(shù)為0(N)的數(shù)量級。這就是說,N越大,就要搜集更多的訓練樣本,給估計權(quán)系數(shù)提供充分的數(shù)據(jù)。還應注意,不允許網(wǎng)絡中各初始化權(quán)值完全相等。拉梅爾哈特等人已經(jīng)證明,網(wǎng)絡不可能從這樣的結(jié)構(gòu)運行到一種非等權(quán)值結(jié)構(gòu),即使后者對應較小的系統(tǒng)誤差。 BP模型雖然從各個方面都有其重

42、要的意義,但它存在有以下問題:(1)從數(shù)學上看它是一個非線性優(yōu)化問題,這就不可避免存在著局部極小值問題,這使學習的成功無法保證。存在一些區(qū)域,梯度向量接近于零,但又不是指標函數(shù)的駐點,這使得學習變得更加困難。(2)學習算法的收斂速度很慢,通常需要幾千或更多次迭代,因為BP算法是以梯度法為基礎的,僅具有線性收斂速度。(3)對初始權(quán)值的敏感性。不同的初始權(quán)值使學習過程大相徑庭,如果在極小點附近,則會很快收斂;如果遠離極值點,則收斂非常緩慢。 (4)學習因子、p均沒有一種恰當?shù)倪x擇辦法。如果學習因子太大,則會產(chǎn)生振蕩,甚至使學習過程分散;太小又會使學習過程變得非常緩慢。(5)學習最終成功與否是沒有保

43、障的。學習失敗的原因可能是網(wǎng)絡隱節(jié)點數(shù)目不夠多,使網(wǎng)絡映射能力不能達到要求;也可能是緣于算法本身的問題。因為沒有采用一維搜索算法,且更新方向不保證是下降的,所以訓練是否會得到一個滿意的解,甚至訓練最終是否會收斂都是不確定的。 (1)自適應調(diào)整學習率的方法。根據(jù)學習進展情況在訓練過程中動態(tài)修正學習因子,采用這種方法改進BP算法,其好處是不增加額外的計算量,保持并行分布式計算的特點,且通過調(diào)整學習率因子基本上可以保證算法是收斂的。學習效率雖有所提高,但還是不能令人滿意。 (2)利用目標函數(shù)的二階導數(shù)信息。利用二階信息,也就是利用目標函數(shù)的二階導數(shù)陣(Hessian陣)或是對二階導數(shù)陣的近似,這樣可

44、以構(gòu)成一些具有超線性收斂的算法。這一方面的研究是以非線性優(yōu)化理論為基礎的,是將MFNN的訓練問題歸結(jié)為一個非線性規(guī)劃問題來求解。因此,優(yōu)化理論中的各種優(yōu)化算法,如牛頓法、共軛梯度法、變尺度法以及對這些算法的各種改進算法,都是大有用武之地的。 但是這些算法的應用帶來了一個問題,就是MFNN本身是一種并行處理的結(jié)構(gòu),要采用這些算法,則需要將網(wǎng)絡的權(quán)值展開構(gòu)成一個權(quán)值向量來進行各種向量、矩陣運算,或者要求構(gòu)成一個矩陣近似指標函數(shù)關于權(quán)值向量的Hessian陣。這對MFNN的并行處理能力有很大的影響。有一些研究者將二階信息的利用局限于某一層或某一節(jié)點,甚至將對Hessian陣的近似限制到每一個權(quán)值,這

45、在一定程度上保證了并行的性質(zhì),但又影響了算法的效率。然而,二階算法的有效性是不可忽視的,雖然使計算復雜性增加,但網(wǎng)絡學習的有效性可提高一兩個數(shù)量級以上。所以在任務比較復雜而且對并行處理要求不太高的場合,網(wǎng)絡的規(guī)模不是很大時,二階算法是實際可行的。進一步加強對并行算法的研究,可以為二階算法的應用帶來更廣闊的前景。 2.神經(jīng)網(wǎng)絡權(quán)值的初始化方法1)基于啟發(fā)式方法的神經(jīng)網(wǎng)絡權(quán)值的初始化方法總的來說,目前尚沒有一個好的權(quán)值初始化方法。一般的網(wǎng)絡訓練算法通常都是以小的隨機數(shù)作為網(wǎng)絡的初始權(quán)值。其目的是破壞網(wǎng)絡的“對稱性”,防止在優(yōu)化過程中各隱節(jié)點形成相類似的特性。用前面的幾何觀點來看,小的權(quán)值使各隱節(jié)點

46、的敏感區(qū)保持相當寬度,且具有隨機的延伸方向。這樣為向各種不同性態(tài)的函數(shù)過渡提供了一個共同的基礎,但是這使得網(wǎng)絡輸出在相當?shù)姆秶鷥?nèi)變化平緩,必須經(jīng)過若干次迭代之后才能表現(xiàn)出一些期望的函數(shù)性態(tài)來。當樣本點分布不是在原點附近,且各輸入分量具有不同數(shù)量級時,這樣初始化的網(wǎng)絡與最終目標函數(shù)距離很遠。在過去的研究中,有的學者在采用BP算法之前對輸入值進行歸一化,其目的就是希望避免這種情況。 2)基于典型樣本值的神經(jīng)網(wǎng)絡權(quán)值的初始化方法在上面方法中,沒有利用任何反映當前要逼近的函數(shù)的特性,只能說是一種通用的初始化方法,對當前的具體問題來說是一種盲目的方法。如何將一些有關當前要逼近的函數(shù)的先驗知識加入到網(wǎng)絡結(jié)

47、構(gòu)中,也是一個很重要的研究課題。這一方面可使尋優(yōu)參數(shù)數(shù)量減少,另一方面由于加入了先驗信息,使構(gòu)成的網(wǎng)絡更接近期望函數(shù),可使收斂過程加速,且不會產(chǎn)生出與事實不符的結(jié)果。 先驗信息的加入方法對于具體問題是各不相同的。對一維函數(shù),可以在函數(shù)的每一個上升段和下降段都設置一個隱節(jié)點,隱節(jié)點的中心可以是這一段的中心,隱節(jié)點的方向上升段取為1,下降段取為-1,隱節(jié)點敏感區(qū)寬度取為這一段的寬度。經(jīng)過這樣的設置可以使網(wǎng)絡在初始時刻就與要逼近的函數(shù)具有大致相同的變化趨勢。我們認為一種理想的初始化方法,應該是充分利用已知的先驗信息,使網(wǎng)絡初始就能具有大致的期望特性,再經(jīng)過進一步的優(yōu)化過程,最終可以很快地得到一個比較

48、理想的逼近結(jié)果。 3.神經(jīng)網(wǎng)絡在壓縮機變頻控制系統(tǒng)中的應用人們一直希望包括電機、逆變器、控制器在內(nèi)的交流驅(qū)動系統(tǒng)能有一個好的性能和可靠性,并在這方面盡了很大的努力。但是,隨著性能的提高,電力驅(qū)動系統(tǒng)的結(jié)構(gòu)越來越復雜,可靠性就隨之降低。 因此,為了進一步提高電力驅(qū)動的性能,需要控制技術不依賴于系統(tǒng)精確的數(shù)學模型。自適應控制,例如模型參考自適應、變結(jié)構(gòu)及自調(diào)節(jié)控制就屬于這類控制技術。 在自適應控制中,由某些確定模型的預定參數(shù)來辨識在控制中的系統(tǒng)參數(shù),從而使不確定及不清楚條件得到補償。雖然這些控制技術在很多情況下被認為是有效的,但當應用到電力驅(qū)動時,不能保證得到精確的功能表達式,而且系統(tǒng)可能會發(fā)生不

49、穩(wěn)定,原因是大多數(shù)常規(guī)辨識是線性的,而電力驅(qū)動的特性是非線性的;另一方面,常規(guī)自適應控制算法不可知,其參數(shù)十分復雜,硬件結(jié)構(gòu)也較復雜。 由于神經(jīng)網(wǎng)絡具有進行輸入輸出訓練,以使它能學習復雜映射的能力,而不用知道輸入輸出之間精確的數(shù)學模型。一旦訓練好,輸入輸出之間的非線性就會蘊藏在神經(jīng)網(wǎng)絡自身中,就可以避免求解數(shù)學模型的困難。因此,神經(jīng)網(wǎng)絡是帶有不確定及不可知條件的非線性系統(tǒng)的最合適的控制方法。已經(jīng)有神經(jīng)網(wǎng)絡系統(tǒng)應用于復雜非線性系統(tǒng)的許多成功的例子,如電力驅(qū)動等的控制和辨識等?？梢灶A料,將神經(jīng)網(wǎng)絡系統(tǒng)應用于控制和辨識,能改進系統(tǒng)的性能,使控制器結(jié)構(gòu)簡單,提高系統(tǒng)的可靠性。神經(jīng)網(wǎng)絡應用于電機驅(qū)動系統(tǒng)

50、主要可分為以下幾類。1)監(jiān)控監(jiān)控是把專家的實踐經(jīng)驗轉(zhuǎn)移到神經(jīng)網(wǎng)絡中。對于監(jiān)控,首先需要有一個相應輸入及輸出的數(shù)據(jù)庫。與專家系統(tǒng)的不同之處在于:專家系統(tǒng)從條件映射到動作空間,學習一個專家怎么做,而神經(jīng)網(wǎng)絡則映射一個輸入輸出集合,學習一個專家做什么。當人們知道怎樣適當?shù)乜刂埔粋€系統(tǒng)但人工處理太慢時,可用神經(jīng)網(wǎng)絡監(jiān)控方法。在電力驅(qū)動中,監(jiān)控可用來產(chǎn)生變頻器中的逆變器開關模式。這些監(jiān)控問題雖然可用常規(guī)控制器來解決,但使用神經(jīng)網(wǎng)絡的優(yōu)越性之一就是處理速度快、容錯性好。如神經(jīng)網(wǎng)絡用來產(chǎn)生一個三相的PWM逆變器的開關模式。在這里,神經(jīng)網(wǎng)絡用來代替滯后控制系統(tǒng)中的滯后比較器。網(wǎng)絡的輸入是三相電流實際值與參考量

51、的差,網(wǎng)絡的輸出是PWM逆變器的開關模式,網(wǎng)絡的輸出取1或0,網(wǎng)絡的三個輸出信號提供了逆變器的8種可能的狀態(tài)。網(wǎng)絡的訓練是當一相電流誤差達到閾值后,相應的網(wǎng)絡輸出端為1,將相應逆變器的上部分接通。當?shù)陀陂撝禃r,將那一支路的下一單元接通。仿真證明,采用神經(jīng)網(wǎng)絡后,控制系統(tǒng)的容錯性提高,逆變器輸出電流波動下降。 2)逆控制在逆控制中,神經(jīng)網(wǎng)絡用來學習非線性系統(tǒng)的逆動態(tài)模型特性。當將非線性系統(tǒng)的希望輸出當作神經(jīng)網(wǎng)絡輸入時,網(wǎng)絡輸出應是非線性系統(tǒng)產(chǎn)生希望輸出的輸入。如神經(jīng)網(wǎng)絡用來實現(xiàn)(t),W(T),W(t)與無刷直流電機u(t)的逆非線性關系,然后使用該訓練好的神經(jīng)網(wǎng)絡,采用逆模型控制策略來控制無刷

52、直流電機的軌跡。 3)自適應控制在神經(jīng)網(wǎng)絡自適應控制中,神經(jīng)網(wǎng)絡用來實現(xiàn)如系統(tǒng)參數(shù)的辨識、調(diào)節(jié),根據(jù)傳統(tǒng)自適應結(jié)構(gòu)方法來實現(xiàn)控制器等功能。在電力驅(qū)動中,神經(jīng)自適應控制應用大部分均是基于神經(jīng)間接模型參考自適應控制。如訓練神經(jīng)網(wǎng)絡用來模擬DC電機及負載的非線性性能,將訓練好的神經(jīng)網(wǎng)絡和一個希望的參考模型連在一起,控制電機電壓,以便能準確控制DC的速度。實驗證明,速度準確性是滿意的,系統(tǒng)魯棒性即使在有隨機產(chǎn)生擾動的情況下也非常好。還有使用神經(jīng)網(wǎng)絡構(gòu)成矢量控制中的磁通觀測器,以提高系統(tǒng)的性能。 4)電氣系統(tǒng)故障診斷和分析神經(jīng)網(wǎng)絡在電力驅(qū)動上的另一個重要應用領域是故障分析和檢測。適當?shù)墓收戏治黾皺z測可以

53、顯著地增加可靠性和降低驅(qū)動的維修費用。常用的故障分析及檢測方法有兩種:一種是有經(jīng)驗的工程師和專家系統(tǒng),另一種是參數(shù)評估系統(tǒng)。有經(jīng)驗的工程師通常費用很高且較難培養(yǎng),專家系統(tǒng)的處理速度使其較難應用于實時電力驅(qū)動系統(tǒng)中。參數(shù)評估的主要缺點是它需要對系統(tǒng)動態(tài)性能與參數(shù)的關系有清楚的了解。對于神經(jīng)系統(tǒng)來說,當神經(jīng)網(wǎng)絡用來完成故障診斷與分析時,數(shù)學模型的困難可被避免。神經(jīng)網(wǎng)絡也可用于第一種方法,因為人類專家的經(jīng)驗可通過監(jiān)督學習傳送給神經(jīng)網(wǎng)絡。 5)模糊控制雖然電機是一個高度非線性、不確定性的系統(tǒng),但已應用了許多年,人們已得到了許多理論模型及先驗知識。因此人們希望能將理論模型及先驗知識蘊藏在神經(jīng)網(wǎng)絡中,當網(wǎng)

54、絡應用于電力驅(qū)動時,這時神經(jīng)網(wǎng)絡的輸出也不會和先驗知識矛盾,推斷時也會更安全。另一方面,神經(jīng)網(wǎng)絡的訓練也是一個很費時間的工作,為了使訓練過程收斂,通常需要上千次的循環(huán)。在某些情況下,訓練算法也不收斂。當神經(jīng)網(wǎng)絡應用于電力驅(qū)動時,人們希望網(wǎng)絡結(jié)構(gòu)能夠分解為如基于知識子系統(tǒng)、學習子系統(tǒng)或者各自獨立完成任務的子系統(tǒng),每個子系統(tǒng)都可以被單獨訓練,這將提高學習速度和神經(jīng)網(wǎng)絡解題速度。 盡管神經(jīng)網(wǎng)絡被證明在電力驅(qū)動方面存在著較大的應用前景,但它有一個主要缺陷,即它被認為是一個黑匣子,結(jié)構(gòu)被看做是一個整體。神經(jīng)網(wǎng)絡從輸入輸出訓練中得到的映射模式是不可見的,而且很難懂。為了克服這個缺點,研究者們已經(jīng)開始將先驗

55、知識及模塊結(jié)構(gòu)結(jié)合進神經(jīng)網(wǎng)絡。能克服這個缺點的一個最有前途的方法或許就是將神經(jīng)網(wǎng)絡與模糊邏輯結(jié)合在一起,組成模糊神經(jīng)網(wǎng)絡。模糊邏輯被看做是二值布爾邏輯的延伸。在布爾邏輯中,一個變量或者是1或者是0。在模糊邏輯中,一個變量值由一個變化的函數(shù)而得,使得模糊系統(tǒng)能處理不確定性和含混。 模糊控制和神經(jīng)網(wǎng)絡都能從典型數(shù)據(jù)中評估系統(tǒng)功能,它們都是無模型評估器。和專家系統(tǒng)相比，二者都是數(shù)字的,利于硬件完成。但是在構(gòu)造神經(jīng)網(wǎng)絡時需要獲得一系列足夠多的訓練數(shù)據(jù),那些訓練數(shù)據(jù)將會通過反復學習融入神經(jīng)網(wǎng)絡之中,這是神經(jīng)網(wǎng)絡的優(yōu)越性,它使神經(jīng)網(wǎng)絡具有學習及自適應功能。同時它也是神經(jīng)網(wǎng)絡的一個缺點,由專家提供的規(guī)則不能

56、直接接在神經(jīng)網(wǎng)絡中。但模糊系統(tǒng)的建立,需要獲得結(jié)構(gòu)數(shù)據(jù),即由專家給的規(guī)則,這些規(guī)則將被直接填充在規(guī)則矩陣。這個特性的優(yōu)越性就是使一個模糊系統(tǒng)的結(jié)構(gòu)明顯比訓練一個神經(jīng)網(wǎng)絡簡單,缺點就是它使模糊系統(tǒng)無學習和自適應能力。因此,人們很自然地想把神經(jīng)網(wǎng)絡和模糊系統(tǒng)混合起來。例如用專家提供的規(guī)則初始化控制器,用神經(jīng)網(wǎng)絡去調(diào)節(jié)改進系統(tǒng)實時性能,用模糊邏輯作為上層監(jiān)控,以使神經(jīng)網(wǎng)絡的學習收斂性提高。 8.2電力電子技術在制冷技術上的應用和發(fā)展8.2.1數(shù)字信號處理器(DSP)的發(fā)展及應用DSP的英文名稱是DigitalSignalProcessor,意為數(shù)字信號處理器。1982年TI公司成功研制了世界上第一片

57、DSPTMS32010。當年年底,TMS32010就被雜志評為“年度最佳產(chǎn)品”。DSP發(fā)展至今已經(jīng)有20多年的歷史了。綜觀DSP的發(fā)展,大致可分為三個階段:(1)第一階段:以TMS320C10C2X為代表的16位定點DSP;(2)第二階段:以ADSP21020和TMS320C3X為代表的32位浮點DSP;(3)第三階段:最近幾年才出現(xiàn)的性能更高的DSP,包括并行DSP和超高性能DSP,例如TMS320C67X和ADSP21160等型號。 DSP除了具備普通微處理器的高速運算和控制功能外,還具有以下一些特點:(1)DSP一般都采用哈佛結(jié)構(gòu)和改進的哈佛結(jié)構(gòu),這是一種數(shù)據(jù)總線和程序總線分離的結(jié)構(gòu),在

58、指令執(zhí)行速度上優(yōu)于傳統(tǒng)的馮諾依曼結(jié)構(gòu)。(2)DSP內(nèi)部一般都有專用的硬件乘法器,這是針對DSP要處理濾波、相關、矩陣、FFT等運算需要大量的乘法累加預算。(3)DSP大多采用流水線技術,在每個時鐘周期都完成取指、譯碼、取數(shù)、執(zhí)行等多個步驟,實現(xiàn)了并行處理,提高了執(zhí)行效率。 (4)與單片機相比,DSP片內(nèi)存儲器容量大,類型多,而且可以很方便地用片外存儲器進行擴充。(5)DSP片內(nèi)有多條總線可以同時進行取指令和多個數(shù)據(jù)的存取操作。許多DSP內(nèi)部帶有DMA通道控制器和串行通信口等,提高了數(shù)據(jù)塊的傳送速度。(6)DSP有中斷處理器和定時控制器,具有軟/硬件等待功能,有自己獨立的指令系統(tǒng)。 DSP的以上

59、特點決定了它的主要應用領域。隨著DSP性能的迅速提高和成本的大幅下降,它的應用范圍也不斷擴大,幾乎遍及整個電子領域。主要有以下幾個應用方面:(1)通用數(shù)字信號處理:包括FFT、數(shù)字濾波、卷積、耳伯特變換、波形發(fā)生等。(2)通信:如高速調(diào)制解調(diào)器、編碼/譯碼器、傳真、程控交換機、移動電話、衛(wèi)星電視、IP電話等。(3)語音處理:主要有語音識別、合成、矢量編碼、語音信箱等。(4)自動控制:可以用DSP完成對電動機、打印機伺服電機等的自動控制。(5)圖形/圖像處理:可用于模式識別、三維圖像變換、動畫、電子出版物等。 (6)儀器儀表:可用于測量數(shù)據(jù)分析、自動監(jiān)測及分析、暫態(tài)分析等。(7)醫(yī)學電子:助聽器

60、、CT掃描、超聲波、心腦電圖等。(8)軍事:可用于雷達聲納信號處理、雷達成像、導彈制導、全球定位、偵察衛(wèi)星等。(9)消費電子:數(shù)字電視、VCD/DVD/CD播放機、變頻空調(diào)、變頻電冰箱、洗衣機等。 下面以在制冷壓縮機驅(qū)動領域有廣泛應用前景的TMS320C240為例介紹DSP的大致結(jié)構(gòu)。TMS320C240是TI公司的TMS320系列DSP中的一種。TMS320系列中同一代的DSP所采用的CPU都是相同的,不同的只是存儲器和外圍接口電路。TMS320系列包括C1x、C2x、C3x、C4x、C24x、C5x、C54x等。TMS32C240的外圍配置了一整套的電機控制外設單元,使DSP控制器的價格大