2.3 最热门的控制方法智能控制 主要内容智能控制的基本概念专家控制（Expert Control）模糊控制（Fuzzy Control）神经网络控制（Neural Network Control）对智能控制的一些展望 2.3.1 智能控制的基本概念什么是“智能”? 什么是“智能控制 ”？ 人的智能表现在其所具有的记 忆、学习、模仿、适应、联想、 语言表达、文字识别、逻辑推理 、归纳总结、综合决策等各种能 力。 当自动控制方式明显地具有这些智能特征时，就 称其为“智能控制”。 人与智能控制人本身就是一个非常完美的智能控制系统，人 脑及神经系统相当于智能控制器，对通过感官获 取的各种信息进行综合分析、处理和决策，并利 用手和脚等执行机构作出相应的反应，能适应各 种复杂的控制环境，完成难度很大的任务。 传统自动控制与智能控制广义地讲，几乎所有的自动控制系统都在一定 程度上模仿了人的控制方式，或多或少地具有“智 能”，但是今天我们所讲的“智能控制”仍然有别于 传统的自动控制方式，两者虽无明确的界限，但 存在明显的区别。 传统的自动控制是基于数学模型、以定量分析 为主；而智能控制则更多地基于知识，利用专家 经验、逻辑推理、学习功能、遗传和进化机制等 来进行控制，是以定性分析为主、定量与定性相 结合的控制方式。 5智能控制的主要特点体现了人的控制策略和控制思想，拥有受控对象及 环境的相关知识以及运用这些知识的能力，具有很 强的自适应、自学习、自组织和自协调能力、能在 复杂环境下进行综合分析、判断和决策，实现对复 杂系统的控制。属于典型的交叉学科，涉及人工 智能、自动控制、运筹学、系统 论、信息论等，在系统的实现上 则必须依托计算机技术。基本上属于“方法”范畴，理论分 析困难，理论体系尚未建立。萌芽期（60年代）形成期（70年代）发展期（80年代）高潮期（90年代至今）智能控制的发展阶段：智能控制的主要类型l专家控制l模糊控制l神经网络控制l学习控制l基于规则的仿人控制什么是专家系统、专家控制?2.3.2 专家控制（Expert Control）“专家” 是具有某一领域专门知识或丰富实践 经验的人，而“专家系统”则是一个计算机系统， 存储有专家的知识和经验，并用推理的方式针对问 题给出结论。 “专家控制”是将专家或现场 操作人员的知识和经验总结成知 识库，形成很多条规则，并利用 计算机、通过推理来实施控制。 专家系统、专家控制的产生及发展l 专家系统是人工智能的重要内容，由美国斯坦福 大学1965年提出，最初用于化学质谱分析，后广泛应用于工业、农业、医疗、教育等领域。l 瑞典的strm于1983年首次将专家系统用于常 规控制器参数的自动整定，并于1984年正式提出了专家控制的概念，目前已成功应用于机器人控 制、飞机的操纵控制、故障诊断、各种工业过程 控制等 。 常见的两类专家控制系统l 直接型专家控制用于取代常规的控制 器，直接控制受控对 象或生产过程。l 间控型专家控制和常规控制器相结 合，组成对受控对 象或生产过程进行 间接控制的智能控制系统，通常利用偏差和偏差 变化率来调节常规控制器的参数。专家控制器受控对象检测常规控制器受控对象检测专家控制器例：水温调节系统的专家控制 间接型专家控制的基本思路：可将常规的PID控制与专家系统相结合，把专家设 计和调试PID参数的知识和经验总结成一些规则，根 据系统的运行状态自动地调整控制器的相关参数。这 就是所谓的“基于规则的参数自整定PID控制”。热水冷水温热水调 节 阀水温检测PID控制期望水温误差e控制量u专家系统直接型专家控制的基本思路：热水冷水温热水调 节 阀水温检测专家控制期望 水温误差e控制量u对误差和误差变化率进行了分段，并根据其位 于哪一段来决定相应的控制量，属于最简单且最 直观的分段智能控制方法。下面讨论这种控制方法。水温调节系统的直接型专家控制 热水冷水温热水调 节 阀水温检测专家控制期望 水温误差e控制量u控制规则： l 若水温很高，则将控制量（热/冷水比值）调至最小； l 若水温很低，则将控制量调至最大； l 若水温比较低，且没有上升，则大幅度调大控制量； l 若水温比较低，且在缓慢上升，则较大幅度调大控制量； l 若水温比较低，但上升较快，则适当调大控制量； 专家的知识和经验就 体现在如何对e及其 变化率进行分段，以 及如何确定其与u的 具体取值上。 控制规则的具体化if e4, then u=10; （水温很低，则输入最大）if e 0）vi(k) 学习信号（通常为误差的函数）yf(). .w1wnw2x1x2xn. .学习规则学习 信号学习的意义：通过调整权值 wi ， 使神经元具有期望的 输入输出模式学习方法梯度下降法：特点：l 沿梯度方向下降一定能到达 J 的极小点；l 学习的快慢取决于学习速率i 的选取；l缺点是可能陷入局部最小点。JWW(k)梯度方向简单例：设 y = w1x1（即 = 0 , f(s) = s）w1 的初值 w1(0) = 0yf()w1 x1单输入神经元取性能指标为 J = e2(k)2 = 2 y(k) 2 2= 2 w1(k) 2 2则有Jw12梯度方向02用梯度下降法, 使 x1 = 1 时, y = 2k 1 2 3 4 5 w1(k), y(k)1 1.51.75 1.875 1.9375k 1 2 3 4 5 w1(k), y(k)3 1.52.25 1.875 2.0625表 6-1 =0.5 时的学习结果 ( 学习速率较小 )表 6-2 =1.5 时的学习结果 ( 学习速率较大 )k 1 2 34 5 w1(k), y(k)4 0404表 6-3 =2 时的学习结果 ( 学习速率过大 )k 1 2 34 5 w1(k), y(k)6 -618-3066表 6-4 =3 时的学习结果 ( 学习速率过大 )结论：过小收敛慢；过大则振荡甚至可能发散。对于该例，=1 时的学习次数最少( 一次结束)三、神经元网络. . . . . . .三层前馈网络神经元按一 定方式连接神经 网络目的：通过学习，使神经网络具有期望 的输入输出模式两个关键: 网络结构 , 学习方法常用结构: 前馈网，反馈网等著名的BP网络 = 前馈网 + BP算法（ BP: Back Propagation ）梯度 下降法由输出层向输入层 反向计算每一层的 连接权值BP算法BP算法的进行方式: 由给定的输入样本计算网络输出，并与输 出样本进行比较（输出误差）； 由输出误差依次反向计算每一层的权值； 重复、，直至输出误差满足要求为止 ； 对每组输入输出样本数据都按 进行 学习； 重复，直至所有输出误差都达到要 求的精度。 前馈网络神经网络的特点：l 通过学习，可以无限逼近任意的输入输出函数； l 具有归纳或泛化能力（经样本训练后，输入不属 于样本集时也能产生合适的输出）； l 并行计算（速度快），分布存储（容错性好）； l 学习过程收敛较慢（较费时），实时应用性差； l 如何确定网络的层数及每一层的神经元个数尚无 明确的方法。神经网络的实现： 神经元芯片 计算机软件模拟四、神经网络的应用典型应用领域： l 各类控制与优化问题 l 系统辨识 l 故障诊断 l 容错技术 l 信号处理 l 模式识别 l 文字识别 l 专家系统等神经网络应用于系统辨 识与控制的优点： u无须数学建模，只需在线 或离线学习训练u同时适用于线性和非线性 系统u具有很强的适应性和鲁棒 性u容易和其他控制方式结合 数字识别NN .0 1 9标准输出：0=（1 0 0 0）1=（0 1 0 0）9=（0 0 0 1）.通过调整NN的权值使 实际输出标准输出NN：Neural Network（神经网络）实际可能输出可能为 （0.1 0.8 0.1 0.2 0.1 0.3 0.1 0.2 0.1 0.1） 则以最大数字为准，即对应数字 1u每一网格的明暗 度经光电器件转 换成电信号 u神经网络(NN)的 输入与网格阵列 一一对应u输出电平高低的 组合对应要识别 的数字u用数字样本和标 准输出对NN进行 训练 系统辨识动态系统NNyNuye+-正模型辨识动态系统NNuyuNe+-逆模型辨识通过学习（依据误差 e 调整 NN 的权值）使yN y 从而使NN 动态系统通过学习使uN u从而使NN 逆动态系统 专家控制NN控制器受控对象检测装置给定 输入 反馈信号控制量误差输出执行机构在专家或操作人员能够很好地进行控制的情况 下，为了把人解放出来，可以用一个神经网络控 制器去模仿人的控制行为，神经网络通过学习和 训练就可以逼近操作人员的控制模式。 模型参考自适应控制NN1对象 参考模型reuyymeyyNeN+- NN2NN1：自适应控制器（根据 ey 调整 NN1 的权值）可利用对象正模型 NN2 ：y yN ， ey ymyN， 由 ey 经 NN2 反传学习得到u 的误差，再由u 的误差反传学习调整 NN1 的权值。对象未知 直接调整有困难。2.3.5 对智能控制的一些展望 l 各种智能控制方法各有利弊，因此可以将不同的 智能控制方法有机结合在一起，取长补短，如模 糊神经网络控制、基于遗传算法的神经网络控制 、基于专家系统的专家模糊控制等。l 智能控制是传统控制方法的延伸和发展，是自动 控制发展的高级阶段，但智能控制与传统控制并 不相互排斥，常常可以有机结合，如智能PID控制、智能自适应控制等。 l 对于较复杂的系统，反馈信息往往包含图象、声 音、文字、统计数据、各种实时变量等，通常需 要综合运用多种技术和控制手段来解决问题，既 可能用到“多传感器信息融合”技术，还可能必须 采用多层控制结构，在高层（决策、协调层）利 用人工智能和智能控制进行综合分析、决策及协 调，在底层（执行层）利用常规控制来解决“低级 ”控制问题。 智能决策层控制协调层视觉控制力控制运动控制其他控制移动机器人的多层智能控制结构l 智能控制广泛应用于社会各个领域，解决了大量 传统控制无法解决或难以凑效的实际控制问题， 展现出强大的生命力和发展前景。例如：城市交通、电力系统、自主机器人等复杂系统的控制 往往要依靠智能控制才能获得满意的控制效果；各种家用电器、各类生产过程等应用智能控制不仅避 免了耗时费力的建模过程，而且控制系统的设计通常 也更简便，控制效果会更好，如智能控制的空调会比 常规控制更节能、温度波动更小，智能控制的洗衣机 会洗衣更干净、衣物磨损更小、耗水更少等。 l 智能控制尽管已经取得了大量成果，但在控制领 域仍然属于比较年轻的学科，还处在一个发展时 期，在理论和应用上都不够完善。l 随着基础理论的不断创新，人工智能技术和计算 机技术的迅猛发展，以及实际应用领域的不断扩 大，智能控制必将迎来它新的发展高潮。