現代控制理論

出自 MBA智库百科(https://wiki.mbalib.com/)

現代控制理論(modern control theory )

　　建立在狀態空間法基礎上的一種控制理論，是自動控制理論的一個主要組成部分。在現代控制理論中，對控制系統的分析和設計主要是通過對系統的狀態變數的描述來進行的，基本的方法是時間域方法。現代控制理論比經典控制理論所能處理的控制問題要廣泛得多，包括線性系統和非線性系統，定常系統和時變系統，單變數系統和多變數系統。它所採用的方法和演算法也更適合於在數字電腦上進行。現代控制理論還為設計和構造具有指定的性能指標的最優控制系統提供了可能性。現代控制理論的名稱是在1960年以後開始出現的，用以區別當時已經相當成熟併在後來被稱為經典控制理論的那些方法。現代控制理論已在航空航天技術、軍事技術、通信系統、生產過程等方面得到廣泛的應用。現代控制理論的某些概念和方法，還被應用於人口控制、交通管理、生態系統、經濟系統等的研究中。

　　現代控制理論是在20世紀50年代中期迅速興起的空間技術的推動下發展起來的。空間技術的發展迫切要求建立新的控制原理，以解決諸如把宇宙火箭和人造衛星用最少燃料或最短時間準確地發射到預定軌道一類的控制問題。這類控制問題十分複雜，採用經典控制理論難以解決。1958年，蘇聯科學家Л.С.龐特裡亞金提出了名為極大值原理的綜合控制系統的新方法。在這之前,美國學者R.貝爾曼於1954年創立了動態規劃,併在1956年應用於控制過程。他們的研究成果解決了空間技術中出現的複雜控制問題，並開拓了控制理論中最優控制理論這一新的領域。1960～1961年，美國學者R.E.卡爾曼和R.S.布希建立了卡爾曼-布希濾波理論,因而有可能有效地考慮控制問題中所存在的隨機雜訊的影響，把控制理論的研究範圍擴大，包括了更為複雜的控制問題。幾乎在同一時期內，貝爾曼、卡爾曼等人把狀態空間法系統地引入控制理論中。狀態空間法對揭示和認識控制系統的許多重要特性具有關鍵的作用。其中能控性和能觀測性尤為重要，成為控制理論兩個最基本的概念。到60年代初，一套以狀態空間法、極大值原理、動態規劃、卡爾曼-布希濾波為基礎的分析和設計控制系統的新的原理和方法已經確立，這標志著現代控制理論的形成。

　　現代控制理論所包含的學科內容十分廣泛,主要的方面有:線性系統理論、非線性系統理論、最優控制理論、隨機控制理論和適應控制理論。

　　線性系統理論 它是現代控制理論中最為基本和比較成熟的一個分支，著重於研究線性系統中狀態的控制和觀測問題，其基本的分析和綜合方法是狀態空間法。按所採用的數學工具，線性系統理論通常分成為三個學派：基於幾何概念和方法的幾何理論，代表人物是W.M.旺納姆;基於抽象代數方法的代數理論,代表人物是R.E.卡爾曼；基於復變數方法的頻域理論，代表人物是H.H.羅森布羅克。

　　非線性系統理論 非線性系統的分析和綜合理論尚不完善。研究領域主要還限於系統的運動穩定性、雙線性系統的控制和觀測問題、非線性反饋問題等。更一般的非線性系統理論還有待建立。從70年代中期以來，由微分幾何理論得出的某些方法對分析某些類型的非線性系統提供了有力的理論工具。

　　最優控制理論 最優控制理論是設計最優控制系統的理論基礎，主要研究受控系統在指定性能指標實現最優時的控制規律及其綜合方法。在最優控制理論中，用於綜合最優控制系統的主要方法有極大值原理和動態規劃。最優控制理論的研究範圍正在不斷擴大，諸如大系統的最優控制、分佈參數系統的最優控制等。

　　隨機控制理論 隨機控制理論的目標是解決隨機控制系統的分析和綜合問題。維納濾波理論和卡爾曼-布希濾波理論是隨機控制理論的基礎之一。隨機控制理論的一個主要組成部分是隨機最優控制，這類隨機控制問題的求解有賴於動態規劃的概念和方法。

　　適應控制理論 適應控制系統是在模仿生物適應能力的思想基礎上建立的一類可自動調整本身特性的控制系統。適應控制系統的研究常可歸結為如下的三個基本問題：①識別受控對象的動態特性；②在識別對象的基礎上選擇決策；③在決策的基礎上做出反應或動作。

　　1.智能控制(Intelligent Control)

　　智能控制是人工智慧和自動控制的結合物,是一類無需人的干預就能夠獨立地驅動智能機器,實現其目標的自動控制。智能控制的註意力並不放在對數學公式的表達、計算和處理上,而放在對任務和模型的描述,符號和環境的識別以及知識庫和推理機的設計開發上。智能控制用於生產過程,讓電腦系統模仿專家或熟練操作人員的經驗,建立起以知識為基礎的廣義模型,採用符號信息處理、啟髮式程式設計、知識表示和自學習、推理與決策等智能化技術,對外界環境和系統過程進行理解、判斷、預測和規劃,使被控對象按一定要求達到預定的目的。

　　智能控制的理論基礎是人工智慧,控制論,運籌學和系統學等學科的交叉,它的主要特點是:

　　(1)同時具有以知識表示的非數學廣義模型和以數學模型表示的混合控制過程;

　　(2)智能控制的核心在高層控制,即組織級,它的主要任務在於對實際環境或過程進行組織;

　　(3)系統獲取的信息不僅是數學信息,更重要的是文字元號、圖像、圖形、聲音等各種信息。

　　智能控制正處於發展過程中,還存在許多有待研究的問題:

　　(1)探討新的智能控制理論;

　　(2)採用語音控制;

　　(3)提高系統的學習能力和自主能力;

　　(4)利用現有的非線性技術分析閉環系統的特性;

　　(5)智能控制的實現問題。

　　2.非線性控制(Nonlinear Control)

　　非線性控制是複雜控制理論中一個重要的基本問題,也是一個難點課題,它的發展幾乎與線性系統平行^[2][3]。非線性系統的發展,數學工具是一個相當困難的問題,泰勒級數展開對有些情況是不能適用的。古典理論中的“相平面”法只適用於二階系統,適用於含有一個非線性元件的高階系統的“描述函數”法也是一種近似方法。由於非線性系統的研究缺乏系統的、一般性的理論及方法,於是綜合方法得到較大的發展,主要有:

(1)李雅普諾夫方法:它是迄今為止最完善、最一般的非線性方法,但是由於它的一般性,在用來分析穩定性或用來鎮定綜合時都欠缺構造性。

(2)變結構控制:由於其滑動模態具有對干擾與攝動的不變性,到80年代受到重視,是一種實用的非線性控制的綜合方法。

(3)微分幾何法:在過去的的20年中,微分幾何法一直是非線性控制系統研究的主流,它對非線性系統的結構分析、分解以及與結構有關的控制設計帶來極大方便.用微分幾何法研究非線性系統是現代數學發展的必然產物,正如義大利教授Isidori指出:“用微分幾何法研究非線性系統所取得的成績,就象50年代用拉氏變換及複變函數理論對單輸入單輸出系統的研究,或用線性代數對多變數系統的研究。”但這種方法也有它的缺點,體現在它的複雜性、無層次性、準線性控制以及空間測度被破壞等。因此最近又有學者提出引入新的、更深刻的數學工具去開拓新的方向,例如:微分動力學、微分拓撲與代數拓撲、代數幾何等。

　　3.自適應控制(Adaptive Control)

　　自適應控制系統通過不斷地測量系統的輸入、狀態、輸出或性能參數,逐漸瞭解和掌握對象,然後根據所得的信息按一定的設計方法,作出決策去更新控制器的結構和參數以適應環境的變化,達到所要求的控制性能指標。

　　自適應控制系統應具有三個基本功能:

　　(1)辨識對象的結構和參數,以便精確地建立被控對象的數學模型;

　　(2)給出一種控制律以使被控系統達到期望的性能指標;

　　(3)自動修正控制器的參數。因此自適應控制系統主要用於過程模型未知或過程模型結構已知但參數未知且隨機的系統。

　　自適應控制系統的類型主要有自校正控制系統,模型參考自適應控制系統,自尋最優控制系統,學習控制系統等。最近,非線性系統的自適應控制,基於神經網路的自適應控制又得到重視,提出一些新的方法。

　　4.魯棒控制(Robust Control)

　　過程式控制制中面臨的一個重要問題就是模型不確定性,魯棒控制主要解決模型的不確定性問題,但在處理方法上與自適應控制有所不同。自適應控制的基本思想是進行模型參數的辯識,進而設計控制器。控制器參數的調整依賴於模型參數的更新,不能預先把可能出現的不確定性考慮進去。而魯棒控制在設計控制器時儘量利用不確定性信息來設計一個控制器,使得不確定參數出現時仍能滿足性能指標要求。

　　魯棒控制認為系統的不確定性可用模型集來描述,系統的模型並不唯一,可以是模型集里的任一元素,但在所設計的控制器下,都能使模型集里的元素滿足要求。魯棒控制的一個主要問題就是魯棒穩定性,目前常用的有三種方法:

　　(1)當被研究的系統用狀態矩陣或特征多項式描述時一般採用代數方法,其中心問題是討論多項式或矩陣組的穩定性問題;

　　(2)李雅普諾夫方法,對不確定性以狀態空間模式出現時是一種有利工具;

　　(3)頻域法從傳遞函數出發研究問題,有代表性的是Hoo控制,它用作魯棒性分析的有效性體現在外部擾動不再假設為固定的,而只要求能量有界即可。這種方法已被用於工程設計中,如Hoo最優靈敏度控制器設計。

　　5.模糊控制(Fuzzy Control)

　　模糊控制藉助模糊數學模擬人的思維方法,將工藝操作人員的經驗加以總結,運用語言變數和模糊邏輯理論進行推理和決策,對複雜對象進行控制。模糊控制既不是指被控過程是模糊的,也不意味控制器是不確定的,它是表示知識和概念上的模糊性,它完成的工作是完全確定的。

　　1974年英國工程師E.H.Mamdam首次把Fuzzy集合理論用於鍋爐和蒸氣機的控制以來,開闢了Fuzzy控制的新領域,特別是對於大時滯、非線性等難以建立精確數學模型的複雜系統,通過電腦實現模糊控制往往能取得很好的結果。

　　模糊控制的類型有:

　　(1)基本模糊控制器,一旦模糊控製表確定之後,控制規則就固定不變了;

　　(2)自適應模糊控制器,在運行中自動修改、完善和調整規則,使被控過程的控制效果不斷提高,達到預期的效果;

　　(3)智能模糊控制器,它把人、人工智慧和神經網路三者聯繫起來,實現綜合信息處理,使系統既具有靈活的推理機制、啟發性知識與產生式規則表示,又具有多種層次、多種類型的控制規律選擇。

　　模糊控制的特點是不需要精確的數學模型,魯棒性強,控制效果好,容易剋服非線性因素的影響,控制方法易於掌握。最近有人提出神經——模糊Inter3融合控制模型,即把融合結構、融合演算法及控制合為一體進行設計。又有人提出利用同倫BP網路記憶模糊規則,以“聯想方式”使用這些經驗。

　　模糊控制有待進一步研究的問題:模糊控制系統的功能、穩定性、最優化問題的評價;非線性複雜系統的模糊建模,模糊規則的建立和模糊推理演算法的研究;找出可遵循的一般設計原則^[4]。

　　6.神經網路控制(Neural Network Control)

　　神經網路是由所謂神經元的簡單單元按並行結構經過可調的連接權構成的網路。神經網路的種類很多,控制中常用的有多層前向BP網路,RBF網路,Hopfield網路以及自適應共振理論模型(ART)等。

　　神經網路控制就是利用神經網路這種工具從機理上對人腦進行簡單結構模擬的新型控制和辨識方法。神經網路在控制系統中可充當對象的模型,還可充當控制器。常見的神經網路控制結構有:

　　(1)參數估計自適應控制系統;

　　(2)內模控制系統;

　　(3)預測控制系統;

　　(4)模型參考自適應系統;

　　(5)變結構控制系統。

　　神經網路控制的主要特點是:可以描述任意非線性系統;用於非線性系統的辨識和估計;對於複雜不確定性問題具有自適應能力;快速優化計算能力;具有分散式儲存能力,可實現線上、離線學習。

　　最近有人提出以Hopfield網路實現一種多解析度體視協同演算法,該演算法以逐級融合的方式自動完成由粗到細,直至全解析度的匹配和建立^[5]。又有人提出一種網路自組織控制器,採用變斜率的最速梯度下降學習演算法,應用在非線性跟蹤控制中^[6]。今後需進一步探討的問題是提高網路的學習速度,提出新的網路結構,創造出更適用於控制的專用神經網路。

　　7.實時專家控制(Real Time Expert Control)

　　專家系統是一個具有大量專門知識和經驗的程式系統,它應用人工智慧技術,根據某個領域一個或多個人類專家提供的知識和經驗進行推理和判斷,模擬人類專家的決策過程,以解決那些需要專家決定的複雜問題。專家系統和傳統的電腦程式最本質的區別在於:專家系統所要解決的問題一般沒有演算法解,並且往往要在不完全、不精確或不確定的信息基礎上作出結論。

　　實時專家系統應用模糊邏輯控制和神經網路理論,融進專家系統自適應地管理一個客體或過程的全面行為,自動採集生產過程變數,解釋控制系統的當前狀況,預測過程的未來行為,診斷可能發生的問題,不斷修正和執行控制計劃。實時專家系統具有啟發性、透明性、靈活性等特點,目前已經在航天試驗指揮、工業爐窯的控制、高爐爐熱診斷中得到廣泛應用。目前需要進一步研究的問題是如何用簡潔語言來描述人類長期積累的經驗知識,提高聯想化記憶和自學習能力。

　　8.定性控制(Qualitative Control)

　　定性控制是指系統的狀態變數為定性量時(其值不是某一精確值而只知其處於某一範圍內),應用定性推理對系統施加控制變數使系統在某一期望範圍^[7]。

　　定性控制方法主要有三類:

　　(1)基於定量模型的定性控制,其特點是系統的定量模型假定已知,以定量模型為基礎推導定性模型;

　　(2)基於規則的定性控制,其特點是構成定性模型的規則憑人們經驗的定性推理即可得到,或通過狀態的窮舉得到;

　　(3)基於定性模型的定性控制,其特點是直接通過對定性模型的研究來導出定性控制。

　　定性控制與模糊控制的區別:模糊控制不需建模,其控制律憑經驗或演算法調整,而定性控制基於定性模型,控制規則基於對系統的定性分析;模糊控制是基於狀態的精確測量值,而定性控制基於狀態的定性測量值。

　　定性控制面臨的問題:發展定性數學理論,改進定性推理方法,註重定性和定量知識的結合;研究定性建模方法,定性控制方法;加強定性控制應用領域的研究。

　　9.預測控制(Predictive Control)

　　預測控制是在工業實踐過程中獨立發展起來的一種新型控制方法,它不僅適用於工業過程這種“慢過程”的控制,也能適用於快速跟蹤的伺服系統這種“快過程”控制^[8]。目前實用的預測控制方法有動態矩陣控制(DMC),模型演算法控制(MAC),廣義預測控制(GPC),模型預測啟發控制(MPHC)以及預測函數控制(PFC)等。這些方法具有以下特征:

　　(1)以電腦為實現手段,採取線上實現方式;

　　(2)建模方便,不需深入瞭解過程的內部機理,對模型精度要求不高;

　　(3)採用滾動優化策略,線上反覆進行優化計算,使模型失配、外界環境的變化引起的不確定性及時得到彌補,提高控制質量。

　　最近有人提出一種新的基於主導內模概念的預測控制方法:結構對外來激勵的響應主要由其本身的模態所決定,即結構只對激勵信息中與其起主導作用的幾個主要自振頻率相接近的頻率成分有較大的響應。目前利用神經網路對被控對象進行線上辨識,然後用廣義預測控制規律進行控制得到較多重視。

　　預測控制目前存在的問題是預測精度不高;反饋校正方法單調;滾動優化策略少;對任意的一般系統,其穩定性和魯棒性分析較難進行;參數調整的總體規則雖然比較明確,但對不同類型的系統的具體調整方法仍有待進一步總結。

　　10.分散式控制系統(Distributed Control System)

　　分散式控制系統又稱集散控制系統,是70年代中期發展起來的新型電腦控制系統,它融合了控制技術(Control),電腦技術(Computer),通信技術(Communication),圖像顯示技術(CRT)的“4C”技術,形成了以微處理器為核心的系統,實現對生產過程的監視、控制和管理。

　　既打破了常規控制儀錶功能的局限,又較好地解決了早期電腦系統對於信息、管理過於集中帶來的危險,而且還有大規模數據採集、處理的功能以及較強的數據通信能力。

　　分散式控制系統既有電腦控制系統控制演算法靈活,精度高的優點,又有儀錶控制系統安全可靠,維護方便的優點。它的主要特點是:真正實現了分散控制;具有高度的靈活性和可擴展性;較強的數據通信能力;友好而豐富的人機聯繫以及極高的可靠性。

　　20世紀50年代末發展起來的以狀態空間方法為主體的現代控制理論,為過程式控制制帶來了狀態反饋、輸出反饋、解耦控制等一系列多變數控制系統設計方法;與此同時,電腦技術的持續發展使電腦控制在工業生產過程中得到了廣泛的應用,這一切都孕育著過程式控制制領域的新突破。

　　1980年前後,來自過程式控制制界兩位探索者J.Richalet和C.R.Cutler分別報道了其各自研究的有關解決實時動態環境下帶約束多變數耦合系統控制問題的成果。這就是著名的模型預測啟髮式控制(MPHC)和動態矩陣控制(DMC)。這一事實表明過程工業已開始接受現代控制概念,從而引發了預測控制等先進控制策略在工業過程式控制制中的大量應用。20世紀80年代,出現了許多約束模型預測控制的工程化軟體包^[10]和展望[J].機電工程,1999,5:3-7</ref>。基於模型控制的理論體系已基本形成,併成為目前過程式控制制應用最成功、最有前途的先進控制策略。

　　近年來,人工智慧技術有了長足的進步,併在許多科學與工程領域中取得了較廣泛的應用。就過程式控制制而言,專家系統、神經網路、模糊系統是最具有潛力的3種工具^[11]。基於非線性模型(機理和經驗)的控制有了較大的發展,但是,非線性控制尚屬開發中的先進控制策略,實際的工業應用尚不多見^[12]。

　　一、先進控制的主要特點

　　(1)與傳統的比例、積分、微分控制(PID)不同,先進控制通常是一種基於模型的控制策略,如模型預測控制。目前,專家控制、神經網路和模糊控制等智能控制技術正成為先進控制的一個重要發展方向。

　　(2)先進控制通常用於處理複雜的多變數過程式控制制問題,如大時滯、多變數耦合、被控變數與控制變數存在著各種約束等。先進控制是建立在常規單迴路控制之上的動態協調約束控制,可使控制系統適應實際工業生產過程動態特性和操作要求。

　　(3)先進控制的實時需要足夠的計算功能作為支持。由於先進控制受控制演算法的複雜性和電腦硬體兩方面的影響,早期的先進控制演算法通常是在電腦控制系統的上位機上實施的。隨著DCS功能的不斷增強,更多的先進控制策略可以與基本控制策略一起在DCS上實現,後一種方式可有效地增強先進控制的可靠性、可操作性和可維護性^[13]。

　　二、分類

　　著名過程式控制制專家D.E.Seborg給出的按應用程度分類的過程式控制制策略有:第一類:傳統控制策略,如手動控制、PID控制、比值、串級、前饋;第二類:先進控制——經典技術，如增益調整、時滯補償、解耦控制;第三類:先進控制——統行技術,如模型預測控制、內模、自適應、統計質量;第四類:先進控制——潛在技術,如最優控制、非線性控制、專家控制、神經控制、模糊控制;第五類:先進控制——研究上的策略,如魯棒控制、Hoo控制、U綜合。

　　先進控制技術究竟應該包括哪些內容,不同的研究者和研究用途則會產生不同的看法。

　　但可以肯定的是:PID控制器參數自整定、自適應控制、模型預測等應該是現階段先進控制技術的最基本內容。

　　三、現階段先進控制技術——預測控制

　　　　20世紀60年代初期,卡爾曼(R.E.Kal-man)系統中將狀態空間法引入到系統和控制理論中,形成了現代控制理論,並且很快在航空航天等領域取得了巨大的成果,對自動控制技術的發展起到了積極的推動作用。但是,實際工業過程的多變數、非線性、時變和不確定性等特點以及工程應用中要求考慮控制的時效性和經濟性等因素,使得以精確數學模型為基礎,立足最優性能指標且許多演算法較為複雜的現代控制理論難以有效的應用於複雜的工業過程。

　　為了剋服理論與實際應用之間的上述不協調,20世紀70年代以來,人們一方面為了提高數學模型的精確程度及考慮不確定因素的影響,加強了對系統辯識、工業過程的建模、自適應控制、魯棒控制等方面的研究,另一方面開始突破傳統思想的約束,試圖面向實際工業過程的特點,研究各種對模型要求低,線上計算簡單方便,實時性好,控制效果佳的控制新演算法。同時,電腦技術的飛速發展也為新的控制策略提供了良好的運行平臺。預測控制就是在這種情況下發展起來的一類新型演算法。

　　一般可將預測控制演算法分為兩大類:第一類為基於非參數模型的模型預測控制(Model Predictive Control,MPC)。主要代表是Richalet(1987)、Mehra(1982)等提出的建立在脈衝響應模型基礎上的模型預測啟發控制(Model Predictive Heuristic Control,MPHC)或模型演算法控制(Model Algorithmic Control,MAC);Cutler(1980)等提出的建立在階躍相應模型基礎上的動態矩陣控制(Dynamic Ma-trix Control,DMC)。這類預測控制方法的特點是脈衝響應在工業現場易於獲得,不需要複雜的系統辯識建模;採用反饋校正基礎上的線上滾動優化取代傳統最優控制,因而可以剋服各種不確定性的影響,增強控制的魯棒性,而且線上計算簡單。因此這類演算法很適合於實際工業過程的控制需要,很快引起了廣泛興趣,並得到大量成功應用。^[14]中介紹的煉油廠催化裂化裝置的反應再生系統,其原油預熱過程機理複雜,有較大時滯,操作變數強耦合,參數強約束。利用多變數協調預測控制後,提高了系統操作的平穩性,有效的抑制了過程中的不可測擾動影響。^[15]中使用基於預測控制的多變數約束控制演算法,採用兩次預測方法,針對上海寶鋼加熱爐模型進行綜合控制,實驗表明瞭這種預測控制演算法在解耦、節能、跟蹤、穩定性等方面的良好性能。

　　第二類是基於參數化模型的預測控制,主要有Clarke(1987)提出的廣義預測控制(Gen-eralized Predictive Control, GPC)和Lelic(1987)提出的廣義預測極點配置控制(Gener-alized Poles Placements Control,GPP)。20世紀80年代初期,人們在自適應控制理論研究的過程中,為了增強自適應控制系統的魯棒性,在廣義最小方差的基礎上,吸取預測控制中的多步預測優化策略,而出現了基於辯識受控參數模型,且帶有自適應控制或為增加系統穩定性而配置極點的預測控制演算法。由於將自適應控制與預測控制相結合,因而可及時修正參數變化產生的預測模型的預測誤差,從而改善系統的動態性能.同MAC和DMC一樣,GPC在工業過程式控制制中也獲得了大量成功應用。

　　^[16]中將廣義預測控制(GPC)用於對聯鑄生產過程中的結晶液位控制,剋服了拉速變化引起的有色雜訊,減少了液位偏差,提高了系統的魯棒性。

　　近20年來,國內外預測控制的研究和應用日趨廣泛。各種有關預測控制的報道也越來越多。研究範圍已經涉及到預測模型類型、優化目標種類、約束條件種類、控制演算法以及穩定性、魯棒性等方面,也包括多變數系統、非線形系統以及其它控制方法與預測方法的結合。

　　如自適應預測控制、模糊預測控制、魯棒預測控制、神經網路預測控制,還包括大量的實際工業應用的研究。

　　預測控制的成功在於它起源於工業實踐,並且它的發展始終與工業實踐緊密相連。但實際上,預測控制的理論還遠遠落後於其實際應用,因此在理論方面仍需得到進一步的研究和發展。

　　(1)由於預測控制本身的特點,目前已有的演算法中主要設計參數與閉環系統的動靜態特性、穩定性和魯棒性之間的一般解析關係難以得到,因而系統的穩定性分析和魯棒性分析還遠沒有達到定量的程式,缺乏一般通用的參數設計選擇準則。尤其是對於多變數系統的相應演算法,穩定性和魯棒性分析急需突破。

　　(2)針對工業過程大量存在的非線性及不確定等系統的特點,非線性預測控制和魯棒預測控制將成為今後研究的重點。

　　(3)在預測控制演算法的發展和創新方面,一方面應在預測模型、目標函數種類、反饋校正方法、求解優化的策略等全方位的加以研究和突破,另一方面應繼續註重學科的交叉研究,把其他有效的控制方法以及可能解決預測控制現有難題的其他學科的理論與現有預測控制方法相結合,不斷完善和發展。

　　20多年來,預測控制理論與應用得到了飛速的發展,展示了強大的生命力,為國民經濟的發展起到了巨大的促進作用。預測控制理論和應用的不斷完善和發展必將在實際工業領域的控制中發揮越來越重要的作用,展現其美好的前景。

　　四、未來的發展方向——智能控制

　　智能控制(Intelligent Control,IC)是傳統控制發展的高級階段,是控制技術高度分化且綜合的重要產物。由於一些被控對象呈現高度的時變性、非線性、時滯性和不確定性,簡單的控制策略已不能滿足現代控制的要求,綜合的、集成的智能控制技術成為研究和應用的熱點。

　　智能控製作為一門新的學科分支,得到了普遍的承認,並且已經被廣泛的應用於工業、農業、服務業、軍事航空等各個領域。近年來,隨著人工智慧技術和其他信息處理技術,尤其是資訊理論、系統論和控制論的發展,智能控制在機理和應用實踐方面取得了突破性的進展。遺傳演算法與模糊邏輯、神經網路相互融合,通過模擬人類的思維方式和結構來設計用於解決複雜的各種非線性問題的控制策略,並已在各種實際工程項目中得到應用,取得了良好的效果。分歩式人工智慧中的Agent和Multi Agent Sys-tem已成為研究的熱點,構建基於Agent的集散遞階結構的智能控制系統為智能控制註入了新的活力。

　　五、工業過程中的智能控制

　　許多工業連續生產線上,例如:化工、冶煉、材料加工、軋鋼等,由於反應機理複雜,關聯耦合嚴重,環境干擾不確定,要求與約束多樣等原因,對其系統運行情況和過程的信息瞭解較少,自動化集成控制應用存在一定的難度,需要運用智能控制模式。生產過程的智能控制主要包括兩個方面:局部級和全局級。局部級的智能控制是將智能引入工藝過程的某一單元進行控制器的設計,例如專家控制器、智能PID控制器、神經元網路控制器等。全局級的智能控制,主要針對整個生產的自動化,包括整個操作工藝的控制,過程的故障診斷,規划過程操作處理異常等。

　　針對局部智能控制設計,目前研究的熱點是智能PID控制器的設計。因為PID控制至今仍是工業控制中最廣泛的控制規律,但常規的PID控制已不能滿足現在複雜的工業生產,所以就有必要將人工智慧技術與傳統的PID控制規律結合為智能PID控制。通過智能技術的加盟,智能PID控制器相比傳統的PID控制器,在參數的整定和線上自適應調整方面有其顯著的優越性,並可用於控制一些非線性的複雜對象。國內近年智能控制理論應用研究的實例見表1。

　　專家控制系統把專家操作經驗和電腦強大的電腦能力結合起來,具有啟髮式推理的能力,能對時變、非線性、易受干擾的複雜控制對象取得較好的控制效果,主要應用於系統設計、模擬建模、參數整定、故障檢測及過程監控。

　　但現有專家控制系統無法表達符號以外的知識,存在知識獲取困難和知識庫無法自動更新的缺憾。模糊控制具備處理人類模糊語言信息的能力,可模擬人類進行判斷和決策,但不具備自學能力,且規則自適應性差,穩態精度有限。

　　神經網路控制具有並行處理和高度自組織、自學習、自適應能力,但它不能描述和處理模糊信息,運行過程不具有推理的透明性。智能控制一般不具有解析性,沒有通用的穩定性判定方法,還有很多方面有待進一步完善。

　　針對複雜的被控系統,單一的控制方法很難取得最優的控制效果,將智能控制和常規控制結合起來,取長補短,充分發揮各自優勢,吸收新的人工智慧和計算智能方法,從全局上提高控制系統智能化水平的綜合智能化控製成為控制理論研究和應用的熱點。分別介紹了模糊控制和滑模控制相結合用於自治水下機器人(AUV)和體操機器人的控制研究。

　　模糊控制和神經網路控制具有互補性,^[17]中介紹了模糊神經網路近年的發展情況,並介紹了模糊神經網路用於連續攪拌器的控制,及時檢測、診斷故障,達到保障生產安全穩定的目的。^[18]中利用模糊C均值聚類演算法確定電容分組,通過神經網路演算法找出補償導納具有最大隸屬度的所屬類,以該類中心點對應的電容組投入電路,對電網電壓、無功功率和不平衡進行綜合補償。針對PID控制在現實工業過程式控制制中的主導地位,^[19]詳細介紹了近10年來結合自適應控制、預測控制和智能控制所產生的新型PID控制技術的發展及其在過程式控制制中的應用情況。核動力裝置是一個多變數、強耦合、非線性、時變、存在大滯後的複雜被控對象,^[20]中介紹了利用遞階方法建立的分層模糊自適應控制的解決方案。機器人手臂定位控制一直是控制領域的重要研究對象,^[21]中採用P-F-PI多模控制器消除不同階段的偏差,並利用遺傳演算法優化三個控制器的切換參數以及F控制器的修正繫數,在運行過程中獲得良好的動態及穩態性能。再如應用於熟料窯溫控制系統中基於專家智能協調的神經網路模糊控制^[22]。冶金過程中的自適應模糊控制^[23],應用於工業爐過程的神經網路模糊檢測控制^[24],以及工業中溫度自調節的模糊控制系統^[25]。值得特別指出的是,工業生產過程的模型化研究是工業過程式控制制與決策,故障診斷以及運行狀態評價的基礎^[26]。不少科技工作者在此領域做了卓有成效的探索研究。其中,^[27]中結合鉛鋅煉燒結過程提出了一種基於神經網路、模糊邏輯等智能辯識方法的工業過程參數模型化的方法。這種智能集成建模策略是在分析了冶金機理、歸納專家經驗和辯識生產數據的基礎上,以神經網路為基礎,集成運用模糊辯識、統計分析、歸納推理等方法建立起來的,併在實際工程中得到應用。^[28]中提出一種自適應監督式分佈神經網路建模方法,可推廣到含有雜訊約束的其它工業控制工程。

　　由於智能控制理論的建立至今不過短短十幾年時間,雖然也建立起了基本框架和理論思路,但就其作為一門學科而言,還遠未成熟。對智能控制理論研究的意義在於:如果沒有嚴格的科學的理論指導,盲目的應用是不會取得持續的成功。智能控制的主要研究領域是經典控制無法解決的股市、氣象等廣義的傳統領域,也包括了控制對象不斷複雜化,控制過程不斷智能化的工業、製造業等工程領域。正是由於這些傳統控制方法無力解決的問題,成為智能控制發展的動力,也使智能控制的發展充滿活力與希望。但在智能控制發展的熱潮中,應當看到,國內外智能控制的應用研究的成果層出不窮與理論研究的緩慢發展甚至是停滯不前形成了一種不平衡現象。智能控制的工程應用還有待進一步開發和推廣,還需要以更充分的範例體現其發展的必要性和應用的優越性。

　　隨著工業生產向大型化、連續化、集成化和複雜化的方向發展,使得控制理論與控制工程發生了巨大的變化,過程式控制制系統由簡單的控制向先進過程式控制制邁進。電腦技術、控制技術和信息化技術相互促進、相互滲透產生了一系列新的網路化控制方式。

　　以現場匯流排為底層,以廣泛應用的乙太網(Ethernet)為上層,建立全企業或全廠的,包括經營決策、管理信息、生產調度、監督控制和直接控制在內的管理及控制全部生產活動的綜合自動化系統,消除自動化孤島,構成CIPS(computer integrated process system)達到生產的柔性化、敏捷化、智能化已經成為21世紀知識經濟時代中工業生產自動化的發展方向。