运动控制融入人工智能方法

关键词 电机及运动控制 人工智能方法 控制软件 先进的控件 边栏： 研究引领了道路

这些技术包括模糊逻辑、人工神经网络、遗传算法和专家系统。“人工智能”(AI)是把这些技术松散地联系在一起，并将它们与传统计算方法分开的家族雨伞。每一种都模仿了智能的某些方面——人类解决问题、学习、知识或进化。例如，模糊逻辑(FL)与语言规则和部分真理一起工作;人工神经网络(ann)可以通过训练进行学习;遗传算法(GAs)模拟生物过程中的进化;专家系统(ES)基于专家的规则和经验进行推理。有关人工智能方法的概述，请参见控制工程1997年7月的封面故事。

最初，人工智能方法旨在解决传统方法难以解决的问题。对于复杂的非线性多变量控制问题仍然是这样。在其他应用中，包括运动控制，它们执行辅助和监督功能。人工智能方法的一个更新方向承诺性能可与其他解决方案相媲美，但提供更快、更低成本的实现。这可以转化为其他的运动控制应用程序。

更广泛的运动控制视图揭示了在抗锁定制动器的工作中的AI方法，以及车辆系统的巡航控制，以及起重机的防摇摆控制。更正式的工业运动应用仍在前进。与过程竞技场一样，这项技术 - 供应商和用户的早期采用者 - 往往是紧密锁定的即将到来的发展。

Inform软件和德州仪器显示了交流的模糊逻辑控制
感应电机可以缩短设计时间，提供类似的性能，并
比传统的面向现场控制更强大。模糊控制1
使用一个模糊块;神经模糊控制2增加了第二个模糊块。

增强磁通矢量控制

通知德国亚琛的GmbH（可通知软件公司，奥克布雷克，生病。），模糊逻辑的专业公司，用FL结合数字信号处理器（DSP）引用对交流感应电机的增强控制。这是指具有德州仪器（休斯顿，TEX）的联合应用项目。采用TI的TMS320C系列DSP。通过模糊逻辑和神经模糊方法（在图中模糊控制1和2中，将传统的现场导向（通量向量）控制的性能与两种类型的磁通控制器进行比较。

考虑到图中所示的速度步进变化，带磁通矢量控制的电机在0.25秒内达到设定速度，没有过冲。然而，性能下降，电机加热和电机到电机特性的微小变化。根据通知，实施努力花了3个月。

在第一种替代方法中，设置和优化模糊控制器的时间仅为4人。这里，模糊磁通控制器处理滑动频率和定子电流之间的非线性关系，在所有操作模式下保持磁化电流常数。Inform的Fuzzytech设计软件中的一个神经舒张模块从现有的样本数据中生成了必要的模糊规则。过冲性能与助焊剂矢量控制几乎相同，但时间达到设定速度几乎双打。使用TMS320C 40-MHz DSP，控制器的计算时间为150毫秒。

对于模糊控制2，总开发工作量略微增加到7人。增强型模糊磁通控制器表示，在电机参数变化下，比面向现场的控制更改为“更加强大”，添加第二模糊块 - 一个非线性模糊PI控制器以提高性能。这取代了外部控制回路中的标准PI控制器。模糊控制2达到速度速度几乎与面向现场的控制器一样快，而不会过冲。性能优于模糊控制1.整个控制器的计算时间在同一DSP上是220毫秒。

Inform's Fuzzy Technologies Div的总监Constantin Von Altrock。，其Fuzzytech软件的音量运动控制应用范围从CNC机器中的良好定位到机器人。这些客户中的大多数使用FL来提高运动系统对动量变化的鲁棒性。“模糊逻辑已经证明它可以很好地应对运动控制和时变条件的非线性，例如磁饱和度和电动机参数在温度上的强依赖性，”他说。

Inform和TI在开发dsp作为模糊逻辑控制的计算引擎方面有着持续的合作关系。

传统的控制占主导地位

在Delta Tau Data Systems Inc.的工程和研究副总裁Curtis S. Wilson（Chatsworth，Califthifal）的预测性和易于分析，传统的线性控制算法仍然压倒性地受到工业运动控制中的压倒性地受到工业运动控制的压倒性地。（Chatsworth。）。然而，对于传统的工作方法，运动系统必须表现出“强烈的植物动态”。

在Delta Tau，AI算法在系统设置任务中找到了它们的主要用途。特别是，它们有助于识别运动系统中的非线性效应。引用的一个示例是感应电动机的磁通矢量控制的设置过程。根据威尔逊先生的说法，确定转子的磁饱和特性是重要的考虑因素，因为它限制了电动机的场强和低速扭矩常数。

将神经网络算法集成到Delta Tau的标准设置软件中，用于通量矢量控制。人工神经网络非常善于识别转子磁化曲线的线性部分(见图)。对于给定的正交电流，曲线的“膝盖”对应于直线电机的最大速度。保持在线性范围内保持标准控制算法适当。这里一个有趣的转变是使用神经网络，用来解决非线性问题，帮助保持线性。

专家系统程序为运动系统的设置提供了全面的方便。根据客户需求，Delta Tau开发了ES程序，引导用户完成整个安装过程。包括在每个步骤测试和验证决策的能力，以及对适当更改的建议。除了解决典型的调谐问题外，专家系统还可以发现极性不匹配、设置分辨率错误等情况。Delta Tau认为这些设置程序对用户的价值如此之高，以至于将“多得多的资源”投入到这些程序上，而不是实际的控制算法上。

神经网络算法很容易识别转子磁化的“膝盖”
曲线保持控制在线性范围内，在Delta Tau数据系统的设置
感应电机矢量控制软件。正交电压，V_问， 补给品
在加速指令下产生扭矩的电流。一些
这种测试，具有不同转子磁化电流，表征电机性能。

监督作用

Galil Motion Control Inc.（山景，加利福尼亚州）看为AI方法作为未来的工具，到目前为止还没有找到直接需求。“我们正在不断评估AI技术，为未来的应用程序保持开放的思想，以便在更复杂的运动系统中或必须控制更大数量的变量的情况下，”雅各布·塔利尔总统说。

专家系统，纳入以前的经验和现有知识，正在使用Galil的运动产品中使用。但是，es有一个监督而不是直接控制角色。根据Tal博士，这些系统是严格应用的作为确定性工具，当前服务于两个功能。在预操作模式下，它们在PC上运行，执行设计，调整和性能优化功能。对于后操作，它们在控制器上运行，进行各种系统监督任务。“专家系统并不比工程师更好，但可以更快地工作，”他补充道。

西门子自动化和驱动器集团（Erlangen，德国）同样看到了足以处理运动控制需求的现有方法。受影响的控制元素'可以通过数学公式充分描述'西门子发言人说。然而，公司的SIMOVERT MV（中电压）和ML（多级）交流驱动器使用神经网络技术来补偿谐波效果。ML驱动器是非常大的环形变频器供给单元，具有3至15个MVA功率范围内的标称额定值。

机器人技术展望人工智能

发那科机器人北美公司(罗切斯特山)。这家机器人和机器人系统制造商指出，人工智能方法将在未来的产品中占据一席之地。随着更复杂的动态模型的发展，以满足最优的过程质量，将需要人工智能技术。但这还没有发生。发那科机器人技术公司产品开发副总裁Gary Zywiol说:“像人工智能这样的先进技术从研发阶段到实际工业应用进展缓慢。”

他认为人工智能技术可以帮助提高机器人的工艺质量的三个主要领域:喷漆、点胶(例如，汽车面板的接缝密封)和弧焊。今天的流程模型不能适应所有需要的调整。在电弧焊的情况下，这意味着精确的机器人定位，电极相对于零件的方向和焊接参数的变化，以补偿制造条件的变量或零件规格的不准确性。需要控制的多个变量包括焊接电流和电压、送丝速度、机器人运动调整焊接的振幅和频率。

特别是，“神经网络和模糊系统将提供适应性处理行为，这是不可预测的使用显式模型，“添加了Zywiol先生。

进一步的发展和研究可能会扩大用户的意识，以及人工智能方法在运动控制中的作用(见边栏)。

虽然运动系统本质上是由线性元素组成的，但线性本身是有代价的。Delta Tau数据系统提到了一些正在进行的应用“强非线性”系统组件以降低成本的兴趣。人工智能方法可以在这方面做出贡献。威尔逊总结说，人工智能算法将是识别和控制这些系统的关键，不过要提供通用解决方案，并让用户相信这些系统将在整个可能的行动范围内发挥作用，还有很长的路要走。

研究引领了道路

在全球许多大学的运动控制方法中的研究工作在许多大学中是活跃的。这些项目经常为工业场景的进展提供基础。在U.K.网站上的浓度是巧合的。

模糊逻辑，神经网络和遗传算法是目前在苏格兰阿伯丁大学（U.K.）工程部的智能运动控制研究组（IMCRG）-Part的AI方法中的AI方法。

IMCRG在模糊逻辑控制器中的工作包括AC和DC驱动器应用，其中目标是简化有效实时控制的方法。神经网络技术用于自动化生成隶属函数和基本到模糊逻辑方法的规则。这已经将该项目扩展到模糊神经控制器。遗传算法（气体）中的开发包括基于GA基于转子磁通控制下的感应电动机驱动的观测器。这是与博洛尼亚大学（意大利）的共同项目。

遗传算法也在英国谢菲尔德大学(University of Sheffield)机器人研究小组(RRG)的议程上。运动规划和避碰是机器人系统的主要关注点，涉及到机器人手臂关节空间的无限可能轨迹的优化。这就是GAs发挥作用的地方。这些搜索/优化方法基于生物过程，适者生存进化为最优解，满足一个或多个目标函数。在自然界中，“选择压力”被用来偏爱群体中适应性最强的个体。

GAs的主要优点是能够避免陷入局部极小的全局搜索能力，以及在控制器的分布式系统中通过并行处理(种群子群)进行实时操作。典型的运动优化目标包括行程时间、能量使用和最小化应用于机器人电机的扭矩大小。

机器人研究小组的工作是《工程系统中的遗传算法》(Genetic Algorithms in Engineering Systems)一书的一部分，这本书由电气工程师学会(the Institution of Electrical Engineers, London)出版，由阿里·扎尔萨拉(Ali Zalzala)和彼得·弗莱明(Peter Fleming)编辑。同时指出了遗传算法在实际应用中的复杂性和难点。