智能控制

智能控制（Intelligent Control），是一种综合了智能信息处理、智能信息反馈以及智能控制决策等功能的先进控制方法。它被视为控制理论发展的高级阶段，其设立的主要目的是为了解决那些采用传统方法难以有效应对的复杂系统的控制问题。智能控制所研究的对象，其主要特征表现为数学模型具有不确定性、系统本身具有高度非线性、以及所需完成的任务要求具有复杂性。

“智能控制”这一概念的萌芽出现在20世纪60年代。当时，学习控制领域的研究十分活跃，并展现出良好的应用前景。自学习和自适应等方法已经发展起来，用以处理控制系统中的随机特性以及模型参数未知的问题。1965年，美国普渡大学的傅K.S.（傅京孙）教授首次探索性地将人工智能中的启发式推理规则引入到学习控制系统中。1966年，美国学者J.M.孟德尔（Mendel）率先倡导在航天器的控制系统设计中应用人工智能技术。

1967年，美国的C.T.莱昂德斯（Leondes）等人在学术文献中首次正式使用了“智能控制”这一术语。1971年，傅京孙教授对人工智能与自动控制两个学科间的交叉关系进行了深入的探讨。自此以后，自动控制与人工智能这两个领域开始产生交集与碰撞，一个新兴的跨学科领域——智能控制——逐步建立并发展起来。早期的智能控制系统多采用较为基础的智能方法，例如模式识别、简单的学习算法等，因此其发展速度在初期相对缓慢。

1965年，L.A.扎德（Zadeh）教授发表了其里程碑式的论文《模糊集》（Fuzzy Sets），在模糊逻辑的基础上开辟了一个全新的数学研究领域。模糊逻辑旨在数学化地处理人类感知和语言表达中所特有的、普遍存在的不确定性。到了1975年，英国的E.H. MAMDani教授成功地将模糊逻辑与模糊关系应用于工业控制系统中，提出了一种能够有效处理模糊不确定性、并能模拟人类操作经验规则的模糊控制方法。此后，控制领域的专家学者们围绕模糊控制的理论和应用展开了广泛而深入的研究，取得了大量卓有成效的成果，使其成为智能控制领域中一个非常活跃且发展成熟的智能控制分支。

进入20世纪80年代，基于人工智能的规则表示和推理技术（特别是专家系统）取得了长足进步，并迅速应用于控制领域，形成了基于规则的专家控制系统。其著名案例包括瑞典K.J. Åström（阿斯特龙）教授等人提出的专家控制（Expert Control），以及美国G.M. Saridis教授在机器人控制中应用的专家系统。随着80年代中期人工神经网络（ANN）研究浪潮的复苏，控制领域的研究者们敏锐地抓住了这一契机，提出并迅速发展了神经网络控制方法。这些方法充分利用了人工神经网络卓越的非线性逼近能力、强大的自学习能力以及良好的容错特性。

随着相关研究的不断拓展和日益深入，智能控制作为一个新兴学科所应具备的理论基础和技术条件正在逐步走向成熟。1985年8月，IEEE（电气与电子工程师协会）在美国纽约召开了第一届智能控制学术研讨会（Symposium on Intelligent Control），会议深入讨论了智能控制的基本原理和系统结构。此次会议的召开，标志着智能控制作为一门被学术界广泛认可的新兴学科，正式登上了历史舞台，并从此进入了快速发展的轨道。

近十余年来，伴随着智能控制方法与技术的持续进步，智能控制迅速进入到各个专业应用领域，并被广泛用于解决各类复杂被控对象的控制难题，例如在工业过程控制系统、机器人系统、现代生产制造系统、交通控制系统等领域中均发挥着日益重要的作用。

关于“智能控制”的定义，学术界尚未形成绝对统一的文字表述，但其核心理念是相通的。以下是几种具有代表性的定义：

· 定义1（基于智能机器）： 智能控制是“智能机器”自主地实现其既定目标的过程。而智能机器（Intelligent Machine）则被定义为一种能够在结构化或非结构化、熟悉或不熟悉的环境中，自主地或通过交互方式，执行人类所分配任务的机器。

· 定义2（K.J. Åström观点）： 瑞典著名学者K.J. Åström（阿斯特龙）认为，将人类所具备的智能形式，如直觉推理、试错学习等，进行形式化（Formalization）或机器模拟，并将其运用于控制系统的分析和设计之中，使得控制系统达到一定程度的智能化水平，这便可称为智能控制。他还认为，传统的自整定控制和自适应控制可被视为智能控制的初级或低级表现形式。

· 定义3（基于自主性）： 智能控制是一种无需（或极少需要）人工干预，便能够自主地驱动智能机器实现其目标的自动控制。同时，它也是利用计算机技术来模拟人类智能活动的一个重要研究领域。

· 定义4（基于学科分支）： 智能控制实际上是一门新兴的学科分支，它专门致力于研究和模拟人类智能活动的规律及其在控制和信息传递过程中的具体体现，其目标是开发出具有类人智能特性的工程控制系统和信息处理系统。

智能控制是以现代控制理论、计算机科学、人工智能、运筹学等相关学科为基础，并对这些学科的理论和技术进行了交叉融合与拓展。在智能控制的理论体系中，模糊逻辑（Fuzzy Logic）、神经网络（Neural Networks）、专家系统（Expert Systems）、遗传算法（Genetic Algorithms）等理论，以及在此基础上发展起来的自适应控制、自组织控制、自学习控制等技术得到了最为广泛的应用。

· 专家系统： 这是一种利用专家知识库（Knowledge Base）和推理机（Inference Engine）来描述和解决特定领域内专业或困难问题的控制系统。尽管专家系统在解决复杂的高级推理任务中已取得成功，但其在实时控制领域的实际应用相对有限。

· 模糊逻辑： 模糊逻辑采用模糊语言（如“快”、“中”、“慢”）来描述系统，它既能用于描述应用系统的定量模型，也擅长处理难以精确建模的定性模型。模糊逻辑尤其适用于控制那些具有复杂性和不确定性的对象。

· 遗传算法： 作为一种非确定性的、模拟自然进化的准自然（Quasi-Natural）随机优化工具，遗传算法具有内在的并行计算特性和强大的全局最优解搜索能力。在智能控制中，它常与其他技术混合使用，用于参数、结构或环境的最优控制与寻优。

· 神经网络： 这是一种模拟生物神经元网络拓扑结构，利用大量简单的处理单元（神经元）进行学习和调整的自适应控制方法。它具有丰富的特性，包括并行计算、分布式存储、可变结构、高容错性、强大的非线性映射能力以及自组织、自学习能力。这些特性是人们长期以来期望控制系统所具备的。在智能控制中，神经网络在参数、结构或环境的自适应、自组织和自学习控制方面具有独特优势。

将上述智能控制相关技术与传统的或现代的控制方法相结合，或者将多种智能技术（如模糊控制与神经网络结合、神经网络与遗传算法结合）进行综合交叉与组合，以形成具有不同风格和特定功能的“混合智能控制系统”（Hybrid Intelligent Control Systems）和控制器，这也是智能控制技术方法论的一大显著特点。

智能控制的研究重点在某种意义上已不再局限于被控对象本身，而是更多地转向控制器自身的设计与实现。控制器不再是单一的、依赖于精确数学模型的解析型控制器，而是演变为一个融合了数学分析模型与知识系统模型的广义模型，是一个多学科知识高度融合的控制系统。智能控制理论旨在对被控的动态过程建立特征模式识别，并基于知识、经验、推理等机制进行控制决策。一个优良的智能控制器应具备多模式、变结构、变参数等特性，它能够根据被控动态过程的特点，自主地识别工况、学习经验、组织自己的控制方式，并动态地改变控制器结构或调整控制参数。

智能控制所针对的研究对象（即被控系统）通常具有以下特点：

1. 不确定性模型

智能控制的研究对象通常具有严重的不确定性。这里所说的模型不确定性包含两层含义：其一，被控对象的精确数学模型是未知的或难以获取的；其二，即使模型在某种程度上已知，其结构和参数也可能在运行过程中发生大幅度的、未知的变化。

2. 高度非线性

对于具有高度非线性特性的控制对象，采用传统的线性控制方法往往难以奏效。而采用智能控制方法（如神经网络、模糊控制等）则往往能更有效地解决这类非线性系统的控制问题。

3. 复杂的任务需求

对于智能控制系统而言，其所需完成的任务要求往往也相当复杂，可能涉及多目标优化、在不确定环境中的自主决策、人机协同操作等高级功能。

目前，智能控制已广泛应用于各类伺服系统、机器人、过程控制等领域，其主要的实现方法包括专家控制、模糊控制、学习控制、神经网络控制、智能预测控制等多种控制策略。

智能控制与传统控制最主要的区别在于，传统控制方法在很大程度上必须依赖于被控对象的精确数学模型；而智能控制则能够较好地解决那些非建模系统或模型高度不确定系统中的控制问题。相较于传统控制，智能控制具备以下几个基本特点：

1) 智能控制的核心是一种高级控制策略，它能够对复杂系统（例如，具有强非线性、快速时变特性、复杂多变量耦合、强环境扰动等）进行全局范围内的有效控制，实现广义的问题求解，并具有较强的容错能力。

2) 智能控制系统可以采用开环控制、定性决策和定量控制相结合的多模态控制方式。在其控制过程中，既可以采用以知识（如规则库）为代表的非数学广义模型，也可以采用数学模型，或采用两者相混合的控制过程。

3) 其基本目的是从系统功能实现和整体性能优化的角度出发，对系统进行分析和综合，以达到预定的控制目标。智能控制系统常具有变结构的特点，能够实现整体优化，并具备高级的适应能力、自组织能力、自学习能力和自协调能力。

4) 一个完善的智能控制系统，应能对人类专家的控制策略、被控对象的状态和外部环境有足够的“知识”（通过学习或预先植入），并具备灵活应用这些知识的能力。

5) 智能控制系统追求具备补偿（Compensation）和自愈（Self-healing）能力，以及高级的判断（Judgment）和决策（Decision-making）能力。

智能控制的具体应用已体现在多个方面，主要包括：

在工业生产过程中，智能控制的应用可分为局部级智能控制和全局级智能控制。

· 局部级智能控制： 是指将智能技术引入到某一特定单元（如反应器、精馏塔等）的过程中，进行控制器设计。例如，智能PID控制器是该领域的研究热点之一，它利用模糊逻辑、神经网络等技术对PID参数进行自动整定和在线自适应调整，在控制非线性和复杂对象方面具有明显优势。

· 全局级智能控制： 主要针对整个生产过程的自动化水平提升，包括对整个操作流程的监督与控制、过程故障的智能诊断、生产规划以及过程操作异常的智能处理等。

智能控制技术在机械制造业，尤其是现代先进制造系统中（如CIMS、FMS）得到了广泛的应用。在先进制造系统中，系统需要依靠不完整和不精确的数据来解决困难或不可预测的工况。人工智能技术为解决此类问题提供了一些有效的解决方案，例如：

(1) 利用模糊数学和神经网络等方法对制造过程的动态环境进行建模，并利用传感器融合（Sensor Fusion）技术对多源信息进行预处理和综合。

(2) 利用专家系统作为高级的反馈机制，用以修改底层的控制逻辑，或根据当前工况选择更优的控制方式和控制参数。

(3) 采用基于模糊集（Fuzzy Sets）理论的决策机制，用于在复杂约束下选择最优的控制动作。

(4) 利用神经网络强大的在线学习能力及其并行处理信息的特性，进行实时在线的模式识别，以处理潜在的不完整信息或噪声干扰。

在电力系统中，发电机、变压器和电动机等关键电机电气设备的设计、生产、运行和控制是一个非常复杂的过程。国内外的电气工程技术人员已将人工智能技术引入到电气设备的优化设计、故障诊断和运行控制中，并取得了良好的控制效果。

(1) 利用遗传算法（GA）等智能优化算法对电气设备进行优化设计，有助于在满足性能指标的前提下降低制造成本、缩短计算时间，从而提高产品设计的效率和质量。

(2) 应用于电气设备故障诊断的智能控制技术非常活跃，主要包括模糊逻辑推理、专家系统诊断和神经网络模式识别等。

(3) 智能控制在电流控制PWM（脉宽调制）技术中的应用，是电力电子技术领域具有代表性的应用方向之一，也是当前新的研究热点之一。

近年来，智能控制技术无论在理论研究还是工程应用方面，均在国内外取得了重大进展，许多成果已进入工程化和实用化的阶段。然而，作为一门新兴的理论与技术，它仍处于不断发展和完善的过程中。随着人工智能、大数据和计算机技术的持续飞速发展，智能控制必将迎来其发展的新时代。