智能控制方法簡紹

對許多復雜的系統，難以建立有效的數學模型和用常規的控制理論去進行定量計算和分析，而必須采用定量方法與定性方法相結合的控制方式。定量方法與定性方法相結合的目的是，要由機器用類似于人的智慧和經驗來引導求解過程。因此，在研究和設計智能系統時，主要注意力不放在數學公式的表達、計算和處理方面，而是放在對任務和現實模型的描述、符號和環境的識別以及知識庫和推理機的開發上，即智能控制的關鍵問題不是設計常規控制器，而是研制智能機器的模型。此外，智能控制的核心在高層控制，即組織控制。高 層控 制 是 對實際環境或過程進行組織、決策和規劃，以實現問題求解。為了完成這些任務，需要采用符號信息處理、啟發式程序設計、知識表示、自動推理和決策等有關技術。這些問題求解過程與人腦的思維過程有一定的相似性，即具有一定程度的“智能”。

隨著人工智能和計算機技術的發展，已經有可能把自動控制和人工智能以及系統科學中一些有關學科分支（如系統工程、系統學、運籌學、信息論）結合起來，建立一種適用于復雜系統的控制理論和技術。智能控制正是在這種條件下產生的。它是自動控制技術的最新發展階段，也是用計算機模擬人類智能進行控制的研究領域。1965年，傅京孫首先提出把人工智能的啟發式推理規則用于學習控制系統。1985年，在美國首次召開了智能控制學術討論會。1987年又在美國召開了智能控制的首屆國際學術會議，標志著智能控制作為一個新的學科分支得到承認。智能控制具有交叉學科和定量與定性相結合的分析方法和特點。

一個系統如果具有感知環境、不斷獲得信息以減小不確定性和計劃、產生以及執行控制行為的能力,即稱為智能控制系統. 智能控制技術是在向人腦學習的過程中不斷發展起來的,人腦是一個超級智能控制系統,具有實時推理、決策、學習和記憶等功能,能適應各種復雜的控制環境.

智能控制與傳統的或常規的控制有密切的關系,不是相互排斥的. 常規控制往往包含在智能控制之中,智能控制也利用常規控制的方法來解決“低級”的控制問題,力圖擴充常規控制方法并建立一系列新的理論與方法來解決更具有挑戰性的復雜控制問題.

1. 傳統的自動控制是建立在確定的模型基礎上的,而智能控制的研究對象則存在模型嚴重的不確定性,即模型未知或知之甚少者模型的結構和參數在很大的范圍內變動,比如工業過程的病態結構問題、某些干擾的無法預測,致使無法建立其模型,這些問題對基于模型的傳統自動控制來說很難解決.

2. 傳統的自動控制系統的輸入或輸出設備與人及外界環境的信息交換很不方便,希望制造出能接受印刷體、圖形甚至手寫體和口頭命令等形式的信息輸入裝置,能夠更加深入而靈活地和系統進行信息交流,同時還要擴大輸出裝置的能力,能夠用文字、圖紙、立體形象、語言等形式輸出信息. 另外,通常的自動裝置不能接受、分析和感知各種看得見、聽得著的形象、聲音的組合以及外界其它的情況. 為擴大信息通道,就必須給自動裝置安上能夠以機械方式模擬各種感覺的精確的送音器,即文字、聲音、物體識別裝置. 可喜的是,近幾年計算機及多媒體技術的迅速發展,為智能控制在這一方面的發展提供了物質上的準備,使智能控制變成了多方位“立體”的控制系統.

3. 傳統的自動控制系統對控制任務的要求要么使輸出量為定值(調節系統) ,要么使輸出量跟隨期望的運動軌跡(跟隨系統) ,因此具有控制任務單一性的特點,而智能控制系統的控制任務可比較復雜,例如在智能機器人系統中,它要求系統對一個復雜的任務具有自動規劃和決策的能力,有自動躲避障礙物運動到某一預期目標位置的能力等. 對于這些具有復雜的任務要求的系統,采用智能控制的方式便可以滿足.

4. 傳統的控制理論對線性問題有較成熟的理論,而對高度非線性的控制對象雖然有一些非線性方法可以利用,但不盡人意. 而智能控制為解決這類復雜的非線性問題找到了一個出路,成為解決這類問題行之有效的途徑. 工業過程智能控制系統除具有上述幾個特點外,又有另外一些特點,如被控對象往往是動態的,而且控制系統在線運動,一般要求有較高的實時響應速度等,恰恰是這些特點又決定了它與其它智能控制系統如智能機器人系統、航空航天控制系統、交通運輸控制系統等的區別,決定了它的控制方法以及形式的獨特之處.

5. 與傳統自動控制系統相比,智能控制系統具有足夠的關于人的控制策略、被控對象及環境的有關知識以及運用這些知識的能力

6. 與傳統自動控制系統相比,智能控制系統能以知識表示的非數學廣義模型和以數學表示的混合控制過程,采用開閉環控制和定性及定量控制結合的多模態控制方式.

7. 與傳統自動控制系統相比,智能控制系統具有變結構特點,能總體自尋優,具有自適應、自組織、自學習和自協調能力.

8. 與傳統自動控制系統相比,智能控制系統有補償及自修復能力和判斷決策能力.

總之,智能控制系統通過智能機自動地完成其目標的控制過程,其智能機可以在熟悉或不熟悉的環境中自動地或人—機交互地完成擬人任務.

智能控制的主要技術方法

智能控制是以控制理論、計算機科學、人工智能、運籌學等學科為基礎,擴展了相關的理論和技術,其中應用較多的有模糊邏輯、神經網絡、專家系統、遺傳算法等理論和自適應控制、自組織控制、自學習控制等技術。

專家系統

專家系統是利用專家知識對專門的或困難的問題進行描述. 用專家系統所構成的專家控制,無論是專家控制系統還是專家控制器,其相對工程費用較高,而且還涉及自動地獲取知識困難、無自學能力、知識面太窄等問題. 盡管專家系統在解決復雜的高級推理中獲得較為成功的應用,但是專家控制的實際應用相對還是比較少。

模糊邏輯

模糊邏輯用模糊語言描述系統,既可以描述應用系統的定量模型也可以描述其定性模型. 模糊邏輯可適用于任意復雜的對象控制. 但在實際應用中模糊邏輯實現簡單的應用控制比較容易. 簡單控制是指單輸入單輸出系統(SISO) 或多輸入單輸出系統(MISO) 的控制. 因為隨著輸入輸出變量的增加,模糊邏輯的推理將變得非常復雜。

遺傳算法

遺傳算法作為一種非確定的擬自然隨機優化工具,具有并行計算、快速尋找全局最優解等特點,它可以和其他技術混合使用,用于智能控制的參數、結構或環境的最優控制。

神經網絡

神經網絡是利用大量的神經元按一定的拓撲結構和學習調整方法. 它能表示出豐富的特性：并行計算、分布存儲、可變結構、高度容錯、非線性運算、自我組織、學習或自學習等. 這些特性是人們長期追求和期望的系統特性. 它在智能控制的參數、結構或環境的自適應、自組織、自學習等控制方面具有獨特的能力. 神經網絡可以和模糊邏輯一樣適用于任意復雜對象的控制,但它與模糊邏輯不同的是擅長單輸入多輸出系統和多輸入多輸出系統的多變量控制. 在模糊邏輯表示的SIMO 系統和MIMO 系統中,其模糊推理、解模糊過程以及學習控制等功能常用神經網絡來實現.模糊神經網絡技術和神經模糊邏輯技術：模糊邏輯和神經網絡作為智能控制的主要技術已被廣泛應用. 兩者既有相同性又有不同性. 其相同性為：兩者都可作為萬能逼近器解決非線性問題,并且兩者都可以應用到控制器設計中. 不同的是：模糊邏輯可以利用語言信息描述系統,而神經網絡則不行;模糊邏輯應用到控制器設計中,其參數定義有明確的物理意義,因而可提出有效的初始參數選擇方法;神經網絡的初始參數(如權值等) 只能隨機選擇. 但在學習方式下,神經網絡經過各種訓練,其參數設置可以達到滿足控制所需的行為. 模糊邏輯和神經網絡都是模仿人類大腦的運行機制,可以認為神經網絡技術模仿人類大腦的硬件,模糊邏輯技術模仿人類大腦的軟件. 根據模糊邏輯和神經網絡的各自特點,所結合的技術即為模糊神經網絡技術和神經模糊邏輯技術. 模糊邏輯、神經網絡和它們混合技術適用于各種學習方式 智能控制的相關技術與控制方式結合或綜合交叉結合,構成風格和功能各異的智能控制系統和智能控制器是智能控制技術方法的一個主要特點

榮譽表彰

2020年7月14日，《一種智能裁剪生產線系統及其控制方法》獲得第二十一屆中國專利獎優秀獎。

《智能桁架結構最優控制方法與數值模擬（精）》闡述了智能結構最優控制的基本概念，介紹了智能桁架結構的強度最優控制、智能桁架結構剛度最優控制、智能桁架結構多目標最優控制、精密復雜結構的綜合控制、機電耦合智能桁架強度最優控制、機電耦合智能桁架結構多目標最優控制、智能天線結構精度最優控制。