加了模糊控制器，仿真速度很慢，怎么解决？

人工智能在电气传动中运用的进展(1)
摘要：本文论述了人工智能在电气传动领域的发展概况。其中主要包括模糊控制、神经网络和遗传算法的应用特点及发展趋势等

关键词：神经网络控制 模糊神经元控制 自适应控制

一、引 言
人工智能控制技术一直没能取代古典控制方法。但随着现代控制理论的发展，控制器设计的常规技术正逐渐被广泛使用的人工智能软件技术(人工神经网络、模糊控制、模糊神经网络、遗传算法等)所替代。这些方法的共同特点是：都需要不同数量和类型的必须的描述系统和特性的“a priori”知识。由于这些方法具有很多优势，因此工业界强烈希望开发、生产使用这些方法的系统，但又希望该系统实现简单、性能优异。
由于控制简单，直流传动在过去得到了广泛的使用。但由于它们众所周知的限制以及DSP技术的进步，直流传动正逐渐被高性能的交流传动所取代。但最近，许多厂商也推出了一些改进的直流驱动产品，但都没有使用人工智能技术。具信使用人工智能的直流传动技术能得到进一步的提高。
高性能的交流传动瞬态转矩的控制性能类似于他励直流电机的控制性能。现有两种高性能交流传动的控制方法：矢量控制(VC)和直接转矩控制(DTC)。矢量控制是德国的研究人员在二十多年前提出的，现在已经比较成熟，并已广泛应用，很多生产厂商都推出了他们的矢量控制交流传动产品，最近又大量推出了无速度传感器的矢量控制产品。尽管在高性能驱动产品中使用AI技术会极大地提高产品的性能，可是到目前为止只有两个厂家在他们的产品中使用了人工智能(AI)控制器；直接转矩控制是大约在十五年前由德国和日本的研究人员提出的，在过去十年中得到大量的研究，现在ABB公司已向市场推出了直接转矩控制的传动产品，使得人们对直接转矩控制的研究兴趣增加，将来在直接转矩控制中将会用到人工智能技术，并将完全地不需要常规的电机数学模型了。
英国CT公司(Control Technique plc)推出了世界上第一台统一变频器(Unidrive)，其他一些公司也推出了相应的产品，现在这些产品都没有使用人工智能技术，“统一”的概念完全依靠软件实现，这就为软计算技术的实现提供了条件。具信在将来统一变频器将使用直接转矩控制以及各种形式的矢量控制，单一使用直接转矩控制技术的产品将遭到淘汰。本文也将讨论人工智能在统一变频器中运用的一些方面，同时也包括AI控制器在VC和DTC中的运用。
AI控制器能否工业运用的关键一点是：实现这些控制器的硬件和软件。大多数DSP控制的驱动器都有足够的计算能力实现人工智能的算法，并且都能得到大多数人工智能控制器软计算所需要的信号。通过运用适当的控制策略，就能大大地减少计算和硬件的负担，从而把注意力集中于提高驱动器的性能、鲁棒性和可靠性上面。
在将来，智能技术在电气传动技术中占相当重要的地位，特别是自适应模糊神经元控制器在性能传动产品中将得到广泛应用。但是，还有很多研究工作要做，现在还只有少数实际应用的例子（学术研究组实现少，工业运用的就更少了），大多数研究只给出了理论或仿真结果，因此，常规控制器在将来仍要使用相当长一段时间。

二、人工智能控制器的优势

文献中，不同的人工智能控制通常用完全不同的方法去讨论。但AI控制器例如：神经、模糊、模糊神经，以及遗传算法都可看成一类非线性函数近似器。这样的分类就能得到较好的总体理解，也有利于控制策略的统一开发。这些AI函数近似器比常规的函数估计器具有更多的优势，这些优势如下：
（1）它们的设计不需要控制对象的模型（在许多场合，很难得到实际控制对象的精确动态方程，实际控制对象的模型在控制器设计时往往有很多不确实性因素，例如：参数变化，非线性时，往往不知道）
（2）通过适当调整（根据响应时间、下降时间、鲁棒性能等）它们能提高性能。例如：模糊逻辑控制器的上升时间比最优PID控制器快1.5倍，下降时间快3.5倍，过冲更小。
（3）它们比古典控制器的调节容易。
（4）在没有必须专家知识时，通过响应数据也能设计它们。
（5）运用语言和响应信息可能设计它们。
（6）它们有相当好的一致性（当使用一些新的未知输入数据就能得到好的估计），与驱动器的特性无关。现在没有使用人工智能的控制算法对特定对象控制效果十分好，但对其他控制对象效果就不会一致性地好，因此对必须具体对象具体设计。
（7）它们对新数据或新信息具有很好的适应性。
（8）它们能解决常规方法不能解决的问题。
（9）它们具有很好的抗噪声干扰能力。
（10）它们的实现十分便宜，特别是使用最小配置时。
（11）它们很容易扩展和修改。
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。
常规模糊逻辑控制器的设计经常使用尝试法。需要“a－priori”信息，如运用自适应智能控制器就不需要“a－priori”（a－priroi规则库和隶属函数）信息。值得注意的是，与常规非自适应智能控制器相反，它根据输入信号更新它的“参数”，换句话说，它对变化的输入信号具有适应性。自适应控制器分两类：间接和直接控制器，间接自适应人工智能控制器有一个实时辩识模型，用于控制器的设计，间接控制器在每个采样周期需要采样控制对象的输入和输出信号，辩识器和控制器有很多形式，而直接AI控制器用特性表来实现对控制对象的控制，这个特性表由两个连续采样周期间的误差的变化量构成，用来控制电流响应。
如用模糊逻辑控制器，最简单的应用可能是标量因子的运用。这种方法用现在的非自适应驱动器很容易实现，因而对工业界具有很大的吸引力。用改变隶属函数形状的方法可实现相似的效果。这种运用也可能通过改变规则来实现，如用直接AI控制器来实现，就是自适应控制器。它在每个采样瞬间先使用上一个采样周期采用的规则，如果得不到满意的特性，就用新的规则替代，从而得到满意的特性。
总而言之，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。 三、人工智能在电气传动控制中的运用
这一部分主要讨论人工智能在交直流传动中运用的进展。值得指出的是这是一个广阔的领域，在过去二年中，研究活动极快的增长，本文只是概括一下人工智能在电气传动中的运用这一领域的进展，不可能覆盖研究的每一个可能领域。AI控制器在直流传动中运用的大多数研究集中于模糊逻辑应用，在人工神经网络和其它智能控制的研究还很少。下面主要讨论模糊、神经元和模糊神经元和模糊神经元控制器在交直流传动中的应用。
(一)人工智能在直流传动中的运用
1.模糊逻辑控制应用
主要有两类模糊控制器，Mamdani和Sugeno型。到目前为止只有Mamdani模糊控制器用于调速控制系统中。限于篇幅本文不详细讨论其中的原因。值得注意的是这两种控制器都有规则库，它是一个if－then模糊规则集。但Sugeno控制器的典型规则是“如果X是A，并且y是B，那么Z=f(x,y)”。这里A和B是模糊集；Z=f(x,y)是x,y的函数，通常是输入变量x,y的多项式。当f是常数，就是零阶Sugeno模型，因此Sugeno是Mamdani控制器的特例。
Mamdani控制器由下面四个主要部分组成：
（1）模糊化实现输入变量的测量、量化和模糊化。隶属函数有多种形式。
（2）知识库由数据库和语言控制规则库组成。开发规则库的主要方法是：把专家的知识和经历用于应用和控制目标；建模操作器的控制行动；建模过程；使用自适应模糊控制器和人工神经网络推理机制。
（3）推理机是模糊控制器的核心，能模仿人的决策和推理模糊控制行为。
（4）反模糊化实现量化和反模糊化。有很多反模糊化技术，纾畲蠡茨：屑淦骄际醯取?BR>下面的表1由64个语言规则组成，是用于电气传动控制系统的一种可能规则表这个规则表相当大，实际应用中往往进行简化。在各种出版物中，介绍了许多被模糊化的控制器，但这应与“充分模糊”控制器完全区分开来，“充分模糊”控制器才是完全意义上的模糊控制器，被模糊化的控制器易于实现，往往通过改造现有古典控制器得以实现，如被模糊化的PI控制器（FPIC）使用模糊逻辑改变控制器的比例、积分参数，从而使系统的性能得到提高（17），控制器参数的微小变化可能导致特性的极大提高，被模糊化的控制器参数调整方法如下：P（ti）=P（ti－1）＋kP＊CP，I（ti）=I（ti－1）＊CI。但如应用“充分”模糊逻辑控制器，系统响应远远优于FPIC和最优古典PI控制器，用于最优化常规控制器的计算时间比模糊化控制器所需的时间多得多。因此，使用最小配置的FPIC控制器是可能的选择之一，事实上，这也是用现有驱动装置实现的最简单方法。
在许多电气传动文献中，介绍了用模糊逻辑控制器替代古典PI控制器（主要是速度调节器）改进系统响应的方法。可是，文献（18）详细探讨了模糊逻辑控制器用于三环直流电机控制系统中所有环节（速度、电流和励磁）的设计和调整的方法。作者也介绍了PI和PD控制器，文献（9）介绍了最小配置模糊控制用于直流传动中的可能性以及组合模糊控制器用于直流传动中得到满意响应的可能性。下节讨论模糊神经控制的直流传动装置时，我们将讨论这种速度和电枢电流调节器组合成单一控制器的情况。
2. ANNS的应用
过去二十年，人工神经网络（ANNS）在模式识别和信号处理中得到广泛运用。由于ANNS有一致性的非线性函数估计器，因此它也可有效的运用于电气了传动控制领域，它们的优势是不需要被控系统的数学模型，一致性很好，对噪音不敏感。另外，由于ANNS的并行结构，它很适合多传感器输入运用，比如在条件监控、诊断系统中能增强决策的可靠性，当然，最近电气传动朝着最小化传感器数量方向发展，但有时，多传感器可以减少系统对特殊传感器缺陷的敏感性，不需要过高的精度，也不需要复杂的信号处理。
误差反向传播技术是多层前聩ANN最常用的学习技术。如果网络有足够多的隐藏层和隐藏结点以及适宜的激励函数，多层ANN只能实现需要的映射，没有直接的技术选择最优隐藏层、结点数和激励函数，通常用尝试法解决这个问题，反向传播训练算法是基本的最快下降法，输出结点的误差反馈回网络，用于权重调整，搜索最优。输出结点的权重调整迭代不同于隐藏结点的权重调整迭代。通过使用反向传播技术，能得到需要的非线性函数近似值，该算法包括有学习速率参数，对网络的特性有很大影响。
反向传播算法是多层前聩ANN最广泛使用的学习技术之一。但有时网络的收敛速度很慢，改进算法的开发是一个重要研究领域。英国Aberdeen大学在这方面取得过令人鼓舞的成绩，他们把常规的反向传播算法和其它AI技术结合起来，使得网络快速收敛，鲁棒性更好。他们还研究过基于AI技术的最优拓扑结构网络，但没有现成理论用于最优配置，Kolgomorov理论和其他理论也不适用，在神经网络的训练剧中使用遗传算法可能会提高收敛速度，遗传算法是一种基于自然进化和遗传机理的统计搜索方法，它模仿自然界个体适者生存不适者淘汰的原理解决问题，每一代由染色体代表的(一套特征串类似于DNA中的染色体)许多个体组成，每个个体代表搜索空间的一个点和一个可能的解。值得注意的是在神经模糊实现中，有时必须使用不同形式的反向传播技术，而不是已知的标准形式。反向传播技术是在线(Supervised)学习技术，需要充分的输入－－输出数据对，虽然这种限制也可以用另外的方法加以克服，但该方法是离线的。
日本和德国的研究人员试图把ANNS用于控制电力变换器，但到目前为止没有获得满意的结果，这也是一个很有趣的领域。主要的有待解决的障碍是学习阶段时间花费过长，总而言之，问题的关键是要给变换器的控制器找到一个满意的非线性函数近似器、得到期望的非线性输入－－输出映射。常规技术就能实现简单的映射，而神经网络能实现更复杂的映射，并且由于它的并行结构这种映射相当快。
只有很少的论文讨论神经网络在直流电机控制中的应用。文献(21)介绍了两个多层前馈人工神经网络在直流电机速度控制环中的应用。这是一种典型配置。辩识ANN用于训练第二个ANN(神经控制器，即过程控制器)，因此过程输出跟随给定信号。学习过程用的是反向传播算法。该方法分为二步：第一步ANN被训练用来代表控制对象的响应。这需要用到表示控制对象输出和控制输入关系的微分方程。第二步把ANN用于控制对象模型的辩识方案中。在这步中，把ANN与控制对象并行连接，每次迭代时，给ANN提供给定信号作为ANN输入信号。辩识意味着调整权重，使ANN输出信号(即网络输出)和控制对象输出信号(即正输出)的误差最小。在辩识阶段，全局误差(即方差之和)以固定时间间隔被计算并与希望的最小值比较。第二个ANN是神经控制器被用于训练以给出需要的控制对象响应。为了训练这个网络，在每次采样输出时，必须知道误差(Ec)但仅仅只知道控制对象输出和希望输出(由给定输入决定)的最后误差，辩识方案中的第一个ANN可将最后误差Ec反向传播，用来训练控制器ANN。在误差最小化过程中，全局误差能被最小化到希望的值。经过训练辩识ANNS和控制ANNS，就可以在实时系统中运用被“调整”的神经自适应控制方案。文献(21)介绍了采用ANN自适应速度控制方案的直流传动系统的良好特性以及抗干扰性能。这也证明辩识ANN学习到了直流电机、变换器和负载的、未知时不变非线性操作特性。但值得指出的是，用于神经元控制器的训练时间有时相当长，但这个困难可以用上面提到的高级技术、避免使用常规的反向传播算法的方法中以克服。
文献(22)和(23)介绍了直流传动系统的ANN控制，给出了理论和实验结果。文献(9)讨论了直流传动的模糊神经速度控制器。这是文献中记载的第一次用单神经控制器成功替代双环直流传动系统的常规速度和电流PI调节器的例子。相对地上面讨论过的直流传动系统，该系统运用了更多的智能技术，系统得到了进一步的简化。有趣的是相对于古典多环PI调节器的实现，这里的电枢电流控制主要起限制电枢电流的作用，并且是通过单个速度、电流组合的模糊神经控制器“自动”加以实现。
(二)人工智能在交流传动中的应用
1.模糊逻辑的应用
在大多数讨论模糊逻辑在交流传动中运用的文章中，都介绍的是用模糊控制器取代常规的速度调节器，可英国Aberdeen大学开发的全数字高性能传动系统中有多个模糊控制器(4)，这些模糊控制器不仅用来取代常规的PI或PID控制器，同时也用于其他任务。该大学还把模糊神经控制器用于各种全数字高动态性能传动系统开发中。也有一些优秀的文章论述运用模糊逻辑控制感应电机的磁通和力矩。讨论这种技术的第一篇文章发表于1992年(24)。该文中讨论了两种控制策略，如用第一种策略，规则表有36条规则，模糊控制器的输入是磁通和转矩误差，根据转矩和磁通误差，改变磁通矢量的辐值和旋转方向，反模糊化技术用到的是中心梯度法，第一种策略没有考虑最优电压矢量选择的梯度。而第二种策略考虑了，这种方案被成功地实现了。
Galvan的两篇文章(25)、(26)讨论了用模糊化速度控制器实现感应电机的矢量控制的方法。并给出了仿真结果。(也见3.1.1节讨论的模糊化控制器)。矢量控制器也是一种间接控制类型，并且很好的特性。文献(27)提出了一种模糊逻辑速度控制器。它的输入标定因子是变化的。实验结果也验证了所提方案的有效性。文献(28)给出了矢量控制器感应电机驱动系统的仿真结果。该系统中模糊速度控制器与常规的PI速度控制器和CRPWM塑变器一起使用，它往往用来补偿可能的惯性和负载转矩的扰动。常规PI控制器用来稳定系统的稳态速度响应。矢量控制器使用转子磁通观测器观测(UI观测器，iw观测器(1)(4))，模糊逻辑用于转子电阻的估计。
到目前为止，只有两种运用人工智能技术的工业产品，其一是下节介绍的安川矢量变频器，另一个是日立矢量变频器，日立公司最近开发了J300系列IGBT矢量变频器，功率范围是5.5KW－－55KW。它的主要特点是使用无传感器矢量控制算法和强大的自调整功能。无传感器磁通矢量控制方案采样两相定子电流，在初始自整定阶段，电机和负载的惯性以及其他参数例如定子电感，定子和转子电阻、励磁电感等参数被计算。日立公司宣称这是世界上第一台使用模糊控制的变频器。它考虑了电机和系统的特性，转矩计算软件在整个频率范围保证了转矩的精确控制。变频器的主要性能指标如下：1Hz时150％或更高的启动转矩；在3∶1的速度范围(20到60HZ/16到50HZ)电机不用降低功率使用；速度调节比率小于。
J300系列变频器由于使用了高速微处理器和内置DSP，因此具有很的响应速度，转矩响应速度大约可达到0.1秒。它使用模糊逻辑控制电机电流和加减速斜率。它能根据电机负载和制动需要计算加减速的最优时间，因此不需要尝试法进行调整。模糊逻辑加减速度函数根据模糊规则设定加减速度比例因子和速度，而模糊规则则用当前值与过载限幅(或其它限幅)值的差值以及电机电流和电压的梯度作为输入变量。梯度和差值构成四个隶属函数，两个隶属函数是三角函数，另二个是半梯形。当用常规的简单电流限幅控制，变频器的斜率是步进型的，经常引起变频器跳闸。特别是在减速时。当用模糊逻辑控制时，斜率十分平滑，变频器假跳闸的现象也消除了。变频器在风机和泵类的运用最能体现模糊逻辑控制的优势。在这些应用中，不需要恒定的加减速时间或精确的位置控制。在这些应用中，不需要恒定的加减速时间或精确的位置控制。需要的是与负载条件有关的加减速度的最优化。模糊控制能实现加减速度的最优控制。
AI控制器也能提高直接转矩控制系统的性能，这也是值得深入研究的一个宽广领域。英国Aberdeen大学的研究人员开发了基于人工智能的开关矢量选择器以及速度、转矩、磁通观测器等，初步结果令人鼓舞(9)。可以预见不久的将业，将会得到更好的结果，将会出现更多的工业应用产品(47)(48)。
2.神经网络的应用
非常少的文章讨论神经网络用于交流电机的控制，大量文章讨论神经网络在交流电机和驱动系统的条件监测和诊断中的运用。文献(33)介绍了使用常规反向转波算法的ANN用于步进电机控制算法的最优化。该方案使用实验数据，根据负载转矩和初始速度来确定最大可观测速度增量。这就需要ANN学习三维图形映射。该系统与常规控制算法(梯形控制法)相比具有更好的性能，并且大大减少了定位时间，对负载转矩的大范围变化和非初始速度也有满意的控制效果。文献(34)用两个ANNS控制和辩识感应电机，但只给出了仿真研究。这是第一篇讨论神经网络在感应电机控制中的应用，这个方案与3.1节中讨论的直流驱动方案类似，ANNS的结构是多层前馈型，运用常规反向传播学习算法。该系统由两个子系统构成，一个系统通过电气动态参数的辩识自适应控制定子电流，另一个系统通过对机电系统参数的辩识自适应控制转子速度。该文讨论了这些控制方案与常规方案的各种优点。
文献(35)讨论了基于人工神经网络的电气机械系统，文献(36)介绍了运用直接控制ANN观测电压源PWM供电的感应电机矢量控制系统中的磁通的方法。这种基于ANN的磁通观测器的主要优点是对谐波具有免疫性。ANN是使用反向传播学习算法的多层前馈类型。ANN观测的磁通具有振荡性，因而引起转矩振荡。如果用别的方法，可能得到更好的结果。
最后值得指出的是现在发表的大多数有关ANN对各种电机参数估计的论文，一个共同的特点是，它们都是用多层前馈ANNS，用常规反向传播算法，只是学习算法的模型不同或被估计的参数不同。

四、结论

本文试图对人工智能电气传动控制系统领域的进展做一回顾。内容涉及模糊控制、神经网络、模糊神经网络在电气传动系统中的应用，讨论了模糊、神经和模糊神经控制器等人工智能技术的优点。也讨论了人工智能最小配置的应用。但到目前为止，使用人工智能技术的变速传动工业产品才刚刚出现，只有两家公司推出他们的产品。虽然使用人工智能技术的实际产品和应用还不多，但不久的将来，人工智能技术在电气传动领域将会取得重要的地位，特别是自适应模糊神经控制器将在高性能驱动产品中得到广泛使用。

可能是你的模糊控制器的收敛速度慢了。你你可以修改下仿真算法 在simulation的Configuration Parameters里面选ode23t或其他，速度应该有明显的加快。 如果还是很慢就得重新设计模糊算法

在模糊推理模块之前加一个零阶保持器，同时要设置零阶保持器的采样频率

可以调用gensurf 函数生成模糊查询表，这样仿真速度非常快

加入零阶保持器 就行了