45智能控制

4.5智能控制智能控制(IntelligentControl，IC)是20世纪80年代出现的一个新兴的科学领域，它是继经典控制理论方法和现代控制理论方法之后的新一代控制理论方法，是控制理论发展的高级阶段。它主要用来解决那些传统方法难以解决的复杂系统控制问题。基本概念所谓智能控制就是指具备一定智能行为的系统，是人工智能、自动控制与运筹学三个主要学科相结合的产物。也可以说是以自动控制理论为基础，应用拟人化的思维方法、规划及决策实现对工业过程最优化控制的先进技术。智能控制具有学习功能、适应功能和组织功能等特点。智能控制的发展基于知识的控制(KnowledgeBasedControl)——人工智能与自动控制相结合的产物1965年:傅京孙提出把人工智能的启发式推理规则用于学习控制系统。1967年:Leondes首次使用“智能控制”一词。1971年:傅京孙论述了人工智能与自动控制的关系。1985年:IEEE在美国纽约召开第一届智能控制学术讨论会。1987年:在美国费城召开智能控制国际会议。主要内容(1)模糊控制(FuzzyControl)(2)专家控制(ExpertControl)(3)神经网络控制(NeuralNetworkControl)它们可以单独使用，也可以结合起来应用；即可应用于现场控制，也可以用于过程建模、优化操作、故障诊断、生产调度和经营管理等不同层次。4.5.1模糊控制模糊控制是一种应用模糊集合、模糊语言变量和模糊逻辑推理知识，模拟人的模糊思维方法，对复杂系统实施控制的一种智能控制系统。发展概况•模糊数学和模糊控制的概念由美国加利福尼亚大学著名教授Zadeh提出⑴1965:FuzzySets⑵1968:FuzzyAlgorithm⑶1972:ARationaleforFuzzyControl•模糊控制的应用⑴1974年：英国伦敦大学教授Mamdani应用模糊控制语句组成模糊控制器，应用于锅炉和汽轮机的运行控制；⑵1975年：工业反应过程的温度控制；⑶1976年：热水装置、压力容器、压力与液面控制；⑷1977年：多变量热变换过程控制、交通枢纽指挥控制；⑸1979年：自组织模糊控制器；⑹80年代开始大规模应用于化工、机械、冶金、工业窑炉、水处理、食品生产等大型工业过程控制中。基本结构模糊控制器系统基本构成如图所示。其系统构成与其他控制系统的主要区别仅在于控制器是由模糊数学、模糊语言形式的知识表示和模糊逻辑为基础，采用计算机控制技术构成的模糊控制器。r模糊控制器CuUE模糊化知识库解模糊模糊推理被控对象系统核心是模糊控制器：模糊化解模糊模糊推理xXYRXYy相关概念模糊化：模糊化的作用是将输入的精确量转换成模糊化量，输入值的模糊化是通过论域的隶属度函数实现的。模糊推理：利用知识库的信息和模糊运算方法，模拟人的推理决策的思想方法，在一定的输入条件下激活相应的控制规则给出适当的模糊控制输出。解模糊（清晰化）：将模糊推理得到的控制量(模糊量)变换为实际用于控制的清晰量。它包含两个方面的内容：①将模糊的控制量经清晰化变换成表示在论域范围的清晰量；②将表示在论域范围的清晰量经尺度变换变成实际的控制量。较常用的清晰化方法有：最大隶属度方法、面积重心法和中位数法。知识库：知识库中包含了具体应用领域中的知识和要求的控制目标。它通常由数据库和模糊控制规则库两部分组成。①数据库数据库提供论域中必要的定义，包括各语言变量的隶属度函数，模糊空间的量化级数、量化方式及比例因子等。②规则库主要包括用模糊语言变量表示的一系列控制规则，它们反映了控制专家的经验和知识。规则的形式很象计算机程序设计语言中常用的条件语句，是由一系列IF-THEN型模糊条件句所构成。应用领域•净水池添加凝聚剂控制：凝聚反应过程的浑浊度、碱度和pH值；•排水泵控制：流入水量控制、排水过程的水位、水位变化、排水量和泵转速；•水泥窑燃烧控制：化学反应热力系统的温度和转矩；•水泥料粉碎控制：长间隙和长时滞过程的电力、振动、差压和温度；•转炉供给煤气控制：供气过程的电极高低、转炉吹炼设定；•发酵过程控制：发酵过程的温度、pH值、基质消耗量、溶存氧气浓度等；•核反应堆控制：核反应过程的输出量、燃料温度和冷却层温度；•自动销售机控制和机器人控制等。4.5.2专家控制系统专家控制又称作基于知识的控制或专家智能控制。也就是将专家系统的理论和方法与控制理论和方法相结合，应用专家的智能技术指导工程控制，使得工程控制达到专家级控制水平的一种控制方法。4.5.2.1专家系统专家系统是一种人工智能的计算机程序系统，这些程序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各种问题。尤其是对于无算法解问题，和经常需要在不完全、不确定的知识信息基础上做出结论的问题的解决等方面表现出了知识应用的优越性和有效性。简而言之，专家系统是一个模拟人类专家解决领域问题的计算机程序系统。基本结构推理机解释程序调度程序推理咨询知识获取领域专家系统用户规则库数据库知识库由专家系统基本结构图可知，知识库和推理机是专家系统中两个主要的组成要素：（1）知识库知识库主要由规则库和数据库两部分组成。规则库存放着作为专家经验的判断性知识，例如表达建议、推断、命令、策略的产生式规则等，用于问题的推理和求解。而数据库用于存储表征应用对象的特性、状态、求解目标、中间状态等数据，供推理和解释机构使用。知识库通过“知识获取”机构与领域专家相联系，实现知识库的建立和修正更新，知识条目的查询、测试、精炼等对知识库的操作。（2）推理机推理机实际上是一个运用知识库中提供的两类知识，基于某种通用的问题求解模型进行自动推理、求解问题的计算机软件系统，它包含一个解释程序，用于检测和解释知识库中的相应规则，决定如何使用判断性知识推导新知识，还包括一个调度程序，用于决定判断性知识的使用次序。推理机的具体构造取决于问题领域的特点、专家系统中知识表示方法。工作原理专家系统通过某种知识获取手段，把人类专家的领域知识和经验技巧移植到计算机中，模拟人类专家推理决策过程，求解复杂问题的人工智能处理系统。基本特征专家系统具有以下基本特征：专家系统是具有专家水平的知识信息处理系统；专家系统对问题求解具有高度的灵活性；专家系统采用启发式和透明的求解过程；专家系统具有一定的复杂性和难度。分类按专家系统求解问题的性质分类：解释型预测型诊断型设计型控制型规划型监视型决策型调试型4.5.2专家控制系统专家控制系统的设计规范是建立数学模型与知识模型相结合的广义知识模型，它的运行机制是包含数值算法在内的知识推理，是控制技术与信息处理技术的相结合。因此，专家控制系统是人工智能与控制理论方法和技术相结合的典型产物。基本结构专家控制系统由数值算法库、知识库系统和人-机接口与通讯系统三大部分组成。知识库系统专家控制系统结构图被控对象数值算法库内部通讯A╱DD╱A人—机接口用户系统的控制器主要由数值算法库、知识库系统两部分构成：•其中数据算法库由控制、辨识和监控三类算法组成。•控制算法根据知识库系统的控制配置命令和对象的测量信号，按PID算法或最小方差算法等计算控制信号，每次运行一种控制算法。•辩识算法和监控算法为递推最小二乘算法和延时反馈算法等，只有当系统运行状况发生某种变化时，才往知识库系统中发送信息。•知识库系统包含定性的启发式知识，用于逻辑推理、对数值算法进行决策、协调和组织。知识库系统的推理输出和决策通过数值算法库作用于被控对象。专家控制把控制系统看作为基于知识的系统，系统包含控制系统的知识，按照专家系统知识库的构造，有关控制的知识可以分类组织，形成数据库和规则库：1.数据库数据库中主要包括事实、证据、假设和目标几部分内容。2.规则库规则库中存放着专家系统中判断性知识集合及组织结构。对于控制问题中各种启发式控制逻辑，一般常用产生式规则表示：IF(控制局势)THEN(操作结论)其中，控制局势即为事实、证据、假设和目标等各种数据项表示的前提条件，而操作结论即为定性的推理结果。在专家控制中，产生式规则包括操作者的经验和可应用的控制与估计算法、系统监督、诊断等规则。4.5.3神经网络控制神经元网络是一种基本上不依赖于模型的控制方法，它具有较强的适应和自学习功能，比较适用于那些具有不确定性或高度非线性控制的对象，随着神经网络理论和应用研究的深入，在工业控制方面，神经网络控制已成为智能控制的一个重要分支领域。4.5.3神经网络控制发展经历：（螺旋上升过程）1-1943年，心理学W.McCulloch和数理逻辑学家W.Pitts首先提出形式神经元模型2-1949年，Hebb学习规则3-1958年，感知器4-1970年，提出新特征的几种非线性动态系统的结构5-1982年，Hopfield网络6-1985年，Boltzman机模型7-1986年，误差反向传播算法（BP学习算法）人工神经元模型人工神经元网络是利用物理器件来模拟生物神经元的人工神经元相互连接而成的。神经元模型的输入输出关系为：··yiΣ·-1f(·)典型的人工神经元模型1jjnj1xnxniijijinijijxwxwS01)(jisfy式中：Sj为阈值；wji表示从神经元j到神经元i连接权权值；f(·)为输出变换函数，变换函数f(·)可为线性函数或非线性函数。-σ0σ常用变换函数1f(x)=x011-1xf(x)=sgn(x)x-1100.5x-1xxxa)符号函数b)双曲函数c)S形(sigmoid)函数d)线性函数e)饱和函数f)高斯函数11()1xxefxe1()1xfxe22/()xfxesgn()||1()||1xkxfxkxkxBP神经网络结构(3层)BP网络是一个多层前馈网络，因其学习算法采用误差反向传播算法（BP算法）而得名。它具有和多层感知器相同的网络结构，但是神经元转换函数不再采用二值函数，而是采用连续的S型函数。第1层为输入层，第Q层为输出层，中间各层为隐层。BP神经网络结构(3层)BP算法的学习过程由信息正向传播和误差反向传播两部分组成。在正向传播过程中，计算各层神经元的状态。输入信息从输入层经各隐含层逐层处理，并传向输出层，每层神经元（节点）的状态只影响下一层节点的状态。如果输出层的状态与期望值的输出不一致，则转入反向传播过程，将误差信号沿原来的连接通路返回，同时修改各层神经元的权值，权值的不断调整会使网络误差原来越小。BP神经网络结构(3层)BP神经网络在本质上具有对任意非线性映射关系进行逼近的能力，并且采用的是全局逼近，因而BP网络有较好的泛化能力。BP网络在控制领域得到了非常广泛的应用，但它也存在一些缺点：1-收敛速度慢2-局部极值问题3-难以确定隐层数和各隐层节点数目（试凑法、经验法）神经网络控制与传统控制技术相比具备的特点非线性。神经网络在理论上可以逼近任何非线性函数；并行分布处理。比常规方法有更大程度的容错能力；学习能力和自适应性。泛化能力；多变量系统。多输入多输出系统；硬件实现。许多厂家已经用专用的VLSI来制作神经网络，这样网络处理速度很快，而且网络能实现的规模也明显增大。这些特点使得神经网络在复杂系统的建模与辨识、非线性系统控制等控制领域都有很强的吸引力，因此神经网络控制成为了智能控制的重要研究方向。