【文章內容簡介】 制器的設計必然要體現(xiàn)分層遞階的原則。（ 5）推理與決策的實時性 對于設計用于工業(yè)過程的專家式控制器，這一原則必不可少。這就要求知識庫的規(guī)模不宜過大，推理機構應簡單，以滿足工業(yè)過程的實時性要求。 343 專家控制器的結構專家控制器 (EC)的基礎是知識庫 (KB)， KB存放工業(yè)過程控制的領域知識，由經驗數(shù)據(jù)庫(DB)和學習與適應裝置 (LA)組成。經驗數(shù)據(jù)庫主要存儲經驗和事實。學習與適應裝置的功能就是根據(jù)在線獲取的信息，補充或修改知識庫內容，改進系統(tǒng)性能，以便提高問題求解能力?！　】刂埔?guī)則集 (CRS)是對被控過程的各種控制模式和經驗的歸納和總結。由于規(guī)則條數(shù)不多，搜索空間很小，推理機構 (IE)就十分簡單，采用向前推理方法逐次判別各種規(guī)則的條件，滿足則執(zhí)行，否則繼續(xù)搜索?！　√卣髯R別與信息處理 (FR＆ IP)部分的作用是實現(xiàn)對信息的提取與加工，為控制決策和學習適應提供依據(jù)。它主要包括抽取動態(tài)過程的特征信息，識別系統(tǒng)的特征狀態(tài)，并對特征信息作必要的加工。35專家控制器的輸入集為： E = (R, e, Y, U)。 e = R Y式中， R為參考控制輸入， ｅ 為誤差信號， Y為受控輸出， U為控制器的輸出集?！　?EC的模型可用下式表示： U = f (E,K,I) 　　智能算子 f為幾個算子的復合運算： f=ghp 　　其中， g:E→S ； h:SK→I ； p:I→U 　　 g、 h、 p均為智能算子，其形式為： IF A THEN B　　其中， A為前提或條件， B為結論。 A與 B之間的關系可以包括解析表達式、 Fuzzy關系、因果關系和經驗規(guī)則等多種形式。 B還可以是一個子規(guī)則集。 　　36模糊控制是一類應用模糊集合理論的控制方法。模糊控制的價值可從兩個方面來考慮。一方面，模糊控制提供一種實現(xiàn)基于知識 (基于規(guī)則 )的甚至語言描述的控制規(guī)律的新機理。另一方面，模糊控制為非線性控制器提出一個比較容易的設計方法，尤其是當受控裝置（對象或過程）含有不確定性而且很難用常規(guī)非線性控制理論處理時，更是有效。 專家控制系統(tǒng)與模糊邏輯控制系統(tǒng)至少有一點是是相同的，即兩者都想要建立人類經驗和決策行為模型。然而，它們存在一些明顯的區(qū)別：　?。?1） 現(xiàn)存的 FLC系統(tǒng)源于控制工程而不是人工智能；　?。?2） FLC模型絕大多數(shù)為基于規(guī)則系統(tǒng)；　?。?3） FLC的應用領域要比專家控制系統(tǒng)窄；　?。?4） FLC系統(tǒng)的規(guī)則一般不是從人類專家提取，而是由 FLC的設計者構造的。 　　　模糊控制系統(tǒng)371 模糊控制器的結構 在理論上，模糊控制器由 N維關系 R表示。關系 R可視為受約于［ 0， 1]區(qū)間的 N個變量的函數(shù)。 R是幾個 N維關系 Ri的組合，每個 Ri代表一條規(guī)則 ri:IF→THEN ?？刂破鞯妮斎?x被模糊化為一關系 X，它對于多輸入單輸出 (MISO)控制時為 (N1)維。模糊輸出 Y可應用合成推理規(guī)則進行計算。對模糊輸出 Y進行非模糊化 (模糊判決 )，可得精確的數(shù)值輸出 y。 　　理論模糊控制器框圖 模糊邏輯控制器的一般結構38自組織模糊控制的結構能夠自動獲得模糊控制器的規(guī)則庫。當用 FLC控制裝置 (對象 )至期望響應時，新的條件一出現(xiàn)，規(guī)則就被產生和修改。該控制器由性能評價、對象建模、規(guī)則庫更新和 FLC保持等部分組成。性能評價 用于分析清晰裝置有關性能目標的狀態(tài)矢量 (位置誤差 PE和誤差變化 CE)，產生對已辨識過的規(guī)則的校正，以補償任何差劣的性能。 校正 是通過標量來調整規(guī)則結論的。采用可接受和不可接受階躍響應相平面軌跡作為性能目標。　　 裝置 (對象 )模型 用于考慮裝置規(guī)則校正時的輸入 輸出極性。規(guī)則庫更新部分檢查哪條或哪些規(guī)則可對當前差劣的性能產生響應，并進行校正。自組織模糊控制器在學習試驗過程中的連續(xù)采樣時間內，不斷 (迭代 )地改善規(guī)則庫。　　自組織模糊控制器的結構392 模糊控制器的控制規(guī)則專家模糊控制器（ EFC）容許復雜的分級規(guī)則，如： IF〈 過程狀態(tài) 〉 THEN〈 中間變量 1〉 IF〈 中間變量 N〉 THEN〈 控制作用 〉這里中間變量代表一些穩(wěn)含的不可測狀態(tài)，它們能影響所采用的控制作用?！　≡诟鼜碗s層次， EFC容許包含策略性知識。因此，就可以確定應用那一低級規(guī)則的中級規(guī)則，即： IF〈 過程狀態(tài) 1〉 THEN〈 應用規(guī)則集 A〉 IF〈 過程狀態(tài) N〉 THEN〈 應用規(guī)則集 B〉也可有這類規(guī)則，它們被用來確定低級規(guī)則的某一時間次序。即 : IF〈 過程狀態(tài) 1〉 THEN〈 應用規(guī)則集 A〉〈 然后應用規(guī)則集 B〉　　上面所描述的規(guī)則全都是我們稱之為 事件 驅動規(guī)則 的例子，都以所謂正向鏈接的模式處理。即這些規(guī)則只有在過程的狀態(tài)同預先確定的條件相 匹配 時才加以應用?！　　?0此外， EFC還容許問題的目標及約束函數(shù)作為規(guī)則的可能。這些目標驅動 規(guī)則將用于改變控制器的結構，比如說從一種控制模式轉換為另一種控制模式。例如，假定希望將過程從一個穩(wěn)定狀態(tài)驅動到另一個穩(wěn)定狀態(tài) (也許是為了響應生產上所需的變化 )，那么就需要這類形式的規(guī)則：IF〈 新目標 〉 THEN〈 初始化規(guī)則組 1〉 　　這里 〈 新目標 〉 是當前目標同新目標之間差別的某種陳述，而 〈 初紿化規(guī)則組 1〉 則指出應當采用完全不同的低級規(guī)則集?！　⌒乱?guī)則 (如上述這些規(guī)則的引入對 EFC的結構有重要的結論 )必然地使 EFC比 FLC的 應用全部規(guī)則 的方法要復雜得多。為了應用模糊推理并獲得有效的操作效率，就需要某種形式的多級處理。當然，請注意，隨著采用的規(guī)則愈精致，高速度和高精度的控制方法就可以用響應時間較長、性能檢測精度較差的控制方法來代替。眾所周知，人控制器在高速度、高精度處理信息方面其能力有限，這就完全同我們采用模糊的基于規(guī)則的方法的動機一致。如果精度是目標，那么應采用精確方法，而不要用模糊試探法。　　總之， EFC提供了一個相當豐富的表達過程控制信息的語言，從而加強了我們處理 困難 的控制問題的能力，這也正是模糊邏輯控制器的目的。 413 模糊控制器的設計方法用于模糊控制器的規(guī)則和隸屬函數(shù)往往是試探地確定的；也就是說，它們是在對正在進行的受控過程作用的直覺理解的基礎上，加以人工編碼的。曾盡力對規(guī)則及其隸屬函數(shù)進行系統(tǒng)的設計。這方面的例子很多。例如，一個遺傳算法被成功地用于優(yōu)化模糊控制器，該控制器用于某自主太空飛行器的會合機動飛行。更新的例子是一個聯(lián)想記憶型神經網絡，用于倒擺模糊控制器參數(shù)的初始離線訓練和后續(xù)在線應用。還有一種以模糊歸納推理為中心的模糊控制器的設計方法，此法用于動態(tài)連續(xù)時間過程的定性模擬?！　∮邢铝袔追N模糊控制器的設計方法：　　 (1)語言相平面法； (2)專家系統(tǒng)法； (3)CAD環(huán)境工具； (4)遺傳優(yōu)化算法等。　　以上各種方法都是結合具體的控制器，如模糊 PID控制器，進行研究的?！　　?2學習控制系統(tǒng)是一個能在其運行過程中逐步獲得受控過程及環(huán)境的非預知信息，積累控制經驗，并在一定的評價標準下進行估值、分類、決策和不斷改善系統(tǒng)品質的自動控制系統(tǒng)?！　。?1）學習控制的發(fā)展　　對學習機的設想與研究始于 50年代，學習機是一種模擬人的記憶與條件反射的自動裝置。學習機的概念是與控制論同時出現(xiàn)的。下棋機是學習機器早期研究階段的成功例子?！　?60年代發(fā)展了自適應和自學習等方法，并開始研究雙重控制和人工神經網絡的學習控制理論，其控制原理是建立在模式識別方法的基礎上的。另一類基于模式識別的學習控制方法把線性再勵技術用于學習控制系統(tǒng)。研究基于模式識別的學習控制的第三種方法是利用 Bayes學習估計方法。　　 80年代由于基于模式識別的學習控制方法存在收斂速度慢、占用內存大、分類器選擇涉及訓練樣本的構造以及特征選擇與提取較難等具體實現(xiàn)問題，反復學習控制及重復學習控制，在 80年代被提出來，并獲得發(fā)展。 學習控制系統(tǒng) 43（ 2）學習控制的研究課題 　　學習控制具有 4個主要功能，搜索、識別、記憶、推理。在學習系統(tǒng)研制初期，對搜索和識別方面研究較多，而對記憶和推理的研究還是薄弱環(huán)節(jié)。傅京孫指出：幾乎所有的學習算法都具有相似的學習特性。較復雜的在線學習技術的實現(xiàn)需要高速度和大容量的計算機。對于運行在隨機環(huán)境中的系統(tǒng)，必須用在線學習方法，但在線學習比離線學習需要更長的時間。在很多情況下都是兩種方法結合使用，先用離線方法盡可能獲取先驗信息，然后再進行在線學習控制。此外，他還提出了需要進一步深入的課題：（ a） 在非穩(wěn)定環(huán)境中的學習　　大多數(shù)學習算法僅在穩(wěn)定的環(huán)境中有效，若把一個非穩(wěn)定環(huán)境近似為若干個穩(wěn)定的環(huán)境，則可應用模式識別等技術加以解決。 （ b） 提高學習效率　　多數(shù)算法都需要較長時間，不適于快速響應系統(tǒng)的控制，可增加有利的先驗知識加以改進。　　44 （ c） 結束規(guī)則 (stopping rule) 　　若系統(tǒng)已達到指定的要求，則需要有適當?shù)慕Y束規(guī)則，以縮短學習時間。　?。?d） 學習系統(tǒng)的多級結構　　對不同復雜程度的環(huán)境信息分別用不同的學習算法處理，且處于不同層次，高一級中的學習品質取決于低一級中一個或幾個學習機構所獲得的信息?！　。?e） 把模糊數(shù)學用于學習系統(tǒng)　?。?f） 直覺推理的應用　　很多 (包括復雜的 )控制問題，有時只需要用直覺推理方法就可解決?！　。?g） 文法推理　　近年來，控制理論正向廣度和深度發(fā)展，把人工智能技術應用于自動控制取得了可喜的成果。 Saridis提出了很多有關學習控制的新的思想方法。 Astrom等在以 專家控制 為題的開拓性論文中指出，用專家系統(tǒng)的方法實現(xiàn)工程控制中存在的很多啟發(fā)式邏輯推理，可使常規(guī)控制系統(tǒng)得到簡化，并獲得新的功能。日本學者田口英郎對人在對象特性變化時的適應控制能力進行了研究，用學習控制方法得出了雙控制策略，模擬了人在學習控制中控制模型的變化，以及異常檢驗、操作保持和特征辨識等特點。但他單純地全部模擬人的行為的方法，也引入了一些不良的因素 。　　　452 學習控制的設計原則傳統(tǒng)控制所面臨的難題之一，就是由于對被控制對象數(shù)學模型的依賴性太強和理論推導的假設條件太嚴格，不適于實際應用。那么，如何在今后的生產過程自動化中應用學習控制的方法呢？最有效的途徑仍是仿人和吸收人工智能的研究成果。近年來，仿人智能控制器的研究已初見成效。智能控制算法的基本思想是仿人的學習、在線特征辨識、特征記憶、直覺推理和多模態(tài)控制策略等，而在結構上是分層的。 46一個通用的仿人智能控制器（ SHIC）應具有在線特征辨識的分層遞階結構 。主控制器MC和協(xié)調器 K構成運行控制級；自校正器 ST構成控制參數(shù)自校正器；自學習器 SL構成控制規(guī)則組織級。 MC、 ST和 SL分別具有各自的在線特征辨識器 CI、規(guī)則庫 RB和推理機 IE， SL還有作為學習評價標準的性能指標庫 PB。 3個層級公用一個公共數(shù)據(jù)庫 CDB，以進行密切聯(lián)系和快速通訊。各層級的信息處理和決策過程分別由 3個三元序列｛ A， CM， F}、｛ B， TM， H}和｛ C， LM， L}描述。 來自指令 R、系統(tǒng)輸出 γ和偏差 E等在線信息，分別送到 MC和 ST的 CI1和 CI2，與相應的特征模型 A（系統(tǒng)動態(tài)運行特征集）及 B（系統(tǒng)動態(tài)特性變化特征集）進行比較和辯識，并通過 IE1和 IE2內的產生式規(guī)則集 F和 H映射到控制模式集 CM和參數(shù)校正集 TM上，產生控制輸出 U′和校正參數(shù) M′。 U′經協(xié)調器 K形成受控對象 G的輸入向量 U，而 M′則輸入到CDB，以取代原控制參數(shù) M?！　　?7對于執(zhí)行控制級的 MC和參數(shù)校正級的 ST，｛ A， CM， F}和｛ B， TM， H}均為由設計者賦給的或由 SL形成的先驗知識，分別存放在規(guī)則庫 RB RB2和 CDB中。 SL中的 RB3是控制器的總數(shù)據(jù)庫，用于存放控制專家經驗集｛ C， LM， L}，它包含｛ A， CM， F}和｛B， TM， H}，選擇、修改和生成規(guī)則以及學習效果的評判規(guī)則。其中，存放的性能指標包括總指標集 PA和子指標集 PB。 PA由用戶給定， PB則為 PA的分解子集，由 CI3的特征辨識結果選擇與組合，作為不同階段和不同類型對象學習的依據(jù)。學習過程分為啟動學習和運行學習兩種。啟動學習過程是控制器起動后初始運行的學習，它反復依據(jù)當前特征狀態(tài) C，前段運行效果的特征記憶 D以及相應問題求解的子指標集PB之間的關系，確定 MC的｛ A， CM， F}和 ST的｛ B， TM， H}，即： IF C, D, PBTHEN｛ A， CM， F}AND｛ B， TM， H}運行學習過程是指控制運行中對象類型變化時的自學習過程。首先， SL從反映對象類型變化的特征集 C′確定出新的子指標集 PB′，然后依據(jù)特征記憶 D′來增刪或修改｛ A， CM，F(xiàn)}和｛ B， TM， H}，即： IF C′ THEN PB′ IF C′， D′， PB′THEN｛ A′， CM′， F′}AND｛ B′， TM′， H′}