智能控制的学习与总结

1 / 22 智能控制的学习与总结 智能控制的学习与总结 智能控制的学习与思考一、我对智能控制的理解 从开始上学学习知识以来，所学到的知识用我自己的理解与感觉就是：所学的知识越来越复杂，其模型越来越接近实际，感觉最深的是在数学课与物理课上，其模型不在只是考虑理想状态下，或者只在线性关系下，其中要考虑到很多的问题，不再只是一个简单的式子就可以表达、求解。 而这学期所学的智能控制感觉是相对于之前学的经典控制理论与现代控制理论，其研究对象是更为实际与现实的问题，但是与之前不同之处 在于，现在的智能控制不只是研究对象更加实际、现实，而且是提出了新的方法途径，相比较与经典的控制理论，智能控制的研究对象有其自己的特点： 1. 不确定性的模型 智能控制的研究对象通常存在严重的不确定性。这里所说的模型不确定性包含两层意思：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 对于具有高度非线性的控制对象，采用智能控制的方法往往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 2 / 22 对于 智能控制系统，任务的要求往往比较复杂。 二、智能控制与传统控制的关系 智能控制与传统的或常规的控制有密切的关系，不是相互排斥的。 常规控制往往包含在智能控制之中，智能控制也利用常规控制的方法来解决“低级”的控制问题，力图扩充常规控制方法并建立一系列新的理论与方法来解决更具有挑战性的复杂控制问题。 1. 传统的自动控制是建立在确定的模型基础上的，而智能控制的研究对象则存在模型严重的不确定性，即模型未知或知之甚少者模型的结构和参数在很大的范围内变动，比如工业过程的病态结构问题 、某些干扰的无法预测，致使无法建立其模型，这些问题对基于模型的传统自动控制来说很难解决。 2. 传统的自动控制系统的输入或输出设备与人及外界环境的信息交换很不方便，希望制造出能接受印刷体、图形甚至手写体和口头命令等形式的信息输入装置，能够更加深入而灵活地和系统进行信息交流，同时还要扩大输出装置的能力，能够用文字、图纸、立体形象、语言等形式输出信息。另外，通常的自动装置不能接受、分析和感知各种看得见、听得着的形象、声音的组合以及外界其它 的情况。为扩大信息通道，就必须给自动装置安上能够以 机械方式模拟各种感觉的精确的送音器，即文字、声音、3 / 22 物体识别装置。可喜的是，近几年计算机及多媒体技术的迅速发展 ,为智能控制在这一方面的发展提供了物质上的准备，使智能控制变成了多方位“立体”的控制系统。 3. 传统的自动控制系统对控制任务的要求要么使输出量为定值，要么使输出量跟随期望的运动轨迹，因此具有控制任务单一性的特点，而智能控制系统的控制任务可比较复杂，例如在智能机器人系统中，它要求系统对一个复杂的任务具有自动规划和决策的能力，有自动躲避障碍物运动到某一预期目标位置的能力等。 对于这些具有复杂 的任务要求的系统，采用智能控制的方式便可以满足。 4. 传统的控制理论对线性问题有较成熟的理论，而对高度非线性的控制对象虽然有一些非线性方法可以利用，但不尽人意。而智能控制为解决这类复杂的非线性问题找到了一个出路，成为解决这类问题行之有效的途径。工业过程智能控制系统除具有上述几个特点外，又有另外一些特点，如被控对象往往是动态的，而且控制系统在线运动，一般要求有较高的实时响应速度等，恰恰是这些特点又决定了它与其它智能控制系统如智能机器人系统、航空航天控制系统、交通运输控制系统等的区别，决定了它的控 制方法以及形式的独特之处。 5. 与传统自动控制系统相比，智能控制系统具有足够的关于人的控制策略、被控对象及环境的有关知识以及运4 / 22 用这些知识的能力。 6. 与传统自动控制系统相比，智能控制系统能以知识表示的非数学广义模型和以数学表示的混合控制过程，采用开闭环控制和定性及定量控制结合的多模态控制方式。 7. 与传统自动控制系统相比，智能控制系统具有变结构特点，能总体自寻优，具有自适应、自组织、自学习和自协调能力。 8. 与传统自动控制系统相比，智能控制系统有补偿及 自修复能力和判断决策能力。 总之，智能控制系统通过智能机自动地完成其目标的控制过程，其智能机可以在熟悉或不熟悉的环境中自动地或人机交互地完成拟人任务。 三、智能控制的类型 1. 专家控制系统 专家指的是那些对解决专门问题非常熟悉的人们，他们的这种专门技术通常源于丰富的经验，以及他们处理问题的详细专业知识。 专家系统主要指的是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的经验方法来处理 该领域的高水平难题。它具有启发性、透明性、灵活性、符号操作、不确定性推理等特点。 .应用专家系统的概5 / 22 念和技术，模拟人类专家的控制知识与经验而建造的控制系统，称为专家控制系统。 专家系统是利用专家知识对专门的或困难的问题进行描述。用专家系统所构成的专家控制，无论是专家控制系统还是专家控制器，其相对工程费用较高，而且还涉及自动地获取知识困难、无自学能力、知识面太窄等问题。尽管专家系统在解决复杂的高级推理中获得较为成功的应用，但是专家控制的实际应用相对还是比较少。 2. 模糊控制系统 所谓模糊控制，就是在被控制对象的模糊模型的基础上，运用模糊控制器近似推理手段，实现系统控制的一种方法。模糊模型是用模糊语言和规则描述的一个系统的动态特性及性能指标。 模糊控制的基本思想是用机器去模拟人对系统的控制。它是受这样事实而启发的：对于用传统控制理论无法进行分析和控制的复杂的和无法建立数学模型的系统，有经验的操作者或专家却能取得比较好的控制效果，这是因为他们拥有日积月累的丰富经验，因此人们希望把这种经验指导下的行为过程总结成一些规则，并根据这些规则设计出控制器。然后运用模糊理论 ，模糊语言变量和模糊逻辑推理的知识，把这些模糊的语言上升为数值运算，从而能够利用计算机来完成对这些规则的具体实现，达到以机器代替人对某些6 / 22 对象进行自动控制的目的。 模糊逻辑用模糊语言描述系统，既可以描述应用系统的定量模型也可以描述其定性模型。模糊逻辑可适用于任意复杂的对象控制。但在实际应用中模糊逻辑实现简单的应用控制比较容易。简单控制是指单输入单输出系统 或多输入单输出系统 的控制。因为随着输入输出变量的增加，模糊逻辑的推理将变得非常复杂。 3. 人工神经网络控制系统 神经 网络是指由大量与生物神经系统的神经细胞相类似的人工神经元互连而组成的网络；或由大量象生物神经元的处理单元并联互连而成。这种神经网络具有某些智能和仿人控制功能。 学习算法是神经网络的主要特征，也是当前研究的主要课题。学习的概念来自生物模型，它是机体在复杂多变的环境中进行有效的自我调节。神经网络具备类似人类的学习功能。一个神经网络若想改变其输出值，但又不能改变它的转换函数，只能改变其输入，而改变输入的唯一方法只能修改加在输入端的加权系数。 神经网络的学习过程是修改加权系数的过程，最终使其 输出达到期望值，学习结束。常用的学习算法有： Hebb学习算法， widrow Hoff 学习算法，反向传播 学习算法一 BP 学习算法， Hopfield 反馈神经网络学7 / 22 习算法等。 神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法。它能表示出丰富的特性：并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等。这些特性是人们长期追求和期望的系统特性。它在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特的能力。神经网络可以和模糊逻辑一样适用于任意复杂对 象的控制，但它与模糊逻辑不同的是擅长单输入多输出系统和多输入多输出系统的多变量控制。在模糊逻辑表示的 SIMO 系统和 MIMO 系统中，其模糊推理、解模糊过程以及学习控制等功能常用神经网络来实现。模糊神经网络技术和神经模糊逻辑技术：模糊逻辑和神经网络作为智能控制的主要技术已被广泛应用。两者既有相同性又有不同性。其相同性为：两者都可作为万能逼近器解决非线性问题，并且两者都可以应用到控制器设计中。不同的是：模糊逻辑可以利用语言信息描述系统 ,而神经网络则不行，模糊逻辑应用到控制器设计中，其参数定义有明确的物理意义，因而可提出有效的初始参数选择方法；神经网络的初始参数 只能随机选择。但在学习方式下，神经网络经过各种训练，其参数设置可以达到满足控制所需的行为。模糊逻辑和神经网络都是模仿人类大脑的运行机制，可以认为神经网络技术模仿人类大脑的硬件，模糊逻辑技术模仿人类大脑的软件。8 / 22 根据模糊逻辑和神经网络的各自特点，所结合的技术即为模糊神经网络技术和神经模糊逻辑技术。模糊逻辑、神经网络和它们混合技术适用于各种学习方式智能控制的相关技术与控制方式结合或综合交叉结合，构成风格和功能各异的智能控制系统和智能控制器是智能控制技术方法的一 个主要特点。 四、总结与展望 智能控制虽然已有 50 多年的发展史，而其其实际应用也越来越成熟、广泛，但是相比较有经典的控制理论与方法，智能控制的应用还是有待进一步发展的，但是把智能控制与传统控制方案相结合，也是一种不错的应用方向，而其目前这方面的研究已经是比比皆是，比如用模糊控制与常规PID 控制相结合，产生的模糊自适应 PID 控制方案目前已经有了相当广泛的研究与应用！ 当然对于智能控制的探索与研究还需要更多的学者投入更多的心血，才能在未来结出更加丰硕的果实。 第一 章 智能控制：具有模拟人类学习和自适应的能力。 智能系统的构成：广义对象包括被控对象和外部环境；传感器；感知信息处理；认知；通信接口；规划和控制；执行器。 智能控制的特点： 1 结构特点：被控对象描述的混合9 / 22 性；信息处理的层次性；控制器结构的组合性。 2 功能特点：学习能力；适应能力；组织能力。 3 学科特点：多学科交叉性；理论的薄弱性。 第二章 论域：被考虑的对象的所有元素的全体 序偶：将不同的事物按一定顺序排列起来，组成一个整体，用以表达它们之间 的关系 关系：称给定集合 X， Y 直积的一个子集 R 为 X 到 Y的二元关系 论域 U 中的模糊集合用一个在区间 0,1上取值的隶属度函数 表示： ?A:U?0,1u? ?A 第三章 模糊控制的特点：无需知道被控对象的数学模型，以控制经验为依据；是一种反映人类智慧思维的智能控制；易被人们所接受；构造容易；鲁棒性好。 模糊控制系统的组成： FLC：模糊控制器，计算机。输入 /输出接口装置： A/D、 D/A 以及必要的电平转换线路。广义对象：执行机构 被控对象。传感器：将被控制量转换为电信号，选择精度高且稳定性、好的传感器。 模糊控制器的功能：模糊化接口：精确量模糊量；模糊推理：由知识库和推理决策完成；精确化：模糊量10 / 22 精确量 与传统控制系统的区别：控制器采用了模糊控制器 模糊控制器的基本结构： 1模糊化接口功能：测量输入变量的值，将精确的测量数据转换为模糊集合的隶属度。 2.知识库： a.数据库为模糊控制器提供必要的定义。包含：论域的离散化、量化、输入空间的划分、隶属度函数的定义 b.规则库控制规则的集合。根 据：控制目的和控制策略、由语言变量描述、由专家或自学习产生。 3.推理决策逻辑 4.精确化过程在表中找出当前时刻的控制输出量化值。此量化值再乘以比例因子则得到控制输出精确值。 第四章 神经网络的特性：并行性：具有高度的并行结构和并行实现能力，适用于在线控制。 非线性：近似任意非线性映射，适用于非线性辨识与控制。学习：通过训练具有归纳数据的能力，更适用于非模型描述的控制。适应与集成：可在线运行和信息融合，适用于复杂、大规模和多变量系统的控制。硬件实现：神经网络成为 具有快速和大规模处理能力的实现网络。 神经元具有的特征 .时空整合；阈值特性；不应期；疲劳；突触的可塑性；输出信号种类 激励函数的作用：控制输入对输出的激活作用；对输入、输出进行函数转换；将可能无限域的输入11 / 22 变换成指定的有限范围内的输出。 连接方式：前向网络反馈网络相互结合型网络混合型网络） 学习算法分类：有导师学习、无导师学习、再励学习 第五章 感知器功能： 模式识别器 逻辑函数 多层感知器模型结构特点：网络由若干层神经元组成；每个神经元都是一个感知器； 信号从前往后顺序传播，故又称其为前向传播网络。特征：在输入层和输出层之间嵌入一层或多层隐含层。隐含单元既可以与输入输出单元相连，也可以与其它隐含单元相连。 分类：含一个隐含层的感知器网络； L+1 层感知器网络 BP 学习算法的局限性：非线性优化的局部极小，或振荡不收敛；收敛速度很慢；新样本的加入影响会已学习过的老样本。 影响因素及改进措施：因素：权值初始化；学习速率 :迭代终止准则；激活函数。措施：选用不同的作用函数、性能指标； 解决局部极小问题选用不同的初值迭代；激励函数加入斜率因子；模拟退火方法；分解子网。 加快收敛速度，12 / 22 采用不同的激励函数；变学习率方法；利用激励函数的二阶导数；最速下降法；组合学习方法；权值修正引入动量因子；遗传算法；等等 第六章 神经网络控制 特点：大规模并行性；冗余性；容错性；本质的非线性；自组织、自学习、自适应性 应用领域：最优化；模式识别；信号处理；图象处理；控制 智能控制技术的发展现状及心得体会 摘要： 在此综述了智能控制技术的现状及发展，首 先简述智能控制的性能特点及主要方法，然后介绍智能控制在各行各业中的应用现状，接着论述智能控制的国内外发展和现状。随着信息技术的发展，许多新方法和技术进入工程化、产品化阶段，这对自动控制技术提出创新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制问题。 关键词：智能控制 模糊控制 神经网络 遗传算法 一、引言 智能控制作为当今的一种交叉前沿学科，其研究中心始终是解决传统控制理论、方法所难以解决的不确定性问题。自智能控制概念的提出， 自动控制界纷纷仿效，主流是13 / 22 人工智能技术引入到自动控制系统中，寻求难以精确建模的复杂系统的自动控制。 在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。对许多复杂的系统，难以建立有效的数学模型和用常规的控制理论去进行定量计算和分析，而必须采用定量方法与定性方法相结合的控制方式。定量方法与定性方法相结合的目的是，要由机器用类似于人的智慧和经验来引导求解过程。因此，在研究和设计智能系统时，主要注意力不放在数学公式的表达、计算和处理方面，而是放在对任务和现实模型的描述、符号和环境的识别以 及知识库和推理机的开发上，即智能控制的关键问题不是设计常规控制器，而是研制智能机器的模型。此外，智能控制的核心在高层控制，即组织控制。高层控制是对实际环境或过程进行组织、决策和规划，以实现问题求解。为了完成这些任务，需要采用符号信息处理、启发式程序设计、知识表示、自动推理和决策等有关技术。这些问题求解过程与人脑的思维过程有一定的相似性，即具有一定程度的“智能”。 二、智能控制的性能特点 智能控制是自动控制发展的新的阶段，主要用来解决那些用传统方法难以解决的复杂、非线性和不确定的系统控 制问题。智能控制系统具有以下几个特点 ： 较强的学习能力： 14 / 22 能对未知环境提供的信息进行识别、记忆、学习、融合、分析、推理，并利用积累的知识和经验不断优化、改进和提高自身的控制能力； 较强的自适应能力： 具有适应受控对象动力学特性变化、环境特性变化和运行条件变化的能力； 较强的容错能力： 系统对各类故障具有自诊断、屏蔽和自恢复能力； 较强的鲁棒性： 系统性能对环境干扰和不确定性因素不敏感； 较 强的组织功能： 对于复杂任务和分散的传感信息具有自组织和协调功能，使系统具有主动性和灵活性； 实时性好： 系统具有较强的在线实时响应能力； 人机协作性能好： 系统具有友好的人机界面，以保证人机通信、人机互助和人机协同工作。 三、智能控制的主要方法 智能控制技术的主要方法有专家控制、模糊控制、神经网络控制和遗传算法等 专家控制 15 / 22 专家控制是将专家系统的理论技术与控制理论技术相结合，仿效专家的经验，实现对 系统控制的一种智能控制。主体由知识库和推理机构组成，通过对知识的获取与组织，按某种策略适时选用恰当的规则进行推理，以实现对控制对象的控制。专家控制可以灵活地选取控制率，灵活性高；可通过调整控制器的参数，适应对象特性及环境的变化，适应性好 ;通过专家规则，系统可以在非线性、大偏差的情况下可靠地工作 ,鲁棒性强。 模糊控制 模糊控制以模糊集合、模糊语言变量、模糊推理为其理论基础，以先验知识和专家经验作为控制规则。其基本思想是用机器模拟人对系统的控制，就是在被控对象的模糊模型的基础上运用模糊控 制器近似推理等手段 ,实现系统控制。在实现模糊控制时主要考虑模糊变量的隶属度函数的确定 ,以及控制规则的制定二者缺一不可。 神经网络控制 神经网络模拟人脑神经元的活动，利用神经元之间的联结与权值的分布来表示特定的信息，通过不断修正连接的权值进行自我学习，以逼近理论为依据进行神经网络建模，并以直接自校正控制、间接自校正控制、神经网络预测控制等方式实现智能控制。 遗传算法学习 16 / 22 智能控制是通过计算机实现对系统的控制，因此控制技术离不开优化技术。快速、高效、全局化的优化算 法是实现智能控制的重要手段。遗传算法是模拟自然选择和遗传机制的一种搜索和优化算法，它模拟生物界生存竞争，优胜劣汰，适者生存的机制，利用复制、交叉、变异等遗传操作来完成寻优。遗传算法作为优化搜索算法，一方面希望在宽广的空间内进行搜索，从而提高求得最优解的概率；另一方面又希望向着解的方向尽快缩小搜索范围，从而提高搜索效率。如何同时提高搜索最优解的概率和效率，是遗传算法的一个主要研究方向。 四、智能控制的应用现状 工业过程中的智能控制 生产过程的智能控制主要包括两个方面 :局部 级和全局级。局部级的智能控制是指将智能引入工艺过程中的某一单元进行控制器设计，例如智能 PID 控制器、专家控制器、神经元网络控制器等。研究热点是智能 PID 控制器，因为其在参数的整定和在线自适应调整方面具有明显的优势，且可用于控制一些非线性的复杂对象。全局级的智能控制主要针对整个生产过程的自动化，包括整个操作工艺的控制、过程的故障诊断、规划过程操作处理异常等。 机械制造中的智能控制 在现代先进制造系统中，需要依赖那些不够完备和不17 / 22 够精确的数据来解决难以或无法预测的情况，人工智能技术为解决 这一难题提供了有效的解决方案。智能控制随之也被广泛地应用于机械制造行业，它利用模糊数学、神经网络的方法对制造过程进行动态环境建模，利用传感器融合技术来进行信息的预处理和综合。可采用专家系统的“ Then-If”逆向推理作为反馈机构，修改控制机构或者选择较好的控制模式和参数。利用模糊集合和模糊关系的鲁棒性，将模糊信息集成到闭环控制的外环决策选取机构来选择控制动作。利用神经网络的学习功能和并行处理信息的能力，进行在线的模式识别，处理那些可能是残缺不全的信息。 电力电子学研究领域中的智能控制 电力系统中发电机、变压器、电动机等电机电器设备的设计、生产、运行、控制是一个复杂的过程，国内外的电气工作者将人工智能技术引入到电气设备的优化设计、故障诊断及控制中，取得了良好的控制效果。遗传算法是一种先进的优化算法，采用此方法来对电器设备的设计进行优化，可以降低成本，缩短计算时间，提高产品设计的效率和质量。应用于电气设备故障诊断的智能控制技术有 :模糊逻辑、专家系统和神经网络。在电力电子学的众多应用领域中，智能控制在电流控制 PWM 技术中的应用是具有代表性的技术应用方向之一，也是研究的新热点之一。 以上的三个例子只是智能控制在各行各业应用中的18 / 22 一个缩影，它的作用以及影响力将会关系国民生计。并且智能控制技术的发展也是日新月异，我们只有时刻关注智能控制技术才能跟上其日益加快的技术更新步伐。 五、国内外研究现状及发展趋势 从 20 世纪 60 年代起，计算机技术和人工智能技术迅速发展，为了提高控制系统的自学习能力，控制界学者开始将人工智能技术应用于控制系统。 1965 年，美籍华裔科学家傅京孙教授首先把人工智能的启发式推理规则用于学习控制系统， 1966 年， Mendel进一步在空间 飞行器的学习控制系统中应用了人工智能技术，并提出了“人工智能控制”的概念。 1967 年， Leondes和 Mendel 首先正式使用“智能控制”一词。 20 世纪 70 年代初，傅京孙、 Glofiso 和 Saridis 等学者从控制论角度总结了人工智能技术与自适应、自组织、自学习控制的关系，提出了智能控制就是人工智能技术与控制理论的交叉的思想，并创立了人机交互式分级递阶智能控制的系统结构。 1985 年 8 月， IEEE 在美国纽约召开了第一届智能控制学术讨论会，随后成立了 IEEE 智能控制专业委员会； 1987年 1 月，在美国举行第一次国际智能控制大会，标志着智能控制领域的形成。 要做到智能自动化，把机器人的智商提高到智人水19 / 22 平，还需要数十年。微电子、生命科学、自动化技术突飞猛进，为 21 世纪实现智能控制和智能自动化创造了很好的条件。为了达到目标，不仅需要技术的进步，更需要科学思想和理论的突破。很多科学家坚持认为，这需要发现新的原理，或者改造已知的物理学基本定理，才能彻底懂得和仿造人类的智能，才能设计出具有高级智能的自动控制系统。科学界要为保障人类和地球的生存和可持续发展做出必须的贡献，而控制论科学家和工 程师应当承担主要的使命。 智能控制理论的研究和应用是现代控制理论在深度和广度上的拓展。 20 世纪 80 年代以来，信息技术、计算技术的快速发展及其他相关学科的发展和相互 渗透，也推动了控制科学与工程研究的不断深入，控制系统向智能控制系统的发展已成为一种趋势。 六、智能控制的学习心得体会 这学期所学的智能控制感觉是相对于之前学的经典控制理论与现代控制理论，其研究对象是更为实际与现实的问题，但是与之前不同之处在于，现在的智能控制不只是研究对象更加实际、现实，而且是提出了 新的方法途径，相比较与经典的控制理论，智能控制的研究对象有其自己的特点： 不确定性的模型 高度的非线性 20 / 22 复杂的任务要求 对于智能控制系统，任务的要求往往比较复杂，通常是比较抽象的。 学习了关于智能控制的专家控制、模糊控制、神经网络控制和遗传算法，发现智能控制能够做到在传统的 PID控制中办不到的事儿，而且神经网络的控制特别的神奇，它能够模拟人的大脑，通过神经元的超强学习功能，如果遇到干扰作用，还能够自适应，但是神经网络也有欠缺之处，它不能自主解释自 己的推理过程，而这些推理过程都是由人将自己的经验转换为一些学习算法、规则，通过数据传播信息的，使其