基于人工智能的计算机自动控制系统优化研究

晁虹

摘 要：相比难以达到高精度控制结果的传统方法而言，计算机自动控制系统具有非线性、时变等优点。文中提出了基于人工智能的计算机自动控制系统优化方法。通过人工智能技术中的神经网络对计算机自动控制系统的变化特点进行无限逼近，并通过仿真测试分析其性能。结果表明，文中方法提高了计算机自动控制系统的响应速度，增强了计算机自动控制系统的稳定性，获得了比传统方法更优的计算机自动控制精度。

关键词：计算机；自动控制系统；人工智能；神经网络

中图分类号：TP183 文献标识码：A 文章编号：2095-1302（2018）08-00-02

0 引 言

随着计算机技术的飞速发展，计算机自动控制系统的应用范围越来越广，被应用在军事、环境污染检测、安全监控等领域，为此对计算机自动控制系统进行研究具有十分重要的价值。

针对计算机自动控制系统中的优化问题，国内外学者进行了大量研究，当前也存在一些计算机自动控制系统优化方法。相对于其他计算机自动控制系统优化方法，PID控制算法的工作原理、工作过程十分简单，便于普通操作人员进行操作，而且人机交互界面较好，在计算机自动控制系统中得到了广泛应用[1-3]。由于计算机自动控制系统滞后性较大、工作环境复杂，因此其计算机自动控制系统通常无法建立精确的数学模型来描述其变化特点，PID控制算法面临巨大的挑战。同时由于PID自身也在存在一定的问题，如参数优化，为此有学者引入了模糊理论对PID控制算法进行改进和和优化，以实现计算机自动控制系统高精度的优化，但仍存在许多不足，如计算机自动控制系统控制误差大，计算机自动控制系统的优化时间长，无法实现计算机自动控制系统的在线优化等，无法满足计算机自动控制系统的实际应用要求。神经网络是一种人工智能技术，非线性映射拟合能力好，可以对PID控制算法进行优化，从而实现计算机自动控制系统的优化[4-5]。

为了提高计算机自动控制系统的优化精度，文中提出了基于人工智能的计算机自动控制系统优化方法。通过人工智能技术中的神经网络对计算机自动控制系统的变化特点进行无限逼近，并通过仿真测试分析其性能。结果表明，本文方法提高了计算机自动控制系统的响应速度，增强了计算机自动控制系统的稳定性，获得了比传统方法更优的计算机自动控制精度。

1 PID计算机自动控制系统优化控制

计算机自动控制系统PID控制器的控制原理如图1所示。

PID控制器的控制方式可以描述如下：

（1）

其中：Ti，Td，Kp表示PID控制的3个参数，其值直接决定了PID的控制性能。

由于计算机自动控制系统处理的是数字信号，传统模拟PID控制器无法直接控制计算机自动控制系统，因此做如下离散化处理：

（2）

通常情况下，PID控制性能采用输出误差进行衡量，具体如下：

（3）

计算机自动控制系统在实际应用中，难免受到其因素的干扰，导致计算机自动控制系统的超调量变化较大，为了尽可能降低该现象出现的几率，引入超调量，计算机自动控制系统优化的目标函数见式（4）：

（4）

式中：e（t）为系统误差，u（t）为控制器输出，tu为上升时间，w1，w2，w3为权值。

为了对计算机自动控制系统进行高精度控制，需要选好PID控制器的参数，为此本文采用人工智能神经网络算法获得更优的计算机自动控制系统。

2 人工智能计算机自动控制系统优化

计算机自动控制系统的控制结果如图2所示。从图2可以看出，PID控制算法对计算机自动控制系统进行控制，而神经网络对PID控制器进行优化，根据计算机自动控制系统的输出误差启动神经网络的学习过程，实时调整PID控制器的参数，从而直接控制计算机自动控制系统。

BP神经网络输入层的输入、输出为：

（5）

（6）

e（k）为计算机自动控制系统输出的偏差，即

（7）

其中：θr（k）为给定值，θc（k）为计算机自动控制系统的实

际值。

隐含层的输入、输出为：

（8）

（9）

式中：为隐含层加权系数；为激活函数。

网络输出层的输入、输出为：

（10）

（11）

式中：为输出层加权系数；为激活函数。

采用性能指标的最小化来训练控制器参数。

由于得不到计算机自动控制系统的精确数学模型，因而无法得到计算机自动控制系统的实际输出，神经网络所需的梯度学习信号也无法获取。而神经网络经过适当的学习后，其输出θi可近似代替计算机自动控制系统的实际输出θc，因此，可近似代替神经网络所需的梯度学习信号，则有：

（12）

隐含层和输出层的权值调整公式如下：

（13）

（14）

3 计算机自动控制系统的性能测试

为了测试本文计算机自动控制系统的性能，与当前经典计算机自动控制系统优化方法在相同平台进行仿真模拟测试，当计算机自动控制系统没有受到外界因素干扰时，计算机自动控制系统的输出结果如图3所示。从图3可以清楚看出，没有受到干扰时，两种方法的计算机自动控制系统输出结果均较好，可以对计算机自动控制系统进行有效的控制，相对于传统计算机自动控制系统优化方法，本文方法的计算机自动控制系统的控制精度略高。

在受到外界因素强烈干扰的情况下，本文方法与传统方法的计算机自动控制系统的控制结果如图4所示。可以发现，受到外界因素强烈干扰的情况下，传统计算机自动控制系统优化结果变化很大，极不稳定，要达到理想的计算机自动控制系统控制状态，时间耗费长，而本文计算机自动控制系统优化方法可以短时间内达到理想状态，提高了计算机自动控制系统的控制效果，而且计算机自动控制系统控制结果更加稳定，具有比较明显的优势。对比结果表明，本文设计的计算机自动控制系统优化方法较好地解决了当前计算机自动控制系统优化过程中存在的误差大、控制效率低的难题。有干扰时的计算机自动控制系统输出的结果如图4所示。

4 结 语

计算机自动控制系统变化十分复杂，伟统方法存在误差较大，控制效率低下等问题。为了改善计算机自动控制系统的控制效果，提出了人工智能计算机自动控制系统优化方法，测试结果表明，本文方法不仅提高了计算机自动控制系统的控制精度，而且计算机自动控制系统的控制效率也得到了明显改善，是一个有效的计算机自动控制系统优化方法。

参考文献

[1]李玉云，李绍勇，王秋庭.自动控制原理与CAI教程[M].北京：机械工业出版社，2010：255-256.

[2]趙石磊，郭红，刘宇鹏.基于轨迹跟踪的线性时滞系统容错控制[J].信息与控制，2015，44（4）： 469-473.

[3]白宏，张乐.模糊PID控制在ATP伺服系统中的应用[J].应用光

学，2009，30（1）： 29-33.

[4]张美凤，蔡建文.模糊RBF神经网络PID算法在计算机自动控制系统控制中的应用研究[J].激光杂志，2015，36（6）：108-110.

[5]张新闻，周春燕，李学生.优化核参数的SVM在电能质量扰动分类中的应用[J].哈尔滨理工大学学报，2011，16（3）：50-54.

[6]冯立强，刘晓悦.基于遗传算法的神经网络PID控制方法研究[J].物联网技术，2017，7（10）：40-42.

[7]赵鹏，赵雪峰，赵庆安，等.基于人工智能机器视觉技术的古建筑表层损伤检测[J].物联网技术，2017，7（9）：14-18.

[8]杜泽明.基于人工智能的气动窗口微机控制系统[D].武汉：华中师范大学，1999.