由于控制简单，CC驱动器过去已被广泛使用。是，由于其众所周知的局限性和DSP技术的进步，DC磁盘逐渐被高性能AC磁盘所取代。是最近，许多制造商也推出了改进的直流驱动器产品，但他们尚未使用人工智能技术。
信可以进一步改善使用人工智能的CC驱动技术。能技术在电驱动技术中起着非常重要的作用，尤其是自适应模糊神经控制器将被广泛应用于性能培训产品中。是，仍然有很多研究要做，并且只有很少的实际应用示例（更少的大学研究小组实施了更少的工业应用）。
多数研究没有仅给出理论或仿真结果，因此常规控制该设备在未来将长期使用。此，本文讨论了人工智能在电力传输领域的应用。工智能一直处在计算机技术的最前沿，历经几番风风雨雨，人工智能在很长一段时间内都是普通人无法获得的，但是它却吸引了无数研究人员来发挥他们的才能。着现代控制理论的发展，传统的控制器设计技术逐渐被广泛使用的人工智能软件技术所取代。常以完全不同的方式讨论人工智能的不同控制。
是，诸如神经，模糊，模糊神经和遗传算法之类的AI控制器都可以被视为一类非线性函数逼近器。种分类可以更好地理解，也有利于控制策略的统一发展。们的设计不需要控制对象的模型（在许多情况下，很难获得实际控制对象的精确动力学方程。际控制对象的模型通常具有很多设计控制器时不确定的因素，例如非线性参数变化（通常我不知道）。
过适当地调整它们（基于响应时间，下降时间，稳定的性能等），它们可以提高性能。如：模糊逻辑控制器的上升时间是最佳PID控制器的1.5倍，下降时间是3.5倍，并且过冲量较小。们比常规控制器更容易调整。不需要专门知识时，也可以使用响应数据进行设计。言的使用和对消息的响应可以构想它们。
们具有相当好的一致性（使用新的未知输入数据时可以获得良好的估计），而与驱动程序的特性无关。前，还没有一种使用人工智能的控制算法能够很好地控制特定对象，但是对其他控制对象的影响并不总是很好，因此必须进行特定的设计。于特定对象。们非常适合新数据或信息。们可以解决传统方法无法解决的问题。
们具有很好的抗声音干扰性。们的实现非常便宜，尤其是在使用最小配置时。们易于扩展和修改。之，当使用自适应模糊神经控制器时，可以在模糊化和反模糊化过程中实时自动确定规则库和隶属函数。很多方法可以完成此过程，但是主要目标是使用系统技术来获得稳定的解决方案，并找到最简单的拓扑配置，快速的自学习和快速的收敛。糊逻辑控制应用程序主要有两种类型，即Mamdani和Sugeno。目前为止，速度控制系统中仅使用了Mamdani模糊控制器。于篇幅所限，本文未详细介绍原因。该注意的是，两个控制器都具有规则库，该规则库是这样的模糊规则集。是Sugeno控制器的典型规则是“如果X为A而y为B，则Z = f（x，y）”。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。f恒定时，恒温阀芯它是零阶Sugeno模型，因此Sugeno是Mamdani控制器的特例。Mamdani控制器由以下四个主要部分组成：模糊化以测量，量化和模糊化输入变量。属函数有多种形式。识库由数据库和语言控制规则库组成。立规则库的主要方法是：将专家的知识和经验应用于目标的应用和控制；模拟操作员控制动作；建模过程；使用自适应模糊控制器和人工神经网络的推理机制。
理引擎是模糊控制器的核心，它可以模仿人类的决策并推理出模糊控制行为。除允许量化和擦除。许多反模糊技术，例如最大化反模糊技术，中间平均值等。各种出版物中，引入了许多模糊控制器，但是应该与“完全模糊”控制器完全区分开。“完全模糊”控制器是完全模糊的并且是模糊的。控制器易于实现，通常可以通过修改现有的常规控制器来获得，例如，模糊PI控制器（FPIC）使用模糊逻辑来更改控制器的比例和积分参数，从而提高性能和系统控制。制器参数的细微变化可以改善特性，模糊控制器的设置方法如下：P（ti）= P（ti-1） kP * CP，I（ti）= I （ti-1）* CI。是，如果使用“完整”模糊逻辑控制器，则系统响应将远远优于传统的最佳FPIC和PI控制器。
于优化常规控制器的计算时间比模糊控制器所需的计算时间长得多。此，使用具有最小配置的FPIC是可能的选择之一；实际上，这也是使用现有培训单元实施的最简单方法。工神经网络的应用在过去的二十年中，人工神经网络（ANNS）已广泛用于模式识别和信号处理。于ANNS具有相干的非线性函数估计器，因此它也可以有效地用于电驱动控制领域。们的优点是它们不需要受控系统的数学模型，它们具有良好的一致性并且对噪声不敏感。外，由于ANNS的并行结构，它非常适合于多传感器输入应用。如，它可以提高状态监视和诊断系统中决策的可靠性。然，最近，电驱动器正朝着减少传感器数量的方向发展。是，有时使用多个传感器可以降低系统对特殊传感器故障的敏感度，不需要太高的精度，也不需要复杂的信号处理。
差反向传播技术是用于多层pre-ANN的最常用的学习技术。果网络具有足够的隐藏层和隐藏节点以及适当的激励功能，则多层ANN只能获得所需的映射。有直接的技术来选择最佳的隐藏层，节点数和激励函数。常，这是尝试解决此问题的方法。
题是，反向传播训练算法是基本的最快下降方法，输出节点错误返回到网络以进行权重调整和搜索优化。出节点的权重调整迭代与隐藏节点的权重调整迭代不同。用反向传播技术，可以获得非线性函数的近似要求值。算法包括学习速度参数，这对网络的特性有很大的影响。糊逻辑的应用在大多数有关在交流变频器中使用模糊逻辑的文章中，据报道，模糊控制器被用来代替传统的速度控制器，数字驱动系统很多。国阿伯丁大学开发的高性能。糊控制器：这些模糊控制器不仅用于代替常规的PI或PID控制器，还用于其他任务。大学还在各种全数字，高动态性能传输系统的开发中使用模糊神经控制器。有关于使用模糊逻辑控制感应电动机的磁通量和转矩的出色文章。输入校准系数是可变的。验结果也验证了该方案的有效性。系统的模糊巡航控制与常规PI巡航控制和增塑剂CRPWM一起使用，增塑剂CRPWM通常用于补偿可能的惯性和负载转矩的干扰。经网络的应用如今，有大量文章涉及神经网络在交流电动机和驱动系统的状态监视和诊断中的应用。文介绍了使用常规ANN算法优化步进电机控制算法。图使用实验数据来确定最大可观察到的转速增量，该增量是负载转矩和初始转速的函数。需要ANN学习3D图形映射。常规控制算法（梯形控制方法）相比，该系统具有更好的性能并大大减少了定位时间。
很大的负载转矩和非初始速度范围内，它也具有令人满意的控制效果。ANNS的结构是多层直接作用类型，使用经典的反向传播学习算法。系统由两个子系统组成，一个系统通过识别动态电气参数来自适应地控制定子电流，另一系统通过识别参数来自适应地控制转子速度。电系统。后，应该强调的是，有关通过ANN估算各种电机参数的大多数文章现在都具有一个共同的特征，即它们都使用直接作用的多层ANNS和常规的反向传播算法。估计的参数不同。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com