浅谈人工智能在电气工程自动化中应用

《浅谈人工智能在电气工程自动化中应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、浅谈人工智能在电气工程自动化中应用　　摘要：人工智能主要包括思维能力、行为能力和感知能力三个方面。人工智能指的是人类制作的机器所表达出来的智能，体现了自动化的特征。智能化技术在电气工程自动化控制中可以发挥最大的效用，促进电气的优化设计、诊断故障和智能控制等。本文详细介绍了智能化控制的优点，并从模糊逻辑、神经网络、故障诊断及PLC控制等方面，分析了智能化技术在电气工程自动化控制中的应用。关键词：电气工程；智能化技术；自动化控制；应用中图分类号：F407.6文献标识码：A1、人工智能应用理论分析7人工智能是一门新的科

2、学，它主要是研究开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统。计算机科学的一个分支就是人工智能。智能化技术通过对智能本质的阐述，使机器拥有了与人类类似的智能，其研究成果主要有语言图像识别系统、专家系统及机器人等。电气工程作为人类生产生活的重要活动，与其密切相关的系统运行、自动化控制、计算机应用及信息处理等功能，均有智能化技术涉及。不过相比于最为精密的人类大脑，人工智能不可能那么完美，它仅能通过计算机编程模仿人类大脑，完成信息收集、分析、处理及反馈等程序。这仍然有效促进了电气工程自动化控制的发展，有

3、效节省了人力资源，保障了人们生命安全，提升了工作效率。2、智能化控制的优点人工智能种类不同，其控制方法也不同。为更好地理解分类总体，便于控制策略系统开发，对于神经网络、模糊逻辑与遗传算法等，均可看做非线性函数的近似器，一般函数估计器并不具备此类优势。对动态方程进行精确掌握控制较为困难，在控制设计时具有较多不确定因素，像非线性及参数变化等。根据鲁棒性能、下降时间与响应时间等不同，智能化控制器在设计控制对象模型时可通过自身适当调整来提高其性能，像下降时间因素，与最优秀的PID控制器相比，模糊逻辑控制要快4倍多，普通控

4、制更是无法相比，而在上升时间因素方面，它要比最优秀的PID控制器高出27倍以上。与普通控制器相比，即使没有专家系统指导，智能化控制器依然能应用相应数据来完成设计，也可通过语言及信息等方法，并且在调节方面，智能化控制器更易调节。智能化控制器具有很强的一致性，当输入未知数据时，智能化控制器可实施有效估计，其估计效率很高，对于驱动器所产生的影响可忽略不计。智能化控制器还能解决一般方法无法解决的问题，普通神经控制器中的学习算法、拓扑结构等已定型，需要很长时间来计算，其应用效果不是很理想，而运用智能化控制器就有效解决了所遇

5、难题，提高了学习算法的速度。在新数据信息方面，智能化控制器具有良好适应性，其抗干扰能力更强，扩展修改也很容易，对于配置应用的实现，其价格实惠，尤其是最小配置的应用。3、智能化技术应用3.1模糊逻辑及其控制应用电气工程的自动化控制系统中含有较多的模糊控制器，它能有效代替PID控制器，并可用于其他任务。模糊控制器由英国的阿伯丁大学开发，它常应用于各类数字动态的传动系统里。对于模糊逻辑的控制应用主要有M型与S型两种，截至目前为止，仅有M型控制器用在调速控制当中。不过，这两种控制器均有规则库，可称为ifthem的模糊规则

6、集。S型控制器的规则为ifX是G，且Y是H，则W=（fX，Y），其中G与H为模糊集。M型控制器主要由模糊化、推理机、知识库与反模糊化所构成，模糊化主要用来实现变量的量化、测量与模糊化，其隶属函数具有很多形式；推理机为模糊控制器关键部分，可模仿人类对模糊控制行为进行决策与推理；而知识库主要是由语言控制的规则库与数据库所构成，规则库开发方式为：将专家知识与经历放于控制及应用目标上，建设操作器控制的行动，在建模过程当中，应用模糊控制器与神经网络的推理机来操作；反模糊化主要用来量化与反模糊化，包括中间平均技术与最大化的反

7、模糊化等技术。73.2神经网络及其控制应用在电气工程的驱动系统与交流电机等的诊断监测中运用了神经网络，其中，神经网络的反向转波算法要比梯形控制法性能更好，它有效减短了定位时间，并且有效控制了非初始速度与负载转矩大范围的变化。神经网络系统结构为多层的前馈性，可运用常规的反向学习算法，在两个子系统里，其中一个系统经过机电系统参数可辨别控制转子的速度，另一系统经过电气动态参数辨别控制定子的电流。智能神经网络已在信号处理与模式识别上获得了广泛应用，因智能神经网络具有非线性一致的函数估计器，所以被有效应用于电气传动的控制领

8、域，其优势前文已提及，即具有较强的一致性，不用被控系统的数学模型，抗噪音能力强。而且智能神经网络为并行结构，较为适合很多个传感器的输入应用，例如用于诊断系统及条件监控中可使其决策可靠性得到加强。神经网络常用学习技术为误差反向的传播技术，当网络含有足够多的隐藏结点、隐藏层与激励函数时，网络神经仅能实现所需映射，而对最优隐藏结点、层数及激励函数等进行选择的问题，一般是通过尝试