智能复合控制系统的研究现状与展望

智能复合控制系统的研究现状与展望

摘要：主要总结了近年来智能复合控制系统的研究与发展，介绍了智能复合控制的主要方面的研究成果，探讨了这一领域的研究趋向。
关键词：智能控制；传统控制；复合控制

1 引言
虽然智能控制技术已经有20多年的历史，但作为一门新兴的理论技术，它还处在发展阶段。近年来控制领域的专家指出，智能控制技术的发展方向及研究重点应该转移到智能控制技术的集成上来。这里所说的智能技术的集成包括两方面：一方面是综合智能控制技术的推广应用，将几种智能控制方法或机理融合在一起，构成具有高度自主能力的高级混合智能控制系统，如模糊神经（FNN）控制系统、基于遗传算法的模糊控制系统、模糊专家系统等。另一方面是将智能控制技术与传统控制理论结合，形成智能型复合控制器，以便取长补短，获得互补特性，提高整体优势。如模糊PID控制、神经元PID控制、模糊滑模控制、神经网络最优控制等。本文主要对智能复合控制系统的现状和发展进行探讨，并介绍近几年来智能复合控制器的结构理论及研究成果。

2  智能复合控制的发展概况
对于具有非线性、强耦合、不确定性的复杂系统，传统的控制方法很难取得理想的控制效果，因而不能直接应用传统控制方法对此类系统进行设计。智能控制技术的发展为复杂系统的控制提供了新思路。智能控制策略通常不需要系统准确的数学模型，只要求对系统信息部分了解，特别是智能控制器具有强大的自学习和自整定能力，可以有效地控制对象的不确定性或未知干扰引起的系统波动，但由于智能控制系统在本质上是非线性的，因而很难从理论上对系统进行性能设计和分析。针对这种情况，有的研究者提出将智能控制技术和传统控制理论相结合，由此智能复合控制器应运而生。这种控制器既具有智能控制的自学习和自整定能力，又可以有效的利用传统控制理论，对系统的性能进行理论分析，从而设计出满足性能指标的非线性多变量控制系统。因此智能复合控制在非线性多变量系统中的应用已经成为当前控制领域的一个研究热点，并已经取得了许多研究成果。

3  智能复合控制器的研究
  模糊控制、神经网络、专家系统是智能控制的三大支柱，而PID控制、最优控制、鲁棒控制、解耦控制等方法在传统控制理论中的研究也比较完善。于是专家学者们针对非线性、时变、不确定性等复杂对象的特征，将它们分别结合起来，拓宽智能控制技术研究成果和传统控制技术的融合领域，设计出应用更广泛，控制效果更好的复合控制器。下面着重介绍几种常见的复合控制器。
3.1 模糊PID控制器的研究
    模糊控制器的研究一直是控制界研究的热点问题，而关于模糊控制系统的稳定性分析则是模糊控制需要研究和解决的基本问题。模糊控制器具有类似PI或PD控制器的特性，可获得良好的系统动态特性。但无法消除系统的静态误差，传统PID控制器是过程控制中应用最基本的一种控制器，具有简单、稳定、可靠等优点。为了改善模糊控制器的静态性能，提出了模糊PID控制器的思想[1]。模糊PID控制器的研究得到了许多学者的关注。Abdenour[2]从PID控制角度出发，提出FI—PI、FI—PD、FI—PID三种形式的模糊控制器。Ying[3],Li[3]等用各种方式得出模糊控制器中量化因子、比例因子同PID控制器的因子KP、KI、KD之间的关系式。Ying对基于简单线性规则TS模型的模糊控制器进行了分析，指出这类模糊控制器是一种非线性增益PID控制器。张思勤[5]等也提出了一类基于TS模型的模糊复合控制器。关于模糊PID控制器的研究成果还有许多，这里不再一一列举。
3.2 自适应模糊控制器的研究
    自适应模糊控制器就是借鉴自适应控制理论的一些理念来设计模糊控制器，也称作语言自组织模糊控制器（SOC），它的思想就在于在线或离线调节模糊控制规则的结构或参数，使之趋于最优状态。He[6]采用一种带有修正因子的控制算法，通过调整修正因子改变控制规则的特性。Manmdani提出的SOC直接对模糊控制规则进行修正，是一种规则有组织模糊控制器。Raju对控制规则进行分级管理，提出自适应分层模糊控制器。Linkens[7]等提出规则自组织自学习算法，对规则的参数以及数目进行自动修正。而采用神经网络对模糊控制规则及参数进行调整，也是一种实现模糊自适应控制的好方法（虽然严格说它并不是真正意义上的复合控制器）。
3.3 模糊滑模控制器的研究
    滑模控制因其设计简单，对系统变化不敏感等优点而被广泛用于工业生产过程，但是传统滑模控制存在一个突出的缺点——抖振，为解决这一问题出现了模糊滑模控制器。张天平[8]，Sim[9]等提出了一类模糊滑模控制器，可以削弱抖动，但因其难以保证边界层内滑动模态的可达性，而失去了滑模控制不便的优点。郑怀林[10]等针对此问题，提出一种新的模糊滑模控制器设计方法，可充分保证滑动模态的可达性，从而实现控制器优化设计。这也是一个复合控制器设计的不断完善的过程。
3.4 模糊解耦控制器的研究
   徐承伟[11]首先提出模糊系统的串联解耦补偿，引入一个解耦补偿器。随后又提出模糊系统的反馈解耦，引入一个反馈解耦控制器。杨辉[12]对多变量模糊控制算法进行研究，引进模糊子集的交叉系数，借助多变量系统解耦设计原理，用多个单变量模糊控制器来表示一个解耦多变量模糊控制器，获得良好的控制效果，但是模糊解耦控制系统的研究尚处于发展阶段，有许多问题还有待解决。
3.5 其他模糊复合控制器的研究
    张化光[13]提出过一种基于模糊基函数的多变量鲁棒自适应控制器，将模糊控制与鲁棒控制相结合，可充分保证闭环非线性控制系统的鲁棒性和跟踪误差的渐进收敛性。类似的研究还有模糊变结构控制、模型参考自适应控制、最优模糊控制器、模糊预测控制等。
3.6 神经网络PID控制器的研究
    神经网络具有学习能力和逼近任意非线性映射能力，因而在解决不确定性复杂系统的控制方面有非常大的应用前景。近年来国内外学者在将神经网络与传统技术相结合，应用于非线性系统控制方面进行了许多有益的尝试，取得一些可喜的成果。如何玉彬[18]从经典PID控制思想出发提出具有PID权值形式的网络结构，构成神经网络PID复合控制器，同时作者为避免神经网络可能陷入局部极小，建立了一种混合神经直接自适应控制结构和相应的学习算法，取得了很好的控制效果。
3.7 神经网络鲁棒自适应控制器的研究
何玉彬[16,17]针对模型未知系统，提出一种复合控制结构——神经网络并行自学习鲁棒自适应跟踪控制结构，它可以利用神经网络的学习能力和非线性映射能力，解决传统自适应控制中模型的在线辩识和控制器的在线设计问题，以达到对不确定非线性系统的高精度输出跟踪控制；通过引入运行监控器，克服神经网络控制方法通常存在的时实性差的问题；利用一个鲁棒反馈控制器来保证神经网络模型学习初期闭环系统的稳定性。3.6,3.7提出的两种方法都是通过一个常规反馈控制器来保证系统的稳定性。因此设计神经网络控制器时自由度较大，这类智能复合控制器就比纯智能控制有更好的控制性能。
3.8 神经网络最优控制器的研究
    王耀南[19]将线性最优控制技术与非线性神经网络的学习方法相结合，提出一种新的非线性最优复合控制器。这种控制方法将人工神经网络所具有的并行性、自适应、自学习等能力应用于现在的最优控制，作为控制系统补偿环节，完成更精确建模和稳定的控制，使控制系统具有更高级的智能，是一种非常有效的结合方法。
3.9 其它类型神经网络复合控制的研究
王振雷[21]将智能控制策略中的模糊神经网络与H 最优控制策略相结合，构造智能H 复合控制器，成功的完成对包含不确定模型和未知有界扰动的非线性多变量系统的控制；将模糊神经网络与滑模变结构控制结合设计出模糊变结构复合控制器，可以改善滑模变结构控制器的性能，对一类不确定系统进行有效控制。

4  智能复合控制系统的发展前景
    智能复合控制器在非线性多变量系统中的应用已经成为当前控制领域的一个研究热点，取得了许多研究成果。但是目前在复合控制器的设计和应用方面仍存在一定的问题：智能控制技术和传统控制理论的结合形式比较单一，不能充分利用当前智能控制技术和传统控制理论各自的研究成果；控制器中智能模块结构的确定没有理论依据，多是凭借设计者的经验选定，通常选定的结构比较复杂，学习周期长，不利于实时运行；控制器的智能逼近模块的逼近精度难以确定，不能获得精确的控制效果。这些问题都有待于进一步研究。
总之，将智能控制策略和传统控制方法相结合构造智能型复合控制器，取其在控制中的优势和特点，已成为当今控制领域的一个研究热点，也成为解决各类复杂系统控制问题的重要工具，在理论和实际应用中都有十分重要的意义。