《自动化概论第2版 赵耀第2章-3 智能控制》由会员分享，可在线阅读，更多相关《自动化概论第2版 赵耀第2章-3 智能控制（50页珍藏版）》请在金锄头文库上搜索。
1、2.3 最热门的控制方法 智能控制,主要内容,智能控制的基本概念 专家控制（Expert Control） 模糊控制（Fuzzy Control） 神经网络控制（Neural Network Control） 对智能控制的一些展望,2.3.1 智能控制的基本概念,什么是“智能”? 什么是“智能控制”？,人的智能表现在其所具有的记忆、学习、模仿、适应、联想、语言表达、文字识别、逻辑推理、归纳总结、综合决策等各种能力。,当自动控制方式明显地具有这些智能特征时，就称其为“智能控制”。,人与智能控制,人本身就是一个非常完美的智能控制系统，人脑及神经系统相当于智能控制器，对通过感官获取的各种信息进行综合
2、分析、处理和决策，并利用手和脚等执行机构作出相应的反应，能适应各种复杂的控制环境，完成难度很大的任务。,5,传统自动控制与智能控制,广义地讲，几乎所有的自动控制系统都在一定程度上模仿了人的控制方式，或多或少地具有“智能”，但谈到“智能控制”，仍然有别于传统的自动控制，两者虽无明确的界限，但存在明显的区别。,传统的自动控制是基于数学模型、以定量分析为主；而智能控制则更多地基于知识，利用专家经验、逻辑推理、学习功能、遗传和进化机制等来进行控制，是以定性分析为主、定量与定性相结合的控制方式。,智能控制的主要特点,体现了人的控制策略和控制思想，拥有受控对象及环境的相关知识以及运用这些知识的能力，具有很
3、强的自适应、自学习、自组织和自协调能力、能在复杂环境下进行综合分析、判断和决策，实现对复杂系统的控制。,属于典型的交叉学科，涉及人工智能、自动控制、运筹学、系统论、信息论等，在系统的实现上则必须依托计算机技术。 基本上属于“方法”范畴，理论分析困难，理论体系尚未建立。,萌芽期（60年代）,形成期（70年代）,发展期（80年代）,高潮期（90年代至今）,智能控制的发展阶段（始于上世纪）：,智能控制的主要类型,专家控制 模糊控制 神经网络控制 学习控制 基于规则的仿人控制,什么是专家系统、专家控制?,2.3.2 专家控制（Expert Control）,“专家” 是具有某一领域专门知识或丰富实践经
4、验的人，而“专家系统”则是一个计算机系统，存储有专家的知识和经验，并用推理的方式针对问题给出结论。,“专家控制”是将专家或现场操作人员的知识和经验总结成知识库，形成很多条规则，并利用计算机、通过推理来实施控制。,专家系统、专家控制的产生及发展,专家系统是人工智能的重要内容，由美国斯坦福大学1965年提出，最初用于化学质谱分析，后广泛应用于工业、农业、医疗、教育等领域。 瑞典的strm于1983年首次将专家系统用于常规控制器参数的自动整定，并于1984年正式提出了专家控制的概念，目前已成功应用于机器人控制、飞机的操纵控制、故障诊断、各种工业过程控制等 。,常见的两类专家控制系统,直接型专家控制
5、用于取代常规的控制器，直接控制受控对象或生产过程。,间控型专家控制 和常规控制器相结 合，组成对受控对 象或生产过程进行 间接控制的智能控制系统，通常利用偏差和偏差变化率来调节常规控制器的参数。,例：热水器水温调节系统的专家控制,可将常规的PID控制与专家系统相结合，把专家设计和调试PID参数的知识和经验总结成一些规则，根据系统的运行状态自动地调整控制器的相关参数。,间接型专家控制的基本思路：,这就是所谓的“基于规则的参数自整定PID控制”。,一种直接型专家控制的基本思路：,对误差和误差变化率进行分段，并根据其位于哪一段来决定相应的控制量，属于最简单且最直观的分段智能控制方法。 下面讨论这种控
6、制方法。,水温调节系统的直接型专家控制,控制规则： 若水温很高，则将控制量调至最小（气阀开度最小）； 若水温很低，则将控制量调至最大（气阀开度最大）； 若水温比较低，且没有上升，则大幅度调大控制量； 若水温比较低，且在缓慢上升，则较大幅度调大控制量； 若水温比较低，但上升较快，则适当调大控制量； ,专家的知识和经验就体现在如何对e及其变化率进行分段，以及如何确定其与u的具体取值上。,控制规则的具体化,if e2, then u=10; （水温很低，则输入最大） if e-2, then u=2; （水温很高，则输入最小） if 1e2 and e0,then u=8; （水温较低且没有上升，则
7、输入很大） if 1e2 and -1e0, then u=6; （水温较低且缓慢上升，则输入较大） if 1e2 and -2e-1, then u=4; （水温较低且较快上升，则输入中等） ,设 -3e3，2u10，e代表误差变化率，则控制规则可能如下：,关于专家控制的几点说明,专家控制要求不断地根据反馈信息迅速作出决策，对实时性要求很高，因此专家控制器的结构一般比专家系统简单，其核心是知识库和推理机构。 知识库所存储的知识既可以是定性的，也可以是定量的，并可以利用知识获取系统随时对知识进行补充、修改和更新；因此，专家控制比常规控制更加灵活，对复杂环境的适应能力更强。 如何简便有效地获取专
8、家知识、如何在控制过程中自动修改、更新和扩充知识，并满足实时控制的快速性需求是非常关键的。,2.3.3 模糊控制（Fuzzy Control）,模糊控制的发展： 1965年美国的Zadeh提出模糊集合理论; 1974年英国的Mamdani首次将模糊理论应用于蒸汽机控制; 1985年AT,90年代模糊逻辑及其应用形成高潮，应用范围包括工业控制、地铁、电梯、交通、汽车、空间飞行器、机器人、核反应堆、图象识别、故障诊断、污水处理、数据压缩、移动通信、财政金融等,模糊逻辑技术的优越性：,简单、直观、有效、可靠,一、模糊集合 隶属度函数: 某元素 a 属于某集合 A 的程度, 用 (a)=01 表示 (
9、 经典集合对应=0, 1 ) 例: 已知经典集合 A 为 5 的正整数中的偶数 利用隶属度函数表示该集合，则有 (1)=0, (2)=1, (3)=0, (4)=1 A = 01 + 12 + 03 + 14 A 中的分母为论域中的元素，分子为该元素所 对应的隶属度值。,Membership Function,例：表示温度 “冷”，“热”，“适中” 的模糊集合,为简化计算, 一般用离散形式表示模糊集合。 例如，以 2 为间隔进行离散化, 可得 “热” = 025 + 0.1427 + 0.2929 + 0.4331 + 0.5733+ + 0.7135 + 0.8637 + 139 + 141
10、 + 143 + 145,二、模糊控制的基本思路与方法,例：水位控制系统 根据 e 调节 u 保持水位 y 恒定,模糊推理规则： 若 e 大，则 u 大 若 e 中，则 u 中 若 e 小，则 u 小,设 -1 e 4， 0 u 5,注1：即 e 、u 分别都只 设了 3 级。显然 级数越多规则数越多,注2：一般应同时考虑误差 e 和误差变化率 e,模糊化及推理过程:,推理方法：削顶法，或称 Mandani 法,清晰化（解模糊化）:, 重心法 求模糊量所占面积的重心, 重心所对应的横坐标即为所需控制量 u(k),缺点: 计算量较大，通常采用“离散重心法”。, 加权平均法 ( 离散重心法 ) :
11、 若取离散点为 ui = 0, 1, 2, 3, 4, 5 ( i= 1 6 ) 则离散模糊量为 u = 00 + 0.21 + 0.22 + 0.53 + 0.84 + 0.85,注：离散间隔一般较该例小得多，计算结果会更接近连续情况,说明：,模糊控制器的输入量一般取误差 e 和误差变化率 e , 若 e , e 和控制量 u 均离散化 注 , 则可离线计算好 e , e 与 u 的对应关系 ( 查询表 ) , 实时控制时采用查表法 ( 计算量小, 快速 ); 模糊控制性能的好坏主要取决于如何选取 隶属度函数 模糊推理规则 清晰化方法 上例本质上等价于变参数比例调节器, 控制器输入为 e 和
12、 e 时则等价于变参数PD调节器, 因此存在稳态误差，常与PID控制相结合。,注：对具体的输入值需先进行“量化”，如 e 按间距0.1离散 化后有 0.5，0.6，则输入值为 e=0.53 时量化为 0.5， 若 e=0.56 则量化为 0.6（四舍五入）。,若同时考虑误差 e 和误差变化率 e, 应如何进行模糊推理?,以误差中等为例,e=0.5, e=1.5 时的推理过程：,注：先对e 和e 取小（同时满足前提条件的程度以 小的为准）,e=0.5, e=1.5 时的推理结果,2.3.4 神经元网络控制 （Neural Network Control）,人工神经元及神经网络的产生和发展： 19
13、43年提出神经元模型 1949年 Hebb 提出神经元学习规则 （Hebb学习规则） 1958年提出基于神经网络的感知器模型 （模拟人脑的感知和学习能力）,1986年提出神经网络的反向传播学习方法（简称 BP 算法，Back Propagation ） 注 ，证明了BP神经网络能无限逼近任意输入输出函数 90年代神经网络的研究达到高潮，并成功应用于自动控制、人工智能、信息处理、机器人、机械制造等很多领域。,注：1974年哈佛大学的博士生Werbos就已提出，但未引起注意,wi：连接权系数 ：阈值 f() ：输出变换函数, f 的确定: 根据应用 wi 的确定: 通过学习,一、人工神经元模型,输
14、出变换函数的常见类型:,控制中常用 ，, 比例函数, S 状函数, 双曲函数, 符号函数,二、神经元的学习方法,学习规则： wi(k+1) = wi(k) + ivi(k) , i = 1, 2, ., n k 第 k 次学习 i 学习速率 （i 0） vi(k) 学习信号（通常为误差的函数）,学习的意义： 通过调整权值 wi ，使神经元具有期望的输入输出模式,学习方法梯度下降法：,特点： 沿梯度方向下降一定能到达 J 的极小点； 学习的快慢取决于学习速率i 的选取； 缺点是可能陷入局部最小点。,简单例： 设 y = w1x1 （即 = 0 , f(s) = s） w1 的初值 w1(0) =
15、 0,取性能指标为 J = e2(k)2 = 2 y(k) 2 2 = 2 w1(k) 2 2,则有,用梯度下降法, 使 x1 = 1 时, y = 2,表 6-1 =0.5 时的学习结果 ( 学习速率较小 ),表 6-2 =1.5 时的学习结果 ( 学习速率较大 ),表 6-3 =2 时的学习结果 ( 学习速率过大 ),表 6-4 =3 时的学习结果 ( 学习速率过大 ),结论： 过小收敛慢；过大则振荡甚至可能发散。 对于该例，=1 时的学习次数最少( 一次结束),三、神经元网络,目的：通过学习，使神经网络具有期望 的输入输出模式 两个关键: 网络结构 , 学习方法 常用结构: 前馈网，反馈网等 著名的BP网络 = 前馈网 + BP算法 （ BP: Back Propagation ）,梯度 下降法,由输出层向输入层反向计算每一层的连接权值,BP算法,BP算法的进行方式: 由给定的输入样本计算网络输出，并与输出样本进行比较（输出误差）； 由输出误差依次反向计算每一层的权值； 重复、，直至输出误差满足要求为止； 对每组输入输出样本数据都按 进行学习； 重复，直至所有输出误差都达到要求的精度。,神经网络的特点：,通过学习，可以无限逼近任意的输入输出函数； 具有归纳或泛化能力（经样本训练后，输入不属于样本
