智能控制技术现状与发展.docx

智能控制技术现状与发展.docx

《智能控制技术现状与发展.docx》由会员分享，可在线阅读，更多相关《智能控制技术现状与发展.docx（5页珍藏版）》请在冰豆网上搜索。

智能控制技术现状与发展

智能控制技术现状与发展（总11页）

摘要：

在此我综述智能控制技术的现状及发展,首先简述智能控制的性能特点及主要方法;然后介绍智能控制在各行各业中的应用现状;接着论述智能控制的发展。

智能控制技术的主要方法，介绍了智能控制在各行各业中的应用。

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犷新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制问题。

关键词：

智能控制应用自动化

浅谈智能控制技术现状及发展

在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。

对许多复杂的系统，难以建立有效的数学模型和用常规的控制理论去进行定量计算和分析，而必须采用定量方法与定性方法相结合的控制方式。

定量方法与定性方法相结合的目的是，要由机器用类似于人的智慧和经验来引导求解过程。

因此，在研究和设计智能系统时，主要注意力不放在数学公式的表达、计算和处理方面，而是放在对任务和现实模型的描述、符号和环境的识别以及知识库和推理机的开发上，即智能控制的关键问题不是设计常规控制器，而是研制智能机器的模型。

此外，智能控制的核心在高层控制，即组织控制。

高层控制是对实际环境或过程进行组织、决策和规划，以实现问题求解。

为了完成这些任务，需要采用符号信息处理、启发式程序设计、知识表示、自动推理和决策等有关技术。

这些问题求解过程与人脑的思维过程有一定的相似性，即具有一定程度的“智能”。

一、智能控制的性能特点及主要方法

根据智能控制的基本控制对象的开放性，复杂性，不确定性的特点，一个理想的智能控制系统具有如下性能：

（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。

智能控制和传统控制在应用领域、控制方法、知识获取和加工、系统描述、性能考核及执行等方面存在明显的不同。

基于与传统控制的区别，智能控制系统具有如下特点：

（1）拟人智能化的运作模式；

（2）优胜劣汰的选择机制；

（3）多目标的优化过程；

（4）复杂环境的学习功能。

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）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。

（5）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。

二、智能控制的现状

工业过程中的智能控制

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。

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。

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。

三、智能控制的发展

智能控制存在的问题

智能控制以其优越的控制性能逐渐步入了工程界并得到广泛飞应用。

然而在智能控制的实现方面，还存在很多问题有待解决。

具体表现在：

（1）扩宽实际应用范围，提高实时控制能力问题。

（2）解决知识获取和优化的瓶颈问题，特别是动态系统的知识获取和分类。

（3）对智能控制学习研究的问题。

（4）各种智能方法结合以及同传统控制方法结合研究问题。

（5）数值和符号之间的计算问题。

目前，在数值和符号之间的计算尚未有一个成型的规则。

（6）智能控制的鲁棒性问题缺乏严格的数学推导。

（7）如何研究解耦问题，简化控制算法。

（8）研究新型智能控制硬件和软件问题，智能控制的研究往往缺少较好的软件环境，硬件方面存在的问题更大。

智能控制的发展前景

智能控制的研究虽然取得了一些成果，但实质性进展甚微，理论方面尤为突出，应用则主要是解决技术问题，对象具体而单一。

子波变换、遗传算法与模糊神经网络的结合，以及混沌理论等，将成为智能控制的发展方向。

智能控制发展的核心仍然是以神经网络的强大自学习功能与具有较强知识表达能力的模糊逻辑推理构成的模糊逻辑神经网络。

要做到智能自动化，把机器人的智商提高到智人水平，还需要数十年。

微电子、生命科学、自动化技术突飞猛进，为21世纪实现智能控制和智能自动化创造了很好的条件。

对这门新学科今后的发展方向和道路已经取得了一些共识：

（1）研究和模仿人类智能是智能控制的最高目标；

（2）智能控制必须靠多学科联合才能取得新的突破；

（3）智能的提高，不能全靠子系统的堆积，要做到“整体大于组分之和”，只靠非线性效应是不够的。

为了达到目标，不仅需要技术的进步，更需要科学思想和理论的突破。

很多科学家坚持认为，这需要发现新的原理，或者改造已知的物理学基本定理，才能彻底懂得和仿造人类的智能，才能设计出具有高级智能的自动控制系统。

科学界要为保障人类和地球的生存和可持续发展做出必须的贡献，而控制论科学家和工程师应当承担主要的使命。

智能控制理论的研究和应用是现代控制理论在深度和广度上的拓展。

20世纪80年代以来，信息技术、计算技术的快速发展及其他相关学科的发展和相互渗透，也推动了控制科学与工程研究的不断深入，控制系统向智能控制系统的发展已成为一种趋势。

参考文献：

[1]蔡自兴，徐光佑.人工智能及应用（第二版）,清华大学出版社,1996

[2]白枚.智能控制理论综述,华北水利水电学院学报2002/23

（1）：

58-62

[3]李士勇,模糊控制-神经控制和智能控制论.哈尔滨工业大学出版,1996

[4]李少远等.智能控制的新进展（Ⅱ）.控制与决策,2000，15

（2）：

136-140

[5]张凯，钱锋，刘漫丹.模糊神经网络技术综述.信息与控制,2003，32（5）：

431-435

[6]刘瑞正,赵海兰.人工神经网络研究五十年.计算机应用研究,1997

（1）：

11-13