지능형 제어와 일반 제어의 주요 차이점.

가장 본질적인 차이점은 문제를 해결하는 아이디어가 다르다는 점이다.

고전적인 제어와 현대의 제어는 겉보기에는 전혀 다르지만 본질적으로는 동일하다. 즉, 제어 객체의 수학적 모델을 구축한 후 그 제어를 달성하기 위해 수학적 모델의 형태로 컨트롤러를 설계한다는 것이다. 유일한 차이점은 전자가 미분 방정식을 설정하거나 pid 제어라고 부르는 것입니다. 후자는 수학의 선형 미분 방정식 시스템과 유사한 상태 방정식을 설정합니다. 최적 제어, 강건 제어 등의 문제가 고전 제어 이론에 기반을 두든 현대 제어 이론에 기반을 두든 본질과 분리될 수 없습니다. 2002년에 제안된 FOC 제어를 포함하여 제어 대상의 수학적 모델을 확립해야 합니다.

지능형 제어는 완전히 새로운 아이디어를 채택합니다. 인간의 사고방식을 채택하고 논리적 모델을 확립하며 인간의 두뇌와 유사한 제어 방법을 사용하여 제어합니다.

제가 마침 이 숙제를 하고 있으니 제 숙제를 예로 들어 설명하겠습니다.

온수기의 수온을 제어하려면 전통적인 제어 방식에서 미분방정식을 설정하든, 상태방정식을 설정하든 항상 화력과 수온, 변화율을 고려해야 한다. 최적의 제어 방법을 모색하든 강건한 제어를 위해 가변 감도를 추출하든 수학적 모델이 필요합니다.

지능형 제어는 완전히 다른 접근 방식을 취합니다. 예를 들어 퍼지 제어기를 사용하여 먼저 모든 변수를 퍼지화한 후 특정 알고리즘을 사용하여 수온, 수온 변화율, 가열 전력, 가열 전력 변화율 등을 언어 변수로 변환합니다. , 상대적으로 크다, 약간 크다, 딱 맞다, 약간 작다, 상대적으로 작다, 매우 작다. 그런 다음 인간이 하듯이 규칙 기반을 공식화합니다. 수온...수온 변화율...그리고 가열 전력... 그런 다음 일부 알고리즘을 사용하여 규칙 기반과 퍼지 관계를 테이블로 공식화하고 이를 컴퓨팅 칩의 플래시에 입력하여 작동합니다.

또 다른 예는 인공 신경망을 사용하는 것입니다. 우리는 인간의 뇌를 본따서 컴퓨터 신경망 모델을 모델링합니다. 각 인공 뉴런에는 가중치가 있는 많은 축삭, 여기 결정 기능이 있는 세포체 및 여러 출력 기능이 포함되어 있습니다. , 그리고 나서 많은 인공 뉴런을 일정한 논리에 따라 나누어 연결한 후 온수기에서 수집한 많은 양의 정보를 입력단과 출력단에 각각 추가하고 인공 뉴런 간의 연결 가중치와 자극을 특정 알고리즘 요소를 통해 변경되어 궁극적으로 알려진 모든 훈련량이 이 인공 신경망을 충족하게 되면 제어 정확도가 매우 높아질 수 있습니다.

요약하면 일반 제어는 전적으로 수학을 기반으로 하는 반면, 지능형 제어는 논리적 규칙을 기반으로 인간의 사고 모델이나 경험 모델을 사용하거나 훈련 및 학습을 위해 인간의 신경망을 모방하기도 합니다.

장점과 단점은 분명합니다. 클래식 제어와 현대 제어 모두 분명한 장점이 있습니다. 안정된 지점이 매우 정확하고 심지어 오버슈트, 가장 빠른 응답 시간 등도 나름의 단점이 있습니다. 끝 그것은 평형 위치에서 매우 정확합니다. Zade의 이론을 채택하든 McDaniel의 이론을 채택하든 지능형 제어에는 필연적으로 부정확성이 포함됩니다. 그러나 많은 제어 개체에 대해 방정식을 설정하는 것이 쉽지 않으며, 많은 제어 개체에 대해 방정식을 설정할 수 있다고 해도 여전히 그렇지 않습니다. 현재로서는 수학적 이론을 논의할 수 없습니다. 예를 들어, 보일러 연소 전문가는 열에 따라 추가할 석탄의 양과 화로 벽이 만졌을 때 뜨거운지 여부를 결정하는 경우가 많습니다. 방정식을 세우는 것은 분명히 불가능합니다.

실제 프로젝트에서는 지능형 제어와 일반 제어를 조합하여 사용하는 경우가 많습니다. 예를 들어, 제어 모델에서는 평형 위치에 도달했는지 여부를 결정하는 결정 알고리즘이 먼저 만들어지며, 도달하지 못한 경우 오버슈트와 같은 매개변수가 특정 범위에 도달한 후 지능형 컨트롤러를 사용하여 신속하게 대응합니다. 전환은 클래식 컨트롤러 또는 최신 컨트롤러 간에 수행됩니다.

위 내용은 공학 및 연구 경험을 요약한 것일 뿐이며, 자료로의 무단 전재를 금합니다.