人工智能在水流量标准装置中的应用研究

　　0　引言

　　随着电力电子、微电子和控制技术的发展,微型计算机控制及现代控制技术在流量检测与控制中得到了广泛运用,鲁棒控制(Robust Control RC)、模糊控制(FC)、神经网络(NN)等智能控制技术已经运用到传统的流量过程控制系统中。

　　传统的水流量标准装置的过程控制中电机的性能对于水流量标准流量的稳定性有很大的影响,用变频控制来控制电机的转速来提高水流量标准装置流量的稳定性是常用的办法[1],可是有其固有的弊端:无法区分手动调节误差、变频控制误差的等级,对一些不确定因素引起的稳定性微小变化,不能及时控制;电机脉动、调速范围受限制,尤其是低速时变频调整性能明显下降。利用智能控制的非线性、变结构、自寻优等优点克服传统流量过程控制的变参数、非线性等不利因素,可以提高系统的鲁棒性(Robustness)。

　　模糊控制和神经网络控制是现代控制理论中最活跃的两个领域,代表了控制领域中技术和智能化程度的先进水平[2]。模糊控制特点是不精确推理,分析问题和解决问题时不需要建立控制对象的精确的数学模型,靠人的先验知识和数据总结出来的用于描述系统各因素间相互关系的结构化语言规则,并转化为简单的数值运算来实现控制规则,定性的大致精确的观察和总结。神经网络的主要特点是分布存储和并行计算,在计算和信息处理过程中表现出来的容错性源于自身结构特点,神经网络通过结构的可变性逐步适应外部环境要求,并挖掘研究对象之间的内部因果联系———这种关系不是表现为一种精确的数学解析关系,而是一种输入输出的数值描述,神经网络的引入为模糊控制器提供了一种良好的学习功能,使模糊控制系统增强了自学能力。模糊神经网络控制(FNNC)是一种集模糊逻辑推理的知识表达能力与神经网络的自学习能力于一体的新技术,是二者的有机结合,充分表现二者之间的互补性,关联性。它可以适应非线性系统而且有很强的鲁棒性。

　　1　模糊神经网络的原理及运用

　　1.1　模糊神经网络的原理

　　将神经网络的学习能力引到模糊控制系统中去,将模糊控制器的模糊化控制处理、模糊推理、精确化计算通过分布式的神经网络来表示是实现模糊控制器的自组织、自学习的重要途径。这样神经网络的输出输入信号、隐含节点用来表示隶属度且语言性经验规则也不需要精确的数学关系,而靠函数和模糊控制规则,并把模糊控制抽象的经验规则转化为神经网络的一组输出输入样本[3-5],使神经网络对这些样本进行学习、记忆,并以“联想记忆”的方式来使用(如图1)。