《哈工大机电一体化系统设计课程论文-智能控制技术在机电一体化系统中的应用综述》由会员分享，可在线阅读，更多相关《哈工大机电一体化系统设计课程论文-智能控制技术在机电一体化系统中的应用综述（8页珍藏版）》请在金锄头文库上搜索。
1、机电一体化系统设计课程论文- 1 -智能控制技术在机电一体化系统中的应用综述摘要：随着科技的发展，对机电一体化系统控制的要求也越来越高，被控制的对象、目标与环境及其任务都变得复杂，因此智能控制技术在机电一体化系统中的应用越来越受到重视。本文介绍了智能控制技术的分类、特点以及在机电一体化系统中的应用，并提出了对智能控制技术的展望。关键词：智能控制技术，机电一体化，系统，应用0 引言智能控制是自动控制发展的高级阶段，是控制论、系统论、信息论和人工智能等多种学科交叉和综合的产物，为解决那些用传统方法难以或不能很好解决的复杂系统的控制提供了有效的理论和方法。智能控制系统主要包括模糊控制系统、神经网络控
2、制系统和专家控制系统等。随着我国科技的快速发展，智能化、数据化、信息化等各种先进技术在人们生产生活中的应用也越来越广泛。在机电一体化系统中，特别重视对智能控制技术的应用，通过智能控制与机电一体化系统的完美结合，有效改善了传统机电一体化系统存在的各种缺陷，有效的提高了机电一体化设备的运行效率，促进了社会的发展。1 智能控制与传统控制的比较智能控制与传统控制相比，在理论方法、应用领域、性能指标等方而存在明显的不同，主要表现在： 在应用领域方而，传统控制着重解决不太复杂的过程控制和大系统的控制问题；而智能控制主要解决高度非线性、不确定性和复杂系统控制问题；在理论方法上，传统控制理论通常采用定量方法进
3、行处理，而智能控制系统大多采用符号加工的方法；传统控制通常捕获精确知识，而智能控制通常是学习积累非精确知识；传统控制通常是用数学模型来描述系统，而智能控制系统则是通过经验、规则用符号来描述系统；在性能指标方而，传统控制有严格的性能指标，智能控制没有统一的性能指标，而主要关注其目的和行为是否达到。2 智能控制技术的主要方法智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等，以及常用优化算法有：遗传算法、蚁群算法、免疫算法等。2.1 模糊控制模糊控制以模糊集合、模糊语言变量、模糊推理为其理论基础，以先验知识和专家经验作为控制规则。其基本思想是用机器模拟人对系统的控制
4、，就是机电一体化系统设计课程论文- 2 -在被控对象的模糊模型的基础上运用模糊控制器近似推理等手段，实现系统控制。在实现模糊控制时主要考虑模糊变量的隶属度函数的确定，以及控制规则的制定。二者缺一不可。与传统控制相比，模糊推理不需要精确的数学模型，其设计主要建立在相关数据与规则的基础之上，因此适于解决非线性系统的控制问题；而且模糊控制的鲁棒性好、自适应性强，适用于时变、时滞系统。但是模糊控制也有其自身的弊端，如学习能力不强，设计时控制规则的拟订过于依赖经验和专家知识，因此有时精确度不高。图 1 模糊控制系统原理框图2.2 专家控制专家控制是将专家系统的理论技术与控制理论技术相结合，仿效专家的经验
5、，实现对系统控制的一种智能控制。主体由知识库和推理机构组成，通过对知识的获取与组织，按某种策略适时选用恰当的规则进行推理，以实现对控制对象的控制。专家控制可以灵活地选取控制率，灵活性高；可通过调整控制器的参数，适应对象特性及环境的变化，适应性好；通过专家规则，系统可以在非线性、大偏差的情况下可靠地工作，鲁棒性强。但是由于专家控制主要依据知识表示技术确定问题的求解途径，采用知识推理的各种方法求解问题及制订决策。因此如何获取专家知识，并将知识构造成可用的形式就成为研制专家系统的主要瓶颈之一；另一方而，专家控制系统是一个动态系统，因此如何在控制过程中自动更新和扩充知识，并满足实时控制的决速准确性需求
6、是非常困难的。以目前的稳定性分析方法很难直接用于专家控制系统。2.3 神经网络控制神经网络模拟人脑神经元的活动，利用神经元之间的联结与权值的分布来表示特定的信息，通过不断修正连接的权值进行自我学习，以逼近理论为依据进行神经网络建模，并以直接自校正控制、间接自校正控制、神经网络预测控制等方式实现智能控制，与传统控制相比具有如下的优势：能够充分逼近任意复杂的非线性系统；能够学习和适应严重不确定性系统的动态特性；由于大量神经元之间广泛连接，即使有少量单元或连接损坏，也不影响系统的整体功能，表现出很强的鲁捧性和容错性；采用并行分布处理方法，使得快速进行大量运算成为可能。显然，神经网络具有学习能力、并行
7、计算能力和非线性映射能力，在解决高度非线性和严重不确定性系统的控制方而具有很大潜力；但是，目前神经网络控制的研究大多仍停留于数学仿真和实验室研究阶段，极少用于实际系统的机电一体化系统设计课程论文- 3 -控制。X1X n 为神经元的输入；y 为神经元的输出； f(z)为激活函数； 为阈值， 1 n为神经元之间的连接权重图 2 神经元结构图 3 神经网络结构2.4 优化算法2. 4. 1 遗传算法遗传算法(GA)是一种基于模拟遗传机制和进化论的并行随机搜索优化算法。遗传算法依照所选择的适配值函数，通过遗传中的复制、交叉及变异对个体进行筛选，使适配值高的个体被保留下来，组成新的群体，新群体既继承了
8、上一代的信息，又优于上一代，这样周而复始，群体中个体适应度不断提高，直到满足一定的条件。遗传算法具有以下优点：从许多初始点开始进行并行操作，克服了传统优化方法容易陷入局部极点的缺点，是一种全局优化算法；对变量的编码进行操作，替代梯度算法，在模糊推理隶属度函数形状的选取上具有更大的灵活性；对所要求解的问题不要求其连续性和可微性，只需知道目标函数的信息；由于具有隐含并行性，所以可通过大规模并行计算来提高计算速度；可在没有任何先验知识和专家知识的情况下取得次优或最优解。遗传算法在控制领域中，已被用于研究离散时间最优控制、Riccati 方程的求解和控制系统的鲁棒稳定问题等。遗传算法用来训练神经网络权
9、值，对控制规则和隶属度函数进行优化，也可用来优化网络结构。2. 4. 2 蚁群算法蚁群算法是群体智能的典型实现，是一种基于种群寻优的启发式搜索算法。机电一体化系统设计课程论文- 4 -蚁群算法的基本思想：当一只蚂蚁在给定点进行路径选择时。被先行蚂蚁选择次数越多的路径。被选中的概率越大。该算法的主要特点可表述如下：蚂蚁群体行为表现出正反馈过程，通过反馈机制的调整，可对系统中的较优解起到一个自增强的作用。使问题的解向着全局最优的方向演变，有效地获得全局相对较优解；蚁群算法是一种本质并行的算法。个体之间不断进行信息交流和传递。有利于发现较好解，并在很大程度上减少了陷于局部最优的可能；蚂蚁之间没有直接
10、联系，而是通过路径上的信息索进行信息的传递，是间接通信。蚁群算法不仅能够智能搜索、全局优化，而且具有鲁棒性、正反馈、分布式计算、易与其它算法结合等特点。Marco Dorig。等人将蚁群算法先后应用于旅行商问题、资源二次分配问题等经典优化问题，得到了较好的效果。在动态环境下，蚁群算法也表现出高度的灵活性和健壮性，如在集成电路布线设计、电信路由控制、交通建模及规划、电力系统优化及故障分析等方而都被认为是目前较好的算法之一。2.5 综合智能控制技术目前，控制理论与技术向着两个方向发展，一是就一个理论或方法本身的深入研究；二是将不同的方法适当地结合在一起，相互取长补短，发挥各自优势，形成新的控制系统
11、，获得单一方法所难以达到的效果。例如，自适应 PID控制，自适应预测控制，模糊 PID 控制，自适应模糊控制，基于遗传算法的模糊控制，模糊神经网络实现的 PID 参数自整定控制，基于神经网络的自适应模糊控制，自适应模糊变结构控制，基于遗传算法的模糊神经网络智能控制，模糊神经网络自适应预测控制等。下面介绍几种智能控制中的混合算法。2.5.1 专家系统与神经网络控制神经网络采用联接机制方法，专家系统采用的是符号逻辑方法，这是两种人工智能研究的主要方法，这两种方法分别对应人类智能活动的直观感知活动和逻辑认知活动，两者密切相关。单独使用时，各自都有其局限性，如果将两者结合，建立专家系统和神经网络的混合
12、系统，可克服各自的局限性，提高控制性能。为了实现这样的混合系统，可将复杂系统分解成各种功能子系统模块，这些模块分别由神经网络或专家系统来实现。对其中易于掌握其产生式规则的子系统应用专家系统方法，其余的子系统由神经网络来实现。对专家系统和神经网络的混合系统研究引起越来越多学者的重视。目前需进一步深入研究的问题主要有：（1）建立混合系统的模型。一个基本思路是研究人类抽象思维与形象思维之间的联系，在认知层次的表达形式与神经层次的表达形式之间的结构关系，进而研究神经网络模型与人类认知模型之间的映射关系，在此基础上建立混合系统的模型。（2）如何用神经网络表示知识。对用神经网络来表示产生式规则语义网络、框
13、架等形式的知识表示法研究较多，但是对用神经网络表示与形象思维有关的机电一体化系统设计课程论文- 5 -知识研究还较少。( 3)如何用神经网络获取知识。如何解决利用前馈神经网络进行知识获取时，学习时间较长的问题；如何从神经网络中提取规则，以便更好地理解由神经网络获取的知识。2.5.2 模糊神经网络技术模糊神经网络是把模糊逻辑系统与神经网络系统相结合，形成一个优势互补系统。神经网络从结构上模仿人脑，形成“硬件”拓朴结构，具有很强的并行处理能力、学习能力、容错能力，能够通过学习从给定的经验训练集中生成映射规则，但在网络中映射规则是不可见的和难以理解的，并且学习速度较慢，表达知识比较困难；模糊逻辑从功
14、能上模仿人的大脑，形成“软件”模拟，利用先验知识，以简明的规则来表达，能处理不确定信息，其缺点是难以学习。将这两种对人脑“硬件”和“软件”的模拟进行有机地结合，可相互取长补短，使得系统控制性能得到明显提高，尤其是对于难以建模或非线性时变对象，会获得传统控制方法和其它现代控制理论难以达到的效果。模糊神经网络控制系统有两种基本结构。一种是神经网络作为模糊控制器的自适应机构，由神经网络的自学习能力调整控制器的参数，达到改善系统性能的目的；另一种是直接利用神经网络的联想能力形成模糊决策规则，并通过神经网络的自学习能力自动调整网络连接权重，从而调整模糊决策规则。将模糊神经网络用于控制时，常与其它控制方法
15、相结合，其中多数情况是与自适应控制相结合。在自适应控制中引入模糊神经网络，将进一步改善系统的鲁棒性和实时性，特别适用于具有不确定性的非线性系统的跟踪控制问题。今后模糊神经控制的研究方向包括：（1）研究如何用神经网络实现模糊推理，包括对神经网络模糊输入、不确定信息在网络中的传播、对最终结果的理解。（2）研究模糊逻辑与神经网络的对应关系，将对模糊控制器的调整转化为等价的神经网络的学习过程。（3）进一步改进和完善模糊神经控制的学习算法，提高控制算法的速度和性能。2.5.3 遗传算法与模糊逻辑遗传算法与模糊逻辑的结合是一种将知识获取和知识表示有机结合起来的新的研究思路。模糊系统可以比较严密地表示和存储
16、有关的领域知识，例如模糊规则，并且对于结构化的、有较完整定义的知识，模糊系统能够比较有效地表示问题的解。但是对于比较复杂的系统，由人工反复试验的方法来设计模糊系统是很困难的。与此相比，遗传算法在优化规则结构成员函数和学习模糊规则上具有明显优势。因此，将遗传算法与模糊逻辑相结合，引起很多学者的兴趣。目前研究的重点主要是用遗传算法改进模糊控制器，其中包括：（1）优化模糊隶属函数。所隶属函数转换成遗传计算所需的表示，利用遗传算法对论域空间的语言变量模糊集进行优化。模糊隶属函数常用的有三角形、梯形、高斯函数形。（2）优化模糊规则集。模糊控制器的控制算法可以包含固定数量的规则集，也可以是变数量的规则集。大多数研究工作都把隶属函数的代码作为每条规则代码的一部分，并使用变数理论的规则。通过预防或修正措施，删除模糊控制器里冗余的规则和不切合规则。模糊规则的质量和数量与所需用规则的量化度、机电一体化系统设计课程论文- 6 -论域、允许规则重叠、所要求的性能和鲁棒性有关。遗传算法通过优化规则数目来改进模糊规则集。（3
