现代控制理论
建立在状态空间法基础上的一种控制理论，是自动控制理论的一个主要组成部分。在现代控制理论中，对控制系统的分析和设计主要是通过对系统的状态变量的描述来进行的，基本的方法是时间域方法。现代控制理论比经典控制理论所能处理的控制问题要广泛得多，包括线性系统和非线性系统，定常系统和时变系统，单变量系统和多变量系统。它所采用的方法和算法也更适合于在数字计算机上进行。现代控制理论还为设计和构造具有指定的性能指标的最优控制系统提供了可能性。现代控制理论的名称是在1960年以后开始出现的，用以区别当时已经相当成熟并在后来被称为经典控制理论的那些方法。现代控制理论已在航空航天技术、军事技术、通信系统、生产过程等方面得到广泛的应用。现代控制理论的某些概念和方法，还被应用于人口控制、交通管理、生态系统、经济系统等的研究中。
现代控制理论发展过程
现代控制理论是在20世纪50年代中期迅速兴起的空间技术的推动下发展起来的。空间技术的发展迫切要求建立新的控制原理，以解决诸如把宇宙火箭和人造卫星用最少燃料或最短时间准确地发射到预定轨道一类的控制问题。这类控制问题十分复杂，采用经典控制理论难以解决。1958年，苏联科学家Л.С.庞特里亚金提出了名为极大值原理的综合控制系统的新方法。在这之前,美国学者R.贝尔曼于1954年创立了动态规划,并在1956年应用于控制过程。他们的研究成果解决了空间技术中出现的复杂控制问题，并开拓了控制理论中最优控制理论这一新的领域。1960～1961年，美国学者R.E.卡尔曼和R.S.布什建立了卡尔曼-布什滤波理论,因而有可能有效地考虑控制问题中所存在的随机噪声的影响，把控制理论的研究范围扩大，包括了更为复杂的控制问题。几乎在同一时期内，贝尔曼、卡尔曼等人把状态空间法系统地引入控制理论中。状态空间法对揭示和认识控制系统的许多重要特性具有关键的作用。其中能控性和能观测性尤为重要，成为控制理论两个最基本的概念。到60年代初，一套以状态空间法、极大值原理、动态规划、卡尔曼-布什滤波为基础的分析和设计控制系统的新的原理和方法已经确立，这标志着现代控制理论的形成。
现代控制理论学科内容
现代控制理论所包含的学科内容十分广泛,主要的方面有:线性系统理论、非线性系统理论、最优控制理论、随机控制理论和适应控制理论。
线性系统理论 它是现代控制理论中最为基本和比较成熟的一个分支，着重于研究线性系统中状态的控制和观测问题，其基本的分析和综合方法是状态空间法。按所采用的数学工具，线性系统理论通常分成为三个学派：基于几何概念和方法的几何理论，代表人物是W.M.旺纳姆;基于抽象代数方法的代数理论,代表人物是R.E.卡尔曼；基于复变量方法的频域理论，代表人物是H.H.罗森布罗克。
非线性系统理论 非线性系统的分析和综合理论尚不完善。研究领域主要还限于系统的运动稳定性、双线性系统的控制和观测问题、非线性反馈问题等。更一般的非线性系统理论还有待建立。从70年代中期以来，由微分几何理论得出的某些方法对分析某些类型的非线性系统提供了有力的理论工具。
最优控制理论 最优控制理论是设计最优控制系统的理论基础，主要研究受控系统在指定性能指标实现最优时的控制规律及其综合方法。在最优控制理论中，用于综合最优控制系统的主要方法有极大值原理和动态规划。最优控制理论的研究范围正在不断扩大，诸如大系统的最优控制、分布参数系统的最优控制等。
随机控制理论 随机控制理论的目标是解决随机控制系统的分析和综合问题。维纳滤波理论和卡尔曼-布什滤波理论是随机控制理论的基础之一。随机控制理论的一个主要组成部分是随机最优控制，这类随机控制问题的求解有赖于动态规划的概念和方法。
适应控制理论 适应控制系统是在模仿生物适应能力的思想基础上建立的一类可自动调整本身特性的控制系统。适应控制系统的研究常可归结为如下的三个基本问题：①识别受控对象的动态特性；②在识别对象的基础上选择决策；③在决策的基础上做出反应或动作。
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(Nonlinear 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。
7.实时专家控制(Real Time Expert Control)
专家系统是一个具有大量专门知识和经验的程序系统,它应用人工智能技术,根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断,模拟人类专家的决策过程,以解决那些需要专家决定的复杂问题。专家系统和传统的计算机程序最本质的区别在于:专家系统所要解决的问题一般没有算法解,并且往往要在不完全、不精确或不确定的信息基础上作出结论。
实时专家系统应用模糊逻辑控制和神经网络理论,融进专家系统自适应地管理一个客体或过程的全面行为,自动采集生产过程变量,解释控制系统的当前状况,预测过程的未来行为,诊断可能发生的问题,不断修正和执行控制计划。实时专家系统具有启发性、透明性、灵活性等特点,目前已经在航天试验指挥、工业炉窑的控制、高炉炉热诊断中得到广泛应用。目前需要进一步研究的问题是如何用简洁语言来描述人类长期积累的经验知识,提高联想化记忆和自学习能力。
8.定性控制(Qualitative Control)
定性控制是指系统的状态变量为定性量时(其值不是某一精确值而只知其处于某一范围内),应用定性推理对系统施加控制变量使系统在某一期望范围。
定性控制方法主要有三类:
(1)基于定量模型的定性控制,其特点是系统的定量模型假定已知,以定量模型为基础推导定性模型;
(2)基于规则的定性控制,其特点是构成定性模型的规则凭人们经验的定性推理即可得到,或通过状态的穷举得到;
(3)基于定性模型的定性控制,其特点是直接通过对定性模型的研究来导出定性控制。
定性控制与模糊控制的区别:模糊控制不需建模,其控制律凭经验或算法调整,而定性控制基于定性模型,控制规则基于对系统的定性分析;模糊控制是基于状态的精确测量值,而定性控制基于状态的定性测量值。
定性控制面临的问题:发展定性数学理论,改进定性推理方法,注重定性和定量知识的结合;研究定性建模方法,定性控制方法;加强定性控制应用领域的研究。
9.预测控制(Predictive Control)
预测控制是在工业实践过程中独立发展起来的一种新型控制方法,它不仅适用于工业过程这种“慢过程”的控制,也能适用于快速跟踪的伺服系统这种“快过程”控制[8]。目前实用的预测控制方法有动态矩阵控制(DMC),模型算法控制(MAC),广义预测控制(GPC),模型预测启发控制(MPHC)以及预测函数控制(PFC)等。这些方法具有以下特征:
(1)以计算机为实现手段,采取在线实现方式;
(2)建模方便,不需深入了解过程的内部机理,对模型精度要求不高;
(3)采用滚动优化策略,在线反复进行优化计算,使模型失配、外界环境的变化引起的不确定性及时得到弥补,提高控制质量。
最近有人提出一种新的基于主导内模概念的预测控制方法:结构对外来激励的响应主要由其本身的模态所决定,即结构只对激励信息中与其起主导作用的几个主要自振频率相接近的频率成分有较大的响应。目前利用神经网络对被控对象进行在线辨识,然后用广义预测控制规律进行控制得到较多重视。
预测控制目前存在的问题是预测精度不高;反馈校正方法单调;滚动优化策略少;对任意的一般系统,其稳定性和鲁棒性分析较难进行;参数调整的总体规则虽然比较明确,但对不同类型的系统的具体调整方法仍有待进一步总结。
10.分布式控制系统(Distributed Control System)
分布式控制系统又称集散控制系统,是70年代中期发展起来的新型计算机控制系统,它融合了控制技术(Control),计算机技术(Computer),通信技术(Communication),图像显示技术(CRT)的“4C”技术,形成了以微处理器为核心的系统,实现对生产过程的监视、控制和管理。
既打破了常规控制仪表功能的局限,又较好地解决了早期计算机系统对于信息、管理过于集中带来的危险,而且还有大规模数据采集、处理的功能以及较强的数据通信能力。
分布式控制系统既有计算机控制系统控制算法灵活,精度高的优点,又有仪表控制系统安全可靠,维护方便的优点。它的主要特点是:真正实现了分散控制;具有高度的灵活性和可扩展性;较强的数据通信能力;友好而丰富的人机联系以及极高的可靠性。
现代控制理论案例分析
案例一:现代控制理论在过程工业中的应用20世纪50年代末发展起来的以状态空间方法为主体的现代控制理论,为过程控制带来了状态反馈、输出反馈、解耦控制等一系列多变量控制系统设计方法;与此同时,计算机技术的持续发展使计算机控制在工业生产过程中得到了广泛的应用,这一切都孕育着过程控制领域的新突破。
1980年前后,来自过程控制界两位探索者J.Richalet和C.R.Cutler分别报道了其各自研究的有关解决实时动态环境下带约束多变量耦合系统控制问题的成果。这就是著名的模型预测启发式控制(MPHC)和动态矩阵控制(DMC)。这一事实表明过程工业已开始接受现代控制概念,从而引发了预测控制等先进控制策略在工业过程控制中的大量应用。20世纪80年代,出现了许多约束模型预测控制的工程化软件包[10]和展望[J].机电工程,1999,5:3-7。基于模型控制的理论体系已基本形成,并成为目前过程控制应用最成功、最有前途的先进控制策略。
近年来,人工智能技术有了长足的进步,并在许多科学与工程领域中取得了较广泛的应用。就过程控制而言,专家系统、神经网络、模糊系统是最具有潜力的3种工具[11]。基于非线性模型(机理和经验)的控制有了较大的发展,但是,非线性控制尚属开发中的先进控制策略,实际的工业应用尚不多见。
一、先进控制的主要特点
(1)与传统的比例、积分、微分控制(PID)不同,先进控制通常是一种基于模型的控制策略,如模型预测控制。目前,专家控制、神经网络和模糊控制等智能控制技术正成为先进控制的一个重要发展方向。
(2)先进控制通常用于处理复杂的多变量过程控制问题,如大时滞、多变量耦合、被控变量与控制变量存在着各种约束等。先进控制是建立在常规单回路控制之上的动态协调约束控制,可使控制系统适应实际工业生产过程动态特性和操作要求。
(3)先进控制的实时需要足够的计算功能作为支持。由于先进控制受控制算法的复杂性和计算机硬件两方面的影响,早期的先进控制算法通常是在计算机控制系统的上位机上实施的。随着DCS功能的不断增强,更多的先进控制策略可以与基本控制策略一起在DCS上实现,后一种方式可有效地增强先进控制的可靠性、可操作性和可维护性[13]。
二、分类
著名过程控制专家D.E.Seborg给出的按应用程度分类的过程控制策略有:第一类:传统控制策略,如手动控制、PID控制、比值、串级、前馈;第二类:先进控制——经典技术，如增益调整、时滞补偿、解耦控制;第三类:先进控制——统行技术,如模型预测控制、内模、自适应、统计质量;第四类:先进控制——潜在技术,如最优控制、非线性控制、专家控制、神经控制、模糊控制;第五类:先进控制——研究上的策略,如鲁棒控制、Hoo控制、U综合。
先进控制技术究竟应该包括哪些内容,不同的研究者和研究用途则会产生不同的看法。
但可以肯定的是:PID控制器参数自整定、自适应控制、模型预测等应该是现阶段先进控制技术的最基本内容。
三、现阶段先进控制技术——预测控制
20世纪60年代初期,卡尔曼(R.E.Kal-man)系统中将状态空间法引入到系统和控制理论中,形成了现代控制理论,并且很快在航空航天等领域取得了巨大的成果,对自动控制技术的发展起到了积极的推动作用。但是,实际工业过程的多变量、非线性、时变和不确定性等特点以及工程应用中要求考虑控制的时效性和经济性等因素,使得以精确数学模型为基础,立足最优性能指标且许多算法较为复杂的现代控制理论难以有效的应用于复杂的工业过程。
为了克服理论与实际应用之间的上述不协调,20世纪70年代以来,人们一方面为了提高数学模型的精确程度及考虑不确定因素的影响,加强了对系统辩识、工业过程的建模、自适应控制、鲁棒控制等方面的研究,另一方面开始突破传统思想的约束,试图面向实际工业过程的特点,研究各种对模型要求低,在线计算简单方便,实时性好,控制效果佳的控制新算法。同时,计算机技术的飞速发展也为新的控制策略提供了良好的运行平台。预测控制就是在这种情况下发展起来的一类新型算法。
一般可将预测控制算法分为两大类:第一类为基于非参数模型的模型预测控制(Model Predictive Control,MPC)。主要代表是Richalet(1987)、Mehra(1982)等提出的建立在脉冲响应模型基础上的模型预测启发控制(Model Predictive Heuristic Control,MPHC)或模型算法控制(Model Algorithmic Control,MAC);Cutler(1980)等提出的建立在阶跃相应模型基础上的动态矩阵控制(Dynamic Ma-trix Control,DMC)。这类预测控制方法的特点是脉冲响应在工业现场易于获得,不需要复杂的系统辩识建模;采用反馈校正基础上的在线滚动优化取代传统最优控制,因而可以克服各种不确定性的影响,增强控制的鲁棒性,而且在线计算简单。因此这类算法很适合于实际工业过程的控制需要,很快引起了广泛兴趣,并得到大量成功应用。[14]中介绍的炼油厂催化裂化装置的反应再生系统,其原油预热过程机理复杂,有较大时滞,操作变量强耦合,参数强约束。利用多变量协调预测控制后,提高了系统操作的平稳性,有效的抑制了过程中的不可测扰动影响。[15]中使用基于预测控制的多变量约束控制算法,采用两次预测方法,针对上海宝钢加热炉模型进行综合控制,实验表明了这种预测控制算法在解耦、节能、跟踪、稳定性等方面的良好性能。
第二类是基于参数化模型的预测控制,主要有Clarke(1987)提出的广义预测控制(Gen-eralized Predictive Control, GPC)和Lelic(1987)提出的广义预测极点配置控制(Gener-alized Poles Placements Control,GPP)。20世纪80年代初期,人们在自适应控制理论研究的过程中,为了增强自适应控制系统的鲁棒性,在广义最小方差的基础上,吸取预测控制中的多步预测优化策略,而出现了基于辩识受控参数模型,且带有自适应控制或为增加系统稳定性而配置极点的预测控制算法。由于将自适应控制与预测控制相结合,因而可及时修正参数变化产生的预测模型的预测误差,从而改善系统的动态性能.同MAC和DMC一样,GPC在工业过程控制中也获得了大量成功应用。
中将广义预测控制(GPC)用于对联铸生产过程中的结晶液位控制,克服了拉速变化引起的有色噪声,减少了液位偏差,提高了系统的鲁棒性。
近20年来,国内外预测控制的研究和应用日趋广泛。各种有关预测控制的报道也越来越多。研究范围已经涉及到预测模型类型、优化目标种类、约束条件种类、控制算法以及稳定性、鲁棒性等方面,也包括多变量系统、非线形系统以及其它控制方法与预测方法的结合。
如自适应预测控制、模糊预测控制、鲁棒预测控制、神经网络预测控制,还包括大量的实际工业应用的研究。
预测控制的成功在于它起源于工业实践,并且它的发展始终与工业实践紧密相连。但实际上,预测控制的理论还远远落后于其实际应用,因此在理论方面仍需得到进一步的研究和发展。
(1)由于预测控制本身的特点,目前已有的算法中主要设计参数与闭环系统的动静态特性、稳定性和鲁棒性之间的一般解析关系难以得到,因而系统的稳定性分析和鲁棒性分析还远没有达到定量的程序,缺乏一般通用的参数设计选择准则。尤其是对于多变量系统的相应算法,稳定性和鲁棒性分析急需突破。
(2)针对工业过程大量存在的非线性及不确定等系统的特点,非线性预测控制和鲁棒预测控制将成为今后研究的重点。
(3)在预测控制算法的发展和创新方面,一方面应在预测模型、目标函数种类、反馈校正方法、求解优化的策略等全方位的加以研究和突破,另一方面应继续注重学科的交叉研究,把其他有效的控制方法以及可能解决预测控制现有难题的其他学科的理论与现有预测控制方法相结合,不断完善和发展。
20多年来,预测控制理论与应用得到了飞速的发展,展示了强大的生命力,为国民经济的发展起到了巨大的促进作用。预测控制理论和应用的不断完善和发展必将在实际工业领域的控制中发挥越来越重要的作用,展现其美好的前景。
四、未来的发展方向——智能控制
智能控制(Intelligent Control,IC)是传统控制发展的高级阶段,是控制技术高度分化且综合的重要产物。由于一些被控对象呈现高度的时变性、非线性、时滞性和不确定性,简单的控制策略已不能满足现代控制的要求,综合的、集成的智能控制技术成为研究和应用的热点。
智能控制作为一门新的学科分支,得到了普遍的承认,并且已经被广泛的应用于工业、农业、服务业、军事航空等各个领域。近年来,随着人工智能技术和其他信息处理技术,尤其是信息论、系统论和控制论的发展,智能控制在机理和应用实践方面取得了突破性的进展。遗传算法与模糊逻辑、神经网络相互融合,通过模拟人类的思维方式和结构来设计用于解决复杂的各种非线性问题的控制策略,并已在各种实际工程项目中得到应用,取得了良好的效果。分歩式人工智能中的Agent和Multi Agent Sys-tem已成为研究的热点,构建基于Agent的集散递阶结构的智能控制系统为智能控制注入了新的活力。
五、工业过程中的智能控制
许多工业连续生产线上,例如:化工、冶炼、材料加工、轧钢等,由于反应机理复杂,关联耦合严重,环境干扰不确定,要求与约束多样等原因,对其系统运行情况和过程的信息了解较少,自动化集成控制应用存在一定的难度,需要运用智能控制模式。生产过程的智能控制主要包括两个方面:局部级和全局级。局部级的智能控制是将智能引入工艺过程的某一单元进行控制器的设计,例如专家控制器、智能PID控制器、神经元网络控制器等。全局级的智能控制,主要针对整个生产的自动化,包括整个操作工艺的控制,过程的故障诊断,规划过程操作处理异常等。
针对局部智能控制设计,目前研究的热点是智能PID控制器的设计。因为PID控制至今仍是工业控制中最广泛的控制规律,但常规的PID控制已不能满足现在复杂的工业生产,所以就有必要将人工智能技术与传统的PID控制规律结合为智能PID控制。通过智能技术的加盟,智能PID控制器相比传统的PID控制器,在参数的整定和在线自适应调整方面有其显著的优越性,并可用于控制一些非线性的复杂对象。国内近年智能控制理论应用研究的实例见表1。
控制表
专家控制系统把专家操作经验和计算机强大的计算机能力结合起来,具有启发式推理的能力,能对时变、非线性、易受干扰的复杂控制对象取得较好的控制效果,主要应用于系统设计、仿真建模、参数整定、故障检测及过程监控。
但现有专家控制系统无法表达符号以外的知识,存在知识获取困难和知识库无法自动更新的缺憾。模糊控制具备处理人类模糊语言信息的能力,可模拟人类进行判断和决策,但不具备自学能力,且规则自适应性差,稳态精度有限。
神经网络控制具有并行处理和高度自组织、自学习、自适应能力,但它不能描述和处理模糊信息,运行过程不具有推理的透明性。智能控制一般不具有解析性,没有通用的稳定性判定方法,还有很多方面有待进一步完善。
针对复杂的被控系统,单一的控制方法很难取得最优的控制效果,将智能控制和常规控制结合起来,取长补短,充分发挥各自优势,吸收新的人工智能和计算智能方法,从全局上提高控制系统智能化水平的综合智能化控制成为控制理论研究和应用的热点。分别介绍了模糊控制和滑模控制相结合用于自治水下机器人(AUV)和体操机器人的控制研究。
模糊控制和神经网络控制具有互补性,[17]中介绍了模糊神经网络近年的发展情况,并介绍了模糊神经网络用于连续搅拌器的控制,及时检测、诊断故障,达到保障生产安全稳定的目的。[18]中利用模糊C均值聚类算法确定电容分组,通过神经网络算法找出补偿导纳具有最大隶属度的所属类,以该类中心点对应的电容组投入电路,对电网电压、无功功率和不平衡进行综合补偿。针对PID控制在现实工业过程控制中的主导地位,[19]详细介绍了近10年来结合自适应控制、预测控制和智能控制所产生的新型PID控制技术的发展及其在过程控制中的应用情况。核动力装置是一个多变量、强耦合、非线性、时变、存在大滞后的复杂被控对象,[20]中介绍了利用递阶方法建立的分层模糊自适应控制的解决方案。机器人手臂定位控制一直是控制领域的重要研究对象,[21]中采用P-F-PI多模控制器消除不同阶段的偏差,并利用遗传算法优化三个控制器的切换参数以及F控制器的修正系数,在运行过程中获得良好的动态及稳态性能。再如应用于熟料窑温控制系统中基于专家智能协调的神经网络模糊控制[22]。冶金过程中的自适应模糊控制[23],应用于工业炉过程的神经网络模糊检测控制[24],以及工业中温度自调节的模糊控制系统[25]。值得特别指出的是,工业生产过程的模型化研究是工业过程控制与决策,故障诊断以及运行状态评价的基础[26]。不少科技工作者在此领域做了卓有成效的探索研究。其中,中结合铅锌炼烧结过程提出了一种基于神经网络、模糊逻辑等智能辩识方法的工业过程参数模型化的方法。这种智能集成建模策略是在分析了冶金机理、归纳专家经验和辩识生产数据的基础上,以神经网络为基础,集成运用模糊辩识、统计分析、归纳推理等方法建立起来的,并在实际工程中得到应用。[28]中提出一种自适应监督式分布神经网络建模方法,可推广到含有噪声约束的其它工业控制工程。
由于智能控制理论的建立至今不过短短十几年时间,虽然也建立起了基本框架和理论思路,但就其作为一门学科而言,还远未成熟。对智能控制理论研究的意义在于:如果没有严格的科学的理论指导,盲目的应用是不会取得持续的成功。智能控制的主要研究领域是经典控制无法解决的股市、气象等广义的传统领域,也包括了控制对象不断复杂化,控制过程不断智能化的工业、制造业等工程领域。正是由于这些传统控制方法无力解决的问题,成为智能控制发展的动力,也使智能控制的发展充满活力与希望。但在智能控制发展的热潮中,应当看到,国内外智能控制的应用研究的成果层出不穷与理论研究的缓慢发展甚至是停滞不前形成了一种不平衡现象。智能控制的工程应用还有待进一步开发和推广,还需要以更充分的范例体现其发展的必要性和应用的优越性。
随着工业生产向大型化、连续化、集成化和复杂化的方向发展,使得控制理论与控制工程发生了巨大的变化,过程控制系统由简单的控制向先进过程控制迈进。计算机技术、控制技术和信息化技术相互促进、相互渗透产生了一系列新的网络化控制方式。
以现场总线为底层,以广泛应用的以太网(Ethernet)为上层,建立全企业或全厂的,包括经营决策、管理信息、生产调度、监督控制和直接控制在内的管理及控制全部生产活动的综合自动化系统,消除自动化孤岛,构成CIPS(computer integrated process system)达到生产的柔性化、敏捷化、智能化已经成为21世纪知识经济时代中工业生产自动化的发展方向。