智能控制研究现状.docx
《智能控制研究现状.docx》由会员分享,可在线阅读,更多相关《智能控制研究现状.docx(10页珍藏版)》请在冰点文库上搜索。
智能控制研究现状
智能控制技术的研究现状和展望
摘 要:
对近20年的智能控制技术的现状作了分析,并详细论述了模糊控制、神经网络控制、学习控制三大智能控
制技术的发展历史和研究热点。
最后就智能控制技术的推广应用并结合自动化专业本科教学进行了讨论。
关 键 词:
模糊控制;神经网络控制;学习控制
TheStudyontheStructurefortheIntelligentControlTechniqueintheFieldsofMechanical-ElectricalEngineering
Abstract:
Thereviewsontheadvanceoftheintelligentcontroltechniquearegiven.Thenewprogressesandresearchhotpointson
thefuzzycontrol,neuralnetworkcontrolandlearningcontrolhavebeenintroducedindetail.Finally,thegoingaboutitsfuture
developmentandundergraduateeducationprogramsonintelligentcontrolhavebeendiscussed.
Keywords:
fuzzycontrol;neuralcontrol;learningcontrol
1 引 言
自从1932年奈魁斯特提出反馈放大器稳定性理论以来,控制理论和技术已经历了单输入单输出系统的经典控制论和多输入多输出系统的现代控制论两个阶段。
随着被控制对象越来越复杂化,其非线性、不确定性因素的影响也不断增强。
借助于数学模型描述和分析的传统控制理论难以解决此类复杂系统的控制问题。
因此,世界各国控制理论界的学者都在探索建立新一代的控制理论,以解决复杂系统的控制问题。
近30年以来人工智能、知识工程、模糊逻辑、神经网络、遗传学习等学科的发展为利用人类的智能行为对复杂系统进行控制创造了有利的条件,并逐步形成和完善了智能控制的相关理论。
同时,微电子技术、集成电路技术、计算机机技术的快速进展,尤其是微处理器的计算能力、实时性等方面的明显突破,为这些新理论的应用提供技术保证。
可以预言,借助于数字控制技术的智能控制器已经或正在越来越多的领域替代传统模拟控制器。
同时我们必须注意到,智能控制器是通过模拟人的控制行为,如自适应、学习、在确定环境下的规划、逻辑推理和判断等,来达到对复杂系统的有效控制。
因此,它所涉及的领域相当广泛,如人工智能、生物科学、脑神经科学、专家系统、知识工程、控制论、模糊集理论、神经网络理论、运筹学等。
目前还无法正确完整地对智能控制下定义。
但是智能控制系统必须具有模拟人类学习和自适应能力的观点已经普遍接受。
智能控制成为自动控制学科的前沿学科已是不争的事实。
本文将对智能控制技术的发展现状、智能控制新技术给我们带来的启示进行讨论。
2 智能控制技术的国内外发展概况
智能控制的概念和原理主要是针对被控对象、环境、控制目标或任务的复杂性而提出来的。
智能控制与传统控制的主要区别在于传统的控制方法必须依赖于被控制对象的模型,而智能控制可以解决非模型化系统的控制问题。
目前,根据智能控制发展的不同历史阶段和不同的理论基础可以分为四大类:
(1)基于专家系统的智能控制;
(2)分层递阶智能控制;
(3)模糊逻辑控制;
(4)神经网络控制。
早期的智能控制(如基于专家系统的智能控制)是以傅京逊教授为代表提出的二元论(人工智能+控制论)和以Saridis为代表提出的由执行级、协调级和组织级构成的分层递阶智能控制。
由于人工智能技术在实时性等方面没有取得突破性进展,基于符号逻辑推理技术为主的智能控制技术难以得到广泛应用。
80年代后,智能控制技术得到迅速发展。
它主要得益于模糊逻辑控制和神经网络控制理论的不断成熟。
此外,90年代以来,智能控制的集成技术研究取得了重大进展,如模糊神经网络、模糊专家系统、传统PID控制器与智能控制的结合等。
这些都为智能控制技术的应用提供广阔的前景。
2.1 模糊逻辑控制
模糊逻辑控制论于1965年由扎德教授[4,5]首先提出。
它的主要思想是吸取人类思维具有模糊性的特点,通过模糊逻辑推理来实现对众多不确定性系统的有效控制。
如果说,传统的控制是从被控对象的数学结构上去考虑进行控制的,那么,模糊控制是从人类智能活动的角度和基础上去考虑实施控制的,其设计的核心是模糊控制规则和隶属度函数的确定。
经典的模糊逻辑控制器的隶属度函数、控制规则都是根据经验预先总结出来的。
控制过程中没有对规则进行修正功能,不具备学习和适应能力。
但仍然在许多场合,如炉窑控制、化工过程控制、水处理、家电等得到广泛的应用。
同时,多种改进的或复合的模糊控制器也不断涌现,如模糊PID
调节器、模糊专家控制器、模糊自适应控制器、模糊神经网络控制器等。
此外,模糊系统建模、模糊控制器的稳定性分析、模糊控制器的鲁棒性设计等一些热点和难点问题也都取得
了进展。
模糊控制已经进入一个新阶段。
2.1.1 模糊模型
理想的模糊控制必须建立在系统模糊模型辨识的基础上。
与传统的系统建模一样,模糊建模也有两个部分:
结构建模和参数辨识。
模糊模型是反映模糊系统输入输出关系的一种数学表达式。
目前,描述模糊系统模型的方式大致有3种:
(1)基于模糊关系方程的模糊模型
Y′=X′·R
(1)
式中,X′和Y′为定义在论域X和Y中的模糊集合。
这种模型常用于医疗诊断、模糊控制系统故障诊断和决策。
(2)Takagi-Sugeno模型[7]
一般表示为:
IFx1是A1和x2是A2…和xk是Ak,Theny=f(x)
式中结果部分是精确函数。
当f(x)是xi(i=1,…,k)线性多项式时,称此为一阶T-S模型。
(3)Mamdani模型
IFx1是A1和x2是A2…和xk是Ak,Theny是B现有模糊控制系统中大量采用的是Mamdani模型。
由于该模型的结论部也是模糊集。
因此,系统总的推理输出需要精确化计算后才能取得。
模糊模型除具有连续函数的映射能力之外,还具有以下
优点:
(1)可将专家经验直接融合到模糊模型中,通过IF…THEN规则的形式表达知识特征;
(2)以上3种模型都可以根据系统的输入输出数据进行辨识,具有定量和定性知识集成的特点。
2.1.2 模糊预测控制
预测控制是为了适应复杂工业过程控制而提出来的算法,它是解决大滞后对象控制问题的一条有效途径。
把预测控制与模糊逻辑推理相结合,更符合人类的控制思想,因而也很有吸引力。
根据其结合方式不同,模糊预测控制有两类:
一是利用Sugeno模型,将多个模糊模型转化为线性时变差分模型进行GPC算法设计;二是利用被控过程模型预测在参考控制量作用下过程的未来输出,根据预测输出结果评价各参考控制量的控制效果,并进行模糊逻辑修整。
2.1.3 模糊控制系统的稳定性分析
经典控制理论和现代控制理论的系统稳定性分析都有成熟的理论和方法。
它们的理论基础是精确的系统数学模型。
然而,正是由于需要精确的数学模型使得传统的控制理论在许多被控对象的控制中成为问题,利用经验建立的模糊控制器表现出更大的优越性。
但是,经典控制的稳定性分析并不适用于模糊系统的稳定性分析和判据。
对于Sugeno模糊模型,可以采用Lyapunov直接法进行稳定性判据。
但是,Mamdani模型的稳定性判据还没有成熟的理论和方法。
2.2 神经网络控制
神经元的数学模型是1943年由McCmloch和Pitts两位科学家首先提出的。
神经网络理论的发展经受了不平凡的历程,其真正的发展期应该是在80年代以后。
尤其在1986年发表了感知器网络的学习算法[12]后,神经网络的应用前景更加开阔。
同时,它也为神经网络控制创造了必要的条件。
神经网络控制是模拟人脑的结构和工作机理对系统实现控制。
神经网络的主要特点是具有学习能力、并行计算能力和非线性映射能力。
充分利用神经网络的这些能力来解决众多非线性、强耦合和不确定性系统的控制问题是神经控制论研究的主要课题。
神经网络模型的种类繁多,但在神经控制论中得到广泛应用的神经网络模型并不富有。
目前主要有:
多层前向传波网络(MLP)、小脑模型(CMAC)、回归神经网络、径向基网络(RBF)等。
下面就神经控制论的三大问题进行讨论。
2.2.1 神经网络建模
神经网络在系统建模、辨识和控制中的应用,大致以1986年BP算法的提出为契机。
神经网络建模以其独特的非传统表达方式和固有的学习能力实现系统输入输出的映射,并在极短的时间内得到迅速发展。
尤其在传统建模方法难以在非线性系统的建模有所突破,神经网络表现出巨大潜力。
神经网络建模的理论依据是逼近理论。
神经网络的逼近能力问题随着神经网络理论的形成而相继提出。
1989年Hornik[10]等人在多层前向传播神经网络的逼近能力做出了突出的贡献,证明了该网络可以逼近任意连续函数和分段连续函数。
从而为神经网络辨识理论的发展奠定了基础。
2.2.2 神经网络控制[8,9]
神经网络作为智能控制器主要有以下几种方式:
1)直接自校正控制。
神经网络首先通过离线学习被控对象的逆动力学特性。
然后将其作为前馈控制器,并利用在线学习机制实现自适应控制。
(2)间接自校正控制。
利用神经网络的自学习功能,面对被控对象参数变化的情况能够自动调正其它类型控制器(如PID参数)来消除扰动的影响,以保证系统的性能指标。
(3)神经网络预测控制。
神经网络作为预测模型提供系统的预测值,并根据预测值来调节系统的控制输入,从而保证系统的性能指标。
(4)神经网络模型参考自适应控制[11]。
借助于线性系统的模型参考自适应控制的思想,根据参考模型的输出ym与系统实际输出y的差(ym-y)对神经网络控制的权值进行修整,以达到自适应控制的目的。
2.2.3 神经网络控制的集成技术模糊神经网络控制技术是神经网络集成控制技术的精华。
由于模糊控制器缺乏学习能力,而神经网络控制器又缺乏逻辑推理功能。
因此,如何将两者结合起来形成既能将人类的控制经验注入到控制器中去又能保证控制器随着环境变化而不断的进行学习和修整是智能控制技术走向完美的重要步骤。
将模糊控制与神经网络结合,进一步说,各种智能控制技术的结合,是智能控制技术发展的主要方向。
模糊神经网络主要有3种结构:
(1)输入信号为普通变量,连接权为模糊变量;
(2)输入信号为模糊变量,连接权为普通变量;
(3)输入信号和连接权均为模糊变量。
模糊神经网络的主要特点是利用神经网络调整模糊逻辑推理系统的隶属度函数和调整推理规则、利用模糊推理规则的形式构造前向传播网络结构(即将经验融入到神经网络初始结构和权值的选择上),从而可以充分发挥各自的特点,实现相互补充。
2.3 学习控制
学习控制的作用是为了解决主要由于对象的非线性和系统建模不良所造成的不确定性问题,即努力降低这种缺乏必要的先验知识给系统控制带来的困难。
它与自适应控制的最大区别在于学习控制强调记忆。
学习控制要求把过去的经验与过去的控制条件相联系,能针对一定的控制局势来调用适当的控制经验。
学习控制目前主要有3大研究方向:
(1)基于模式识别的学习控制,如再励学习、Bayes学习、VC学习、随机逼近等。
(2)基于迭代的学习控制。
主要针对周期性作业的非线性控制系统,如机械手作业控制。
(3)连接主义学习控制。
主要基于人工神经网络技术。
(4)进化计算。
进化计算是模拟自然进化过程的一种随机性全局优化方法。
遗传算法、进化策略等的优化算法在全局性、鲁棒性、并行性等方面表现出为学习控制算法优化提供了有力的工具。
智能控制技术覆盖的领域相当广泛,本文仅将智能控制技术的一些热点作了分析和概述。
我们认为智能控制技术至少应该包括模糊控制论、神经控制论、专家控制系统和一些新颖的智能控制理论和方法,如图1所示。
图1 智能控制技术的体系结构
由于智能控制技术仍处于发展阶段,新的智能控制技术也会不断涌现。
智能控制作为20世纪的重大成就必将在21世纪发挥更大的作用。
3 我们的对策和建议
智能控制技术经过20多年的发展,已经逐步走向成熟。
但是智能控制技术的应用并不令人满意。
智能控制技术的普及和推广是提高智能控制技术应用领域的一条重要途径。
在集散控制系统(DCS)、可编程控制器(PLC)、工控机、变频调速器及各种智能仪表高速发展的今天,控制装置已不是主要问题。
影响被控对象性能指标的主要因素将取决于控制器本身。
控制性能的优劣将直接影响产品的质量和生产率。
先进的计算机系统为智能控制技术的实施提供先决条件。
智能控制技术应该发挥出它应有的才能。
我们认为,智能控制技术的应用应该分两步走:
第一步是:
智能控制技术与传统的PID调节器结合形成智能PID控制技术,如参数自适应的PID调节器、专家自整定PID调节器、模糊自整定PID调节器、神经元PID调节器等。
第二步是综合智能控制技术的推广应用,即将专家系统、模糊控制、神经元网络控制、学习控制、进化计算等研究成果结合起来,研制出具有高度自主能力的高级智能控制系统。
智能控制研究的重点应该转移到智能控制技术的集成上来。
此外,智能控制技术的推广也离不开智能控制技术的教学。
结合自动化专业的特点,开设智能控制技术课程的教学已十分必要。
1997年武汉召开的全国自动化专业教学指导委员会在审议自动化专业本科教学计划时就建议将智能控制技术列入本科教学的目录。
智能控制技术课程的组织和教学必须与学生的知识结构相结合,以系统论、方法论为指导,遵遁不断分化和综合贯通的原则,方可受到良好的教学效果。
智能控制面对的是复杂不确定性系统的控制问题,它完全不同于经典控制理论那样有成熟、统一的分析和设计方法。
寻求统一的智能控制解决方法显然还不现实。
智能控制主要有两大类内容:
基于规则的智能控制和基于连接机制的智能控制。
因此,对于少学时教学的组织内容将以模糊逻辑控制和神经网络控制两大类为代表是合适的。
在组织方法上,应先呈现基本观点和原
理,如模糊集概念、模糊逻辑和模糊逻辑推理、神经元模型和神经网络模型。
以达到对新知识、新概念的理解。
同时在章节组织上,遵从系统分析的方法,即在范围、深度、复杂性等方面都随学生知识的不断增加而有不断的增进或提高。
智能控制技术课程从容易入门的模糊控制论入手,以建立学生针对非模型类系统控制器设计的概念和思想,达到进一步理解和掌握智能控制的原理。
同时,在介绍模糊控制论设计之前,先对模糊控制的理论基础-模糊集理论进行必要的补充和归纳,有利于学生掌握模糊控制器的设计思想。
神经网络控制器是基于连接机制的智能控制方法,它有别于模糊控制论。
对于初学者而言,神经控制论的入门比模糊控制论入门要难。
考虑到这些因素,我们建议神经控制论放在学完模糊控制论之后。
了解智能控制的概念和思想以后对于学习神经控制论无疑是有益的。
我们认为,神经控制论的核心是神经网络模型和学习算法。
在取材上,由于神经网络模型种类非常繁多,如何选择那些神经网络模型作为本课程教学内容安排上的重点,它也是区别于人工智能、模式识别类课程的重要标志。
神经网络控制论的核心是神经控制器的学习算法,建议在此内容上应投入更多的篇幅,以满足自动化专业学生学习神经网络控制论的需要。
学科间的综合也是智能控制技术的特色之一。
虽然,模糊控制论和神经控制论是两大类智能控制技术。
但他们之间存在相互补充、相互渗透的关系。
模糊神经网络控制概念的提出和集成智能控制思想的建立是增强学生综合分析问题和解决问题能力的重要措施。
同时也加深了学生对课程之间综合和贯通的能力。
这对于提高高层次的专业技术人材是十分必要的。
参考文献
[1] 蔡自兴.智能控制[M].北京:
电子工业出版社,1990.
[2] 韦 巍.智能控制技术[M].北京:
机械工业出版社,
1999.
[3] 孙增圻.智能控制理论与技术[M].北京:
清华大学出
版社,1997.
[4] ZadehL.A.Fuzzysets[J].InformationandControl,1965,
8:
330-353.
[5] ZadehL.A.Fuzzyalgorithm[J].InformationandControl,
1968,12:
94-102.
[6] LeeC.C.Fuzzylogicincontrolsystems:
Fuzzylogiccon-
troller-PartI&Ⅱ[J].IEEETrans.OnSMC,1990,20
(2):
404-435.
[7]TakagiT,SugenoM.Fuzzyidentificationofsystemsanditsap-
plicationstomodelingandcontrol[J].IEEETrans.OnSMC,
1985,15
(1):
116-132.
[8] WidrowB.AndLehrM.A.30yearsofadaptiveneuralnet-
works:
Perceptron,Madaline,andBP[J].Proc.IEEE,
1990,78,p1550-1560.
[9] HuntK.J.RHaas,RMurraySmith,Neuralnetworksfor
controlsystems-Asurvey[J].Automatica,1992.28(6):
1083
-1112.
[10] HornikK,MStinchcombe,HWhite.Multilayerfeedforward
networksareuniversalapproximators[J].NeuralNetworks,
1989,2
(1):
359-366.
[11] NarendraKS,KParthasarathy.Identificationandcontrolfor
dynamicalsystemsusingneuralnetworks[J].IEEETrans.
OnNeuralNetwork,1990,1
(1):
4-27.
[12] RumelhatD.E.,McClellandJ.L.,Paralleldistributedpro-
cessing:
Explorationsinthemicrostructureofcognition1:
Foundations[M].TheMITPress,1989.