 |
网络教育学院
本 科 生 毕 业 论 文（设 计）
题 目： 智能控制技术在电气工程自动化中的应用
学习中心：
层 次： 专科起点本科
专 业：
年 级：
学 号：
学 生：
指导教师：
完成日期： 2021 年9月13日
内容摘要
智能控制技术在电气工程自动化控制中应用可以发挥很大的作用，能有效促进电气的优化设计，智能化技术能充分发挥作用，促进电气优化的设计，及时诊断故障，并且还可实现智能控制。本文主要分析了人工智能技术及其在电气工程自动化控制中的应用。文章就是利用遗传算法对某一电机控制系统的PID参数进行优化，以提高控制系统的性能指标。文章的最后给出了仿真实例，证明了本文方法的正确性和实用。
关键词：只能控制技术；电气工程；遗传算法
目 录
1 绪论
1.1 人工智能简介
人工智能技术作为计算机科学的一个重要分支将智能的本质阐述了出来，生产出一种具有人类智能的机器。其研究的主要内容有对图像和语言的识别、专家系统、语言处理以及机器人等系统。
1.2 人工智能研究的领域及应用
在上个世纪五十年代人工智能概念被首次提出来之后， 一直处于良好的发展状态中，逐渐形成了一套以计算机作为核心，包含了心理学、生物学、控制论、自动化、信息论、医学、哲学以及数理逻辑等的一门综合性的科学。通过研究，使得机器系统能和人的智慧媲美，几乎能够完成人类完成的工作。而人工智能理论是研究和开发怎样实现对人的智能进行模拟和延伸的科学理论。
人工智能技术是计算机科学的一个重要分支，它对智能的本质进行了阐述，并生产了一种和人类智能机器相似的机器。实现了多方面的研究。伴随着科技的不断发展和进步，我们日常的生产和生活中已经离不开计算机技术了。计算机编程技术促进了传播和自动化运输的发展和进步。通过计算机可以编程可以实现对人类的大脑进行模仿，比如收集、分析、处理、交换以及回馈信息，因此计算机通过对人类大脑的模仿会在很大程度上带动了电气工程自动化的快速发展。在我们日常的生产、交换、流通和分配中，无时无刻都需要电气工程自动化的控制，通过自动化控制，可以实现自动化的电气工程，这样可以节约人力资源，提高工作效率，进而使得生产和工作的总体效率得到提高。
1.3 人工智能的应用现状
目前能够用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
1.4 人工智能在电气工程领域的发展
随着人工智能技术的不断发展, 很多研究人员展开了针对人工智能在电气工程自动化控制方面的研究,例如：应该如何将人工智能系统应用于故障的诊断和预测、电气产品设计优化和保护与控制等领域。在优化设计方面, 设计电气设备是很繁琐的工作。它需要对电磁场、电路、电器电机等学科的知识综合性的运用, 同时还要使用以往设计中的经验。设计以往的产品时,通常是在根据经验和实验的基础上, 通过手工的方式开展的。这样的设计过程很难取得最优的设计方案。电气产品的设计随着计算机技术的发展, 逐渐由手工设计向计算机辅助设计不断转变, 使开发产品的周期大大减少。尤其是在引进了人工智能技术之后,更加促进了CAD技术的发展,大大提高了设计产品的质量和效率。人工智能技术在电气设计方面的应用主要包括专家系统和遗传算法。其中的遗传算法是一种优化的先进算法,在产品的设计优化上有举足轻重的作用。因此电气产品的人工智能化设计很多都采用了这种方式进行优化。电气设备的故障征兆和故障之间有着很多必然和偶然的关系,具有非线性、不确定性的特点, 它的优势能够通过人工智能的方式得到最大的发挥。人工智能技术在电气设备诊断故障方面的应用主要由：专家系统、模糊逻辑和神经网络等。在电力系统之中, 变压器因为重要的地位而受到很多研究者的关注。目前诊断变压器故障的常用方法主要是分析变压器油中分解出来的气体, 通过这种气体分析找出变压器的故障范围。同时在电动机和发电机等方面,人工智能诊断故障技术也有了长足的发展。
1.5 本论文的主要工作
本文首先介绍的是选题背景，人工智能的概念及在各个领域的发展趋势，介绍了几种人工智能的方法；随后，罗列出几种典型的人工智能控制方法在电气工程自动化中的应用。
2 人工智能理论概述
2.1 人工智能的基本概念
人工智能技术作为计算机科学的一个重要分支将智能的本质阐述了出来，生产出一种具有人类智能的机器。其研究的主要内容有对图像和语言的识别、专家系统、语言处理以及机器人等系统。
人工智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等,以及常用优化算法有：遗传算法、蚁群算法、免疫算法等。
2.2 人工智能控制技术的主要方法
2.2.1 模糊控制
模糊控制以模糊集合、模糊语言变量、模糊推理为其理论基础,以先验知识和专家经验作为控制规则 。其基本思想是用机器模拟人对系统的控制,就是在被控对象的模糊模型的基础上运用模糊控制器近似推理等手段,实现系统控制。在实现模糊控制时主要考虑模糊变量的隶属度函数的确定,以及控制规则的制定。
模糊控制系统是一种自动控制系统，它是以模糊数学、模糊语言形式的知识表示以及模糊逻辑的推理规则为理论基础，采用计算机控制技术构成的一种具有反馈通道的闭环结构的数字控制系统。它的造成核心是具有智能性的模糊控制器，这也是它与其它控制系统的不同之处。
2.2.2 专家控制
专家控制是将专家系统的理论技术与控制理论技术相结合,仿效专家的经验,实现对系统控制的一种智能控制。主体由知识库和推理机构组成,通过对知识的获取与组织,按某种策略适时选用恰当的规则进行推理,以实现对控制对象的控制。
专家控制可以灵活地选取控制率,灵活性高；可通过调整控制器的参数,适应对象特性及环境的变化,适应性好；通过专家规则,系统可以在非线性、大偏差的情况下可靠地工作,鲁棒性强。
2.2.3 神经网络控制
神经网络模拟人脑神经元的活动,利用神经元之间的联结与权值的分布来表示特定的信息,通过不断修正连接的权值进行自我学习,以逼近理论为依据进行神经网络建模,并以直接自校正控制、间接自校正控制、神经网络预测控制等方式实现智能控制。
2.2.4 集成智能控制
智能控制技术的集成包括两方面：一方面是将几种智能控制方法或机理融合在一起,构成高级混合智能控制系统,如模糊神经( FNN)控制系统、基于遗传算法的模糊控制系统、模糊专家系统等；另一方面是将智能控制技术与传统控制理论结合,形成智能复合型控制器,如模糊PID 控制、神经元PID控制、模糊滑模控制、神经网络最优控制等。
2.3 人工智能控制技术常用的优化算法
2.3.1 遗传算法
遗传算法(GA)是一种基于模拟遗传机制和进化论的并行随机搜索优化算法。遗传算法依照所选择的适配值函数,通过遗传中的复制、交叉及变异对个体进
行筛选,使适配值高的个体被保留下来,组成新的群体,新群体既继承了上一代的信息,又优于上一代,这样周而复始,群体中个体适应度不断提高,直到满足一定的条件。
2.3.2 蚁群算法
蚁群算法是群体智能的典型实现,是一种基于种群寻优的启发式搜索算法。蚁群算法的基本思想：当一只蚂蚁在给定点进行路径选择时。被先行蚂蚁选择次数越多的路径。被选中的概率越大。
蚁群算法不仅能够智能搜索、全局优化, 而且具有鲁棒性、正反馈、分布式计算、易与其它算法结合等特点。
3 遗传算法控制
遗传算法是一种不依赖具体问题的直接搜索方法，它在模式识别、神经网络、图像处理、机器学习、工业优化控制、自适应控制、生物科学、社会科学等方面都得到应用。本章主要介绍遗传算法的基本原理以及改进的操作方法。
3.1 遗传算法的基本原理
遗传算法(Genetic Algorithms)，简称GA，是一类借鉴生物界自然选择和自然遗传机制的随机优化搜索算法，是一种近似算法。 达尔文的自然选择学说认为：所有的生物发展都是经历了从低级简单逐渐 到高级复杂的过程，生物要生存下去就必须进行生存斗争。在生存斗争中，具有有利变异的个体容易存活下来，并且有更多机会将有利变异传给后代：具有不利变异的个体就容易淘汰，产生后代的机会也少得多。因此在生存斗争中获胜的个体都是对环境适应性比较强的个体。达尔文把这种适者生存不适者淘汰的过程称之为自然选择。达尔文的自然选择学说表明，遗传和变异是决定生物进化的内在因素。遗传指的是父代与子代之间，以及子代的个体之间，在性状上或多或少的存在相似性的现象。在生物体内，遗传和变异关系十分密切，一个生物体的遗传性状往往会发生变异，而变异的性状有的又可以遗传。遗传能使生物的性状不断的传递给后代，因此保持了物种的特性；变异能使生物性状发生改变，从而产生新个体，适应新环境，不断向前发展。 既然遗传算法基于自然选择的生物进化，是一种模仿生物进化过程的随机方法。下面给出几个生物学的基本概念与术语，这对于理解遗传算法是非常重要的。
染色体： 是遗传物质的主要载体，由多个遗传因子基因组成。 遗传因子： 染色体中一定位置的基本遗传单位，也称基因。
基因型： 遗传因子组合的模型，是性状染色体的内部表现。 表现型： 由染色体决定性状的外部表现。 基因： 遗传基因在染色体中占据的位置。
等位基因： 同一基因座它可能有的全部基因称为等位基因。 个体： 指染色体带有特征的实体。
种群： 染色体带有特征的个体组成了种群。群体中个体数目大小称为群体大小，也叫群体规模。
适应度： 各个体对环境适应程度。
选择： 指决定以一定概率从种群中选择若千个体的操作。一般而言选择过程是一种基于适应度的优胜劣汰的过程。
