电涡流传感器FBM216

电涡流传感器  FBM216

电涡流传感器  FBM216

电涡流传感器  FBM216

Siemens 3RH1921-1CA10 

Siemens 3RT1916-1DG00

Allen Bradley 1771-NC6

Phoenix Contact FBS 50-5 

ABB CR-M4SS

Allen Bradley 1786-BNCP

Allen Bradley 1786-XT 

Allen Bradley 100-FA20 

Allen Bradley 440E-A13078 

Allen Bradley 700-F220A1

Allen Bradley 700-F400A1 

Allen Bradley 700-F400B24 

在实际工程应用中，由于缺乏关于对象动态、非线性和时变特性的详细先验知识，得到被控对象的模型是非常困难的或不可能的。基于控制系统无模型估计的模糊推理方法是控制系统设计的有力工具之一。这种基于规则的系统将模糊语言变量引入规则集合中，用以对人的经验方法建模。但是模糊控制器的规则和隶属度函数的选取具有很大程度的主观性，当输入、输出数目和语言变量划分的等级增大时，模糊规则的数目是以级数的平方关系迅速增加。这些都给模糊控制器的设计带来了困难。为了解决模糊控制器设计的困难，很多学者研究利用GA进行模糊系统的辅助设计和自动化设计。Varsek[17]提出了学习动态系统控制的三阶段框架；即先通过GA获得决策表，再通过机器学习将控制规则转换成可以理解的形式，后再用GA优化规则的数值参数。ark研究了一种新的基于遗传的模糊推理系统，用于产生优化参数集，获得了良好的性能[18]。

4.4神经网络控制系统

人工神经网络是从微观结构与功能上对人脑神经系统的模拟而建立起来的一类模型，具有模拟人的部分形象思维的能力，其特点是具有非线性特性、学习能力和自适应性，是模拟人的智能的一种重要途径，它在许多方面取得了广泛应用。但是神经网络的初始权值、阈值和高斯函数中心矢量不能很好的确定，而隐含层单元的传输函数是不连续和不可微的，因此采用传统的优化方法可能陷入局部极小值[19]。而遗传算法的搜索不依赖梯度信息，也不需要求解函数可微，只需要求解函数自约束条件下的可行解，并且遗传算法具有全局搜索的特性，用遗传算法优化神经网络的连接权、网络结构、初始权值、阈值和高斯函数中心矢量不仅容易获得全局优解，还可以提高神经网络的泛化性能，大大提高系统的精度、鲁棒性和自适应。文献[20]提出了用遗传算法来代替小二乘法来训练RBF神经网络的权值、阈值和高斯函数中心矢量，得出了满意的仿真结果。