智能控制技术及其应用

《智能控制技术及其应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、智能控制技术及其应用顾伟军彭亦功(华东理工大学，上海ciicow)摘要:ci世纪ci年代，在建立了以频域法为卞的经典控制理论的基础上，智能控制技术逐步发展。随着信息技术的进步新方法和新技术进入工程化、产品化阶段。这对自动控制理论技术提出了新的挑战，促进了智能理论在控制技术中的应用。能控制技术比较的基础上，较详细地阐述了智能控制技术卞要方式的特点及优化算法，并举例说明。智能控制技术将小断地发展和充实。关键词:智能控制模糊控制专家控制神经网络控制优化算法y引言ci世纪ci年代，在建立了以频域法为主的经典控制理论的基础上，智能控制技术逐步发展。控制技术首先在工业生产中得到了广

2、泛的应用。在空问技术发展的推动下，hi年代出现了以状态空问法为主的现代控制理论，拓展了控制领域。yi年代以来，随着信息技术的发展，许多新力一法和技术进入工程化、产品化阶段，这对自动控制技术提出了新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的力一法难以解决的复杂系统的控制问题。常见的有智能机器人系统、计算机集成制造系统(uzk)、复杂的工业过程控制系统、航天航空控制系统、社会经济管理系统、交通运输系统、通信网络系统、环保与能源系统等;显然。这些复杂系统具有以下特点:口控制对象存在严重的小确定性，控制模烈末知或模烈的结构和参数在很大的范围内变化;口控制对象具有高

3、度的非线性特征;口控制任务要求复杂。W智能控制与传统控制的比较智能控制与传统控制相比，在理论法、应用领域、性能指标等而存在明显的小同，主要表现在:1.在应用领域而，传统控制着重解决小太复杂的过程控制和大系统的控制问题;而智能控制主要解决高度非线性、小确定性和复杂系统控制问题;2.在理论力一法上，传统控制理论通常采用定量力法进行处理，而智能控制系统大多采用符号加工的力法;传统控制通常捕获精确知识，而智能控制通常是学习积累非精确知识;传统控制通常是用数学模烈来描述系统，而智能控制系统则是通过经验、规则用符号来描述系统;3.在性能指标力一而，传统控制有严格的性能指标，智能控制

4、没有统一的性能指标，而主要关注其目的和行为是否达到[}7智能控制技术的主要方法智能控制技术的主要力一法有模糊控制、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。OeW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烈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的确定，以及控制规则的制定，二者缺一小可。与传统控制相比，模糊推理小需要精确的数学模型，其设计主要建

5、立在相关数据与规则的基础之上，因此适于解决非线性系统的控制问题;而}l_模糊控制的鲁棒性好、自适应性强，适用于时变、时滞系统。但是模糊控制也有其自身的弊端，如学习能力小强，设计时控制规则的拟订过于依赖经验和专家知识，囚此有时精确度小高。7R7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。主体山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，

6、系统可以在非线性、大偏差的情况下可ii地工作，鲁棒性强。但是山于专家控制主要依据知识表示技术确定问题的求解途径，采用知识推理的各种方法求解问题及制订决策。囚此如们获取专家知识，并将知识构造成可用的形式就成为研制专家系统的主要“瓶颈”之一;另一力一而，专家控制系统是一个动态系统，囚此如们在控制过程中自动史新和扩充知识，并满足实时控制的快速准确性需求是非常困难的。以目前的稳定性分析力一法很难H_接用于专家控制系统[·〕。7Ru神经网络控制神经网络模拟人脑神经元的活动，利用神经元之问的联结与权值的分布来表示特定的信息，通过小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

7、经网络建模，并以H_接自校正控制、问接自校正控制、神经网络预测控制等力一式实现智能控制，与传统控制相比具有如下的优势:口能够充分逼近任意复杂的非线性系统;口能够学习和适应严重小确定性系统的动态特性;口山于大量神经元之问广泛连接，即使有少量单元或连接损坏，也小影响系统的整体功能，表现出很强的鲁捧性和容错性;口采用并行分布处理力一法，使得快速进行大量运算成为可能。显然，神经网络具有学习能力、并行计算能力和非线性映射能力，在解决高度非线性和严重小确定性系统的控制而具有很大潜力;但是，目前神经网络控制的研究大多仍停留于学仿真和实验室研究阶段，极少