第九章 智能控制应用实例

第九章智能控制的应用实例

9.1智能控制在电气传动中的应用

交流伺服系统由交流电动机组成，交流电动机的数字模型不是简单的线性模型，而具有非线性、时变、耦合等特点，用传统的基于对象模型的控制方法难以进行有效的控制。模糊控制完全是根据操作人员操作经验实现对系统的控制，不依赖于对象的数学模型，具有较强的鲁棒性，对被控对象参数的变化不敏感，可以很好地用于克服交流伺服系统中非线性、时变、耦合等因素的影响。9.1.1基于模糊控制的交流伺服系统9.1智能控制在电气传动中的应用

9.1.1基于模糊控制的交流伺服系统9.1智能控制在电气传动中的应用

9.1.1基于模糊控制的交流伺服系统ECUENBNMNSZOPSPMPBNBNBNBNBNBNMZOZONMNBNBNBNBNMZOZONSNMNMNMNMZOPSPSZONMNMNSZOPSPMPMPSNSNSZOPMPMPMPMPMZOZOPMPBPBPBPBPBZOZOPMPBPBPBPB表9.1模糊控制规则表9.1智能控制在电气传动中的应用

9.1.1基于模糊控制的交流伺服系统用于仿真研究的电机参数为：Pn=2.2KW，Un=220V，In=5A，nn=1440r/min，r1=2.91Ω，r2=3.04Ω，ls=0.45694H，lr=0.45694H，lm=0.44427H，Ten=14N·m，np=2，J=0.002276kg·m2，ψn=0.96wb，数字采样频率仍为10KHZ。图9.3给出了系统在空载情况下转角的阶跃响应曲线。图中曲线1为模糊控制下系统的响应曲线，曲线2为PI控制下的响应曲线。图9.4给出当系统处在转角为1rad的稳定状态时，给电机突加7N·m负载，系统的扰动响应曲线。9.1智能控制在电气传动中的应用

9.1.1基于模糊控制的交流伺服系统9.1智能控制在电气传动中的应用

9.1.2基于小波神经网络定子电阻估计器的模糊直接转矩控制直接转矩控制是一种快速的瞬时转差控制法，它通过快速改变电机的磁场对转子的瞬时转差速度，来直接控制异步电动机的转矩和转矩增长率，获得电机的快速响应。它用空间矢量的分析方法直接在定子坐标系中计算电机的磁通和转矩，由磁通和转矩的Band-Band控制产生PWM信号，对逆变器的开关状态进行最佳控制。它省掉了复杂的矢量变换，没有通常的PWM信号发生器，控制手段直接，控制结构简单。该控制系统的转矩响应迅速，限制在一拍以内，且无超调，是一种高性能的交流电机转矩控制方案。9.1智能控制在电气传动中的应用

9.1.2基于小波神经网络定子电阻估计器的模糊直接转矩控制9.1智能控制在电气传动中的应用

9.1.2基于小波神经网络定子电阻估计器的模糊直接转矩控制利用组织算法构造小波神经网络定子电阻估计器图9.15小波神经网络结构9.1智能控制在电气传动中的应用

9.1.2基于小波神经网络定子电阻估计器的模糊直接转矩控制控制系统总体结构9.1智能控制在电气传动中的应用

9.1.2基于小波神经网络定子电阻估计器的模糊直接转矩控制图9.21小波神经网络定子电阻估计器的MSE曲线图9.22定子电阻辨识结果9.1智能控制在电气传动中的应用

9.1.2基于小波神经网络定子电阻估计器的模糊直接转矩控制图9.23电磁转矩响应曲线图9.24电机的磁链轨迹9.1智能控制在电气传动中的应用

9.1.3无速度传感器感应电机矢量控制系统的自适应模糊控制无速度传感器驱动有很多优点：如降低系统成本，方便安装与维护，增强系统可靠性，更加适应于在恶劣环境下工作等。然而传统的矢量控制系统需要电机的精确数学模型，当由于磁饱和或电机绕组温度变化引起电机内部参数变化时，会影响系统的控制效果，而把模糊控制引入矢量控制系统就有助于解决这个问题。模糊控制不需要被控对象的精确数学模型，而根据人工控制规则组织控制决策表，对调节对象参数不敏感。9.1智能控制在电气传动中的应用

9.1.3无速度传感器感应电机矢量控制系统的自适应模糊控制图9.25自适应模糊控制器9.1智能控制在电气传动中的应用

9.1.3无速度传感器感应电机矢量控制系统的自适应模糊控制图9.26自适应磁通观测器9.1智能控制在电气传动中的应用

9.1.3无速度传感器感应电机矢量控制系统的自适应模糊控制图9.27感应电机无速度传感器矢量控制图9.1智能控制在电气传动中的应用

9.1.3无速度传感器感应电机矢量控制系统的自适应模糊控制9.1智能控制在电气传动中的应用

9.1.3无速度传感器感应电机矢量控制系统的自适应模糊控制9.1智能控制在电气传动中的应用

9.1.3无速度传感器感应电机矢量控制系统的自适应模糊控制9.1智能控制在电气传动中的应用

9.1.3无速度传感器感应电机矢量控制系统的自适应模糊控制9.1智能控制在电气传动中的应用

9.1.3无速度传感器感应电机矢量控制系统的自适应模糊控制9.1智能控制在电气传动中的应用

9.1.4基于递归模糊神经网络的感应电机无速度传感器矢量控制图9.32模型参考自适应磁场、速度辨识算法原理图9.1智能控制在电气传动中的应用

9.1.4基于递归模糊神经网络的感应电机无速度传感器矢量控制图9.33改进后的模型参考自适应磁场、速度辨识算法原理图9.1智能控制在电气传动中的应用

9.1.4基于递归模糊神经网络的感应电机无速度传感器矢量控制图9.35简化的基于RFNN的异步电机矢量控制系统结构9.1智能控制在电气传动中的应用

9.1.4基于递归模糊神经网络的感应电机无速度传感器矢量控制

(a)PI调节输出的转矩电流波形(b)RFNN控制输出的转矩电流波形图9.37外部负载扰动时系统控制器输出波形比较（t=0.5s时加负载）9.2智能控制在过程控制中的应用

9.2.1复杂工业系统的分布式递阶智能控制复杂工业系统与传统系统具有本质的区别，具体表现为：1）复杂的信息模型及其引起的分布式传感器、数据量、计算量的增加；2）信息处理方式复杂性增加和描述模型的多样性；3）精确机理建模日益困难；4）大量不定因素，如环境动态变化，输入信息中的噪声、干扰与误差、信息未知性、不完全性；5）多层次、多任务的控制要求。这些都使传统的控制理论与方法难以直接运用。9.2智能控制在过程控制中的应用

9.2智能控制在过程控制中的应用

图9.39多传感器信息融合处理专家系统9.2智能控制在过程控制中的应用

在图9.39中，信息融合处理包括四个内容：(1)实时信息的获取：用检测仪表、软测量技术、模式识别等手段测量被控变量、观测状态变量、辨识过程环境，并对它们进行预处理，如去噪声、滤波等。(2)提取特征信息：主要包括抽取动态过程的特征信息、识别系统的特征状态，并对特征信息作出必要的加工。例如，系统被控变量与期望值的误差、误差的导数、误差的第i次极值等。(3)信息融合：主要采用小波神经网络模型来实现信息融合处理。(4)专家系统解释机构：专家系统