智能控制技术现状与发展
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
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
1.1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。
1.2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
2.1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。
2.2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。
2.3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