机电智能控制工程大作业DOC文档格式.docx

机电智能控制工程大作业DOC文档格式.docx

《机电智能控制工程大作业DOC文档格式.docx》由会员分享，可在线阅读，更多相关《机电智能控制工程大作业DOC文档格式.docx（12页珍藏版）》请在冰豆网上搜索。

它不仅包含了自动控制、人工智能、系统理论和计算机科学的内容，而且还从生物学等学科汲取丰富的营养，正在成为自动化领域中最兴旺和发展最迅速的一个分支学科。

对于智能制造的定义，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，是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。

一个系统如果具有感知环境、不断获得信息以减小不确定性和计划、产生以及执行控制行为的能力，即称为智能控制系统。

智能控制技术是在向人脑学习的过程中不断发展起来的，人脑是一个超级智能控制系统，具有实时推理、决策、学习和记忆等功能，能适应各种复杂的控制环境；

Saridis认为智能控制系统是通过驱动自主智能机来实现其目标而无需操作人员参与的系统；

傅京孙把智能控制概括为自动控制（AC，AutomaticControl）和人工智能（AI，ArtificialIntelligent）的交集，即：

IC=AI∩AC；

萨里迪斯等人于1977年从机器智能的角度出发，对傅的二元交集论进行了扩展，提出三元交集的智能控制概念，即把智能控制看作为人工智能、自动控制和运筹学的交点。

即：

IC=AI∩CT∩OR式中，CT为控制论（CyberneticsTheory），OR为运筹学（OperationResearch）。

表达了智能增加而精度降低这一著名原则。

下图为智能控制的二元结构与三元结构。

图1智能控制的二元结构和三元结构

智能控制是人们要求越来越高的控制性能和针对被控系统的高度复杂化，高度不确定性的情况下产生的，是人工智能渗入到应用科技领域的必然结果。

并在常规控制理论的基础上得到进一步的发展和提高。

进入21世纪以来，人类在智能控制理论方面的飞速发展，使得智能控制技术在具体应用上如鱼得水，己经开始渗透到人们的日常生活之中，从卫星智能控制，到机器人足球比赛，再到智能家居机器人，都标志着智能控制技术的飞速发展。

目前，智能控制的研究以认知科学、心理学、社会学、系统学、语言学和哲学为基础，有效的把数字技术、远程通信、计算机网络、数据库、计算机图形学、语音与听觉、机器人学、过程控制等技术有机的结合，提供了解决复杂问题的有效手段。

智能控制的发展历史分可为4个阶段：

第一阶段为智能控制的萌芽阶段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起来，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。

1956年以前，英国数学家图灵（A.M.Turing）为现代人工智能作了大量开拓性的贡献。

20世纪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，它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。

1961年以后，人工智能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。

20世纪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，很快被人们放到了一边。

第二阶段为智能控制的发展初期（1965~1979年）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寻求发展成为必然。

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。

1965年，美国普渡大学的傅京孙（K.S.Fu）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，提出把人工智能的直觉推理规则方法用于学习控制系统。

次年，Mendel在空间飞行器的学习控制中应用了人工智能技术，并提出了人工智能控制的新概念；

同年，Leondes和Mendel首次使用了智能控制（IntelligentControl）一词，并把记忆、目标分解等技术用于学习控制系统；

这些反映了智能控制思想的早期萌芽，被称为智能控制的孕育期。

20世纪70年代关于智能控制的研究是对60年代这一思想雏形的进一步深化。

1956年，国际知名华裔科学家傅京孙首先提出把人工智能的启发式推理规则用于学习控制系统。

1971年。

他进一步论述了人工智能与自动控制的交接关系。

此后，许多自动控制研究人员加入了研究智能控制机理及其应用的行列，并取得一些重要进展

第三阶段智能控制新学科的条件已渐趋成熟，1985年8月，IEEE在美国纽约召开了第一届智能控制学术讨论会。

来自美国的60多位从事自动控制人工智能和运筹学研究的教授、专家和学者赴会。

会上集中讨论了智能控制原理和智能控制系统的结构。

1987年1月，在美国费城由IEEE控制系统学会和计算机学会联合召开了智能控制国际学术讨论会。

这是智能控制的第一次国际会议。

来自美国、欧洲、日本、中国和其它发展中国家的150位代表出席了这次学术盛会。

这次会议是个里程碑，它表明智能控制已作为一门新学科正式登上国际科学舞台。

之后，这一国际讨论会每年举行一次。

第四阶段为智能控制进入新的发展阶段进入20世纪90年代，关于智能控制的研究论文、著作、会议、期刊大量涌现，应用对象也更加广泛，从工业过程控制、机器人控制、航空航天器控制到故障诊断、管理决策等均有涉及，并取得了较好的效果。

国内对智能控制研究，近年来也十分活跃，除了举行各种与智能控制有关的学术会议外。

还有一些单位（如浙江大学清华大学、重庆大学、中国科学院自动化所、华东化工学院、上海交通大学和中南工业大学等）已取得一批重要研究成果。

智能控制作为独立的新学科，在国内也正在形成。

2.智能控制的性能和特点

智能控制的主要性能主要包括以下三点[1]，依次是：

（1）系统对一个未知环境提供的信息进行识别、记忆、学习，并利用积累的经验进一步改善自身性能的能力，即在经历某种变化后，变化后的系统性能应优于变化前的系统性能。

（2）适应功能：

系统应具有适应受控对象动力学特性变化、环境变化和运行条件变化的能力。

这种智能行为是不依赖模型的自适应估计，较传统的自适应控制有更广泛的意义。

（3）组织功能：

对于复杂任务和分散的传感信息具有自组织和协调功能，使系统具有主动性和灵活性。

除以上功能外，智能控制系统还应具有实时性、容错性、鲁棒性和友好的人机界面。

除以上功能外，智能控制系统还应具有相当的在线实时响应能力和友好的人机界面，以保证人机互助和人机协同工作。

智能控制的主要特点主要包括以下三点[1]，分别是：

（1）智能控制具有混合控制特点。

智能控制是同时具有以知识表示的非数学广义模型和以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值过程，并以知识进行推理，以启发来引导求解过程。

（2）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。

这些问题的求解过程与人脑的思维过程具有一定的相似性，即具有不同程度的“智能”。

（3）智能控制是一门边缘交叉学科。

智能控制涉及许多的相关学科。

智能控制的发展需要各相关学科的配合与支援。

智能控制也是目前自动控制发展的最前沿阶段。

3.智能控制的主要方法

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和基于遗传算法和迭代的学习控制，除此之外常用的优化算法还有蚁群算法、免疫算法等，下面对典型智能控制算法进行简要概括。

3.1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]。

输出

图2模糊控制系统的原理框图

模糊控制的特点是：

（1）提供了一种实现基于自然语言描述规则的控制规律的新机制。

（2）提供了一种非线性控制器，这种控制器一般用于控制含有不确定性和难以用传统非线性理论处理的场合。

3.2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]。

图3专家系统结构

知识库包括规则库和数据库两部分。

其中规则库存放专家经验和判断性知识；

数据库存放用说明问题状态、事实、概念和各种条件和尝试的数据。

推理机包括解释程序和调度程序，用于问题模型的推理和求解。

专家控制是将专家系统的设计规范和运行机制与传统的控制理论和技术相结合而成的实时设计和实现方法。

实质是基于控制对象和控制规律的各种知识，并用智能的方式利用这些知识，以求得控制系统尽可能的优化和实用化。

基本思想把有经验的控制工程师放在控制环节中，给他提供一个包括控制、辨识、测量、监控和设计各种算法在内的工具箱，然后由他确定何时采用何种工具。

专家控制的特点是

（1）具有领域专家级的专业知识，能进行符号处理和启发式推理。

（2）具有获取知识能力，具有灵活性、透明性和交互性。

3.3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]。

图4BP神经网络算法流程图

神经网络控制的特点是：

（1）能充分逼近任意非线性特征。

（2）分布式并行处理机制。

（3）自学习和自适应能力。

（4）数据融合能力。

（5）适应于多变量系统，可进行多变量处理。

3.4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。

图5遗传算法的流程框图

遗传算法的