自动化概论第2版 赵耀第2章-3 智能控制.ppt

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Åström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 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 1e≤2 and Δe≥0,then u=8; （水温较低且没有上升，则输入很大） if 1e≤2 and -1Δe0, then u=6; （水温较低且缓慢上升，则输入较大） if 1e≤2 and -2Δe≤-1, then u=4; （水温较低且较快上升，则输入中等） ……,设 -3≤e≤3，2≤u≤10，Δe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 μ(a)=0～1 表示 ( 经典集合对应μ=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 μ(1)=0, μ(2)=1, μ(3)=0, μ(4)=1 A = 0／1 + 1／2 + 0／3 + 1／4 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” = 0／25 + 0.14／27 + 0.29／29 + 0.43／31 + 0.57／33+ + 0.71／35 + 0.86／37 + 1／39 + 1／41 + 1／43 + 1／45,二、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： ① 若 e 大，则 u 大 ② 若 e 中，则 u 中 ③ 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 Δe,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）:,① 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”② 加权平均法 ( 离散重心法 ) : 若取离散点为 ui = 0, 1, 2, 3, 4, 5 ( i= 1 ~ 6 ) 则离散模糊量为 u = 0／0 + 0.2／1 + 0.2／2 + 0.5／3 + 0.8／4 + 0.8／5,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 Δe , 若 e , Δe 和控制量 u 均离散化 [注] , 则可离线计算好 e , Δe 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 Δe 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 Δe, 应如何进行模糊推理?,以误差中等为例,e=0.5, Δe=1.5 时的推理过程：,注：先对μe 和μΔe 取小（同时满足前提条件的程度以 小的为准）,e=0.5, Δe=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： 1943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 θ：阈值 f(·) ：输出变换函数,θ, f 的确定: 根据应用 wi 的确定: 通过学习,一、人工神经元模型,输出变换函数的常见类型:,控制中常用 ②，③，④,② 比例函数,③ S 状函数,④ 双曲函数,① 符号函数,①,③,④,,二、神经元的学习方法,学习规则： wi(k+1) = wi(k) + μivi(k) , i = 1, 2, ., n k —— 第 k 次学习 μi —— 学习速率 （μi 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μi 的选取； 缺点是可能陷入局部最小点。

简单例： 设 y = w1x1 （即 θ= 0 , f(s) = s） w1 的初值 w1(0) = 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 μ=0.5 时的学习结果 ( 学习速率较小 ),表 6-2 μ=1.5 时的学习结果 ( 学习速率较大 ),表 6-3 μ=2 时的学习结果 ( 学习速率过大 ),表 6-4 μ=3 时的学习结果 ( 学习速率过大 ),结论： μ过小收敛慢；μ过大则振荡甚至可能发散 对于该例，μ=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①、②，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①～③ 进行学习； 重复①～④，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。