第五章 其它形式的智能控制.pptVIP

第五章  其它形式的智能控制 5.1 分层递阶智能控制 为了实现规划、决策、学习等智能功能，智能控制所实现控制的含义要比常规控制广泛得多。广义的控制可以定义为：驱使系统实现要求功能的过程。为了实现广义的控制功能，智能控制需要将认知系统研究的结果与常规的系统控制方法加以有机的结合。 认知系统传统上是作为人工智能的一部分，它主要实现类似于人的一些行为功能，如声音识别和分析、图像和景物分析、数据库组织、学习和高层决策等。这些功能主要是基于从简单的逻辑操作到高级的推理方法来实现的。 这方面已经取得了很大的进展，如模式识别,以及启发式方法等已经作为认知系统的一部分，广泛地用于声音、图像及其它传感信息的分析和分类。系统控制方面也已经建立起许多成熟的理论和方法。它们可用来进行运动控制和轨迹跟踪、动态规划及优化控制等。 G.N.Saridis等提出了一种分层递阶智能控制系统理论，它将计算机的高层决策、系统理论中的先进的数学建模和综合方法以及处理不精确和不完全信息的语言学方法结合在一起，形成了一种适合于工程需要的统一的方法。该理论可认为是三个主要学科领域的交叉：人工智能、运筹学和控制理论。我们要介绍这方面的内容。 分层递阶智能控制系统的结构如图5.1所示。它由组织级，协调级和执行级三个层次组成，并按照自上而下精确程度渐增、智能程度逐减的原则进行功能的分配。图5.2所示为一个典型的智能机器人的分层递阶结构。 分层智能控制系统上层的作用主要是模仿人的行为功能，因而主要是基于知识的系统。它实现规划决策、学习、数据的存取、任务的协调等这些主要是对知识进行处理。智能控制系统下层的作用是执行具体的控制任务。它主要是对数值进行操作和运算。 图5——2 在组织级，Moed和Saridis所提出了一种Boltzmann机神经网络来实现推理、规划和决策的方法。在协调级，Wang和Saridis提出的Petri网翻译器来实现语言决策的功能。在执行级， Saridis提出了一种对于系统控制问题用熵进行测试的方法，从而为智能控制系统提供了一种系统的用熵函数来表示的性能测度。因而可以用数学规划的方法来实现和求解分层智能控制系统的最优操作和控制问题。 分层递阶智能控制的理论可以表述为：对于自上而下按照精度渐增、智能逐减的原则所建立的分层递阶结构的系统，智能控制器的设计问题可以认为是这样的数学问：寻求正确的决策和控制序列，以使整个系统的总熵最小。 5.2 专家控制系统 在目前的工业过程控制中，使用最多的控制方法还是PID控制以及它的变形形式。这些简单的PID控制器一般都在分布式过程控制计算机系统中实现，在许多情况下，这些控制器只能在一定的条件下才能较好地运行，一旦超出某个范围，可能会因系统非线性或其它原因而偏离系统设计点较远，导致系统性能变差甚至不稳定。如启动、关机，产量大幅度变化及温度变化等，被控过程的参数都会变化，因而偏离设计点。这时就要采取一些措施，如调整控制器的参数、人工控制某些过程变量等，以对付这些问题。 操作人员在大多数情况下，只要通过运用过去的经验或者进行一 些必要的培训，一般都能处理好这些问题。 在比较复杂的系统中，一些“控制困难”的回路也会使用一些更复杂的控制算法，如自适应算法及某些预测算法等。可是在工况条件下用于试车的可用时间有限，信噪比小，非线性严重，这在许多情况下阻碍了许多算法的成功应用，而且操作者不可能去学习调整各种不同的参数。因此，传统的控制器已在许多领域中暴露出问题，难以得到满意的控制效果。 同时考虑到人才也是相当昂贵的，这不仅是需要付给工资，更主要的是一般人要经过必要的教育以及需要有用于培训的设备才能成为某—领域的专家。而且当他们离开所在部门时，他们在实践中获得的经验也将随之离开，有时可能还要考虑竞争的问题。因此，获取人类专家知识、模拟人类推理能力的研究是非常有意义的。上述种种原因共同推动了新的一类控制方法——专家控制的发展，它把人类操作者、工程师的经验与控制器算法结合在一起，也即把符号推理与数值运算结合起来。符号推理在某种意义上代替了人类操作者的工作，为过程控制提供了一种新的控制算法 专家系统在过程控制中的应用是“基于规则的专家控制系统”。在这里人和(或)控制器均由专家系统所替代，这种基于规则的专家控制就简称为专家控制。根据影响被控过程的形式，专家控制可以分为两种类型：即间接专家控制；直接专家控制。 在间接专家控制中，专家系统只是通过对控制器的调整，间接地影响被控过程。例如，为了防止控制回路中突变产生的影响，在自适应控制中可以有从结构中切除参数估计过程的专家系统； 在PID控制器中则可以有调节参数的专家系统