自动化专业英语

 

自动化专业英语教程第2版

PART 1 UNIT 5翻译          

A  直流电机分类

现在可以买到的直流电机基本上有四种：⑴永磁直流电机，⑵串励直流电机，⑶并励直流电机，⑷复励直流电机。每种类型的电动机由于其基本电路和物理特性的不同而具有不同的机械特性。

永磁直流电机永磁直流电机

永磁直流电机永磁直流电机，如图1-5A-1所示，是用与直流发电机同样的方法建造的。永磁直流电机用于低转矩场合。当使用这种电机时，直流电源与电枢导体通过电刷/换向器装置直接连接。磁场由安装在定子上的永磁磁铁产生。永磁磁铁电机的转子是绕线式电枢。 这种电机通常使用铝镍钴永磁合金或陶瓷永磁磁铁而不是励磁线圈。铝镍钴永磁合金用于大功率电机。陶瓷永磁磁铁通常用于小功率、低速电机。陶瓷永磁磁铁抗退磁性能高，但它产生的磁通量较低。磁铁通常安装在电机外壳里边，在安装电枢前将其磁化。

永磁电机相对于常规直流电机有几个优点。优点之一是减少了运行损耗。永磁电机的转速特性类似于并励式直流电机的转速特性。永磁电机的旋转方向可通过将电源线反接来实现。

串励式直流电动机

直流电机电枢和激磁电路的连接方式确定了直流电机的基本特性。每一种直流电机的结构与其对应的直流发电机的结构类似。大部分情况下，二者的唯一区别在于发电机常作为电压源，而电动机常作为机械能转换装置。

串励式直流电动机，如图1-5A-2所示，电枢和激磁电路串联连接。仅有一个通路供电流从直流电压源流出。因此，激磁绕组匝数相对少、导线直径大，以使激磁绕组阻抗低。电机轴上负载的变化引起通过激磁绕组电流的变化。如果机械负载增加，电流也增加。增加的电流建立了更强的磁场。当负载从零增加到很大时，串励式电机的转速从很高变化到很低。由于大电流可以流过低阻抗的激磁绕组，串励式电动机产生一个高转矩输出。串励式电动机用于启动重负载，而速度调节并不重要的场合。一个典型应用是车辆启动电机。

并励式直流电动机

并励式直流电动机是最常用的一种直流电机。如图1-5A-3所示，并励式直流电动机的激磁绕组与电枢绕组并联连接。这种直流电机的激磁绕组匝数多、导线直径小，因而阻抗相对比较高。由于激磁绕组是并励式电动机电路的高阻抗并联通道，流过激磁绕组的电流很小。由于形成激磁绕组的导线的匝数多，产生的电磁场很强。

并励式电动机的大部分电流（大约95%）流过电枢电路。由于电流对磁场强度几乎没有什么影响，电机转速不受负载电流变化的影响。流过并励式直流电动机的电流关系如下： IL=Ia+If公式中， IL—电机总电流Ia —电枢电流 If —激磁电流。

通过在激磁绕组中串联一个可变电阻可以改变激磁电流。由于激磁回路电流小，低功耗可变电阻器可用于改变激磁绕组阻抗，进而改变电机转速。激磁阻抗增加，激磁电流会减少。励磁电流的减小会使磁场减弱。当磁通减少时，转子会由于与减弱的磁场相互作用而加速旋转。因此使用励磁变阻器，并励式直流电动机的转速很容易调节。

并励式直流电动机具有优良的转速调节功能。当负载增加时，由于增加了电枢绕组上的压降，转速稍微有一点降低。由于它的优良的转速调节特性和转速控制的简易性，并励式直流电动机通常用于工业场合。许多种可调速机床由并励式直流电动机驱动。

复励式直流电动机

图1-5A-4所示的复励式直流电动机有两个激磁绕组，一个与电枢绕组串联，一个与电枢绕组并联。这种电机综合了串励式电机和并励式电机的预期特性。复励式电动机有两种连接方法：累加与差动。累加复励式直流电动机的串联和并联绕组的激磁方向一致。差动直流电动机的串联和并联绕组的激磁方向相反。串联绕组的连接方法有两种。一种方法称为短并联（见图1-5A-4），这种方法是将并联绕组跨接在电枢绕组两端。长并联方法是将并联绕组跨接在电枢绕组和串联绕组的两端（见图1-5A-4）。

复励式电机具有类似于串励式电机的高转矩，同时也具有类似于复励式电机的优良的速度调节。因此，当既需要良好的转矩特性又需要良好的速度调节时可采用复励式直流电动机。复励式直流电动机的一个主要缺点是价格贵。

直流电机速度-转矩特性

在许多应用场合，直流电机用于驱动机械负载。某些应用场合要求电机驱动的机械负载变化时，而电机的转速保持恒定。另一方面，某些应用场合要求调速范围宽。想把直流电机用于特定场合的工程师必须了解电机的转矩和速度之间的关系。首先我们讨论并励式电机，再把这种方法用于其它电机。为此，两个相关的公式是转矩和电流公式

图1-5A-5给出了并励式、累加复励式和串励式电机转速-转矩特性的一般曲线。为便于比较，三条曲线都通过额定转矩和额定转速这个公共点。

公式中的两个变量是转速n 和电枢电流Ia。在电机输出额定转矩时，电枢电流输出的是额定电枢电流，转速输出的是额定转速。当负载转矩为零时，电枢电流变得相对较小，使转速n 的分子项变得较大。这导致转速上升。转速增加的范围取决于电枢电路压降的大小与电枢端电压的比值。它通常在5%—10%之内。

B  直流传动的闭环控制

应用限流控制，也称为并联电流控制的闭环速度控制系统的基本示意图如图1-5B-1所示。ωm* 为速度参考值。正比于电机速度的信号可从速度传感器获得。速度传感器的输出滤除交流波，并与速度参考值比较，速度误差被速度控制器处理，速度控制器的输出uc 调整整流器的触发角α，以使实际的速度接近于参考速度。速度控制器通常是PI (比例积分)控制器，具有三种作用 —— 稳定驱动，调整阻尼比到期望值；通过积分作用，使稳态速度误差接近于零；还是由于积分作用，可滤除噪音。传动装置采用限流控制，其目的在于防止电流超出安全值。只要IA<Ix，其Ix 是IA 的最大允许值，电流控制回路并不影响驱动。如果 IA 超出 Ix，哪怕一点点，阈值电路也会产生一个大的输出信号，电流环代替速度环起主要调节作用，电枢电流等于电机所允许的最大电流，并在此恒定电流下对速度误差进行整。当速度接近于期望值时，IA 下降到Ix以下， 电流控制失效，速度控制接替。因此，在此示意图中，在任意给定时间，传动装置主要由速度控制回路或电流控制回路控制，所以，也叫并联电流控制。闭环速度控制的另一种示意图如图1-5B-2所示。 在外环速度回路中采用内环电流控制回路。速度控制器的输出ec 用

于电流控制器，为内环电流控制回路设置电流参考值Ia* 。电流控制器的输出uc 调整逆变器的触发角，以便使实际速度达到速度给定值ωm*所设置的值。由速度给定或负载转矩的增加所引起的任何正的速度偏

差，都会产生更大的参考电流值Ia* 。由于Ia 增加，电机加速，以调整速度误差，最终停留在新的Ia*值上，使电机转矩与负载转矩相同，速度误差接近于零。对于任何大的正的速度误差，限流装置饱和，且电流参考值Ia* 限制为Iam*，传动装置的电流不允许超过最大允许值。在最大允许电枢电流下纠正速度误差，直到速度偏差减小且限流装置退出饱和状态。现在，速度误差在Ia小于最大允许电流值的情况下进纠正。负的速度误差将设置负的电流参考值Ia* 。因为电机电流不能反向，负的Ia*是没用的。然而，它将“掌管”PI控制器。当速度误差变正时，“被掌管”的PI控制器将花费较长时间响应，造成控制中不必要的延迟。因此，对于负的速度误差，限流器的电流给定值被设为零。因为速度控制回路和电流控制回路串联，因此内环电流控制也被称为串联控制。整体也被称为电流操纵控制。由于具有如下优势，其应用比限流控制更为普遍：1. 对于任何电源电压扰动，提供更快的响应。这可通过考虑两个传动装置对于电源电压降低的响应来解释。电源电压的降低将减少电机电流和转矩。在限流控制中，由于电机转矩小于未改变的负载转矩，速度下降，造成的速度误差通过设置较小的整流器触发角达到原值。在内环电流控制的情况下，由于电源电压的降低，电机电流的减少将产生电流误差，改变整流器的触发角，使电枢电流返回到原值。现在，暂态响应由电机的电时间常数控制，因为与机械时间常数相比，传动装置的电时间常数要小的多，所以对于电源电压扰动，内环电流控制将提供较快的响应。 2. 对于确定的触发形式，整流器和控制电路一起在连续导电下，具有恒定增益。为此增益而设计的传动装置设置的阻尼比为0.707，给出了百分之五的超调量。在不连续导电的情况下，增益下降。导电角减少越多，增益下降越大。在不连续导电的情况下，传动装置响应缓慢，当导电角减小时，响应日益恶化。如果企图设计应用于不连续导电操作的传动装置，那么此传动装置可能对于连续导电都是振荡的，甚至是不稳定的。内环电流控制回路提供了一个具有整流器和控制电路的闭环，所以增益的变化对于传动装置的性能影响较小。因此，带有内环电流回路的传动装置的暂态响应优于限流控制。3. 限流控制中，在限流开始作用前，电流首先必须超过允许值。因为触发角只有在离散的间隔中才可改变，所以只有在限流有效前，实际的电流超调才会发生。小电机更能承受大的暂态电流，因此，为获得快速的暂态响应，通过选择较大尺寸的整流器, 即可允许出现更大的暂态电流。只有当电流值反常时，才会需要电流调节。在这样的情况下，由于简化，限流控制被应用。这两种形式对速度给定的增与降有不同的响应。速度给定的减少至多可使电机转矩为零；由于不可能制动，所以转矩不能反向。传动装置减速主要是由于负载转矩，当负载转矩很小时，对速度给定减少的响应将很慢，因此，这些传动装置适合带有大的负载转矩的应用场合，例如纸张打印机、泵和吹风机。

 

PART 2 UNIT 7翻译

A  传统控制与智能控制

“传统控制”这个术语是指在过去的几十年里发展起来的用于控制以微分和差分方程表述的动态系统的理论和方法。我们注意到在解决某些问题时仅仅使用这种数学结构表述是不充分的。事实上，众所周知，使用微分和差分方程结构是无法充分描述一些控制问题的。例如在研究包括离散事件的制造与通信系统时,自治与排队论就被引入到系统的控制中。

特别是在控制领域外的大多数人的头脑中，“智能控制”这个术语意味着控制采用诸如模糊或者神经网络等方法。许多非科研性的文章和介绍使这个观念愈加根深蒂固。然而智能控制并非局限于使用那些方法。事实上，根据智能控制的一些定义并非使用了神经或模糊控制器就可以被认为是智能的。现在存在一些控制问题无法使用传统的微分和差分方程形式来公式化和研究。为了能够用一种系统的方法来处理这些问题，一些众所周知的智能控制方法就被提出了。

传统控制与智能控制有明显区别，对此本文将在下文中描述。我们应该记住一点，就是智能控制使用了传统控制方法来解决一些“低层的”控制问题，所以传统控制也包含在智能控制领域内的。智能控制尝试着发展和增强传统控制方法以解决新的具有挑战性的控制问题。

 “智能控制”中的控制一词与“传统控制”中的控制一词相比有所不同，并且拥有更广泛的内涵。首先，其关心的方法更广泛且可描述，例如使用离散事件系统模型或者微分差分方程模型，再或者二者兼有之。由此引领了混合控制系统理论的发展，即通过使用离散序列体系来研究连续动态过程的控制。此外，智能控制还顾及更加广泛的方法，而能控制的目标也更加广泛。例如，“更换卫星上的部件A”对于空间机械手控制器来说就是一个普遍性的任务；这个任务可以分成许多的子任务，其中的几个可能包含如“跟随特定轨迹”此类问题，而这种问题恰可用传统控制方法来解决。针对复杂系统为了在一段时间内达到控制目的，控制器必须应对固定反馈鲁棒控制器和自适应控制器无法解决的显著的不确定性。由于要在存在巨大的不确定性的条件下实现控制目标，故障诊断和控制重构、自适应和自学习成为了智能控制器重要的考虑因素。明显地，任务计划是智能控制设计的一个重要领域。因此，智能控制是传统控制的提高。其更有挑战性和普遍性。不断提高的控制要求需要使用不同于传统控制典型应用的方法，这一点并不令人惊讶。智能控制领域其实是跨学科的，它尝试将诸如控制、计算机科学和运筹学等多个领域的理论和方法混合和扩展，使之能达到复杂系统的控制目标。

注意，由于运筹学和计算机科学领域的理论和方法是根据不同的需要发展而来的，通常这些理论和方法无法直接用来解决控制问题；在非常复杂的动态系统控制器能用系统的手段设计出来之前，这些理论和方法必须首先得到增强，并且其与传统控制方法结合的新方法也得到发展。

同样传统控制的诸如稳定性类的定义也必须随之修改，例如被控过程被描述为离散时间系统模型；本文也谈到了这个问题。在智能控制中，当研究计划系统时，如能到达性和死锁等发展于运筹学和计算机科学领域的定义将被使用到。基于诸如预测运算的严格数学结构被用于研究此类问题。然而，为了解决控制问题，这些数学结构可能不太方便，他们必须提高，或者必须发展新的方法来妥善处理这些问题。来源于计算机科学和运筹学的技术主要是作为分析非动态系统的工具发展起来的，当将其应用到控制时，综合这些技术来设计动态系统的实时反馈控制律才是我们主要关心的。鉴于此讨论，我们应该清楚主要为应用所驱动的智能控制研究含有非常重要和具有挑战性的理论成分。但凡重大的理论跨越必先解决一些悬而未决的问题，于是控制理论学家们被邀请来解决这些问题。这些问题虽然很平凡，但仍需付出巨大努力才能解决。

如前所述，智能控制中的控制一词要比传统控制中的控制一词具有更普遍的意义；其事实上也更近于日常用语中的控制一词。由于智能控制解决了包含传统控制解决的问题在内的，更多更广泛的问题，所以提出有代表性的例子相当困难。智能控制能够解决一些传统控制无法阐释的控制问题。例如，在轧钢厂中，传统控制器可以包括钢辊的速度（rpm）整定器，而智能控制结构的控制器却可以包含更多，如故障诊断和报警系统；还有决定整定器设定点的问题，这个问题可以基于过程指令序列、经济决策、维护时间表和机器可用性等多方面。由于这些因素在作为全局目标的产品生产过程控制中起着各自的作用，所以其必须被考虑到。

智能控制和传统控制的另一个区别在于控制器和被控系统的分离。在传统控制中的被称为设备的被控系统通常是独立和区别于控制器的。在给定设备且不变的情况下，控制器由设计人员来设计；注意最近关于坐标系统设计和控制在诸如空间结构和化学工艺等领域被报道，同样某种设计的改变导致系统更加易于控制。在智能控制中设备和控制器可能没有明显的分离；控制律可能被嵌入而成为被控系统的一部分。这开辟了新的机遇和挑战，因为它可能影响到用更系统的方法来进行过程的设计。

除传统控制外，智能控制还包括如自计划、自学习、搜索算法、混合系统、故障诊断和重构、自治、Petri网、神经网络和模糊逻辑等相关研究领域。另外，为了控制复杂系统，有效处理复杂计算的问题也是研究的领域之一；传统控制中其还在研究者关心之外，而当尝试控制复杂系统时，很明显它已经是一个中心的问题。

此时正适合给智能控制中的智能一词作概要的说明。我们注意到“智能”的精确定义已经不为人类所知数千年了。最近这个问题以引起多个学科的注意，如心理学、哲学和生物学，当然还有人工智能（AI）；注意AI被定义为使用计算模型实现智能的研究。对于什么构成了智能还没有一致的意见。关于广泛使用的智商测验的讨论表明我还远未理解这个问题。在这个报告中我们也未尝试给智能下一个全面的定义。取而代之，我们介绍和讨论了几种在前面提及的解决复杂系统控制时表现出可用性的智能系统的特点。

现在罗列了关于“智能控制”的一些内容。智能控制器设想模仿人类智力，如自适应和自学习、在巨大不确定性条件下的自计划和处理大量的数据等等，以便能有效的控制复杂过程；并且因为这些智力能力被人为使人类智能重要的特征，所以这也为智能控制使用智能这个词做了解释。当然智能控制这个词在近些年被一些人滥用和误用，这是很不幸的。注意这个术语既不是第一次也不是最后一次服务于某人的目的而被使用。象诸如最优这个词被他人大量使用（或被误用）一样，智能控制这个易被记住的词也被一些人大量使用（或误用）乃至更多；当然一些最严重的错误甚至牵涉到“民主”这个词！不论好坏，智能控制这个词被大量使用。一个替代性词汇是“自治控制”。它强调一点，即在完成甚至设置控制目标时智能控制器关注如何可以达到更高程度的自治，而非强调达到这些目标的方法。另一方面，“智能控制”只是一个今天看来有用的名字而已。同样地由于六十年代的“现代控制”已经变成了主流部分，现在它也变成了“传统控制”了，而今日所谓“智能控制”在不远的将来也就只能被称为“控制”了。比使用的术语更重要的是定义和方法，及是否控制领域和智能控制能够满足当今科技社会日益增长的控制需求。这才是真正的挑战。

我愿以乐观的语调来结束这篇概述；而且也的确有许多乐观的理由。这确实是控制领域一段极好的时光。我们正在扩展我们的视野，建立远大的目标，打开新局面，迎接新挑战，我们正瞥见那令人兴奋且有前途的未来。

B人工神经网络

人工神经网络是近似模仿人类大脑的一种系统。这个领域有很多术语，例如连接机制、并行分布处理、神经计算、自然智能系统、机器学习算法和人工神经网络。这是一种通过使用专门的硬件或者高度复杂的软件来仿真的尝试，多层次的单一处理单元称为神经元。每个神经元都以不同权值的连通性与其邻居们相连，这里的权值代表着这种连接的强度。通过调节这些连接的强度使整个网络输出合适的结果，从而完成了自学习。

神经元

神经元是仿人脑结构建模的神经网络最基本的单元。一些神经网络结构与大脑并不相近而且也没有大脑与之对应的部分。然而，神经网络与大脑有很大的相似，因此从神经科学中借用了大量的术语。

人脑最基本的单元是一种细胞，是它们使我们可以记忆、思考和运用以往的经验来指导我们的每一个行为。这些细胞被称为神经元，每个神经元都与大约200，000个其他神经元相连。大脑的能力就来自于这些基本单元及其之间多样的连接。

所有的自然神经元都有树突、体细胞、轴突和神经键4个基本部分。基本上，一个生物神经元从其它来源获得输入，将之以一定方式化合，执行针对结果的通常是非线性的操作，然后输出最后的结果。下图表示了一个简单的生物神经元及其四部分之间的关系。

 

人工神经元，作为神经网络的基本单元，模拟了自然神经元的四个基本功能。人工神经元要比生物神经元简单的多；下图为人工神经元的基本结构。

 

图 2-7B-2  人工神经元的基本结构

注意，多种输入用数学符号x(n)来表示。每一个输入都乘以连接权值，这些权值用w(n)来表示。在最简情况中，对这些乘积只进行简单的相加求和，然后馈入传函生成结果，既而输出。

尽管所有的人工神经网络都由这个基本的模块构成，但是这些模块间连接原理却多种多样且有所不同。

层

在生物学上，神经网络是由微小的单元在三维空间建立起来的。这些神经元好像能够几乎无限制的相互连接。这在任何人造网络中都是不现实的。人工神经网络是简单的人工神经元的简单聚类。这种聚类表现在彼此连接的层的建立上。这些层的连接也很多样。大体上说，所有的人工神经网络都有相似的拓扑结构。一些神经元作为接口与外界相连从而接收输入，另一些神经元将网络的输出提供给外界。所有剩下的神经元则隐而不见。

 

图2-7B-3  神经网络的3层结构

如上图所示，神经元聚合成层。输入层由从外部接收输入的神经元组成。输出层由联系系统输出与用户或外部环境的神经元组成。通常这两层之间存在许多个隐含层；上图为只有一个隐含层的简单结构。

当输入层接收到输入时，其神经元产生输出，这些输出又成为系统其它层的输入。直到满足某条件或者调用输出层将输出发射到外部环境前，这一过程一直持续。

网络性能最优化决定了隐含神经元的数量，而性能得到最优需要反复实验和多次错误的尝试。如果你过多的增加隐含层神经元的数目，你会适得其反，以至此网络难于普及推广。训练集数据将被记忆，而使在处理新数据方面网络无用。

神经网络的用途

神经网络在识别匹配复杂、含糊和不完整图案的问题上的到了成功的应用，而其它方法对此问题无能为力。神经网络已经在广泛而多样的问题上得到了应用。

神经网络最普通的用途就是突出最可能发生事件。在许多领域内，预测有助于设置优先权。例如，医院的急救室可以有一个热病位，以此可知谁病情危机最需要帮助从而使手术更加成功。基本上，所有的组织都是建立在优先权基础上的，据此政府才能配置其资源。

神经网络已被用为股票市场预测专家系统的知识获取的一种机制，并取得了惊人的准确结果。神经网络还被信用卡机构用于破产预测。尽管人们可以把神经网络应用到翻译、预测、诊断、计划、监测、调试、维修、分析指导和控制等各个领域中，但是神经网络最成功的应用还是在分类和模式识别中。如此一个系统可通过调研将目标（如疾病、图案、图片、化学化合物、词、消费者财政情况等）归为许多可能类别之一，返之，我们就可以启动所推荐的行动（如治疗计划或财政计划）。

Nestor 公司使用神经网络将贷款风险分为好与坏两类从而对抵押贷款决策的金融风险进行评估。神经网络还被应用于将文本转换成语音，NETtalk就是为此目的开发的系统之一。图像处理和模式识别是神经网络应用的重要领域，或许也是神经网络研究最活跃的领域。

神经网络的另一个研究应用是符号识别和手写识别。这一领域用于银行信用卡处理和其它金融服务，在此读取和正确识别手写文档至关重要。神经网络的模式识别能力被用于在处理支票时读取手写，通常其等同于由人来输入到系统中。

一个能够自动完成此任务的系统可以加速支票处理并且减少错误。HNC 公司就为BankTec 银行开发了一个此类系统。

最著名的应用当属在美国的一些机场安装的炸弹探测器。这种设备叫做SNOOPE，其能根据化学成分配置判定某种化合物的存在。

在国际联席会议的文档中，人们可以找到应用神经网络的报告，其范围覆盖了机器人、语音、信号处理、视觉、作曲符号识别、心脏病和癫痫病检查、鱼类探测及分类、优化和日程安排。人们可以想见大部分报导的应用仍在研究当中。

基本上，大多数神经网络的应用可归为以下五类：

预测

利用输入值来预测输出。例如，选出市场中最好的股票，预测天气，以及识别人患癌症的风险。

分类

根据输入值决定其分类。例如，输入是否为字母A，在视频数据中是否有飞机，是何种飞机。

数据联合

与分类相似，但是它识别的是含有错误的数据。例如，不仅能识别扫描的字符，而且在扫描仪不正常工作时也能识别。

数据定义

分析输入以推断类集关系。例如，根据一个特定产品，从一个数据库中析取出最与之相近的名字。

数字滤波

平滑输入信号。例如，去除电话信号中的噪音。