模糊控制技术在点滴速度监控装置中的应用.docVIP

第一章 绪　论 智能控制是当前国内外人工智能、自动化、计算机领域中的热门课题，受到了极其广泛的关注，实现智能控制的主要方法有：模糊控制、专家系统控制、神经网络控制和以上三种控制以及其它控制方法的集成控制。 20世纪90年代以后，智能控制的研究势头异常迅猛，智能控制的应用研究领域由工业过程控制扩展到军事、航天等高科技领域和日用家电领域。目前，人工智能控制技术已经广泛地应用在模式识别、系统控制、专家系统、信号处理等方面[1、2、3、4]。 1.1 模糊控制理论的产生及发展概况 随着科学技术的迅猛发展，各个领域对自动控制系统精度、响应速度、系统稳定性、自适应能力的要求越来越主高，所研究的系统也日益复杂多变。然而，在许多情况下被控对象的精确数学模型很难建立。例如，有些对象难以用一般的物理和化学方面的规律来描述，有的影响因素很多，而且相互之间又有交叉耦合，使其模型十分复杂，难于求解。还有一些生产过程缺乏适当的测试手段，或者测试装置不能进入被测试区域，致使无法建立过程的数学模型。像建材工业中生产中的回转窖，轻工生产中的造纸过程，食品工业生产中的各种发酵过程。还有为数众多的炉类，如炼钢的冶炼过程，退火炉温控过程，工业炉的燃烧过程等等。诸如此类过程的变量多，被控对象或过程具有非线性、时变性、强耦合、较大的随机干扰，过程机理错综复杂，被控对象的精确数学模型也难以建立，甚至是办不到的。这样一来，对于这类对象或过程就难以进行自动控制。虽然常规自适应控制技术可以解决一些问题，但范围是有限的。对于那些难以建立数学模型的复杂被控对象，采用传统的控制方法，包括基于现代控制理论的控制方法，往往不如一个有实践经验的操作人员所进行的手动控制效果好。因为人脑的重要特点之一就是有能力对模糊事物进行识别与判决，看起来似乎不确切的模糊手段常常可以达到精确控制的目的。操作人员是通过不断学习、积累操作经验来实现对被对象进行控制的，这些经验包括对被控对象的特征的了解、在各种情况下相应的控制策略以及性能指标判据。人的经验信息通常是以自然语言的形式表达的，其特点是定性的描述，所以具有模糊性。由于这种特性使得人们无法用现有的定量控制理论对这些信息进行处理，需要探索出新的理论与方法。 美国控制理论专家查德(L.A.Zadeh) 教授于1965年首先提出了模糊集合的概念，开创了模糊数学及其应用的新纪元。1973年，L.A.Zadeh继续丰富和发展了模糊集合论，提出了一种把逻辑规则的语言转化成相关控制量的思想，从而为模糊控制的形成奠定了理论基础[5、6、7]。模糊集合理论的诞生，为处理客观世界中存在一类模糊性问题，提供了有力的工具。同时，也适应了自适应科学发展的迫切需要。正是在这种背景下，作为模糊数学一个重要应用分支的模糊控制理论便应运而生了。 模糊理论在控制领域里的应用开始于1974年。英国科学家曼丹尼(Mamdani)首次将模糊理论应用于蒸汽机的控制系统中，开辟了模糊理论应用的新领域。这一开拓性的工作，标志着模糊控制论的诞生。1975年以后，产生了许多模糊理论应用的例子。其中比较典型的有：热交换过程的控制、暖水工厂的控制，污水处理过程控制、交通路口控制、水泥窑的控制、飞船飞行控制、机器人控制、汽车速度控制、水质净化控制、电梯控制以及家电产品的控制[9]，并且生产出了专用的模糊芯片和模糊计算机。从1979年开始，我国也开展了模糊控制理论及其应用方面的研究工作[11]。 至今，世界上研究“模糊”的学者已超过万人，发表的重要论文5000多篇，研究范围从单纯的模糊数学到模糊理论应用，模糊系统及其硬件集成。与知识工程和控制方面有关的研究有：模糊建模理论、模糊序列、模糊识别、模糊知识库、模糊语言规则、模糊近似推理等。 最近几年，对于经典模糊控制系统稳态性能的改善，模糊集成控制、模糊自适应控制、专家模糊控制与多变量模糊控制的研究，特别是针对复杂系统的自学习与参数或规则自调整模糊系统方面的研究，尤其受到各国学者的重视。目前，将神经网络和模糊控制技术相互结合，取长补短，形成一种模糊神经网络技术，由此可以组成一组更接近于人脑的智能信息处理系统，其发展前景十分诱人[12]。 1.2 模糊控制的概念和特点 模糊控制(Fuzzy control)是指模糊理论在控制技术上的应用。它用语言变量代替数学变量或两者结合应用；用模糊条件语句来刻画变量间的函数关系；用模糊算法来刻画复杂关系，是具有模拟人类学习和自适应能力的控制系统。模糊控制技术适用于被控过程没有数学模型或很难建立数学模型的工业过程，这些参数变动，时变，呈现极强的非线性特征。模糊控制不需要精确的数学模型，是解决不确定性线系统控制的一种有效途径。与常规的控制系统相比较，模糊控制系统的主要特点是： 模糊控制系统可以解决复杂系统的控制问题。当系统为多输