1、现代控制理论的发展 1.智能控 制 (Intelligent Control) 智能控制是人工智能和自动控制的结合物 ,是一类无需人的干预就能够独立地驱动智能机器 ,实现其目标的自动控制。智能控制的注意力并不放在对数学公式的表达、计算和处理上 ,而放在对任务和模型的描述 ,符号和环境的识别以及知识库和推理机的设计开发上。智能控制用于生产过程 ,让计算机系统模仿专家或熟练操作人员的经验 ,建立起以知识为基础的广义模型 ,采用符号信息处理、启发式程序设计、知识表示和自学习、推理与决策等智能化技术 ,对外界环境和系统过程进行理解 、判断、预测和规划 ,使被控对象按一定要求达到预定的目的。 智能控制的
2、理论基础是人工智能 ,控制论 ,运筹学和系统学等学科的交叉 ,它的主要特点是 : (1)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 ； (2)智能控制的核心在高层控制 ,即组织级 ,它的主要任务在于对实际环境或过程进行组织 ； (3)系统获取的信息不仅是数学信息 ,更重要的是文字符号、图像、图形、声音等各种信息。 智能控制正处于发展过程中 ,还存在许多有待研究的问题 : (1)探讨新的智能控制理论 ； (2)采用语音控制 ； (3)提高系统的学习能力和自主能力 ； (4)利用现有的非线性技术分析闭环系统的特性 ； (5)智能控制的实现问题。 2.非线性控制 (Nonlin
3、ear Control) 非线性控制是复杂控制理论中一个重要的基本问题 ,也是一个难点课题 ,它的发展几乎与线性系统平行。非线性系统的发展 ,数学工具是一个相当困难的问题 ,泰勒级数展开对有些情况是不能适用的。古典理论中的 “相平面 ”法只适用于二阶系统 ,适用于含有一个非线性元件的高阶系统的 “描述函数 ”法也是一种近似方法。由于非线性系统的研究缺乏系统的、一般性的理论及方法 ,于是综合方法得到较大的发展 ,主要有 : (1)李雅普诺夫方法 :它是迄今为止最完善、最一般的非线性方法 ,但是由于它的一般性 ,在用来分析稳定性或用来镇定综合时都欠缺构造性。 (2)变结构控制 :由于其滑动模态具有
4、对干扰与摄动的不变性 ,到 80年代受到重视 ,是一种实用的非线性控制的综合方法。 (3)微分几何法 :在过去的的 20年中 ,微分几何法一直是非线性控制系统研究的主流 ,它对非线性系统的结构分析、分解以及与结构有关的控制设计带来极大方便 .用微分几何法研究非线性系统是现代数学发展的必然产物 ,正如意大利教授 Isidori 指出 :“用微分几何法研究非线性系统所取得的成绩 ,就象 50年代用拉氏变换及复变函数理论对单输入单输出系统的研究 ,或用线性代数对多变量系统的研究。 ”但这种方法也有它的缺点 ,体现在它的复杂性、无层次性、准线性控制以及空间测度被破坏等。因此最近又有学者提出引入新的、更
5、深刻的数学工具去开拓新的方向 ,例如 :微分动力学、微分拓扑与代数拓扑、代数几何等。 3.自适应控制 (Adaptive Control) 自适应控制系统通过不断地测量系统的输入、状态、输出或性能参数 ,逐渐了解和掌握对象 ,然后根据所得的信息按一定的设 计方法 ,作出决策去更新控制器的结构和参数以适应环境的变化 ,达到所要求的控制性能指标。 自适应控制系统应具有三个基本功能 : (1)辨识对象的结构和参数 ,以便精确地建立被控对象的数学模型 ； (2)给出一种控制律以使被控系统达到期望的性能指标 ； (3)自动修正控制器的参数。因此自适应控制系统主要用于过程模型未知或过程模型结构已知但参数未
6、知且随机的系统。 自适应控制系统的类型主要有自校正控制系统 ,模型参考自适应控制系统 ,自寻最优控制系统 ,学习控制系统等。最近 ,非线性系统的自适应控制 ,基于神经网络的自适应控 制又得到重视 ,提出一些新的方法。 4.鲁棒控制 (Robust Control) 过程控制中面临的一个重要问题就是模型不确定性 ,鲁棒控制主要解决模型的不确定性问题 ,但在处理方法上与自适应控制有所不同。自适应控制的基本思想是进行模型参数的辩识 ,进而设计控制器。控制器参数的调整依赖于模型参数的更新 ,不能预先把可能出现的不确定性考虑进去。而鲁棒控制在设计控制器时尽量利用不确定性信息来设计一个控制器 ,使得不确定
7、参数出现时仍能满足性能指标要求。 鲁棒控制认为系统的不确定性可用模型集来描述 ,系统的模型并不唯一 ,可以 是模型集里的任一元素 ,但在所设计的控制器下 ,都能使模型集里的元素满足要求。鲁棒控制的一个主要问题就是鲁棒稳定性 ,目前常用的有三种方法 : (1)当被研究的系统用状态矩阵或特征多项式描述时一般采用代数方法 ,其中心问题是讨论多项式或矩阵组的稳定性问题 ； (2)李雅普诺夫方法 ,对不确定性以状态空间模式出现时是一种有利工具 ； (3)频域法从传递函数出发研究问题 ,有代表性的是 Hoo 控制 ,它用作鲁棒性分析的有效性体现在外部扰动不再假设为固定的 ,而只要求能量有界即可。这种方法已
8、被用于工程设计中 ,如 Hoo 最优灵敏度控制 器设计。 5.模糊控制 (Fuzzy Control) 模糊控制借助模糊数学模拟人的思维方法 ,将工艺操作人员的经验加以总结 ,运用语言变量和模糊逻辑理论进行推理和决策 ,对复杂对象进行控制。模糊控制既不是指被控过程是模糊的 ,也不意味控制器是不确定的 ,它是表示知识和概念上的模糊性 ,它完成的工作是完全确定的。 1974 年英国工程师 E.H.Mamdam 首次把 Fuzzy集合理论用于锅炉和蒸气机的控制以来 ,开辟了 Fuzzy 控制的新领域 ,特别是对于大时滞、非线性等难以建立精确数学模型的复杂系统 ,通过计算机实现模糊控制往 往能取得很好
9、的结果。 模糊控制的类型有 : (1)基本模糊控制器 ,一旦模糊控制表确定之后 ,控制规则就固定不变了 ； (2)自适应模糊控制器 ,在运行中自动修改、完善和调整规则 ,使被控过程的控制效果不断提高 ,达到预期的效果 ； (3)智能模糊控制器 ,它把人、人工智能和神经网络三者联系起来 ,实现综合信息处理 ,使系统既具有灵活的推理机制、启发性知识与产生式规则表示 ,又具有多种层次、多种类型的控制规律选择。 模糊控制的特点是不需要精确的数学模型 ,鲁棒性强 ,控制效果好 ,容易克服非线性因素的影响 ,控制方法易于掌握。最 近有人提出神经 模糊 Inter3 融合控制模型 ,即把融合结构、融合算法及
10、控制合为一体进行设计。又有人提出利用同伦 BP 网络记忆模糊规则 ,以 “联想方式 ”使用这些经验。 模糊控制有待进一步研究的问题 :模糊控制系统的功能、稳定性、最优化问题的评价 ；非线性复杂系统的模糊建模 ,模糊规则的建立和模糊推理算法的研究 ；找出可遵循的一般设计原则。 6.神经网络控制 (Neural Network Control) 神经网络是由所谓神经元的简单单元按并行结构经过可调的连接权构成的网络。神经网络的种类很多 ,控制中常用的有多层前 向 BP 网络 ,RBF 网络 ,Hopfield 网络以及自适应共振理论模型 (ART)等。 神经网络控制就是利用神经网络这种工具从机理上对
11、人脑进行简单结构模拟的新型控制和辨识方法。神经网络在控制系统中可充当对象的模型 ,还可充当控制器。常见的神经网络控制结构有 : (1)参数估计自适应控制系统 ； (2)内模控制系统 ； (3)预测控制系统 ； (4)模型参考自适应系统 ； (5)变结构控制系统。 神经网络控制的主要特点是 :可以描述任意非线性系统 ；用于非线性系统的辨识和估计 ；对于复杂不确定性问题具有自适应能力 ；快速 优化计算能力 ；具有分布式储存能力 ,可实现在线、离线学习。 最近有人提出以 Hopfield 网络实现一种多分辨率体视协同算法 ,该算法以逐级融合的方式自动完成由粗到细 ,直至全分辨率的匹配和建立。又有人提出一种网络自组织控制器 ,采用变斜率的最速梯度下降学习算法 ,应用在非线性跟踪控制中。今后需进一步探讨的问题是提高网络的学习速度 ,提出新的网络结构 ,创造出更适用于控制的专用神经网络。
