控制工程基础-第6章智能制造与智能控制

第6章

智能制造与智能控制6.1对智能制造的认识6.2智能制造核心技术6.3成功“智造”的典型案例6.4智能控制的概念与发展6.5模糊控制6.6神经网络控制6.7专家控制6.8学习控制6.1对智能制造的认识1.智能制造的时代背景

20世纪80年代以来，产品性能的复杂化及功能的多样化，使其包含的制造信息量猛增，导致了生产线与生产设备内部信息流量的增长，制造业技术发展的热点与前沿也因此日益转向提高制造系统处理爆炸增长的制造信息的能力、效率及规模上。制造系统正由原先的能量驱动型转变为信息驱动型，而这一转变对其性能提出了全新的要求。2015年5月19日，国务院印发《中国制造2025》，部署全面实施制造强国战略。提出要以智能制造作为主攻方向，强化工业基础能力，提高综合集成水平，促进产业转型升级。2.智能制造的概念

智能制造（IntelligentManufacturing，IM）简称智造，源于人工智能的研究成果，是一种由智能机器和人类专家共同组成的人机一体化智能系统。该系统在制造过程中可以进行诸如分析、推理、判断、构思和决策等智能活动，同时基于人与智能机器的合作，扩大、延伸并部分地取代人类专家在制造过程中的脑力劳动。智能制造更新了自动化制造的概念，使其向柔性化、智能化和高度集成化扩展。智能制造包括智能制造技术（IntelligentManufacturingTechnology，IMT）与智能制造系统（IntelligentManufacturingSystem，IMS）。（1）智能制造技术智能制造技术是指一种利用计算机模拟制造专家的分析、判断、推理、构思和决策等智能活动，并将这些智能活动与智能机器有机融合，使其贯穿应用于制造企业的各个子系统（如经营决策、采购、产品设计、生产计划、制造、装配、质量保证和市场销售等）的先进制造技术。该技术能够实现整个制造企业经营运作的高度柔性化和集成化，取代或延伸制造环境中专家的部分脑力劳动，并对制造业专家的智能信息进行收集、存储、完善、共享、继承和发展，从而极大地提高生产效率。6.1对智能制造的认识（2）智能制造系统智能制造系统是一种由部分或全部具有一定自主性和合作性的智能制造单元组成的、在制造活动全过程中表现出相当智能行为的制造系统。其最主要的特征在于工作过程中对知识的获取、表达与使用。根据其知识来源，智能制造系统可分为两类：1）以专家系统为代表的非自主式制造系统。该类系统的知识由人类的制造知识总结归纳而来。2）建立在系统自学习、自进化与自组织基础上的自主型制造系统。该类系统可以在工作过程中不断自主学习、完善与进化自有的知识，因而具有强大的适应性以及高度开放的创新能力。随着以神经网络、遗传算法与遗传编程为代表的计算机智能技术的发展，智能制造系统正逐步从非自主式智能制造系统向具有自学习、自进化与自组织的具有持续发展能力的自主式智能制造系统过渡发展。6.1对智能制造的认识

6.2智能制造核心技术众所周知，要着力发展实体经济，打造制造强国、质量强国和数字中国，离不开技术创新力量的广泛支撑与充分赋能，特别是要善用云计算、人工智能等新一代前沿技术。诸如具有适应性、资源效率及智慧工厂的工业4.0，就充分依托物联网、大数据、云计算和人工智能等技术，与传统制造技术进行充分结合，实现信息化、自动化的生产制造，提升了制造业智能化水平。智能制造的核心技术主要包含智能硬件、工业识别、信息技术、虚拟制造技术。6.2.1

智能硬件智能制造是通过智能化的感知、人机交互等技术，实现制造装备的智能化，是信息技术、智能技术与装备制造技术的深度融合与集成。因此，智能制造的发展是和智能硬件密不可分的。传统的制造装备通过应用智能硬件技术而具有了信息采集、分析和执行的能力，从而在智能制造的全生命周期中占据了重要的地位。如图6.2.1所示，智能制造体系中的智能硬件可以分为三类，分别是高端制造装备、关键基础器件和智能产品，各自以工业机器人、智能传感器和智能终端为代表。图6.2.1智能硬件的分类1.工业机器人

工业机器人是面向工业领域的多关节机械手或多自由度的现代制造业智能化装备，它集机械、电子、控制、计算机、传感器和人工智能等多学科先进技术于一体，能自动执行工作，靠自身动力和控制能力来实现各种功能。它既可以接受人类的指挥，也可以按照预先编排的程序运行。

6.2智能制造核心技术2.智能传感器

智能传感器是具有信息处理功能的传感器，它带有微处理器，具有采集、处理、交换信息的能力，是传感器集成化与微处理器相结合的产物。智能制造把智能传感器引入工业生产中，利用它独有的数据采集能力优势打造高度自动化的生产模式。智能传感器的基本结构图如图6.2.2所示图6.2.2

智能传感器基本结构

6.2智能制造核心技术3.智能终端

智能终端是一类智能化和网络化的嵌入式计算机系统设备。它能够感知环境信息，对采集的数据进行初步处理和加密，并通过网络，将数据传输至服务器或数据平台。不仅如此，为了向用户提供最佳的使用体验，智能终端还应当具有一定的判断能力，为用户选择最佳的服务通道。每一个处理单元都可以看作一个单独的计算机系统，运行着不同的程序。按照其在智能终端硬件中的作用，可分为主处理单元和从处理单元。每个从处理单元（如基带处理单元、GPS单元和多媒体解码单元等）通过一定的方式与主处理单元（在图6.2.3中应用处理单元为主处理单元）通信，接受主处理单元的指令，进行相应的操作，并向主处理单元返回结果。

6.2智能制造核心技术图6.2.3

智能终端系统组成6.2.2工业识别工业识别是实现智能制造技术的基础。未来的智能工厂将实现高度互联与集成，而编码与识别技术是企业实现设备互联、信息集成与共享的基础。1.机器视觉技术

机器视觉系统是指用计算机实现人的视觉功能，也就是用计算机来实现对客观的三维世界的识别。人类视觉系统的感受部分是视网膜，它是一个三维采样系统，三维物体的可见部分投影到视网膜上，人们按照投影到视网膜上的二维的像来对该物体进行三维理解（对被观察对象的形状、尺寸、离开观察点的距离、质地和运动特征等的理解）。机器视觉系统主要由三部分组成：图像的获取、图像的处理和分析、图像的输出或显示。图像的获取实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据，它主要由三部分组成：照明、图像聚焦形成、图像确定和形成摄像机输出信号。2.工厂物联网

工厂物联网是物联网技术在制造企业或智能工厂中的应用，它指通过传感器技术、标识识别技术、图像视频技术、定位技术等感知技术，实时感知企业或工厂中需要监控、连接和互动的装备，并构建企业办公室的信息化系统，打通办公信息化系统与生产现场设备的直接联系。工厂物联网从下至上由三个层次构成，包括感知控制层、网络层和应用层。生产指标由企业信息化系统通过网络层自动下达至机器的执行系统；生产结果由感知控制层自动采集并通过网络层上传至应用层（一般是企业信息化系统），并在生产现场实现智能化的自动监控和报警；还可在云制造平台上对大数据进行分析挖掘，提高生产制造的智能化水平。6.2.2工业识别6.2.3信息技术信息技术是用于管理和处理信息的各种技术的总称，它运用计算机科学和通信技术，设计、开发、安装和实施信息系统及应用软件。随着信息化在全球的快速发展，信息技术已成为支撑当前经济活动和社会生活的基石。信息技术代表着先进生产力的发展方向，其广泛应用让信息作为重要生产要素的作用得以发挥，使人们能更高效地进行资源优化配置，从而推动传统产业不断升级，提高社会劳动生产率和社会运行效率。1.工业大数据

近年来，随着互联网、物联网、云计算等信息技术与通信技术的迅猛发展，数据量的暴涨成了许多行业共同面对的严峻挑战和宝贵机遇。随着制造技术的进步和现代化管理理念的普及，制造业企业的运营越来越依赖信息技术。如今，制造业整个价值链以及制造业产品的整个生命周期都涉及诸多的数据。2.云计算技术

“云”实质上就是一个网络，狭义上讲，云计算就是一种提供资源的网络，使用者可以随时获取“云”上的资源，按需求量使用，并且可以看成是无限扩展的，只要按使用量付费就可以，“云”就像自来水厂一样，我们可以随时接水，并且不限量，按照自己家的用水量，付费给自来水厂就可以。

从广义上说，云计算是与信息技术、软件、互联网相关的一种服务，这种计算资源共享池叫做“云”，云计算把许多计算资源集合起来，通过软件实现自动化管理，只需要很少的人参与，就能让资源被快速提供。也就是说，计算能力作为一种商品，可以在互联网上流通，就像水、电、煤气一样，可以方便地取用，且价格较为低廉。总之，云计算不是一种全新的网络技术，而是一种全新的网络应用概念，云计算的核心概念就是以互联网为中心，在网站上提供快速且安全的云计算服务与数据存储，让每一个使用互联网的人都可以使用网络上的庞大计算资源与数据中心。6.2.3信息技术3.虚拟制造技术

虚拟制造是指以信息技术为基础，以计算机仿真和建模技术为支持，对生产制造过程进行系统化组织与分析，并对整个制造过程建模，在计算机上进行设计评估和制造活动仿真的技术。虚拟制造技术强调用虚拟模型描述制造全过程，在实际物理制造之前就具有了对产品性能及其可制造性的预测能力。虚拟制造集成了三维模型与虚拟仿真的制造活动，从而代替现实世界中的物体与操作，是一种知识与计算机辅助系统技术，是虚拟现实技术在生产制造过程中的一种应用。用户可以通过虚拟现实技术进入一个三维的虚拟世界，在这个世界中不仅能够感知三维可视化环境，还能够对物体进行交互操作，从而可以综合质量与数量两个层面的因素，提高解决策略的可行性。4.制造信息系统

制造信息系统是整个智能制造环节的管理中枢，是贯穿车间、连接部门、跨越企业的以制造为核心的集成系统。制造信息系统可以根据生产环节产生的大量实时数据，进行信息汇总和分析管理。不仅如此，通过工业互联网，制造信息系统还能与制造企业的人事、财务、生产环节管理、运营管理等系统互通和集成，实现内部信息共享，提高企业执行力和市场反应力。6.2.3信息技术6.3成功“智造”的典型案例技术进步促进了生产过程的互连互通，隐藏在各类消费场景中的需求也在被不断探索，很多企业开始向服务化迈进，希望尽快完成转型升级，实现成功智造。在这一方面，海尔、菜鸟网络、西门子都做得非常出色。图6.3.1海尔互联工厂并联流程1.海尔互连工厂：颠覆传统，引领中国智造在智能制造方面，海尔一直是引领者，始终处于制造业的龙头位置，其旗下的互连工厂是极具代表的智能工厂。互联工厂是海尔顺应全球新工业革命以及互联网时代的潮流，对大规模生产转型大规模定制的创新性性探索，是海尔互联网转型的重要组成部分。与传统工厂不同，互联工厂实现了与用户相连，目标是从“产销分离”到“产消合一”，满足用户无缝化、透明化、可视化的最佳体验。海尔互联工厂探索始自2012年，目前已初步建立起互联工厂体系，打造出七个互联工厂的引领样板，可实时、同步响应全球用户需求，并快速交付智慧化、个性化的方案。海尔互联工厂有效承接了“中国制造2025”国家战略的落地。2015年6月，海尔互联工厂项目首批入选2015年智能制造标准专项项目；7月，海尔互联工厂被确定为中国工业和信息化部2015年智能制造试点综合示范项目，是白色家电领域唯一一个综合示范项目。2.菜鸟网络机器人仓库：智能拣货，提升运营效率由菜鸟网络打造的中国最大的机器人仓库，日前已经在广东惠阳投入使用。与以往一些智慧仓库只有几十台搬货机器人不同的是，这一仓库内有上百台机器人，它们既协同合作又要独立运行，代表着中国机器人仓库的最高水平。当消费者下单之后，仓库内的机器人会接到指令。然后它们自动前往相应的货架，并将货架拉到拣货员面前，由拣货员将消费者购买的物品放置在购物箱内，随后进行打包配送。每一台机器人能顶起的重量可达到500斤，同时还能灵活旋转，将货架的四面均调配到拣货员的跟前，方便拣货员工作，“等于一个货架，四个面都能存储商品，仓库储量被提升了一倍还多。”当机器人缺乏电力时也会自动归巢充电。图6.3.2机器人仓库图6.3.3机器人分拣3.西门子安贝格工厂：提高效率+缩短周期+增加灵活性德国西门子公司不仅是领先全球的先进工业自动化及软件供应商，更是德国“工业4.0”战略的推动者和践行者。西门子率先将“工业4.0”概念引入工业软件开发和生产控制系统，其旗下的安贝格电子制造工厂，是欧洲乃至全世界最先进的数字化工厂，被认为是最接近“工业4.0”概念雏形的工厂。6.4智能控制的概念与发展智能控制是控制理论发展的高级阶段，它主要用来解决那些用传统控制方法难以解决的复杂系统的控制问题。智能控制研究对象具备以下一些特点：（1）

不确定性的模型。智能控制适合于不确定性对象的控制，其不确定性包括两层意思：一是模型未知或知之甚少；二是模型的结构和参数可能在很大范围内变化。（2）

高度的非线性。采用智能控制方法可以较好地解决非线性系统的控制问题。（3）

复杂的任务要求。智能控制是一门交叉学科，著名美籍华人傅京孙教授于1971年首先提出智能控制是人工智能与自动控制的交叉，即二元论。美国学者G.

N.

Saridis于1977年在二元论基础上引入运筹学，提出了三元论的智能控制概念，即式中，IC——智能控制（Intelligent

Control）；AI——人工智能（Artificial

Intelligence）；AC——自动控制（Automatic

Control）；OR——运筹学（Operational

Research）。基于三元论的智能控制如图6.4.1所示。图6.4.1基于三元论的智能控制6.5模糊控制在工程实践中，人们发现，一个复杂的控制系统可由一个操作人员凭着丰富的实践经验得到满意的控制效果。这说明，如果通过模拟人脑的思维方法设计控制器，可实现复杂系统的控制，由此产生了模糊控制。1965年美国加州大学自动控制系L.A.Zedeh提出模糊集合理论，奠定了模糊控制的基础；1974年伦敦大学的Mamdani博士利用模糊逻辑，开发了世界上第一台模糊控制的蒸汽机，从而开创了模糊控制的历史。模糊控制的发展可分为3个阶段：（1）

1965-1974年，为模糊控制发展的第一阶段，即模糊数学发展和形成阶段；（2）

1974-1979年，为模糊控制发展的第二阶段，产生了简单的模糊控制器；（3）1979年

至现在，为模糊控制发展的第三阶段，即高性能模糊控制阶段。图6.5.1模糊控制原理框图6.5.1

模糊控制原理模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的一种智能控制方法，它从行为上模仿人的模糊推理和决策过程。该方法首先将操作人员或专家经验编成模糊规则，然后将来自传感器的实时信号模糊化，将模糊化后的信号作为模糊规则的输入，完成模糊推理，将推理后得到的输出量加到执行器上。图6.5.2模糊控制器的组成框图模糊控制的基本原理框图如图6.5.1所示。它的核心部分为模糊控制器，如图中虚线框中部分所示，模糊控制器的控制律由计算机的程序实现。6.5.2

模糊控制器模糊控制器的组成框图如图6.5.2所示。1.

模糊化接口模糊控制器的输入必须通过模糊化才能用于控制输出的求解，因此它实际上是模糊控制器的输入接口。它的主要作用是将真实的确定量输入转换为一个模糊向量。对于一个模糊输入变量e，其模糊子集通常可以按如下方式划分：（1）e={负大，负小，零，正小，正大}={NB，NS，ZO，PS，PB}（2）e={负大，负中，负小，零，正小，正中，正大}={NB，NM，NS，ZO，PS，PM，PB

}（3）e={负大，负中，负小，零负，零正，正小，正中，正大}={NB，NM，NS，NZ，PZ，PS，PM，PB

}将方式（3）用三角形隶属度函数表示，如图6.5.3所示。图6.5.3模糊子集和模糊化等级6.5模糊控制2．知识库

知识库由数据库和规则库两部分构成。（1）数据库。数据库所存放的是所有输入、输出变量的全部模糊子集的隶属度矢量值（即经过论域等级离散化以后对应值的集合），若论域为连续域则为隶属度函数。在规则推理的模糊关系方程求解过程中，向推理机提供数据。（2）规则库。模糊控制器的规则是基于专家知识或手动操作人员长期积累的经验，它是按人的直觉推理的一种语言表示形式。模糊规则通常由一系列的关系词连接而成，如if-then、else、also、end、or等，关系词必须经过“翻译”才能将模糊规则数值化。最常用的关系词为if-then、also，对于多变量模糊控制系统，还有and等。3.推理与解模糊接口

推理是模糊控制器中，根据输入模糊量，由模糊控制规则完成模糊推理来求解模糊关系方程，并获得模糊控制量的功能部分。在模糊控制中，考虑到推理时间，通常采用运算较简单的推理方法。最基本的有Zadeh近似推理，它包含有正向推理和逆向推理两类。正向推理常被用于模糊控制中，而逆向推理一般用于知识工程学领域的专家系统中。推理结果的获得，表示模糊控制的规则推理功能已经完成。但是，至此所获得的结果仍是一个模糊矢量，不能直接用来作为控制量，还必须做一次转换，求得清晰的控制量输出，即为解模糊。通常把输出端具有转换功能作用的部分称为解模糊接口。6.5模糊控制6.6神经网络控制神经网络的研究已经有几十年的历史了。将神经网络引入控制领域就形成了神经网络控制。神经网络控制是从机理上对人脑生理系统进行简单结构模拟的一种新兴智能控制方法。神经网络具有并行机制、模式识别、记忆和自学习能力的特点，它能充分逼近任意复杂的非线性系统，能够学习与适应不确定系统的动态特性，有很强的鲁棒性和容错性。神经网络控制在控制领域有着广泛的应用。图6.6.1单个神经元的解剖图6.6.1神经网络原理神经生理学和神经解剖学的研究表明，人脑极其复杂，由一千多亿个神经元交织在一起的网状结构构成，其中大脑皮层约140亿个神经元，小脑皮层约1000亿个神经元。人脑能完成智能和思维等高级活动，为了能利用数学模型来模拟人脑的活动，引出了神经网络的研究。单个神经元的解剖图如图6.6.1所示，神经系统的基本构造是神经元（神经细胞），它是处理人体内各部分之间相互信息传递的基本单元。6.6.2神经网络的分类前向网络

如图6.6.2所示，神经元分层排列，组成输入层、隐含层和输出层。每一层的神经元只接收前一层神经元的输入。输入模式经过各层的顺次变换后，由输出层输出。在各神经元之间不存在反馈。感知器和误差反向传播网络采用前向网络形式。网络结构简单，易于实现。BP网络是一种典型的前向网络。2.反馈网络网络结构如图6.6.3所示，该网络结构在输出层到输入层存在反馈，即每一个输入节点都有可能接收来自外部的输入和来自输出神经元的反馈。这种神经网络是一种反馈动力学系统，它需要工作一段时间才能达到稳定。Hopfield神经网络是反馈网络中最简单且应用最广泛的模型，它具有联想记忆的功能，如果将Lyapunov函数定义为寻优函数，Hopfield神经网络还可以解决寻优问题。图6.6.4自组织神经网络图6.6.2前馈型神经网络3.自组织网络网络结构如图6.6.4所示。Kohonen网络是最典型的自组织网络。Kohonen认为，当神经网络在接受外界输入时，网络将会分成不同的区域，不同区域具有不同的响应特征，即不同的神经元以最佳方式响应不同性质的信号激励，从而形成一种拓扑意义上的特征图，该图实际上是一种非线性映射。图6.6.3反馈型神经网络6.6.3

神经网络学习算法神经网络学习算法是神经网络智能特性的重要标志，神经网络通过学习算法，实现了自适应、自组织和自学习的能力。目前神经网络的学习算法有多种，按有无导师分类，可分为有教师学习（Supervised

Learning）、无教师学习（Unsupervised

Learning）和再励学习（Reinforcement

Learning）等。在有教师的学习方式中，网络的输出和期望的输出（即教师信号）进行比较，然后根据两者之间的差异调整网络的权值，最终使差异变小，如图6.6.5

所示。在无教师的学习方式中，输入模式进入网络后，网络按照一预先设定的规则（如竞争规则）自动调整权值，使网络最终具有模式分类等功能，如图6.6.6

所示。再励学习是介于上述两者之间的一种学习方式。图6.6.5有导师指导的神经网络学习图6.6.6

无导师指导的神经网络学习6.7专家控制6.7.1专家控制的概述与结构瑞典学者K.J.Astrom于1983年首先把人工智能中的专家系统引入智能控制领域，于1986年提出“专家控制”的概念，构成一种智能控制方法。专家控制是智能控制的一个重要分支，又称专家智能控制。所谓专家控制，是将专家系统的理论和技术同控制理论、方法与技术相结合，在未知环境下，仿效专家的经验，实现对系统的控制。专家控制试图在传统控制的基础上“加入”一个富有经验的控制工程师，实现控制的功能，它由知识库和推理机构构成主体框架，通过对控制领域知识（先验经验、动态信息、目标等）的获取与组织，按某种策略及时地选用恰当的规则进行推理输出，实现对实际对象的控制。专家控制的结构如图6.7.1所示：图6.7.1专家控制结构图6.7.2专家控制的功能与分类1．功能

（1）能够满足任意动态过程的控制需要，尤其适用于带有时变、非线性和强干扰的控制；（2）控制过程可以利用对象的先验知识；（3）通过修改、增加控制规则，可不断积累知识，改进控制性能；（4）可以定性地描述控制系统的性能，如“超调小”、“偏差增大”等；（5）对控制性能可进行解释；（6）可通过对控制闭环中的单元进行故障检测来获取经验规则。2.分类

按专家控制在控制系统中的作用和功能，可将专家控制器分为以下两种类型：图6.7.2直接型专家控制器（1）直接型专家控制器

直接专家控制器用于取代常规控制器，直接控制生产过程或被控对象。具有模拟（或延伸，扩展）操作工人智能的功能。该控制器的任务和功能相对比较简单，但是需要在线、实时控制。因此，其知识表达和知识库也较简单，通常由几十条产生式规则构成，以便于增删和修改。直接型专家控制器如图6.7.2所示。（2）间接型专家控制器间接型专家控制器用于和常规控制器相结合，组成对生产过程或被控对象进行间接控制的智能控制系统。具有模拟（或延伸，扩展）控制工程师智能的功能。该控制器能够实现优化适应、协调、组织等高层决策的智能控制。按照高层决策功能的性质，间接型专家控制器可分为以下几种类型：1）优化型专家控制器：是基于最优控制专家的知识和经验的总结和运用。通过设置整定值、优化控制参数或控制器，实现控制器的静态或动态优化。2）适应型专家控制器：是基于自适应控制专家的知识和经验的总结和运用。根据现场运行状态和测试数据，相应地调整控制规律，校正控制参数，修改整定值或控制器，适应生产过程、对象特性或环境条件的漂移和变化。3）协调型专家控制器：是基于协调控制专家和调度工程师的知识和经验的总结和运用。用以协调局部控制器或各子控制系统的运行，实现大系统的全局稳定和优化。4）组织型专家控制器：是基于控制工程的组织管理专家或总设计师的知识和经验的总结和运用。用以组织各种常规控制器，根据控制任务的目标和要求，构成所需要的控制系统。间接型专家控制器可以在线或离线运行。通常，优化型、适应型需要在线、实时、联机运行。协调型、组织型可以离线、非实时运行，作为相应的计算机辅助系统。间接型专家控制器的示意图如图6.7.3所示。图6.7.3间接型专家控制器6.8学习控制学习是人类获取知识的主要形式，是人类具有智能的显著标志，是人类提高智能水平的基本途径。因此.学习也是智能控制的重要属性。这里主要指自学习，即自动获取知识、积累经验、不断更新和扩充知识，改善知识性能。学习控制是智能控制的一个重要的研究分支。K.S.Fu把学习控制与智能控制相提并论，从发展学习控制的角度首先提出智能控制的概念（K.S.Fu，1971）。他推崇在控制问题中引入拟人的自学习功能，研究各种机器系统可以实现的学习机制。6.8.1学习控制问题的提出智能控制的任务也可以这样来表达：要使闭环控制系统在相当广泛的运行条件范围内，在相当广泛的运行事件范围内，保持系统的完善功能和期望性能，而实现这任务的困难是，受控对象和系统的性能目标具有一定的复杂性和不确定性。6.8.2学习

控制的表述学习这一概念在日常生活中使用极其广泛，非常通俗，目前没有公认的统一定义。人们从不同的学科角度、不同的理解层次来表述学习、学习控制和学习控制系统。Wiener从物种随时间变异的现象给出了学习的最一般的定义（Wiener，1965）：其有生存能力的动物，是那些在它的个体的一生中，能被它所经历的环境所改造的动物：一个能繁殖的动物，至少能够产生与它自己大略相似的动物，虽然这种动物不会完全相似到随时间的推移前不再发生变化的程度；如果这种变化是自我可遗传的，则就有了一种能受自然选择的原料；如果这种变化以某种行为形式显现出来，则只要该行为不是有害的，则这种变化就会一代接一代地继续下去。这种从一代到下一代的变化形式就称为种族学习或系统发育学习，而特定个体中发生的行为变化或行为学习，则称为个体发育学习。6.8.3学习控制的研究状况和分类工程上对于学习的研究起源于人工智能中对学习机制的模拟。一条途径是基干人脑结构模型来模拟人的形象思维。40年代初，McCulloch和Pitts就提出了一种最基本的神经元突触模型。50多年来，已有数百种神经模型和神经网络模型被发表。这些学习模型具有联想和分布记忆的特征，与非线性动力学关系密切，导致了非线性问题的学习控制的发展。另一条途径是基于人脑的外部功能来模拟人的逻辑思维。50年代末Samue