1.6.7 智能控制

1.智能控制的产生

传统控制方法（包括经典控制和现代控制）缺乏灵活性和应变能力，适于解决线性、时不变性等相对简单的控制问题。传统控制方法在实际应用中遇到很多难以解决的问题，主要表现为以下几点。

1）由于实际系统存在复杂性、非线性、时变性、不确定性和不完全性等特点，所以无法获得精确的数学模型。

2）某些复杂的和包含不确定性的控制过程无法用传统的数学模型来描述，即无法解决建模问题。

3）针对实际系统往往需要进行一些比较苛刻的线性化假设，而这些假设往往与实际系统不符合。

4）实际控制任务复杂，而传统的控制任务要求低，对复杂的控制任务，如智能机器人控制、社会经济管理系统等无能为力。

在生产实践中，复杂控制问题可通过将熟练操作人员的经验和控制理论相结合的方式去解决，由此产生了智能控制。

智能控制采取人的思维方式来建立逻辑模型，使用类似人脑的控制方法来进行控制。

智能控制将控制理论的方法和人工智能技术灵活地结合起来，其控制方法能适应对象的复杂性和不确定性。

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特点。

1）不确定性的模型：智能控制适用于不确定性对象的控制，该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：例如，智能机器人要求控制系统对一个复杂的任务具有自行规划和决策的能力，有自动躲避障碍、运动到期望目标位置的能力。再如，在复杂的工业过程控制系统中，除了要求对各被控物理量实现定值调节外，还要求能实现整个系统的自动启停、故障的自动诊断以及紧急情况下的自动处理等功能。

2.智能控制的几个重要分支

（1）模糊控制

以往的各种传统控制方法均建立在被控对象的精确数学模型基础上，然而，随着系统复杂程度的提高，将难以建立系统的精确数学模型。

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来设计控制器，就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.Zadeh提出了模糊集合理论，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；1983年，日本富士电机开创了模糊控制在日本的第一项应用——水净化处理，之后，富士电机致力于模糊逻辑元件的开发与研究，并于1987年在仙台地铁线上采用了模糊控制技术，1989年将模糊控制消费品推向高潮，使日本成为模糊控制技术的主导国家。

基于模糊控制的发展可分为三个阶段。

● 1965年~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。

● 1975年~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。

● 1980年至今为模糊控制发展的第三阶段，即高性能模糊控制阶段。

模糊逻辑控制器的设计不依靠被控对象的模型，但它却非常依靠控制专家或操作者的经验知识。模糊逻辑控制的突出优点是能够比较容易地将人的控制经验融入控制器，但若缺乏这样的控制经验，就很难设计出高水平的模糊控制器。

采用模糊系统可充分逼近任意复杂的非线性系统，基于模糊系统逼近的自适应模糊控制是其更高形式。

（2）神经网络控制

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，它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等。采用神经网络可充分逼近任意复杂的非线性系统，基于神经网络逼近的自适应神经网络控制是其更高形式。神经网络控制在控制领域有广泛的应用。

（3）智能搜索算法

智能搜索算法是人工智能的一个重要分支。随着优化理论的发展，智能算法得到了迅速发展和广泛应用，成为一种解决搜索问题的新方法，如遗传算法、粒子群算法和差分进化算法等。这些优化算法都是通过模拟自然现象和过程来实现的，其高效性和机制的独特性为具体搜索问题提供了切实可行的解决方案。

3.智能控制的特点

（1）学习功能

智能控制器能通过从外界环境所获得的信息进行学习，不断积累知识，使系统的控制性能得到改善。

（2）适应功能

智能控制器具有从输入到输出的映射关系，可实现不依赖于模型的自适应控制，当系统某一部分出现故障时，也能进行控制。

（3）自组织功能

智能控制器对复杂的分布式信息具有自组织和协调的功能，当出现多目标冲突时，它可以在任务要求的范围内自行决策，主动采取行动。

（4）优化能力

智能控制能够通过不断优化控制参数和寻找控制器的最佳结构形式，来获得整体最优的控制性能。

4.智能控制的应用

作为控制方法发展的高级阶段，智能控制主要解决那些传统控制方法难以解决的复杂系统的控制问题，其中包括智能机器人、计算机集成制造系统、工业过程、航空航天、社会经济管理系统、交通运输系统、环保和能源系统等的控制。

下面以智能控制在机器人控制和（工业）过程控制中的应用为例进行说明。

（1）在运动控制中的应用

智能机器人是目前机器人研究中的热门课题。E.H.Mamdani于20世纪80年代初首次将模糊控制应用于一台实际机器人的操作臂控制。J.S.Albus于1975年提出小脑模型关节控制器（Cerebellar Model Articulation Controller，CMAC），它是仿照小脑控制肢体运动的原理而建立的神经网络模型。采用CMAC可实现机器人的关节控制，这是神经网络在机器人控制中的一个典型应用。

飞行器是非线性、多变量和具有不确定性的复杂对象，是智能控制发挥自身潜力的重要领域。利用神经网络对非线性函数的逼近能力和自学习能力可以设计飞行器神经网络控制算法。例如，利用反演控制和神经网络技术相结合的非线性自适应方法可实现飞行系统的纵向和横侧向通道控制器设计。

（2）在过程控制中的应用

过程控制是指对化工、电力、冶金、轻工、纺织、制药和建材等工业生产过程的自动控制，它是自动化技术中一个极其重要的方面。智能控制在过程控制中具有广泛应用。在石油化工方面，1994年美国的Gensym公司和Neuralware公司共同将神经网络用于炼油厂的非线性工艺过程；在冶金方面，日本的新日铁公司于1990年将专家控制系统应用于轧钢生产过程；另外，日本的三菱化学合成公司研制出了用于乙烯工程的模糊控制系统。

将智能控制应用于过程控制领域，是控制理论发展的新方向。