智能控制在过程控制中的应用.pptVIP

第 8 章 智能控制在过程控制中的应用 8.1 概述 工业生产过程的自动控制在很多工业领域占有重要位置，控制效果的优劣直接影响到产品的质量、产量和生产设备的运行寿命，影响到生产的安全、稳定和工人的劳动强度，先进控制方法的研究具有明显的经济和社会意义。对于简单过程系统，采用传统的经典或现代控制理论方法，可以获得满意的控制效果。而对于复杂过程系统，由于其具有非线性、时变、纯滞后、不确定等特性，采用传统的控制方法难以取得好的控制效果，因此，其智能控制方法成为研究热点。 智能控制理论是继经典控制理论、现代控制理论之后发展起来的，是控制理论发展新阶段的产物，其建立和发展是以众多新兴学科为基础的。智能控制的基本出发点是采用人工智能方法对复杂、不确定性系统进行有效控制。智能控制方法包括专家系统控制、模糊控制、神经网络控制和仿人智能控制等，这几种方法各有其不同的特点，并已在不同领域中取得了一些相当成功的应用，但这些方法在单独模拟人类智能活动时，又存在着各自的局限性。因此，许多学者试图综合几种方法的优点，以克服各自的局限性。 实际上，智能活动既有感知（直观、形象）活动，又有认知（逻辑）活动，两者是密切相关的，而且又是可以互相转换的，也是符合生理和心理现象的，神经网络计算和模糊逻辑推理恰恰反映了这两种活动的特性，因此基于神经网络的模糊控制近年来逐渐成为研究的热点。模糊控制和神经网络二者各自的优势在于：模糊控制易于获得由语言表达的专家知识，能有效的控制难以建立精确模型而凭经验可控制的系统，而神经网络则由于其仿生特性更能有效利用系统本身的信息，并能映射任意函数关系，具有并行处理和自学习能力，容错能力也很强。 在集成大系统中，神经网络可用于处理低层感知数据，模糊逻辑可用于描述高层的逻辑框架。神经网络和模糊系统均属于无模型控制器和非线性动力学系统，但神经网络适合处理非结构化信息，而模糊系统对处理结构化的知识更有效。模糊神经网络控制大致可分为三类，第一类是直接在神经网络的学习模型中引入模糊逻辑推理的方法，使其具有直接处理模糊信息的能力；第二类是利用神经网络功能及映射能力，去等效模糊系统中的各个模糊功能块；第三类是把模糊系统和神经网络集成在一个系统中，以发挥各自的优势。 专家系统是符号逻辑人工智能中一个最重要、最活跃的分支，但存在知识获取的困难，而神经网络方法具有很强的自学习能力和自适应能力，能够实现快速推理。因此将专家系统和神经网络方法集成应用，将能发挥他们的综合优势。 在一些大型复杂系统中，采用单一的某种智能控制方法往往不能满足控制要求，这时应考虑综合应用模糊控制、神经网络控制和专家系统控制等方法的集成智能控制方法。 本章首先讨论复杂工业过程控制发展及其智能控制方法的研究现状，然后具体介绍具有典型意义的氧乐果合成过程智能控制方法的研究，以便对智能控制的应用方法有一个比较完整的了解。 8.2 复杂工业过程控制的研究现状 关于复杂工业过程，目前尚无统一定义。其复杂性可概括为两个方面：客观复杂性和认识复杂性。前者是指客观工业过程中某种运动或性态跨越层次后整合的、不可还原的新性态和相互关系；后者是指对客观工业过程中复杂性的有效理解及其表达。但在实际工程中，有些专家认为，若工业过程受行为变量影响很弱且过程主要由状态变量描述，可认为是一个简单系统，即复杂工业过程的关键是由行为变量所致。 传统的经典控制或现代控制理论在解决复杂工业过程的控制方面，有很大局限性，主要表现如下： (1) 不确定性问题 (2) 高度非线性问题 (3) 半结构化与非结构化问题 (4) 不可确定性的问题 (5) 可靠性问题  复杂工业过程的控制问题期盼着用新的理论与方法来实实在在地解决工业现场的实际问题。人们研究的复杂工业过程是一个具有高度复杂、不可确定、多层次、网络性系统，在一个层次上是不可能把工业过程完全弄清楚，对其研究需要在多个层次上进行。所谓复杂工业过程乃是工业过程中带有根本性的、普遍性的又是远远没有解决的问题。这就需要我们在未来研究中，运用复杂系统理论提供的新概念、新方法及新成果，结合已经形成的复杂工业过程特有的概念体系和方法学，通过多个层次以及对多个层次的综合集成研究，最终在个体层面上解答和揭示工业过程。 从现阶段发展趋势看，在工业过程控制中控制策略的智能化，决策支持的“专家”化已成为必然。通过知识工