>电机控制系统主要分速度控制和位置控制两大类，前者多用于电气传动，后者多用于伺服控制，又称运动控制。对一个控制系统的性能要求可以概括为快、稳、准三个字，即快速响应、无超调和无静差。在这三者之间往往存在着矛盾，几乎所有的控制系统中稳定性和快速性之间存在着矛盾。至今仍广泛使用的PID控制方法，在实际设计过程中往往在这三者之间加以折衷，比如说牺牲点快速性提高些稳定性等。 由于电机制造技术和电子计算机的发展，在伺服控制、运动控制领域，高性能永磁同步电动机（PMSM）已成为最有前途的电动机。随着驱动容量不断扩大，它具有节省能源、体积小、重量轻等优点。但是永磁同步电动机本身具有一定非线性、强耦合性及时变性，加上伺服对象存在较强的不确定性和非线性，以及系统运行中受到干扰等问题，因此基于被控对象精确教学模型的常规控制策略难以满足高性能永磁同步电动机伺服系统的控制要求。随着人工智能技术的发展，智能控制已成为对复杂对象进行有效控制的重要方法。本文就模糊控制、神经网络控制实现智能控制的基本原理作以概要介绍，旨在伺服控制中推广它的应用。 一、基于模糊逻辑的智能伺服控制策略 模糊逻辑控制实质上是利用计算机模拟人的模糊逻辑思维功能实现的一种数字反馈控制。模拟人的智能实际上是模拟人的思维，思维的形式就是概念、判断和推理。人的思维具有模糊逻辑的特点，因此用计算机模拟人的模糊思维形式—模糊概念、模糊判断和模糊推理，就是模糊控制的思维科学基础，再和反馈控制理论相结合就可以实现模糊控制。 传统的PID控制系统设计中需要给出被控对象的精确模型，由于模型的不精确性及不确定性都会影响PID控制性能。相反，模糊控制不需要知道被控对象的精确模型，它是基于控制系统输入/输出数据因果关系的模糊推理控制。这些因果关系是人们操纵、控制系统经验的总结，用“如果（条件）则（结论）”或写成“IF（A） THEN（B）”的控制规则形式。其中A、B分别表示系统的输入和输出变量。通常模糊控制器的输入变量选用误差E及误差变化，而输出为控制U，这样的模糊控制器称为二维模糊控制器。 模糊控制器的输入输出变量不同于PID控制使用的数值变量，而是使用语言变量，如:负大（NB）、负中（NM）、负小（NS）、零（ZE）、正小（PS）、正中（PM）和正大（PB）。语言变量善于描述模糊概念，并通过模糊集合表示。由语言变量的联合组成的控制规则，如“IF E=NB or NM and E=NB or NM THEN U=PB”，即表示“若误差为负大或负中且误差变化为负大或负中，则控制量为正大”的控制规则。把所有的控制经验都总结为规则，则构成模糊控制规则集（库）。它可以用一个模糊矩阵表示，该模糊矩阵可称为被控对象的模糊模型。 在实施控制过程中，计算机不断采样，经过计算获得误差、误差变化的精确量，通过模糊量化处理将其变为误差及误差变化的输入模糊量，进而通过模糊逻辑推理获得控制量的模糊量。该模糊控制量需要再转变为精确量，以便对被控对象施加控制。 模糊控制不是基于被控对象精确模型的控制方式，因此具有较强的鲁棒性，其稳态精度可以通过引进智能积分等方法达到所要求的精度。此外，还可以将模糊逻辑推理和PID控制相结合，对PID控制参数进行自适应调整，实现无静态跟踪伺服控制。 二、基于神经网络的智能伺服控制策略 人工神经网络是利用计算机模拟人类大脑神经系统的联接机制，而设计的一种信息处理的网络结构，一般简称神经网络（NN）。神经网络中最基本单元是神经细胞，简称神经元。它是一种多输入单输出的信息处理单元，包括输入处理、活化处理和输出处理三个部分。从控制的观点，神经元模型由加权加法器、单输入单输出线性动态系统和静态非线性函数所组成，它们模拟神经细胞综合处理信息的突变性、饱和性的非线性特征。 大量的神经元通过层状、网状联接构成了神经网络。其中层状网络是一类最基本的网络结构形式，如前向（馈）网络就是一种层状网络，分输入层、隐含层（可有多层）和输出层。每一层中都含有若干个神经元，输入层、输出层神经元的个数由问题决定，而隐含层的层数及每层神经元数目的选取一般根据待解决问题的复杂程度通过经验和实验来确定。从理论上已经证明，一个三层前向网络能以任意精度逼近任意的非线性连续函数。 神经网络为何能具有这样优异特性？就是因为由大量神经元构成的网络能够根据某种学习规则，通过调整神经元之间的联接强度（权重）来不断改网络的逼近性能，即神经网络具有非常强的非线性映射能力。正因为如此，神经网络在智能控制、模式识别、故障诊断、系统辨识等领域获得了广泛应用。 一个神经网络可以根据一个未知复杂对象的输入输出数据对其模型进行辨识，辨识的过程实际上是神经网络通过某种学习算法不断地调整神经元之间的联接权值，最终达到以期望的精度对该未知对象的动态特性的逼近，其辨识的模型不是显示地给出的，而是隐含在学习得到的神经网络权矩阵W中。 如何通过神经网络实现伺服控制呢?由于永磁同步电动机模型难以精确描述，不妨设它的输入输出关系可用一个非线性函数f（·）表示。将一个三层前向神经网络采用该电机的输入输出数据进行训练，训练的过程就是通过不断调整网络中神经元间的联接权值，让网络通过权矩阵记忆了这些输入输出样本数据。当出现新输入输出数据后，神经网络能通过学习算法，调整联接权值并保证原有的逼近精度。这样训练和不断学习的神经网络的动态特性g（·）实质上是对象的逆模型f-1（·）。当利用这样的神经网络直接作控制器时，由于g（·）f（·）=f-1（·）f（·）=1，就可以实现缺乏精确模型的对象对输入的跟踪控制功能。文献[6>研究了通过小波神经网络对异步伺服电机位置的智能控制问题，并指出这种方法易于推广到其它形式的伺服机构。 三、其他形式的智能伺服控制策略 除了上述的模糊伺服控制、神经网络伺服控制策略外，还有基于专家控制思想的专家伺服控制，基于规则的伺服控制，基于预测补偿的智能伺服控制等。总之，许多形式的智能控制方法都可以用于伺服控制，并具有较好的控制性能。 | 