智能控制理论的研究与应用
农业电气化与自动化 邹贻俊
摘 要：
关键词：
ABSTRACT：
KEY WORD：
引言：
自从1932 年奈魁斯特提出反馈放大器稳定性理论以来 ,控制理论和技术已经历了单输入单输出系统的经典控制论和多输入多输出系统的现代控制论两个阶段。随着被控制对象越来越复杂化 ,其非线性、 不确定性因素的影响也不断增强。借助于数学模型描述和分析的传统控制理论难以解决此类复杂系统的控制问题。因此 ,世界各国控制理论界的学者都在探索建立新一代的控制理论 ,以解决复杂系统的控制问题。近30年以来人工智能、 知识工程、 模糊逻辑、 神经网络、 遗传学习等学科的发展为利用人类的智能行为对复杂系统进行控制创造了有利的条件 ,并逐步形成和完善了智能控制的相关理论。同时 ,微电子技术、 集成电路技术、 计算机机技术的快速进展 ,尤其是微处理器的计算能力、 实时性等方面的明显突破 ,为这些新理论的应用提供技术保证。可以预言 ,借助于数字控制技术的智能控制器已经或正在越来越多的领域替代传统模拟控制器。同时我们必须注意到 ,智能控制器是通过模拟人的控制行为 ,如自适应、 学习、 在确定环境下的规划、 逻辑推理和判断等 ,来达到对复杂系统的有效控制。因此，它所涉及的领域相当广泛 ,如人工智能、 生物科学、 脑神经科学、 专家系统、 知识工程、 控制论、 模糊集理论、 神经网络理论、 运筹学等。目前还无法正确完整地对智能控制下定义。但是智能控制系统必须具有模拟人类学习和自适应能力的观点已经普遍接受。智能控制成为自动控制学科的前沿学科已是不争的事实。本文将对智能控制技术的发展现状、 智能控制新技术给我们带来的启示进行讨论。
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巨大的挑战，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。
1. 智能控制技术的研究概况
智能控制是常规控制的一个延伸和发展。在过去的几十年中，常规控制特别是基于状态空间方法的现代控制理论，在理论上取得了辉煌的进展，并且已经在航空控制等领域得到了成功的应用。但是，由于严重依赖于控制对象模型的精确性，使得现代控制理论在处理难以建立精确数学模型的一些复杂工业过程
和系统时，显示出了严重的不适应性和局限性。为了解决这类实际控制问题，一方面需要不断地完善现代控制理论，推动鲁棒控制、变结构控制和自适应控制等理论和方法的研究，另一方面需要开辟新的控制思路和控制途径，促使智能控制作为控制领域的一个新的分支不断发展。现在，随着智能控制在众多工程领域里的成功应用，它已经成为控制理论和技术领域中最富于魅力和最具应用性的分支之一，受到了控制工程师们的广泛关注。一般认为，智能控制是指那些具有某些智能性拟人的非常规控制。这些拟人功能包括知识与经验的表示功能、学习功能、推理功能、适应功能、组织功能、容错功能等。智能控制的控制对象通常是具有多方面复杂特性的系统或过程，这类系统或过程的主要特征表现为高度的不确定性、高度的非线性以及高度复杂的任务要求，而采用常规的控制方法和手段难以取得满意的控制性能，或者根本无法实现有效的控制。智能控制技术发展方向主要有基于人工智能技术的智能控制方向、智能控制的模糊控制方向和智能控制的人工神经网络控制方向，在智能控制的人工神经网络控制方向上，基于人工神经网络和模糊逻辑有机结合的神经模糊技术，已成为近年来的一个热门课题。
2. 智能控制的兴起
1.1 自动控制的发展与挫折
20世纪40～50年代, 以频率法为代表的单变量系统控制理论逐步发展来, 并且成功地用在雷达及火力控制系统上, 形成了今天所说的“古典控制理论”。60～ 70年代, 数学家们在控制理论发展中占了主导地位, 形成了以状态空间法为代表的“现代控制理论”。他们引入了能控、能观、满秩等概念, 使得控制理论建立在严密精确的数学模型之上, 从而造成了理论与实践之间的巨大分歧。70年代后, 又出现了“大系统理论”。但是, 由于这种理论解决实际问题的能力更弱, 它很快被人们放到了一边。
1.2 人工智能的发展
斯坦福大学人工智能研究中心的Nilsson 教授认为:“人工智能是关于知识的科学——怎样表示知识以及怎样获得知识并使用知识的科学”。MIT的Winston
教授指出:“人工智能就是研究如何使计算机去做过去只有人才做的智能性工作”。
19xx年以前是人工智能的萌芽期。英国数学家图灵(A 1M 1Turing 1912～ 1954) 为现代人工智能作了大量开拓性的贡献; 1956 年～19xx年是人工智能的发展期, 人们重点研究了诸如用机器解决数学定义, 通用问题求解程序等。1961 年以后人工智能进入了飞跃期,主要内容涉及知识工程、自然语言理解等。
人们研究人工智能方法也分为结构模拟派和功能模拟派, 分别从脑的结构和脑的功能入手进行研究。
1.3 智能控制的兴起
建立于严密的数学理论上的控制理论发展受到挫折, 而模拟人类智能的人工智能却迅速发展起来。控制理论从人工智能中吸取营养求发展成为必然。
工业系统往往呈现高维、非线性、分布参数、时变、不确定性等复杂特征。特别是非线性对控制结果的影响复杂, 控制工程人员很难深入理解, 更谈不上设计出合适的控制算法。不确定性是最难以解决的问题, 也是导致大系统理论失败的根本原因。但是, 对这些问题用工程控制专家经验来解决则往往是成功的。人是最聪
明的控制器, 模仿人是一种途径。
萨里迪斯(Saridis) 于19xx年提出了智能控制的三元结构定义, 即把智能控制看作为人工智能、自动控制和运筹学的交点。在智能控制发展初期, 美国普渡大学的傅京孙(K1S1Fu) 教授首先提出了学习控制的概念, 引入了人工智能的直觉推理。后来在人工智能的概念模拟基础上, 发展了许多智能控制方法, 如自整定、参数调整P ID 等。再后来则以发展实用的智能控制算法为主, 尤以专家系统和神经元网络最为突出。
3. 智能控制的主要分支
通俗地讲，智能控制就是利用有关知识(方法)来控制对象，按一定要求达到预定目的。智能控制为解决控制领域的难题，摆脱了经典和现代控制理论的困境，开辟了新的途径。
智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等,以及常用优化算法有:遗传算法、蚁群算法、免疫算法等。
1、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。
2、专家控制
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。
3、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。
4、学习控制
(1)遗传算法学习控制
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 。
(2)迭代学习控制
迭代学习控制模仿人类学习的方法、即通过多次的训练,从经验中学会某种技能,来达到有效控制的目的。迭代学习控制能够通过一系列迭代过程实现对二阶非线性动力学系统的跟踪控制。整个控制结构由线性反馈控制器和前馈学习补偿控制器组成,其中线性反馈控制器保证了非线性系统的稳定运行、前馈补偿控制器保证了系统的跟踪控制精度。它在执行重复运动的非线性机器人系统的控制中是相当成功的。
4. 智能控制理论的探讨
智能控制是驱动智能机器自主地实现其目标的过程。或者说,智能控制是一类无需人的干预就能够独立地驱动机器实现其目标的自动控制。智能控制系统是用于驱动自主智能机器以实现其目标而无需操作人员干预的系统,这类系统必须具有智能调度和执行等能力,智能控制系统的理论基础是人工智能、控制论、运筹学和信息论等学科的交叉。
4.1 智能控制的特点
同时具有以知识表示的非数学广义模型和数学模型表示的混合控制过程,也往往是那些含有复杂性、不完全性、模糊性或不确定性以及不存在已知算法的非数字过程,并以知识进行推理以启发来引导求解过程。因此,在研究和设计智能控制系统时,不是把主要注意力放在对数学公式的表达、计算和处理上,而是放在对
任务和世界模型(World model)的描述、符号和环境的识别以及知识库和推理机的设计开发上。也就是说,智能控制系统的设计重点不在常规控制器上,而在智能机模型上。
智能控制的核心在高层控制,即组织级。高层控制的任务在于对实际环境或过程进行组织,即决策和规划,实现广义问题求解。为了实现这些任务,需要采用符号信息处理、启发式程序设计、知识表示以及自动推理和决策等相关技术。这些问题的求解过程与人脑的思维过程具有一定相似性,即具有不同程度的“智能”。当然,低层控制级也是智能控制系统必不可少的组成部分,不过,它属于常规控制系统,因而不属于智能控制研究范畴。
智能控制是一门边缘交叉学科。实际上,智能控制涉及更多的相关学科。智能控制的发展需要各相关学科的配合与支援,同时也要求智能控制工程师是个知识工程师(Knowledge Engineer)。美国国家工程科学院院士傅京孙教授曾经指出:“模式识别必须与人工智能相结合才能有更大的发展”。他的这一看法可推广至自动控制。也就是说:自动控制必须与人工智能相结合,才能有更大的发展。我们已经发现它们的结合点。现在我们的任务就是要抓住这个结合点,努力把智能控制的研究与应用发展到一个新的水平。
智能控制是一个新兴的研究领域。无论在理论上或实践上,它都还很不成熟、很不完善,需要进一步探索与开发。我们需要在智能控制方面寻找更好的相关理论,对现有理论进行修正,以期使智能控制得到更好更快的发展。
4.2 智能控制器的一般结构
控制工程师正在实现未来的控制系统,从任务形式化开始,至驱动器操作止。很久一段时间内,控制过程设计被理解为系统各参数的综合。后来,越来越清楚地认识到,控制过程是系统模型和实际结构的综合。现在,更进一步明确了,这个综合包括任务形式化过程。此外,对任务集合的协调也是设计的一个组成部分。
智能控制器的设计具有下列特点:
(1)具有以微积分(DIC)表示和以技术应用语言(LTA)表示的混合系统方法;
(2)采用不精确的和不完全的装置分层(级)模型;
(3)含有由多传感器递送的分级和不完全的外系统知识,并在学习过程中不断加以辨识、整理和更新;
(4)把任务协商作为控制系统以及控制过程的一部分来考虑。
在上述的基础上,我们能够给出智能控制器的一般结构,如图1所示。
图1 智能控制的一般结构
5. 智能控制的应用范围
5.1 工业生产中的智能控制
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。
5.2 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。
5.3 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。
6. 与本人课题相关
我做的是烘干箱的温湿度控制与参数的调整，里面涉及以单片机核心的直流电机软启动及调速系统，我采用的是智能控制中的模糊控制来实现的。系统采用模糊控制策略，将转速偏差与偏差率模糊化并作为模糊控制器的输入量，根据所指定的模糊控制规则生成空置量。实验结果表明，该系统启动时间可以根据需要调整，具有良好的静态和动态性能。
在电机控制过程中,使用调节器必须根据受控对象的数学模型,应用控制理论正确调节调节器的各个参数才能取得好的效果。但由于控制对象变化的随机性和复杂性,一般很难推导出合适的数学模型,同时由于控制参数多,各个参数之间的相互影响,难以取得最好的效果。随着控制技术的发展,出现了一种基于控制理论的智能型调节器,即:采用模糊控制原理,设计一套调节器控制规则,不需要用户调节参数,只需在调节器中接入模糊控制器即可。这种模糊控制是基于人的控制经验,因而效果较为理想。
6.1 直流电机模糊控制调速系统的组成
电机调速系统组成如图1所示。其中: Yd表示给定转速; Y ( t)表示实际转速; e ( t) = Y ( t) - Yd表示偏差; Ge , Gc表示比例因子; C( t)表示模糊控量;Gu表示放大因子; u( t)表示控制量。直流电机调速模糊控制系统由检测电路、数模转换电路和功率驱动电路等组成,其核心是模糊控制器,实验中采用单片机作为模糊控制器控制直流电机。控制过程是采用给定初值,通过反馈电路测出转速的偏差及偏差变化率输入给模糊控制器,作为模糊控制的依据,根据模糊控制器输出的控制量,
去控制功率驱动电路,从而使直流电机按照最佳的运转状态工作,以达到最佳的调速效果。
图1 电机模糊控制调速系统结构图
6.2 模糊控制器的设计
直流电机调速模糊控制系统的工作过程是根据检测到的转速值,计算速度偏差和偏差率。由于此时的转速偏差和偏差率是精确值,需要经过模糊化处理,得到模糊量。而模糊控制器根据输入变量(模糊量) ,按照模糊推理规则,计算得到控制量(模糊量) 。最后,把模糊控制量去模糊处理变为精确量,去控制直流电机的运转,其核心是模糊控制器的实现。模糊控制器的实现步骤如下。
(1) 确定输入与输出变量的模糊子集和论域及隶属度
在模糊控制直流电机调速系统中,采用负大(NB) ,负小(NS) ,零(ZO) ,正小( PS) ,正大( PB) 5个模糊状态描述转速偏差E。相应的论域为: E = { - 3 , - 2 , 1 ,0 ,1 ,2 ,3} 。转速偏差E的隶属函数表如表1所示。
同理,采用负大(NB) ,负小(NS) ,零(ZO) ,正小( PS) ,正大( PB) 5个模糊状态描述转速偏差率Ec。相应的论域为: Ec = { - 3 , - 2 , - 1 ,0 ,1 ,2 ,3} 。转速偏差率Ec的隶属函数表同表1。
采用负大(NB) ,负小(NS) ,零(ZO) ,正小( PS) ,正大( PB) 5个模糊状态描述模糊决策C。相应的论域为:C = { - 6 , - 5 , - 4 , - 3 , - 2 , - 1 ,0 ,1 ,2 ,3 ,4 ,5 ,6 , }。 模糊决策C的隶属函数表如表2 所示。
(2) 确定模糊控制规则
根据输入量E, Ec和输出量C,总结在直流电机调速试验中所掌握的经验,得到模糊控制规则。直流电机调速系统的模糊控制可总结为如下控制规则表(见表3) 。
(3) 计算采样时刻的偏差和偏差率
偏差: e( t) = Y ( t) - Yd
偏差率: ec ( t) = e( t) - e( t - 1) =Δe( t)
e( t) 和ec ( t) 均为精确值,需经过模糊化处理得到模糊量E( t) 和Ec ( t) 。
(4) 偏差和偏差率的模糊化
用精确值e( t) 和ec ( t) 分别乘以两个比例因子1/ Ge 和1/ Gc ,即可得到模糊量E( t) 和Ec ( t) 。设转速的偏差范围为[ - 90 ,90 ] ,偏差率的范围为[ - 9 ,9 ] ,设计的模糊论域为[ - 3 , 3 ] ,则可得到:偏差比例因子Ge = 90/ 3 = 30 ;偏差率比例因子Gc = 9/ 3 = 3 。模糊化得: E( t) = e( t) / Ge ; Ec ( t) = ec ( t) / Gc 。 由于模糊论域只取了- 3 到3 之间的整数,因而对于结果为非整数的变量,采取四舍五入就近取整的原则将其整数化。表4 表示偏差及偏差率的模糊化。
(5)进行模糊决策
模糊直流电机调速系统根据某一时刻采样得到的两个模糊输入量进行推理判断,结果给出一个控制量。其推理公式为:C( t) = [ E( t) ×Ec ( t) ]. R。
(6) 模糊判决(将控制量去模糊化)
模糊判决的方法较多,常用的有:最大隶属度法、取平均值法和加权平均法,这里采用加权平均法,其推理公式为:
C( t) = Σμ( xi ) ×xi
Σμ( xi )
在模糊控制系统运行时,控制器需要进行模糊化、模糊推理和逆模糊化等运
算,按上述过程在线运算时,需要很长时间,所以通过离线运算,并经大量实验调整,产生一个模糊控制总表(见表5) 。这样,可以通过偏差、偏差率的离散等级直接读取控制量的增量。
6.3 实验及结果分析
实验表明,设计的系统能满足他励直流电机软启动及调速的要求,启动时间可以根据实际需要或电
机的情况而定,启动安全、可靠;测速较准确,调速性能良好,能较好满足实际工作的需要。
7. 对本课程的建议
我认为现代控制理论在学习理论期间应该增加点实验，以巩固课堂的知识和提高自身的动手能力。对PID控制应多讲点，PID在实际工业应用范围比较广，也比较实用。应该充分考虑各专业的学生，讲一下本专业与现代控制理论学科交叉中出现的最新研究与应用，把新概念、新思路、新方法和新问题引入课堂，调动学生学习的积极性和主动性，拓宽学生视野和思路。
老师应多找些案例实际应用的例子在课堂上进行分析，增加我们实际的应用分析能力，少讲点涉及理论证明的过程。