智能控制在电气传动系统中的作用及应用

1、首 钢 工 学 院 毕 业 论 文（设 计）题 目： 智能控制在电力传动系统中的 作用及应用 系 别： 机电系 专 业： 电气自动化 班 级： 071 姓 名： 王立伟 指导教师： 白小梅 2010年 5月 9日摘要： 在电力电子与电力传动应用中，控制系统始终是一个核心问题，因为它直接影响整个系统的性能。自动化程度的提高和普及, 受控对象日趋复杂, 对于许多难以获得数学模型或模型复杂的过程, 应用经典和现代控制理论往往不能取得令人满意的控制效果。可是在手动控制中, 熟练的操作人员却可以驾驭自如。计算机在逻辑推理、判断、识别、决策、学习等方面的功能可以承担按照熟练操作人员和专家的经验与方法进行控

2、制的工作。另一方面, 许多探索如何实现人脑思维功能的学术领域, 如人工智能、专家系统、神经网络、模糊逻辑等的研究取得了可喜的进展, 这些研究成果从不同的角度提出了各种仿照人的知识、思维进行控制的方法, 如专家控制器、神经元控制、模糊控制等等, 统称智能控制。随着智能控制理论和电力传动技术的发展，智能控制越来越多的使用在电力传动系统中。本文阐述了智能控制的特点，在此基础上分析了智能控制在电力传动控制系统中应用并给出了智能控制在电力传动控制系统的应用实例。本文介绍了智能控制系统理论及其系统结构。重点分析了专家控制、神经网络、模糊逻辑控制和遗传算法等智能控制方法在电力传动系统上应用和它们发挥着的重要

3、作用。针对电力传动系统的非线性和复杂性，智能控制通过模拟人的思维方式，可以在线改变系统的参数和结构，使控制系统达到最优，实现令人满意的控制效果。关键字： 智能控制；电力传动；专家系统；神经网络；模糊控制目 录1.前言- - - - - - - - - - - - - - - - - - - - - - - - -42.智能控制概述- - - - - - - - - - - - - - - - - - - - -43.智能控制理论与系统结构- - - - - - - - - - - - - - - -53.1智能控制的产生背景- - - - - - - - - - - - - - - - - -

4、5 3.2智能控制系统的特点- - - - - - - - - - - - - - - - - -53.3智能控制的学科基础- - - - - - - - - - - - - - - - - -5 3.4智能控制系统的构成- - - - - - - - - - - - - - - - - - -64.电力传动系统采用智能控制优势- - - - - - - - - - - - - -7 5.智能控制在电力传动中的应用- - - - - - - - - - - - - - -7 5.1模糊控制在电力传动系统中的应用- - - - - - - - - - - - - -7 5.2神经网络PID 在电

5、机调速中的应用- - - - - - - - - - - - - -8 5.3基于专家控制的电力传动系统- - - - - - - - - - - - - - - -9 5.4基于神经网络的电力传动系统- - - - - - - - - - - - - - - -10 5.5基于遗传算法的电力传动系统- - - - - - - - - - - - - - - -11 5.6结语- - - - - - - - - - - - - - - - - - - - - - - -11 主要参考文献- - - - - - - - - - - - - - - - - - - - - -11致谢- - - -

6、 - - - - - - - - - - - - - - - - - - - - - -121. 前言电力传动系统是以电动机作为原动机的机械系统的总称，其目的是为了通过对电动机合理的控制，实现生产机械的起动，停止，速度、位置调节以及各种生产工艺的要求。它始于20 世纪初，随着电动机的推广应用，其控制问题逐渐从电机领域独立出来，成为一个单独的领域。从60 年代起，随着电力电子技术的发展，电力电子变换器取代了电机机组变换，特别是80 年代以来，变频交流调速的发展，使电力传动发展到一个全新的境界，并融入电力电子范畴。经过近百年的发展，今天的电气传动是一个集控制、电力电子、微电子、信息、材料和机械等学

7、科新技术于一体的全新学科。随着电力电子器件和控制理论的不断发展和对控制效果的要求越来越高，传统的控制系统已经越来越难以满足更高的控制要求。近年来，国内外的专家学者对电力传动系统进行了大量的研究，试图寻找不同的控制理论和方法实现对电力传动系统的控制，以便检查或说明该方法对具有非线性和强耦合特点的电力传动系统的控制能力。其中智能控制的许多重要优点已得到了验证和应用，越来越多的智能控制方法在电力传动领域中得到广泛的应用。2. 智能控制系统概述智能控制是指驱动智能机器自动地实现其目标的过程，即是一类无需人的直接干预就能独立地驱动智能机器实现其目标的自动控制。其理论基础是人工智能、控制论、运筹学和信息论

8、等学科的交叉。傅京孙教授于1971 年首先提出了智能控制的二元交集理论即人工智能和自动控制的交叉；美国的萨里迪斯(G .V . Saridis)于1977 年把傅京孙教授的二元结构扩展为三元结构，即人工智能、自动控制和运筹学的交叉；后来，中南大学的蔡自兴教授又将三元结构扩展为四元结构，即人工智能、自动控制、运筹学和信息论的交叉，从而进步完善了智能控制的结构理论，形成智能控制的理论体系。随着自动化程度的提高和普及, 受控对象日趋复杂, 对于许多难以获得数学模型或模型复杂的过程, 应用经典和现代控制理论往往不能取得令人满意的控制效果。可是在手动控制中, 熟练的操作人员却可以驾驭自如。计算机在逻辑推

9、理、判断、识别、决策、学习等方面的功能可以承担按照熟练操作人员和专家的经验与方法进行控制的工作。另一方面, 许多探索如何实现人脑思维功能的学术领域, 如人工智能、专家系统、神经网络、模糊逻辑等的研究取得了可喜的进展, 这些研究成果从不同的角度提出了各种仿照人的知识、思维进行控制的方, 如专家控制器、神经元控制、模糊控制等等, 统称智能控制。首先, 智能控制突破了传统控制理论中必须基于数学模型的框架, 它按实际效果进行控制, 不依赖或不完全依赖于控制对象的数学模型。其次, 智能控制继承了人脑思维的非线性特性, 可以利用计算机控制的便利, 根据当前状态切换控制器的结构, 用变结构的方法改善系统的性

10、能。某些智能控制方法还具有在线辩识、决策或总体自寻优的能力。在复杂的系统中, 智能控制还具有分层信息处理和决策的功能。智能控制将是继经典控制和现代控制之后的第三代自动控制技术。近年来，神经网络、模糊数学、专家系统、进化论等各门学科的发展给智能控制注入了巨大的活力，由此产生了各种智能控制算法。当前，智能控制的几个重要分支是专家控制、模糊控制、神经网络控制和遗传算法。3. 智能控制理论与系统结构3.1 智能控制的产生背景智能控制的概念和原理主要是针对被控对象、环境、控制目标或任务的复杂性而提出来的。而计算机科学、人工智能、信息科学、思维科学、认知科学和人工模糊的连接机制等方面的新进展和智能机器人的

11、工程实践，从不同角度为智能控制的诞生奠定了必要的理论和技术基础。被控对象的复杂性表现为：模型的不确定性，高度非线性，分布式的传感器和执行器，动态突变，多时间标度，复杂的信息模式，庞大的数据量，以及严格的特性指标。环境的复杂性是以其变化的不确定和难以辨识为特征的。在传统的控制中，往往只考虑控制系统和被控对象所组成的“独立”体系，忽略了环境所施加的影响，而现在的大规模复杂的控制和决策问题，必须把外界环境和对象以及控制系统作为一个整体来进行分析和设计。对于控制任务或控制目标，以往都着眼于用数学语言进行描述，这种描述经常是不精确的。实际上，控制任务和目标有多重性(多目标)和时变性，一个复杂任务的确定，

12、需要多次的反复，而且还包括任务所含的处理过程。面对复杂的对象、复杂的环境和复杂的任务，用传统的控制理论和方法去解决是不可能的。在生产实践中，复杂控制问题可通过熟练操作人员的经验与控制理论相结合去解决，由此产生了智能控制。这就产生了一种仿人的控制理论和方法，形成了智能控制产生的背景。与传统的控制理论相比，智能控制对于环境和任务的复杂性有更大的适配程度。它不仅仅是对建立的模型，而且对于环境和任务能抽取多级的描述精度，进而发展了自学习、自适应和自组织等概念，所以能在更广泛的领域中获得应用。3.2 智能控制系统的特点智能控制源于被控系统的高度复杂性、高度不确定性以及人们要求越来越高的控制性能，是控制理

13、论发展的高级阶段，它的产生与发展使得控制系统中信息、反馈和控制等重要概念有了更加丰富的内涵。（1）智能控制系统一般将以知识表示的非数学形式的模型和以数学形式表示的模型的结合在一起。它适用于含有复杂的、不完全的、模糊的、不确定和不存在已知算法的生产过程。它能根据被控对象的动态参数进行辨识，并采用开闭环及定性与定量结合的控制方式。（2）智能控制器具有分层信息处理和决策的机构。智能控制器本质上是在模仿人的神经结构和人的处理方式。因此智能控制核心在高层控制，对环境或过程进行总体上的求解，模拟人脑的思维。在底层上，通常采用常规控制。（3）智能控制器具有非线性。非线性是人脑与模拟人脑的智能控制器的共同特点

14、。（4）智能控制器具有变结构的特点。当智能控制器根据偏差和偏差变化率来改变参数也不能达到系统控制要求时，切换系统的控制结构成为智能控制器的另一选择。（5）智能控制器具有总体自寻优的特点。智能控制器可以对被控系统进行在线辨识，通过不断的优化控制系统的参数和结构来达到最优控制。3.3 智能控制的学科基础智能控制系统的核心集中在“智能”上，智能只能靠模拟人类的智能。模拟人类模糊逻辑思维的模糊集合论、模拟人的大脑神经结构和功能的神经网络理论，以及模拟人的感知、行动的进化论，另外，信息论、物元分析和可拓集合论、耗散结构论、协同学、突变论和混沌理论都已经成为研究智能控制理论的学科基础的组成部分。总之，智能

15、控制理论的研究和发展需要众多前沿学科作为基础，而智能控制理论的深入研究又必将推动其它相关学科的发展。3.4 智能控制系统的构成简单的智能控制系统是由被控对象和仿人控制器组成的负反馈闭环控制系统，其结构图如图1 所示。若设想把人的经验和知识赋予控制器，这种控制器就是智能控制器。它借助计算机按照人的意志和愿望实现对生产过程的控制。随着控制技术的发展，多级递阶智能控制系统应用越来越广。如图2 所示。多级递阶智能控制是从工程控制论角度，总结人工智能、自适应、自学习和自组织控制的关系后形成的，由组织级、协调级和执行级三级组成。每一级都分别具有在线特征辨识、知识库和推理机，在组织级一般还设有性能指标库来作

16、为学习评判的标准。级间的数据交换是通过公共数据库来完成。运行控制级属于低层控制级，根据人的经验和知识实现对工业生产过程的闭环控制，本质上它已是一个简单的智能控制系统，故称运行控制级为零阶产生式系统。参数校正级是高层和低层控制级之间的转换接口，主要解决运行级控制模态或控制模态参数自校正，使运行控制级按照人们预期的目标运转。它和运行控制级一起称为一阶产生式系统。控制规则组织级属于高层控制级。当系统运行状态、外部环境和被控对象等发生较大变化，或者给定任务和控制要求需要变更时，控制规则组织级马上进行运行控制级和参数校正级中的特征模型、推理方法和控制策略的控制模态选择、修正及自学习生成。它和运行控制级、

17、参数校正级一起，称为二阶产生式系统。4. 电力传动系统采用智能控制优势人工智能控制器可分为监督、非监督或增强学习型三种。常规的监督学习型神经网络控制器的拓朴结构和学习算法已经定型,这就给这种结构的控制器增加了限制,使得计算时间过长,常规非人工智能学习算法的应用效果不好。采用自适应神经网络和试探法就能克服这些困难,加快学习过程的收敛速度。常规模糊控制器的规则初值和模糊规则表是既定a-priori型,这就使得调整困难,当系统得不到a-priori(既定)信息时,整个系统就不能正常工作。而应用自适应AI 控制器,例如使用自适应模糊神经控制器就能克服这些困难,并且用DSP 比较容易实现这些控制器。总而

18、言之,当采用自适应模糊神经控制器,规则库和隶属函数在模糊化和反模糊化过程中能够自动地实时确定。有很多方法来实现这个过程,但主要的目标是使用系统技术实现稳定的解,并且找到最简单的拓朴结构配置,自学习迅速,收敛快速。5. 智能控制在电力传动中的应用电力传动系统中发电机、变压器、电动机等电机电器设备的设计、生产、运行、控制是个复杂的过程，国内外的电气工作者将人工智能技术引入到电气设备的优化设计、故障诊断及控制中，取得了良好的控制效果。例如，应用于电气设备故障诊断的智能控制技术有：专家系统、神经网络和模糊逻辑控制。在电力电子学的众多应用领域中，智能控制在电流控制PWM 技术中的应用是具有代表性的技术应

19、用方向之一。5.1 模糊控制在电力传动系统中的应用模糊控制即是利用模糊集合来刻画人们日常所使用的概念中的模糊性，从而使控制器能更逼真的模仿熟练操作人员和专家的控制经验与方法。模糊控制最大的优点是不依赖于被控对象的精确数学模型，能够克服非线性因素的影响，对调节对象的参数变化具有较强鲁棒性。因而在电力拖动领域中的应用相对于智能控制的另两种方法(专家系统、神经网络)来讲要成熟些，它在交、直流调速系统及伺服系统中均取得了令人满意的效果。目前，模糊控制已成为实现智能控制的一种途径。介绍了模糊控制在交流调速系统中的应用。系统将模糊控制和PI控制相结合，采用模糊PI控制对交流调速系统进行控制。图1给出了模糊

20、PI控制器的基本结构框图。系统选用二维模糊控制器的输入为速度误差e及其误差变化率e，输出为定子电流iTs，量化因子分别为ke 和kc ，比例因子为ku 。模糊变量有：输入相应误差E，误差变化率EC，输出为控制量U。ke 和 kc 的大小意味着对E 和EC 的不同加权程度，而在调整系统特性时，ke 和kc 又相互制约，因此可得到带有调整因子 的控制规则，通过改变 的大小，改变对E 和EC 的不同加权程度，获得不同的控制作用。5.2 神经网络PID 在电机调速中的应用神经网络最普遍的训练方法是BP(back errorpropagation)算法。这种算法是基于一种使平均平方误差评估函数最小化的梯

21、度寻找技术,最小化的过程就是对权值的调整。BP 网络是前向神经网络的核心,具有结构算法简单,便于在实时控制的条件下实现等优点,所以它在控制领域的应用已成为必然趋势。图2 给出了三层BP 网络结构图，该神经网络由输入层，一个隐含层，输出层。常规 PID 控制器的主要特点是: 快速的比例作用、消除稳态误差的积分作用和预测将来的微分作用, 并且一旦整定计算好后, 整个控制过程都是固定不变的。它特别适用于过程的动态性能是良好的而且控制性能要求不高的情况。然而, 由于 PID 的参数没有直观的实际物理意义, 在 PID 控制器参数整定上, 一直存在一些困难。对于经验不足的地面维护人员来说, 要达到好的

22、PID 控制效果并不是很容易。针对常规数字 PID 的上述不足, 利用神经网络的并行处理、自学习、 逼近任意非线性函数的特性, 通过神经网络自身的学习, 可以找到 PID 控制率下最优的KP、 KI、 KD 参数。BP 神经网络多变量学习算法由前向传播算法和反向传播算法两部分组成。各层节点配置在后面训练阶段有详细描述。基于 BP 神经网络的 PID 控制原理方框图如图3 所示。设计输入输出神经元。本 BP 网络的输入层设置 3 个神经元, 分别为输入速度 V0、速度偏差 E 和偏差变化量 Ec; 输出层有 3 个神经元, 为 PID 控制器的 3 个可调节参数KP、 KI、 KD; 设计隐含层

23、神经元个数。 本文初步确定隐含层节点数为 5 个, 学习一定次数后, 不成功再增加隐含层节点数, 一直达到比较合理的单元数为止; 设计网络初始值。隐层模糊化神经网络的学习样本由输入特征向量和输出向量构成。采用输出函数i, p y与期望结果i, p t 的误差平方和E 作为网络训练的目标函数其中N 为训练样本数。网络按照以上算法训练即可达到期望的误差。通过仿真实验验证得出采用神经网络训练所得到PID参数进行实验，调速系统的相应速度快，超调小甚至无超调稳态误差小。故与无经验调试者盲目设定 PID参数进行的调速相比, 利用 BP 神经网络训练得到的参数进行调速, 其控制效果得到改善。5.3 基于专家

24、控制的电力传动系统专家控制是将专家系统的理论与技术同控制理论方法与技术相结合，在未知环境下，仿效专家的智能，实现对系统的控制。基于专家控制的原理所设计的系统称为专家控制系统。本质上，一个专家系统就是植入了人类在某一领域的专门知识的智能计算机程序。比较完备的专家控制器应包括如下五部分：（1）知识库：专家系统的核心部分，用于存取和管理问题求解所需的专家知识和经验，包括广泛共有的事实、可行操作与规则等。（2）全局数据库：问题求解过程中符合或数据的集合，用于存储求解问题所需的原始数据和推理过程中得到的中间信息，包括原始信息、推理的中间假设和中间结论、推理过程的信息等。（3）推理机：专家系统的组织控制机

25、构，能根据系统当前的状态，利用知识库和数据库，做出决策，管理系统的运行。（4）学习机制：负责建立、修改与扩充知识库，以及对知识库的一致性、完整性等进行维护。（5）用户接口：用户与系统的信息传递纽带，为用户使用专家系统提供一个友好的交互环境。利用专家控制器可以分析并计算判断各种运行状态，给出适当的控制信号或者调整系统的参数。这些信号都是根据知识库中的规则生成的。比如在有PI 控制功能的传动装置中，专家控制器包含了为调整控制器所需的知识库，在专家系统的帮助下，可以调整PI 调节器的参数（比例系数p K 和积分系数i K ），控制器根据检测的误差信号响应情况，从知识库中推测出参数p K 和i K 向

26、正确的方向调整，一直达到理想的动态性能为止。故障诊断是专家控制的一大优点。通过对传感器检测信号的分析，系统通过对其知识库查询与之相关的故障信息，得出最后的结论。同时，系统还要保证设备的可靠性和安全性，即系统具有容错控制。通过对电压、电流以及各种信号监视、报警、保护等程序都可以很容易的在智能控制器里实现，这使得传动装置在出错的情况下也能基本维持运行，保证了整个系统的安全。所以，故障诊断是专家系统在实际中应用最为广泛也是最早的应用之一。在离线诊断时，可以利用所观察到的现象和传感器检测的数据提交给含有诊断程序的知识库，最后得出结论。如果是在线诊断，其主要目标是为了维护设备的可靠性和安全性，避免不必要

27、的断电。比如在含有多个功率单元的变频器中，一旦某个功率单元出错，系统可以自动将其切除，并通过中心点漂移技术得到三相平衡电压。5.4 基于神经网络的电力传动系统神经网络控制是在控制系统中采用神经网络这一工具，对难以精确描述的复杂非线性对象进行建模、控制、计算、推理等。神经网络是由人工方式构造的网络系统，模拟人脑的结构和功能。它适用于具有不确定性、时变的对象和环境，并具有较强的自适应能力、学习能力、非线性映射能力、鲁棒性和容错能力。目前应用最多的当属多层前馈网络。该网络有输入层、隐含层和输入层三层结构。反向传播是多层前馈网络最流行的训练方法。通过训练，改变网络的权值，使得网络与训练样本完全匹配。但

28、训练算法计算量大且非常耗时，因此采用计算机离线来完成。而电力电子系统要求网络必须模拟非线性时变函数，这时候网络需要有在线学习能力才行。这种网络便是自适应网络，其权值可以随着系统参数和环境而改变，高速的DSP 和改进的BP 算法可以为自适应网络的普及奠定良好的基础。在电力电子和电力传动领域，神经网络已经用于各种控制、辨识、估计和检测，例如：神经网络自适应PI 控制器、传动系统的模型参考自适应控制(MRAC)、表格的查询，变流器的PWM 实现，无延时滤波、波形的傅里叶变换分析和在线故障诊断等。合理的选择网络的输入、输出节点和层数，能够对函数实现任意精度的逼近。与模糊控制相比，神经网络综合定量知识的

29、能力很强，能提高系统的精度，但学习过程的自动实现问题不易解决。通过在标准系统参数下离线学习，然后在线迭代更新权重可以达到较满意的效果。基于模糊控制的电力传动系统模糊控制是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的一种计算机数字控制。它已经成为目前实现智能控制的一个重要而有效的形式，凡是无法建立数学模型或难以建立数学模型的场合都可以采用模糊控制技术。可见，模糊控制的最大优点是不依赖于被控对象的精确数学模型，并且能够克服非线性因素的影响，对调节对象的参数变化不敏感，即具有较强的鲁棒性。电力电子与电力传动系统的模型通常是难以确定的。即使对象模型已知，但也存在参数变化问题。以异步电机为例，它是一

30、个多变量、非线性、强耦合系统，虽然通过矢量变换可以解决这类问题，但是精确的控制几乎是不可能的，同时电机还存在参数的变化模。而模糊技术基本上是一种自适应和非线性控制技术，可以很方便的控制电机运行。可以说，模糊控制是目前最好的自适应控制技术。模糊控制器通过检测系统状态，将其模糊化，然后查询模糊数据库中的规则，得出推理后的结论，最后解模糊，得出控制量。比如在基于模糊逻辑的风力发电系统中，采用了三个模糊逻辑控制器：FLC-1，在线搜索发电机转速以获得最大输出功率；FLC-2，在线搜索发电机励磁电流以获得轻载时最佳的电机效率；FLC-3，发电机转速的鲁棒控制。由于模糊控制能容忍噪声和不准确信号，在搜索中提高自适应的步长，因此可以获得快速收敛性。另外，由于控制器不需要风速信号，所以系统参数对搜索没有影响。5.5 基于遗传算法的电力传动系统遗传算法(GA)是一种模拟自然选择和遗传机制的寻优程序，它是20 世纪60 年代中期美国密之安大学Holland.J.H 教授首先提出并随后主要由他和他的一批学生发展起来的。它模拟了自然界生物进化过程与机制求解极值的类自组织、自适应人工智能技