智能控制工程研究的进展

收稿日期:2002-09-16

作者简介:蔡自兴(1938-),男,福建莆田人,教授,博士生导师,主要从事人工智能,智能控制和机器人学等方面的教学与科研工作。

2003年1月

第10卷第1期

控制工程

Control Engineering of China Jan .2003Vol.10,No.1

文章编号:167127848(2003)0120001206

智能控制工程研究的进展

蔡自兴,陈海燕,魏世勇

(中南大学信息科学与工程学院,湖南长沙　410083)

摘 要:结合智能控制研究的几个理论分支,着重从机器人控制、机械制造、电力电子

学、工业过程和广义控制几个方面分析了当前智能控制的主要应用领域,指出其中的研究热点和重点。通过总结智能控制工程的现状,提出进一步开展智能控制应用研究的若干对策,包括从基础理论研究和应用系统评估上寻求更成熟的理论指导、明确智能控制研究的目标是建立智能系统模型并实现控制器的智能化、在选择应用对象和设计控制器时遵循“简单”与“复杂”的辨证关系、重视知识技术创新和加快新型智能控制软硬件研制的步伐等。关　键　词:智能控制;智能控制工程;控制器智能化;发展对策;技术创新中图分类号:TP 18 文献标识码:A

1　引　言

自1985年在纽约召开第一届智能控制学术会议至今,、农业、服务业、军事航空等各个领域。近年来,随着人工智能技术和其他信息处理技术,尤其是信息论、系统论和控制论的发展,智能控制在控制机理和应用实践方面均取得了突破性的进展。遗传算法与模糊逻辑、神经网络相互融合,通过模拟人类思维方式和结构来设计用于解决复杂的各种非线性问题的控制策略,并已在各种实际工程项目中得到应用,取得了良好的效果。分布式人工智能中的Agent 和Multi Agent System 已成为研究的热点,构建基于Agent 的集散递阶结构的智能控制系统为智能控制注入了新的活力[1,2]。

在理论研究取得进步的同时,国内外的研究者均意识到智能控制的研究不能只停留在计算仿真的层次上,智能控制应该直接面向传统控制难以或无法解决的复杂的非线性系统,面向实际工程应用。

2　智能控制应用研究的现状

随着智能控制应用工程的日益成熟,为方便智能控制应用的开发,研究人员开发设计了各种软硬件技术。软件方面,有MathWorks 公司推出

的高性能数值计算可视化软件Matlab (Matrix

Laboratory 矩阵实验室),其中自带了神经网络工

具箱,模糊逻辑工具箱,可以通过直接调用其中的函数进行智能控制系统的设计应用。硬件方面,

微电子技术界出现了DSP (Digital Signal Proces 2sor )芯片极大提高了运算速度。各大芯片生产厂

家均退出了专用的神经网络芯片和模糊芯片,采用这种高速的DSP ,大大方便了智能控制应用系统的实现[3～5]。

智能控制的应用领域已大为拓宽,不再局限于传统的控制领域,还应用到污水处理、家电智能化等方面。在更广义的控制角度上,智能控制已应用到了气象预报及股市、税收等经济领域。以下将着重针对于传统控制方法无法解决或解决不好的几个主要领域来介绍智能控制的工程应用及其发展现状。

1)机器人智能控制　机器人学一直是智能控制的一个重要应用领域。尤其是近代工业机器人和智能机器人的长足发展,使得新型智能控制技术渗透到机器人学研究的各个方面。采用人工神经网络、模糊控制和专家系统技术对机器人进行定位、环境建模、检测、控制和规划的研究已经日趋成熟,并在多个实际应用系统中得到验证。智能控制技术也应用于机器人传感器信息融合和视觉处理方面[6,7]。文献[8,9]介绍机器人装配作业中如何利用神经网络来进行机器人手臂控制和动态调度。同时,遗传算法和进化计算为机器

人系统带来了新型的优化编程和控制技术。

机器人动力学的时变、强耦合和非线性特点,使得运用传统控制方法来驱动机器人存在很大的局限性,尤其对多关节、复合肢体的机器人,其关节耦合关系和非线性模型使得利用一般控制方式无法达到较好的运动效果。而神经网络强大的自学习和非线性映射能力使得其在机器人动力学上得到广泛应用。一般的解决办法是通过神经网络在线或离线训练[10～12],学习机器人的动力学模型,从而设计出相应的控制器。为提高系统的鲁棒性和适应能力,引入了模糊控制原理,构造了基于模糊逻辑和神经网络的控制器[13,14]。还有利用模糊逻辑为欠驱动机器人构造控制算法[15]。

此外,水下自主运载器(Autonomous Under2 sea Vehicle,AUV)在未知或复杂危险环境下完成探索、通讯、合作等功能也需要智能控制的协助实现[16]。

2)机械制造中的智能控制　工业制造业涉及一系列相关的操作和行为,包括产品设计、材料选择、工艺流程设计、生产过程、检测过程、管理以及产品的销售[17]。随着计算机的引入,现代制造业中相继出现了柔性制造系统(FMS)、计算机集成制造系统(CIM)和智能制造系统(AMS)。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者无法预测的情况。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。例如,模糊控制在焊接过程中用于焊缝跟踪、焊接质量及控制焊接设备,汽车工业的模糊控制变速发动机,神经网络悬架控制系统,轿车中央智能控制系统,食品挤出机模糊控制系统,数控铣床的智能控制系统等等。

总结智能控制在智能制造系统的应用,一般是利用模糊数学、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[18]。

3)电力电子学研究领域中的智能控制　电力电子学是一门强电和弱电相结合的交叉边缘学科,其研究的对象包括变流电路、半导体器件、电机控制和模拟/数字电子学等。电力电子学广泛应用于与电能有关的各个领域,包括交直流电源、电力系统、电气传动控制以及一些电子工业。

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[19～22]。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[23～26]。针对3种控制技术在故障诊断应用中的特点:模糊逻辑的实时性和鲁棒性,专家系统的推理判断决策和灵活扩充修改知识库,以及神经网络的自组织自学习和并行处理能力,将这3种控制技术进行集成,已经取得了一些成功的经验。但是,目前将这三种控制技术综合实现的系统还较少,正处于研究试验阶段。

在电力电子学的众多应用领域中,智能控制在电流控制PWM(Pulse Width Modulation)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。电流控制PWM技术比常规的PWM技术具有瞬态响应快、精确度高的优点,但也带来了诸如要求更高的稳态精度、极限环和噪声干扰等问题。文献[27]设计了在大规模集成电路中实现PWM的神经网络,这个神经网络带有更新和实时学习的功能。设计采用PWM信号作为神经网络的输入输出信号,使用PWM技术和简单混合电路实现CMOS中的乘法和加法,即与(AND)或(OR)功能。文献[28]中介绍PWM逆变器驱动电机的直接转矩模糊神经网络控制。文献[29]对于PWM的DC-DC变换器提出一种通用的模糊控制器,该控制器在参数波动大时具有响应速度快、稳定性高的特点。

4)工业过程中的智能控制　许多工业连续生产线上,例如化工、冶炼、材料加工、轧钢等,由于反应机理复杂、关联耦合严重、环境干扰不确定、要求与约束多样等原因,对其系统运行情况和过程的信息了解较少,自动化集成控制应用存在一定的难度,需要运用智能控制模式。生产过程

・

2

・控　制　工　程 第10卷