智能控制报告

智能控制的研究及应用现状1分数:___________任课教师签字：___________智能控制结课作业学年学期：2017—2018学年第二学期课程名称：智能控制作业名称：智能控制课程作业学生姓名：学号：提交时间：2018年7月13日智能控制的研究及应用现状2一智能控制的研究及应用现状1智能控制的产生背景随着现代科技的发展，工业控制对象呈现出大迟延、大惯性、非线性、时变的特点，导致控制难度日益增大。在这种需求环境下，人工智能应用而生。人工智能是计算机按人的行为方式处理问题的学科。它通过计算机模拟人类的行为，按照人类的思维方式处理各种复杂问题。人工智能从计算机技术发展而来，但其范围已远远超出了计算机科学的范畴，涉及所有的自然学科和社会学科。而智能控制是人工智能在现代工业中的应用，是人工智能和控制理论交叉的产物。人工智能技术可以有效的针对复杂、非线性、不确定性的系统。当下，智能控制是自动化领域中发展最迅猛的分支学科。2智能控制的研究范畴2.1模糊控制（FC-FuzzyControl）模糊控制的原理是把人类专家对特定的被控对象的控制策略总结成一系列“条件”和“结果”形式的控制规则，通过模糊推理得到控制作用集，作用于被控对象或过程。模糊控制器由模糊化、规则库、模糊推理和清晰化四个功能模块组成。模糊化模块实现对系统变量论域的模糊划分和对清晰输入值的模糊化处理。规则库用于存储系统的基于语言变量的控制规则和系统参数。模糊推理是一种从输入空间到输出空间的非线性映射关系。清晰化模块将推出的模糊推理推出的控制输出转化为清晰的输出值。模糊控制器的基本作用组成如下图所示模糊化模糊推理清晰化规则库输出输入图1模糊控制器的基本组成2.2专家控制（EC-ExpertControl）专家控制是一种基于知识的智能计算机程序的技术。专家控制的实质是基于控制对象和控制规律的各种知识，并且要以智能的方式利用这些知识，以求得控制系统尽可能的优化和实用化。专家系统一般由知识库、推理机、解释机制和知识获取系统等组成。知识库用于存储某一领域专家的经验性知识、原理性知识、可行操作与规则等。知识获取系统可以对原有知识进行修改和扩充。推理机根据系统信息并利用知识库中知识按一定的推理策略来解决当前的问题。解释机制对找到的知识进行解释，为用户提供了一个人机界面。专家系统基本组成如下。智能控制的研究及应用现状3推理机知识库综合数据库知识获取解释接口用户专家问题描述解答图2专家控制的基本组成2.3神经网络控制（NNC-NeuralNetworksControl）神经网络控制是一种不依赖模型的控制方法。由此神经网络控制系统具有较好的智能性和鲁棒性，可处理高维、非线性、强耦合和不确定性的复杂的工业生产过程的控制问题，它的显著特点是具有学习能力，能够不断修正神经元之间的连接权值，并离散存储在连接网络中。简单的神经网络结构如下图所示。w1w2...wk...x1x2xmy1yn图3人工神经网络模型2.4遗传算法（GA-GeneticAlgorithm）遗传算法是一种模拟生物进化的智能算法，它利用类似基因进化的交叉、变异、繁殖等操作较大概率获得待优化函数最优解，适用于大规模、高度非线性的不连续多峰函数优化以及无解析式目标函数的优化。此外遗传算法可以与其他智能算法结合，广泛的应用到现代工业控制中。遗传算法流程如下图所示。种群复制交叉变异满足条件结束YN图4遗传算法示意图智能控制的研究及应用现状43智能控制的研究现状当下，智能控制技术在电力系统中的应用正处于热门研究阶段。电力系统中各种电器设备的设计与生产、运行以及控制是非常复杂的过程，而智能控制技术对于电气设备的故障诊断、设备控制与优化设计等发挥了重要的作用。电气设备的优化设计采用遗传算法,这样可以缩短计算的时间,提高设计的质量和效率。采用神经网络、模糊逻辑以及专家系统用于电气设备的故障诊断。其中,电流控制脉冲宽度调制中采用智能控制技术最具代表性的应用,也是被关注的研究热点。机械制造领域中关于智能控制的研究应用解决了传统控制不能很好地适应多变复杂对象的难题，大大提高了产品的作业质量和生产效率。机械制造的过程中使用神经网络与模糊数学的方法进行动态环境的建模,采用传感器的融合技术预处理和综合各种信息通过模糊集合和模糊关系进行相应的信息处理，并选择器械的控制动作。鉴于火电机组控制对象的特点，智能控制在该领域的应用研究主要为具有相对成熟理论基础的神经网络控制和模糊控制及粒子群优化、遗传算法和蚁群优化算法等智能优化算法。当下，神经网络广泛应用于锅炉燃烧、NOx排放、旋转机械振动故障、机炉协调控制系统的模型辨识当中；在传统PID控制系统中采用模糊规则进行控制器参数的在线调整，可以有效的控制复杂的热工对象；而遗传算法与粒子群算法主要应用于机组负荷优化分配、控制器参数寻优、控制策略优化、模型参数辨识、神经网络模型连接权值和阈值寻优等方面。随着未来人工智能技术研究不断取得新的进展，智能控制的实现形式也会越来越丰富，应用范围也会不断扩大。可以预见，智能控制技术必然会在现代工业当中发挥越来越重要的作用。系统仿真5二系统仿真1问题重述某300MW热电机组的主汽温控制系统如图所示，对此系统进行仿真，输出导前区汽温及主汽温的仿真结果。图1主汽温控制系统本次作业使用了两种仿真方法：1）应用Simulink搭建该系统；2）应用离散相似法的分环节离散实现该系统的仿真；2Simulink仿真利用Simulink搭建的对象如下图所示图2Simulink搭建的对象仿真时长2500，输入阶跃信号幅值为1，输出曲线如下)(tIR2)13.73(93.0s6)15.88(94.1ss0014.044.0s0128.0102y1y系统仿真6图3simulink仿真输出曲线y1图4simulink仿真输出曲线y23数值仿真方法将图1所示系统转化为规范化方框图的形式，并按下图所示设计状态变量，对每个环节使用零阶保持器的离散化过程。R=1e1Y1-+10Y2-uk2uk1u1u2e2图5仿真系统规范化方框图系统仿真71Tis型的积分环节，可以推得积分环节的递推关系式x(k+1)=x(k)+𝑑𝑡𝑇𝑖𝑢(𝑘)对于一阶惯性环节𝑘1+𝑇𝑠，可以推得递推关系式x(k+1)=𝑒−𝑑𝑡𝑇𝑥(𝑘)+𝑘(1−𝑒−𝑑𝑡𝑇)𝑥(𝑘)通过积分图可以得到系统各环节离散化后的差分方程及中间方程如下：1101111111242222222733(k1)(k1)(k)u(k1)0.44(k1)x(k1)(k)0.0014(k1)u1(k1)u(k1)x(k1)e(k1)u1(k1)(k)u(k1)10e(k1)x(k1)x(k)0.0128dte(k1)2(k1)u(k1)x(k1)x(k1)ekkkkdteRxexdtexu.373.33273.373.344388.588.553288.588.566588.588.5776(k)0.93(1e)u(k1)x(k1)e(k)(1e)x(k1)x(k1)e(k)1.94(1e)u(k1)x(k1)e(k)(1e)x(k1)x(k1)e(k)(1e)x(k1)xdtdtdtdtdtdtdtdtdtxxxxx88.588.588788.588.599888.588.51010911024(k1)e(k)(1e)x(k1)x(k1)e(k)(1e)x(k1)x(k1)e(k)(1e)x(k1)y(k1)x(k1)y(k1)x(k1)dtdtdtdtdtdtxxx设仿真步距为dt=𝑛𝑇5~50≈3,仿真时间ST=(5~20)nT≈3000,在零时刻输入幅值为1的阶跃信号，得到的系统输出y1、y2仿真曲线如下图所示系统仿真8图6系统输出y1、y2仿真曲线对比Simulink仿真结果，发现二者差别不大，说明应用数值仿真技术得到的仿真结果还是令人满意的。4附录数值仿真使用的程序如下%模型参数R=1;T1=73.3;k1=0.93;T2=88.5;k2=1.94;n=10;kp1=0.44;ki1=0.0014;kp2=10;ki2=0.0128;%仿真参数dt=3;st=3000;%初始化fai1=exp(-1*dt/T1);faim1=1-fai1;fai2=exp(-1*dt/T2);faim2=1-fai2;lp=fix(st/dt);x=zeros(n,1);y1=[0];y2=[0];t=[0];05001000150020002500300000.20.40.60.811.21.4时间t输出y1ts=1371,Mp=10.3679,FAI=0.87257,tr=555,tp=726,ys=1.002605001000150020002500300000.10.20.30.40.50.60.7时间t输出y2ts=1026,Mp=36.3122,FAI=0.90242,tr=51,tp=237,ys=0.47952系统仿真9%仿真fori=1:lpe1=R-x(10);uk1=kp1*e1;x(1)=x(1)+ki1*dt*e1;u1=uk1+x(1);e2=u1-x(4);uk2=kp2*e2;x(2)=x(2)+ki2*dt*e2;u2=uk2+x(2);x(3)=fai1*x(3)+k1*faim1*u2;x(4)=fai1*x(4)+faim1*x(3);x(5)=fai2*x(5)+k2*faim2*u2;x(6:10)=fai2*x(6:10)+faim2*x(5:9);y1=[y1x(10)];y2=[y2x(4)];t=[tdt*i];end%绘图[ts1,Mp1,fai21,tr1,tp1,ys1,text1]=value(y1,dt);[ts2,Mp2,fai22,tr2,tp2,ys2,text2]=value(y2,dt);subplot(2,1,1)plot(t,y1);legend(text1)xlabel('时间t');ylabel('输出y1')subplot(2,1,2)plot(t,y2);legend(text2)xlabel('时间t');ylabel('输出y2')ylabel('输出y')智能辨识10三智能辨识1问题重述已知火电机组在100%负荷工况下得到的蒸汽量变化对应汽包水位变化的传递函数为如下，试用智能优化算法辨识该系统。G(s)=−0.037𝑠+3.61+15𝑠为了更好的体现建模过程，在系统输出加入异常值和白噪声。输入幅值为1的阶跃信号，得到的输出曲线如下图所示。图1被辨识数据曲线2模型选择模型结构的选择是建模过程中最重要的阶段，是决定模型质量最关键性的一步。系统的建模问题可以归结为用一个数学模型来表示客观未知系统本质特性的过程，根据经验，可以从各种数学模型中选择一种来近似描述实际物理系统。在工程当中，存在一种逆向响应系统，它的表象是，在结余信号扰动作用下，系统的输出先朝着与最终趋向相反的方向变化，然后才朝着最终趋向变化。七宝锅炉的蒸汽量阶跃扰动引起的汽包水位变化就是这种逆向响应过程，被称作“虚假水位”现象。因此根据对象热工特征以及系统输出曲线特性，本次建模过程选择的经验模型是逆向响应系统，其传递函数结构如下050100150200250300350400-8-6-4-20246被辨识数据曲线输出输入智能辨识11G(s)=𝐾1𝑠−𝐾2𝑇𝑠+1为了后续智能算法辨识，将传递函数转化为差分方程的形式𝑥1(𝑘+1)=𝑥1(𝑘)+𝐾1∙𝐷𝑇∙𝑢(𝑘)𝑥2(𝑘+1)=𝑒−𝐷𝑇𝑇𝑥2(𝑘)+𝐾2(1−𝑒−𝐷𝑇𝑇)𝑢(𝑘)y(k+1)=x1(𝑘+1)−x2(𝑘+1)3数据预处理当选择了数据后，需要对其进行预处理，包括