Research and Application of Integrated Intelligent Control Technology

CHEN Yuefei; WANG Li; YU Zhun; XIAO Ke; FAN Yizhong

doi:10.12338/j.issn.2096-9015.2023.0147

Volume 67 Issue 6

Jun. 2023

Turn off MathJax

Article Contents

Article Navigation > Metrology Science and Technology > 2023 > 67(6): 29-36, 21

CHEN Yuefei, WANG Li, YU Zhun, XIAO Ke, FAN Yizhong. Research and Application of Integrated Intelligent Control Technology[J]. Metrology Science and Technology, 2023, 67(6): 29-36, 21. doi: 10.12338/j.issn.2096-9015.2023.0147

Citation:

CHEN Yuefei, WANG Li, YU Zhun, XIAO Ke, FAN Yizhong. Research and Application of Integrated Intelligent Control Technology[J]. Metrology Science and Technology, 2023, 67(6): 29-36, 21. doi: 10.12338/j.issn.2096-9015.2023.0147

Citation:

PDF( 1006 KB)

Research and Application of Integrated Intelligent Control Technology

doi: 10.12338/j.issn.2096-9015.2023.0147

CHEN Yuefei^1
,,
WANG Li¹,
YU Zhun¹,
XIAO Ke¹,
FAN Yizhong^{2
,
,}

1.
Hunan Institute of Metrology and Test, Changsha 410014, China
2.
Changsha Kuanghui Technology Co., Ltd., Changsha 410014, China

Received Date: 2023-06-10
Accepted Date: 2023-07-13
Rev Recd Date: 2023-08-01

Available Online: 2023-08-08

Publish Date: 2023-06-18

Abstract

Abstract

Integrated intelligent control technology integrates various intelligent technologies and control strategies to address the limitations of effectiveness, adaptability, and scalability posed by the singular use of traditional control technologies in nonlinear systems, complex systems, and systems influenced by uncertainty. This technology seeks to enhance the scientific and technological attributes, robustness, and adaptability of control systems. The paper expounds on the features of fuzzy control, neural network control, sliding mode variable structure control, and genetic algorithms within the realm of intelligent control. It provides an overview of the integration methods of fuzzy control with neural network control, fuzzy control with sliding mode variable structure control, neural network control with sliding mode variable structure control, and genetic algorithms with fuzzy control. Additionally, it highlights the application scenarios of each integrated control approach in recent years. The technical specifications of intelligent control and its prospective developmental trends are also discussed.
- metrology,
- integrated intelligent control,
- intelligent technology,
- performance optimization,
- robustness,
- adaptability

FullText(HTML)

References(32)

References

[1]	王甜婧, 汤涌, 王兵, 等. 传统方法与人工智能: 潮流控制优化算法的现状、挑战与未来方向[J]. 中国电机工程学报, 2023, 43(5): 1799-1818.
[2]	徐文尚. 控制理论混合仿真系统的开发研究[J]. 计量技术, 2000(11): 13-15.
[3]	崔保健, 才滢, 阎道广. 基于BP神经网络的功率传感器数据融合[J]. 计量技术, 2006(2): 23-25.
[4]	尤强, 寇欣宇, 段发阶. 基于模糊PID控制的步进电机驱动控制器[J]. 计量技术, 2001(5): 9-11.
[5]	邓召文, 易强, 高伟. 基于LQR的断开式可调尾翼系统高速操纵稳定性研究[J]. 制造业自动化, 2023, 45(4): 151-158.
[6]	胡竣耀, 陈巧玉, 童东兵, 等. 滑模控制的四旋翼无人机拓展状态观测器设计[J]. 电光与控制, 2023, 30(3): 15-19. doi: 10.3969/j.issn.1671-637X.2023.03.003
[7]	王冠, 夏红伟. 一种基于学习的高超声速飞行器智能控制方法[J]. 宇航学报, 2023, 44(2): 233-242.
[8]	王蕾, 吴翠红, 郭士茹. 光纤激光精密切割系统功率智能控制方法[J]. 激光杂志, 2022, 43(11): 215-219.
[9]	常志东. 神经网络优化PID的舰船关键设备智能控制方法[J]. 舰船科学技术, 2022, 44(21): 168-171.
[10]	华珊, 宋晓乔, 杨小妮. 智能控制综述[J]. 数字通信世界, 2019(3): 144, 161. doi: 10.3969/J.ISSN.1672-7274.2019.03.197
[11]	陈思汉, 殷玉枫, 张锦, 等. 液压伺服系统的变论域自适应模糊控制[J]. 机床与液压, 2023, 51(10): 78-83.
[12]	陈颖娜, 李雪莲, 余春晖, 等. 神经网络在检测实验室管理及质量控制的应用[J]. 现代测量与实验室管理, 2016, 24(5): 55-58, 40.
[13]	姚兆, 刘杰, 李允公, 等. 陀螺稳定平台的滑模变结构控制实验研究[J]. 兵工学报, 2011, 32(8): 1019-1024.
[14]	李志清, 李美, 付丽荣, 等. 遗传算法优化的空气悬架模糊PID控制[J]. 机械设计与制造, 2023 (4): 22-25, 33.
[15]	魏毅寅, 郝明瑞, 范宇. 人工智能技术在宽域飞行器控制中的应用[J]. 宇航学报, 2023, 44(4): 530-537.
[16]	张军, 孔玉莹, 曹学魁, 等. 基于机器学习的核电厂蒸汽发生器传热管涡流信号自动定位研究[J]. 中国检验检测, 2021, 29(6): 23-26, 36.
[17]	付京博, 邵会兵, 詹韬. 基于深度强化学习的飞行器自抗扰控制技术[J]. 计算机仿真, 2022, 39(10): 54-59.
[18]	孙杰, 陈树宗, 王云龙, 等. 冷连轧关键质量指标与轧制稳定性智能优化控制技术[J]. 钢铁研究学报, 2022, 34(12): 1387-1397.
[19]	王伟, 王勇, 周晨光, 等. 基于模糊神经网络PID的无人艇航向控制器研究[J]. 合肥工业大学学报(自然科学版), 2023, 46(4): 458-462.
[20]	杨建忠, 王浩天, 陈希远. 飞机防滑刹车系统模糊滑模控制研究[J]. 计算机仿真, 2022, 39(7): 74-80. doi: 10.3969/j.issn.1006-9348.2022.07.015
[21]	夏光, 陈建杉, 唐希雯, 等. 基于增益模糊滑模变结构的线控液压转向控制[J]. 中国公路学报, 2021, 34(9): 70-84.
[22]	张圆圆, 何永玲, 周海燕, 等. 基于模糊变结构控制的桥式起重机防摆研究[J]. 中国工程机械学报, 2019, 17(2): 112-116.
[23]	山毓俊. 基于图像识别的证书分拣盖章机器人机械手智能原点搜寻[J]. 中国检验检测, 2023, 31(3): 31-34.
[24]	徐明, 黄庆生, 李刚. 车辆磁流变半主动悬架滑模变结构优化控制[J]. 机械科学与技术, 2021, 40(7): 1106-1113.
[25]	艾雄雄, 张博, 索宇超, 等. 基于动态变边界层的PMLSM新型终端滑模控制[J]. 组合机床与自动化加工技术, 2023, (5): 125-128.
[26]	刘永慧. 滑模变结构控制的研究综述[J]. 上海电机学院学报, 2016, 19(2): 88-93.
[27]	秦红玲, 李志雄, 袁松. 磁悬浮轴承系统的模糊滑模变结构控制研究[J]. 计算机仿真, 2011, 28(4): 185-188, 192.
[28]	马瑞梓, 张艺婕. 基于RBF神经网络的鲁棒因子滑模变结构多自由度机械臂精确跟踪控制研究[J]. 系统科学与数学, 2023, 43(1): 1-14. doi: 10.12341/jssms21601
[29]	谢国民, 孙少华, 付华, 等. 基于RBF神经网络滑模的多电机同步控制方法[J]. 辽宁工程技术大学学报(自然科学版), 2022, 41(4): 364-371.
[30]	葛安东. 基于遗传算法和模糊控制的某型纯电动汽车整车控制策略的研究[D]. 合肥: 合肥工业大学, 2015.
[31]	张颖, 蔡晨光, 刘志华. 基于物理解耦的机器视觉六自由度测量方法[J]. 计量技术, 2020(5): 46-50.
[32]	邱军, 郑伟, 王刚, 等. 基于模糊控制的大空间焓差室湿度智能控制方法研究[J]. 计量技术, 2016(7): 11-15.