智能控制理论及其应用
[摘要] 本文回顾了智能控制理论的提出与发展过程，介绍了智能控制的特点，给出了智能控制理论的主要类型及其特点，列举了智能控制理论与技术的主要应用领域，最后总结了智能控制理论的发展趋势。
[关键词] 智能控制模糊控制神经网络专家控制[abstract] this paper reviewed the development of intelligence control, and introduced its main methods and characteristics, and particularized their mostly application fields, and pointed out the prospects of intelligent control development trend and put forward the study direction.
[key words] intelligent control fuzzy control net neural expert control
0.引言
随着工业和自动化技术的发展，控制理论的应用日趋广泛，所涉及的控制对象日益复杂化，对控制性能的要求也越来越高，控制对象或过程的复杂性主要体现在系统缺乏精确的数学模型、具有高维的判定空间、多种时间尺度和多种性能判据等，要求控制理论能够处理复杂的控制问题和提供更为有效的控制策略。现代控制理论从理论上解决了系统的可观、可控、稳定性以及许多复杂系统的控制。但实际中的许多复杂系统具有非线性、时变性、不确定性、多层次、多因素等热点，难以建立精确的数学模型，因此需要引入新
的控制策略。而随着人工智能领域的逐渐发展，智能控制在解决复杂被控对象的控制问题中越来越显示出其优越性，并在实际应用中显示出很强的生命力。
1.智能控制理论的提出与发展
norbert wiener于20世纪40年代创立控制论以来，自动控制理论经历了经典控制理论和现代控制理论两个重要阶段，都不完善。人工智能技术在自控领域内的成功引发了自控理论从现代控制理论到智能控制阶段的转变。随着以人工智能、模糊控制和专家系统为代表的智能学科在自控领域内的应用，逐渐形成了智能控制理论的雏形。
从80 年代中期到90 年代中期，智能计算机的研制成为热潮，一方面以神经网络为代表的智能学科进入自控领域，有望解决人工智能等技术难以解决的非形式化知识获取和非线性系统自适应控制问题；另一方面工业自动化系统迅速由cims(计算机集成制造系统)发展成为cips (计算机集成过程控制系统)。
2.智能控制的特点
智能控制与传统控制的主要区别：传统控制的主要特征是基于精确模型的控制，适用于被控对象可用数学模型描述的线性定常系统，传统控制能力较差；而智能控制是针对系统的复杂性、非线性和不确定性而提出来的，基于知识进行智能决策，是人工智能与控制理论结合的产物，具有仿人的智能，处理复杂性、不确定性问题的能力较高，解决问题的能力和水平明显高于传统控制。
智能控制应用对象的特点：1）不确定性的模型，智能控制可解决模型未知或模型结构和参数变化范围大的控制问题。2）高度的非线性，传统控制中，非线性控制理论不成熟，方法也较复杂，而用智能控制可较好地解决非线性系统的控制。3）复杂的任务要求，智能控制系统具有决策能力，除对被控物理量实现定值控制，还可实现系统自动启停、故障自动诊断、事故应急处理等较复杂的控制功能。
3.智能控制理论体系的类型
智能控制体系的类型主要包括了如下几个部分：
3.1 模糊控制（fc）
模糊控制是以模糊数学为工具，把人类专家对特定的被控对象或过程的控制策略总结成一系列的控制规则，通过模糊推理得到控制作用集，作用于被控对象或过程。主要特点是在人工控制经验的基础上，实现对系统的控制。模糊控制是非线性控制方法，不依赖于对象的数学模型，具有内在并行处理机制，表现出极强的鲁棒性，算法简单、执行快、易实现等优点，是解决不确定性系统、非线性系统的有效途径，适用于任意复杂的对象控制。
3.2 神经网络控制（nnc，neural networks control）
神经网络控制是基于人工神经网络的控制，是研究和利用人脑的某些结构机理以及人的知识和经验对系统的控制，是人工神经网络与控制理论相结合的产物。人工神经网络是以工程技术手段来模拟人脑神经网络的结构和特征的系统。
3.3 专家控制（ec）
专家系统是指相当于专家处理知识和解决问题能力的计算机智能软件系统。专家系统根据所求解问题的性质可以分为：解释专家系统、预测专家系统、诊断专家系统、设计专家系统、规划专家系统、监视专家系统、控制专家系统、调试专家系统、教学专家系统、修理专家系统等。
3.4 学习控制（lc, learning control）
学习控制技术是基于人工智能中机器学习理论的控制技术。学习的意义主要是指自动获取知识、积累经验、改善知识性能。学习控制能够解决由于被控对象的非线性和建模不良所造成的不确定
性问题。学习控制的两大主流：迭代学习控制和反复控制。
3.5 分层智能控制（hic, hierarchical intelligent control）
智能控制系统除了实现传统的控制功能外，还要实现规划、决策、学习等智能功能，从工程控制出发，总结人工智能与自适应控制、自学习控制及自组织控制的关系逐渐形成的，把智能控制分为三级：执行级、协调级、组织级，按照自上而下精确程度渐增、智能程度渐减的原则进行功能分配。智能主要体现在高层次上，执行级用于高精度局部控制，协调级用于按知识和实际输出进行控制参数调整，组织级进行推理、决策和学习。分层递阶结构的优点在于控制路线明确、易于解析描述，其智能表现为传统的“感知、思考、动作”的有意识的行为，已成功应用于机器人智能控制、交通系统的控制与管理等领域。
