「 1. 智能控制的概念 」

 

智能控制是控制理论与人工智能的交叉成果，是经典控制理论在现代的进一步发展，其解决问题的能力和适应性相较于经典控制方法有显著提高。由于智能控制是一门新兴学科，正处于发展阶段，因此尚无统一的定义，存在多种描述形式。美国IEEE协会将智能控制归纳为：智能控制必须具有模拟人类学习和自适应的能力。我国蔡自兴教授认为：智能控制是一类能独立地驱动智能机器实现其目标的自动控制，智能机器是能在各类环境中自主地或交互地执行各种拟人任务的机器。1996年，蔡自兴教授把信息论（information theory，IT）引入智能控制学科结构，在国际上率先提出了图1所示智能控制的“四元交集结构理论”。

 

 

图1 基于四元论的智能控制

 

「 2. 智能控制的特点 」

 

传统控制控制方法存在以下几点局限性：

 

（1）缺乏适应性，无法应对大范围的参数调整和结构变化。

 

（2）需要基于控制对象建立精确的数学模型。

（3）系统输入信息模式单一，信息处理能力不足。

 

（4）缺乏学习能力。

 

智能控制能克服传统控制理论的局限性，将控制理论方法和人工智能技术相结合，产生拟人的思维活动，采用智能控制的系统主要有以下几个特点：

 

（1）智能控制系统能有效利用拟人的控制策略和被控对象及环境信息，实现对复杂系统的有效全局控制，具有较强的容错能力和广泛的适应性。

 

（2）智能控制系统具有混合控制特点，既包括数学模型，也包含以知识表示的非数学广义模型，实现定性决策与定量控制相结合的多模态控制方式。

 

（3）智能控制系统具有自适应、自组织、自学习、自诊断和自修复功能，能从系统的功能和整体优化的角度来分析和综合系统，以实现预定的目标。

 

（4）控制器具有非线性和变结构的特点，能进行多目标优化。

这些特点使智能控制相较于传统控制方法，更适用于解决含不确定性、模糊性、时变性、复杂性和不完全性的系统控制问题。

 

「 3. 智能控制的关键技术 」

 

1）专家控制

 

专家控制又称专家智能控制，其结构如图2所示。采用专家控制的控制系统一般由以下几部分组成：

 

（1）知识库。由事实集和经验数据、经验公式、规则等构成。事实集包括对象的有关知识，如结构、类型及特征等。控制规则有自适应、自学习、参数自调整等方面的规则。经验数据包括对象的参数变化范围、控制参数的调整范围及其限幅值、传感器特性、系统误差、执行机构特征、控制系统的性能指标以及经验公式。

 

（2）控制算法库。存放控制策略及控制方法，如PID、神经网络控制、预测控制算法等，是直接基本控制方法集。

 

（3）推理机。根据一定的推理策略（正向推理，即从原始数据和已知条件得到结论）从知识库中选择有关知识，对控制专家提供的控制算法、事实、证据以及实时采集的系统特性数据进行推理，直到得出相应的最佳控制决策，由决策的结果指导控制作用。

 

 

图2 专家控制基本结构

 

按照专家控制的作用和功能，一般分为以下两种类型：

 

（1）直接型专家控制器。该类控制器取代常规控制器，直接控制被控对象。一般情况下，直接型控制器任务和功能相对简单，要求在线工作。

 

（2）间接型专家控制器。该类控制器用于和常规控制器相结合，实现高层决策功能，如优化适应、协调、组织等。一般优化适应型需要在线工作，组织协调型可以工作在离线。

 

2）模糊控制

 

模糊控制是将模糊集理论、模糊逻辑推理和模糊语言变量与控制理论和方法相结合的一种智能控制方法，目的是模仿人的模糊推理和决策过程，实现智能控制。模糊控制器包括以下几个部分：

 

（1）模糊化接口。用于将输入转化为模糊量。它首先将输入变量转化到相应的模糊集论域；最后应用模糊集对应的隶属函数将精确输入量转换为模糊值。

 

（2）知识库。由数据库和规则库组成。数据库所存放的是所有输入、输出变量的全部模糊子集的隶属度矢量值，在规则推理的模糊关系方程求解过程中，向推理机提供数据。规则库由一组语言控制规则组成，例如IF-THEN、ELSE、ALSO等，表达了应用领域的专家经验和控制策略。

 

（3）推理机。根据模糊规则，运用模糊推理算法，获得模糊控制量。模糊推理的方法有很多，如MAX-MIN法、模糊加权推理法、函数型推理法等。

 

（4）解模糊接口。系统的具体控制需求一个精确量，所以需要通过解模糊接口将模糊量转换成精确量，实现对系统精确的控制作用。

 

模糊控制器的基本结构如图3所示。

 

 

图3 模糊控制器基本结构

 

模糊控制系统的分类有很多种方式，例如按照信号的时变特性可以分为恒值和随动模糊控制系统；按照系统输入变量的多少，可以分为单变量和多变量模糊控制系统；按照静态误差可以分为有差和无差模糊控制系统。

 

虽然模糊控制理论的发展已经历经半个世纪，然而在实际应用层面，模糊控制还存在诸多限制。例如，模糊规则和隶属度函数的建立依赖经验，难以适应复杂系统，亟待进一步完善。

 

3）神经网络控制

 

人工神经网络由神经元模型构成。神经元是神经网络的基本处理单元，是一种多输入、单输出的非线性元件，多个神经元构成神经网络。神经网络具有强大的非线性映射能力、并行处理能力、容错能力以及自学习自适应能力。因此，非常适合将神经网络用于含不确定复杂系统的建模与控制。由于神经网络本身的结构特点，在神经网络控制中，可以使模型与控制的概念合二为一。

 

神经网络在控制系统中往往应用于以下几方面：

 

（1）用于建立被控对象模型，结合其他控制器对系统进行控制。

 

（2）直接作为控制器替代其他控制器，实现系统控制。

 

（3）在传统控制系统中起优化计算作用。

 

（4）与其他智能控制算法相结合，实现参数优化、模型推理及故障诊断等功能。

 

神经网络控制器一般分为两类：一类是直接神经网络控制器，它以神经网络为基础形成独立的智能控制系统；另一类称为混合神经网络控制器，它利用神经网络的学习和优化能力来改善其它控制方法的控制性能。

 

4）学习控制

 

学习控制是智能控制的重要分支，旨在通过模拟人类自身优良调节机制实现优化控制。学习控制可以在运行过程中逐步获得系统非预知信息，积累控制经验，并通过一定评价指标来不断改善控制效果的自动控制方法。学习控制算法有很多，如基于神经网络的学习控制、重复学习控制、迭代学习控制、强化学习控制等。

 

5）智能算法

 

智能算法是人们受自然界和生物界规律的启发，模仿其原理进行问题求解的算法，包含了自然界生物群体所具有的自组织、自学习和自适应等特性。在用智能算法进行问题求解过程中，采用适者生存、优胜劣汰的方式使现有解集不断进化，从而获得更优的解集，具有智能性。1962年美国Holland教授模拟自然界遗传机制提出了一种并行随机搜索算法，即遗传算法（genetic algorithm，GA），获得成功。经过多年发展，大量优秀的智能算法被广泛应用于各个领域。一些经典智能算法包括差分进化算法（differential evolution，DE）、粒子群优化算法（particle swarm optimization，PSO）、模拟退火算法（simulate anneal，SA）等。

 

以遗传算法为例，智能算法的应用基本流程如下：

 

（1）依据问题模型，确定个体的编码和解码方式，建立适应度函数。遗传算法一般采用二进制编码。

 

（2）初始化。设置种群规模、终止条件和搜索空间等条件，为种群个体赋值。一般情况下，为种群个体进行随机赋值。

 

（3）个体评价。基于适应度函数计算个体的适应度数值。适应度函数用来评价个体的好坏。

 

（4）选择。依据适应度大小，选择父辈群体执行遗传操作，适应度越高越容易被选择。

 

（5）交叉。从父辈群体中随机选取两个个体进行交叉运算，交换基因信息。

 

（6）变异。为防止群体趋向单一化，导致收敛过快，可以依据概率将个体中某一位基因进行变异运算，获得新种群。

 

（7）根据终止条件（如迭代次数）判断是否结束，若没有满足终止条件则返回第（3）步。

 

「 4. 智能控制在智能制造中的应用 」

 

智能制造要求能对制造系统的运行过程进行合理控制，实现提升产品质量、提高生产效率和降低能耗的目标。因此，高水平的控制技术对实现智能制造至关重要。国际上制造业发达国家越来越重视制造系统控制及相关技术的发展，我国虽然起步较晚、基础较弱，但经过近几年的持续攻关与发达国家的差距正在逐渐缩小。目前，国内制造系统控制技术与国外相比仍存在以下几方面差距。

 

（1）缺乏具有自主知识产权的核心基础零部件研发能力。例如，制造系统核心硬件（如控制器）和软件依赖进口，受制于人；网络化接口技术和标准化不足，导致各种控制单元无法实时进行通信，形成信息化孤岛。

 

（2）制造系统智能化、数字化、网络化水平较低。以数字化车间、智能工厂、网络协同制造为代表的传统制造业转型升级在全球范围内兴起，国内尚处于跟进与探索阶段。

针对上述问题，国家制造业中长期发展战略规划《中国制造 2025》中强调开展新一代信息技术与制造装备融合的集成创新和工程应用，实现生产过程智能优化控制。智能控制技术的应用，对于提高制造系统的智能化水平以满足智能制造需求具有重要意义。实际上，智能控制技术已经被应用于我国制造业各个领域，取得了显著成果。以下是几个典型的应用方向。

 

1)智能控制在工业自动化过程控制中的应用

 

近年来，自动化生产对安全要求越来越高，智能控制的应用可以对生产过程进行检测，发生问题自动报警，且能依据历史信息准确分析问题产生的原因。这样，一方面提高了生产工艺，另一方面也确保了生产人员的安全性。智能控制技术在过程控制中具体应用在以下几个方面：

 

（1）生产过程信息的获取。传统生产过程信息化程度不高，采用智能控制技术自动获取生产过程的信息并进行分析，可以有效提高信息化程度，基于数据对系统进行自动调整，从而提高生产效率，降低成本。

 

（2）系统建模和监控。依据采集的数据，利用智能控制技术对生产系统的运行状态进行监控，当出现严重故障时，可以立即停止作业，保护产线和人员的安全。

 

（3）动态控制。智能控制相较传统控制方法体现出更优异的控制水平。近年来，工业生产中的动态控制不仅包含工艺加工，更是参与了对生产过程的管控。智能控制的应用，为高效动态控制提供了条件，从而实现对工艺生产过程的精确控制。

 

例如，结合模糊控制和PID控制对石油化工某反应单元的温度进行智能控制，控制对象如图4所示。需要通过控制蒸汽流量，实现对反应器温度的精准控制。传统控制方案采用温度-流量串级控制，然而，由于串级控制存在强耦合，且温度测量和汽包的惯性带来滞后，导致控制效果不理想。因此，可以基于工程师手动控制经验总结出一般控制规则，从而建立模糊规则实现对PID控制器参数的自整定，不仅简化操作流程，也减小了控制上的延迟，提高了温度控制精度。

 

 

图4 某反应单元温度控制系统

 

2)智能控制在机器人控制中的应用

 

工业机器人被大量应用于工业生产中。近些年，快递行业的兴起使物流机器人、无人机和其他专用机器人也获得快速发展和应用。机器人种类的增多、规模的扩大和任务的多样化极大地提高了控制的要求。传统控制技术存在的缺陷，如无法应对复杂系统、适应性差、不具备学习能力等，限制了其在机器人控制中的应用。智能控制技术能很好地避免这些缺陷，更适合复杂化和多元化的任务要求，并促进机器人的应用。智能控制在机器人领域的应用主要集中在以下两个方面：

 

（1）运动控制。通过将智能控制与机器人伺服系统相结合，可以实现机器人的高精度定位和对环境的适应。结合柔顺控制算法，可以提高机器人与环境或人交互地安全性。

 

（2）路径规划和控制。采用智能算法对机器人运动的路径进行优化设计，可有效避免多个机器人的碰撞或干涉。同时，智能算法的应用可以提高机器人运动路径控制的精度。

 

例如，采用遗传算法规划码垛机器人运动路径。码垛机器人需要将包装物体运送到不同的区域，在复杂的障碍环境下，需要规划一条安全、无碰撞且最短的可行路径。通过建立优化问题模型，采用智能算法可以规避复杂的求解过程，获取高质量的优化结果。这里，通过对特定环境的建模和对适应度函数的设计，采用遗传算法对该路径规划问题进行求解，可以获得最优路径，从而能提升码垛机器人的工作效率，如图5所示。进一步的，通过改进遗传算法中的策略，可以提高收敛速度，获得更平滑的路径。

 

 

图5 基于遗传算法的路径优化

 

3)智能控制在车床控制中的应用

 

车床被广泛应用于制造领域中。传统控制方法需要人工预设工艺参数，十分繁琐，而且控制精度较低，难以达到预期的控制效果。随着科技的不断发展，制造过程中车床控制开始朝着更智能化的方向发展。将智能控制技术应用于车床，可以提高零件加工的精度、效率和柔性。智能控制技术在车床控制中的应用主要有以下两个方面。

 

（1）车床运动轨迹控制。车床进给系统存在跟踪误差，特别是当加工面比较复杂时，加工轨迹的突变导致较大偏差，会极大影响控制精度。应用智能控制技术对进给系统进行建模和控制，可以有效降低跟踪误差，提高系统稳定性。

 

（2）工艺参数优化。机床加工中，切削参数和刀具参数会直接影响零件加工质量、效率和能耗。基于不同优化目标，如加工工时和能耗，设置相应的评价指标，采用智能算法对典型的工艺参数进行优化，能提高加工效率，降低能耗和碳排放。

 

例如，采用迭代学习控制对车床进给系统驱动轴进行控制，如图6所示。在机床加工过程中，进给系统沿复杂加工面运动时，跟踪误差导致运动轨迹偏离，影响加工精度。基于对进给系统跟踪误差和动力学模型的分析，设计迭代学习更新规律，通过迭代学习时实际位置与期望位置收敛，从而减小跟踪误差。进一步的，可以结合扰动观测器提高控制精度和系统稳定性。

 

 

图6 双轴进给驱动系统

 

「 5. 智能控制的未来发展趋势 」

 

随着智能控制技术的发展和在诸多领域应用的日益成熟，在世界范围内，智能控制正成为一个迅速发展的学科，并被许多发达国家视为提高国家竞争力的核心技术。当前智能控制面临的问题及未来发展趋势总结如下：

 

1)当前面临的问题

 

（1）应用范围不够广泛。针对一些简单系统，智能控制的优越性相较于传统控制方法并不突出。

 

（2）实际应用还存在技术瓶颈。许多控制技术还停留在“仿真”水平，未能应用于解决实际问题。在系统运行速度、模块化设计、对环境的感知和解释、传感器接口等许多方面还需要做更多工作。

 

（3）可靠性和稳定性不足。许多智能控制技术依赖于人的经验，如专家控制。然而如何获取有效的专家经验知识，构造能长期稳定运行的系统是一个重要难题。此外，部分智能控制方法的鲁棒性问题缺乏严格的数学推导，也对控制的稳定性提出挑战。

 

2)未来发展趋势

 

（1）多学科交叉融合形成新突破。一方面是智能控制与计算机科学、模糊数学、进化论、模式识别、信息论、仿生学和认识心理学等其他学科的相互促进，另一方面是智能控制领域内不同技术的渗透，如深度学习和强化学习的相互补偿。

 

（2）寻求更新的理论框架。智能控制尝试实现甚至超越人类智能，既需要结合涉及哲学、心理学、认知科学等抽象学科，又需要基于控制科学、生理学、人工智能等学科，建立更高层次的智能控制框架。

 

（3）智能控制的应用创新。研究适合智能控制的软、硬件平台，提升基于现有计算资源的控制水平，进行更好的技术集成，以解决智能控制在实际应用中存在的问题。