不確定性復(fù)雜系統(tǒng)的智能融合控制策略

鄧新莉，周江川，劉 珊，張四平

(1.重慶漢錦科技公司，重慶400010;2.四川兵工學(xué)報編輯部，重慶400050)

隨著科技現(xiàn)代化進(jìn)程的推進(jìn)，對控制技術(shù)提出了愈來愈高的要求。以塑膠制品的硫化過程控制為例，它是在一定溫度和壓力條件下，使膠料和各種助劑發(fā)生交聯(lián)等化學(xué)反應(yīng)，達(dá)到所需要的機(jī)械和物理化學(xué)性能，而實際上橡膠這種高分子材料，沒有一個固定的化學(xué)分子式，即使是同一種原材料，其分子量可能相差上百倍，甚至上萬倍，硫化工藝不具有明顯的規(guī)律性，其硫化過程是模糊的，與膠料的配方、性質(zhì)、產(chǎn)品結(jié)構(gòu)和工藝條件等許多不確定性因素密切相關(guān)，如何對這類不確定性復(fù)雜過程(或?qū)ο?進(jìn)行有效控制已經(jīng)成為人們關(guān)注的焦點之一。

1 控制中存在的問題和復(fù)雜系統(tǒng)的對象特性

1.1 控制中存在的問題

對大型復(fù)雜過程(或?qū)ο?的控制，一般是按某種準(zhǔn)則在系統(tǒng)低層將其分解為若干子系統(tǒng)實施控制，在上層協(xié)調(diào)各子系統(tǒng)之間的性能指標(biāo)，使集成后的系統(tǒng)處于某種意義下的優(yōu)化狀態(tài)?？刂浦兄饕嬖谌缦聠栴}:

1)不確定性問題。傳統(tǒng)控制是基于數(shù)學(xué)模型的控制，即認(rèn)為控制、對象和干擾的模型是已知的或者通過辯識可以得到的。但復(fù)雜系統(tǒng)中的很多控制問題具有不確定性，甚至在一定條件下會發(fā)生突變。對于“未知”、不確定、或者知之甚少的控制問題，用傳統(tǒng)方法難以建模，因而難以實現(xiàn)有效控制。

2)高度非線性問題。傳統(tǒng)控制理論中，對于具有高度非線性的控制對象，雖然也有一些非線性方法可以利用，但總體上看，非線性理論遠(yuǎn)不如線性理論成熟，因方法過分復(fù)雜在工程上難以應(yīng)用。在復(fù)雜系統(tǒng)中有大量的非線性問題存在。

3)半結(jié)構(gòu)化與非結(jié)構(gòu)化問題。傳統(tǒng)控制理論主要采用微分方程、狀態(tài)方程以及各種數(shù)學(xué)變換作為研究工具，其本質(zhì)是一種數(shù)值計算方法，屬定量控制范疇，要求控制問題結(jié)構(gòu)化程度高，易于用定量數(shù)學(xué)方法進(jìn)行描述或建模。而復(fù)雜系統(tǒng)中最關(guān)注和需要支持的，有時恰恰是半結(jié)構(gòu)化與非結(jié)構(gòu)化問題。

4)系統(tǒng)復(fù)雜性問題。按系統(tǒng)工程觀點，廣義的對象應(yīng)包括通常意義下的操作對象和所處的環(huán)境。復(fù)雜系統(tǒng)中各子系統(tǒng)之間關(guān)系錯綜復(fù)雜，各要素間高度耦合、互相制約，外部環(huán)境又極其復(fù)雜，有時甚至變化莫測，因此傳統(tǒng)控制缺乏有效的解決方法。

5)可靠性問題。常規(guī)的基于數(shù)學(xué)模型的控制問題傾向于是一個相互依賴的整體，盡管基于這種方法的系統(tǒng)經(jīng)常存在魯棒性與靈敏度之間的矛盾，但對簡單系統(tǒng)，其控制可靠性問題并不突出。而對復(fù)雜系統(tǒng)，如果采用上述方法，則可能由于條件的改變使得整個控制系統(tǒng)崩潰。

1.2 復(fù)雜對象的控制論特性

歸納復(fù)雜對象控制存在的上述問題，從控制論角度思考，主要表現(xiàn)為以下特性:系統(tǒng)參數(shù)的未知性、時變性、隨機(jī)性和分散性，系統(tǒng)時滯的未知性和時變性，系統(tǒng)嚴(yán)重的非線性，系統(tǒng)各變量間的關(guān)聯(lián)性，環(huán)境干擾的未知性、多樣性和隨機(jī)性［1］。面對這些特性，因其屬于不確定性復(fù)雜對象(或過程)的控制問題，傳統(tǒng)的控制方法難以對這類對象進(jìn)行有效控制，必須探索更有效的控制策略。

2 控制模型與控制策略

2.1 控制模型

由于被控對象的復(fù)雜性和不確定性，按照傳統(tǒng)方法，根據(jù)被控對象的數(shù)學(xué)模型，在滿足性能指標(biāo)及約束條件下，綜合設(shè)計控制器的方法是不能用的，因為對于復(fù)雜對象不可能建立嚴(yán)格的數(shù)學(xué)模型，綜合設(shè)計系統(tǒng)的前提條件不存在。對復(fù)雜系統(tǒng)的控制，可采用以知識表示的非數(shù)學(xué)的廣義控制模型，如圖1所示。

圖1 廣義控制模型

事實上，人們對對象(或過程)特性并不是一無所知，而是知之不全，即人們所具有的對象信息是灰色信息。在實際工程中，依靠控制專家和操作者長期積累的知識和經(jīng)驗，也可以對系統(tǒng)進(jìn)行有效控制，甚至獲得滿意的控制效果。它是基于人的智能，控制者的知識、經(jīng)驗和技巧完成預(yù)定的控制任務(wù)，因此，這種模型是人機(jī)結(jié)合的控制模型，即控制者(人)的模型和被控對象(機(jī))的模型相結(jié)合，如控制者的知識模型和被控制對象的機(jī)理模型相結(jié)合的廣義控制模型。

2.2 控制策略選取

對不確定性復(fù)雜系統(tǒng)所具有上述特性，可供選擇的策略有神經(jīng)網(wǎng)絡(luò)控制［2］、模糊控制［3］、實時專家系統(tǒng)控制［4］、遺傳算法控制［5］、免疫進(jìn)化控制［6］、仿人智能控制［7］等，這些策略在現(xiàn)實應(yīng)用中針對特定對象都顯示出了較強(qiáng)的生命力，為復(fù)雜系統(tǒng)的控制提供了新的思路和視角，豐富了控制理論的內(nèi)容，有重要的理論價值和和廣闊的應(yīng)用背景［8］。

模糊控制能將操作者或?qū)＜业目刂平?jīng)驗和知識表示成語言變量描述的控制規(guī)則，借助這些規(guī)則去控制系統(tǒng)。它適用于數(shù)學(xué)模型未知、復(fù)雜的非線性系統(tǒng)的控制。但模糊理論到目前為止并非盡善盡美，對不確定性復(fù)雜系統(tǒng)難以獲得好的控制效果，因為控制規(guī)則難以確定，需要與其他方法配合使用。

ANN(人工神經(jīng)網(wǎng)絡(luò))控制的最大優(yōu)點是可以充分逼近任意復(fù)雜的非線性關(guān)系，有較強(qiáng)的學(xué)習(xí)能力和容錯性，能夠處理定量、定性數(shù)據(jù)，利用連接的結(jié)構(gòu)與其他控制方法及人工智能相結(jié)合。其預(yù)測能力在很大程度上依賴于訓(xùn)練數(shù)據(jù)的狀況，但存在某些缺點:不適合表達(dá)基于規(guī)則的知識，不能很好地利用已有的經(jīng)驗知識，網(wǎng)絡(luò)訓(xùn)練時間長有可能導(dǎo)致陷入非要求的局部極值。如果數(shù)據(jù)中有干擾和不確定性，則過界問題常會出現(xiàn)。但是改進(jìn)的神經(jīng)網(wǎng)絡(luò)以及與其他智能控制技術(shù)結(jié)合可以在一定程度上彌補(bǔ)上述不足［9］。

遺傳算法是一種基于自然選擇和基因遺傳學(xué)原理的優(yōu)化搜索方法，具有全局尋優(yōu)的能力，可從廣泛分布于設(shè)計選項的潛在方案中進(jìn)行優(yōu)化篩選。遺傳算法早期存在過早收斂的缺點，但經(jīng)過改進(jìn)，尤其是與神經(jīng)網(wǎng)絡(luò)和模糊控制相結(jié)合使用，在一定程度上可克服上述缺點［10］。

專家系統(tǒng)是一種智能化的計算機(jī)程序系統(tǒng)，能夠利用人類專家的知識和解決問題的方法以處理某領(lǐng)域的問題，是智能控制的一個重要分支，但由于特征信息的采集、特征信息的表達(dá)以及完備知識庫建立等的實現(xiàn)難度大，所以專家控制系統(tǒng)未必對所有的不確定性復(fù)雜對象都是好的選擇。

值得注意的是仿人智能控制HSIC(human simulated intelligent control)策略，其在結(jié)構(gòu)和功能上具有以下基本特征:分層遞階的信息處理和決策機(jī)構(gòu)(高階產(chǎn)生式系統(tǒng)結(jié)構(gòu));在線的特征識別和特征記憶;開閉環(huán)控制結(jié)合和定性決策與定量控制結(jié)合的多模態(tài)控制;啟發(fā)式和直覺推理邏輯的應(yīng)用。由于它的基本特點是模仿控制專家的控制行為，因此，它的控制算法是多模態(tài)的控制，是多種模態(tài)控制間的相互交替使用。該特點可使其控制算法完美地協(xié)調(diào)控制系統(tǒng)中諸多相互矛盾的控制品質(zhì)的要求，比如魯棒性與精確性、快速性與平滑性等，因而也更貼近實際［11］。

上述分析表明，如以HSIC為基礎(chǔ)，融合其他控制技術(shù)，構(gòu)成智能融合的控制策略，一定會更加貼近不確定性復(fù)雜系統(tǒng)控制的工程實際而取得良好的控制效果。

3 控制算法結(jié)構(gòu)模式

3.1 知識的獲取與知識集的建立

知識表示是指從外部知識源到計算機(jī)內(nèi)部的轉(zhuǎn)換過程。知識表示方法主要分為3類:基于規(guī)則的表示法、基于框架的表示法和面向?qū)ο蟮谋硎痉?。常用的分類是將這3類知識表示方法歸為兩大類別:產(chǎn)生式表示法和面向?qū)ο蟊硎痉?。前者是一種典型規(guī)則表示法，這種表示法的優(yōu)點是表現(xiàn)形式單一直觀，有利于知識的提取和形式化，在計算機(jī)上容易實現(xiàn)。后者則更符合人們對客觀世界的認(rèn)識和思維的過程，正在成為當(dāng)前程序設(shè)計的主流方向［3］，但其在計算機(jī)上實現(xiàn)還有一定的難度。文中采用產(chǎn)生式表示法。

建立知識集實際上是如何表達(dá)已獲取的知識?？刂葡到y(tǒng)采用產(chǎn)生式規(guī)則來建立知識集，其基本結(jié)構(gòu)是

IF＜condition＞THEN＜action＞

基于產(chǎn)生式規(guī)則構(gòu)成的系統(tǒng)的突出優(yōu)點是模塊性好，每條規(guī)則可獨立增刪、修改，每個產(chǎn)生式規(guī)則之間無直接聯(lián)系，而且其自然性好，適合于工業(yè)過程控制。

3.2 控制算法

工程控制算法的控制規(guī)則集可由工程控制算法推演出來。現(xiàn)以仿人智能控制的原型算法為例，控制算法為

式中:u為控制輸出;Kp為比例系數(shù);k為抑制系數(shù);e為系統(tǒng)誤差;為系統(tǒng)誤差的變化率;em，i為誤差第i次峰值。

不確定性復(fù)雜系統(tǒng)的參數(shù)控制規(guī)則集是在上述原型算法的基礎(chǔ)上進(jìn)一步總結(jié)人的控制經(jīng)驗而建立的一套適合于不同特征狀況的控制規(guī)則，具體規(guī)則為:

其中:un為控制器的第n次輸出值;um為與輸入變化量ΔR有關(guān)的一個輸出保持值;up為強(qiáng)制保持值;e、為系統(tǒng)偏差及其變化率;為對象輸出的變化率;為控制器輸出的最近一次保持值，式中em，i為偏差的第次極值，r為極值加權(quán)因子，可在線修正;Kp1、Kp2、Ki1、Ki2、Kd為比例、積分和微分增益;為在e·≥0期間內(nèi)偏差的累計;β為切換因子;α、a、b為常數(shù)，由知識集中的經(jīng)驗規(guī)則確定;R為設(shè)定值;δ1、δ2、θ1、θ2為允許的誤差及誤差速率范圍。

4 系統(tǒng)仿真

由于是不確定性復(fù)雜系統(tǒng)，難以建立數(shù)學(xué)模型，為了驗證控制策略的正確性，可以采用對象或過程參數(shù)變化的方式以等效替代的方法，考察控制算法的魯棒性，如果控制算法魯棒性強(qiáng)，那么控制策略是可取的?，F(xiàn)以工業(yè)控制對象中常見的二階環(huán)節(jié)大滯后環(huán)節(jié)為例，分別采用PID、PID+Smith預(yù)估器和智能融合控制算法進(jìn)行仿真，考察其魯棒性。設(shè)被控對象控制模型為

在延遲時間分別為τ=2 s，τ=10 s和τ=20 s時對系統(tǒng)進(jìn)行仿真比較，響應(yīng)曲線如圖2～4所示。圖5顯示的是加入外部擾動時的響應(yīng)曲線，加入的擾動為脈沖信號，其寬度為0.2 s，振幅為0.5。

從圖2～4可以看出，無論從系統(tǒng)響應(yīng)的快速性、穩(wěn)定性、超調(diào)，還是系統(tǒng)的抗干擾能力，智能融合控制策略的性能都優(yōu)于PID控制和PID+Smith預(yù)估器的最優(yōu)控制。

綜上所述，對于不確定性復(fù)雜系統(tǒng)中的一些難控特性，智能融合控制策略表現(xiàn)出了很好的控制效果，是一種可供首選的控制策略。

5 結(jié)束語

對不確定性復(fù)雜系統(tǒng)的控制，由于智能融合控制策略對過程參數(shù)變化不是很敏感，具有很強(qiáng)的魯棒性，不論在穩(wěn)定性、快速性以及準(zhǔn)確性方面都比其他控制策略有明顯的優(yōu)越性。當(dāng)系統(tǒng)中加入擾動信號，仍然可以保持較好的控制效果，顯示出其具有很強(qiáng)的抗干擾能力。

［1］ 彭莉，林鷹，楊奕.復(fù)雜系統(tǒng)控制中的相關(guān)技術(shù)討論［J］.西南師范大學(xué)學(xué)報，2004，29(6):1066－1068.

［2］ 滕云，賀春林，岳淼.基于神經(jīng)網(wǎng)絡(luò)的語音識別研究［J］.重慶師范大學(xué)學(xué)報:自然科學(xué)版，2010，27(4):73－76.

［3］ 吳垣甫.神經(jīng)模糊控制在機(jī)器人導(dǎo)航中的應(yīng)用［J］.四川兵工學(xué)報，2009，30(5):111－115.

［4］ 李娟，明德廷，楊珺.基于模糊推理的農(nóng)業(yè)專家系統(tǒng)研究［J］.安徽農(nóng)業(yè)科學(xué)，2010，38(6):3277－3279，3281.

［5］ 鐘靜，應(yīng)宏.優(yōu)化和約束推理的動態(tài)分布式雙向?qū)нz傳算法［J］.重慶師范大學(xué)學(xué)報:自然科學(xué)版，2009，26(2):94－98.

［6］ 黨媛，李祚泳，鄒艷玲.基于蜜蜂免疫進(jìn)化算法的湖泊富營養(yǎng)化評價［J］.安徽農(nóng)業(yè)科學(xué)，2010，38(16):8618－8619，8695.

［7］ 李鐵軍，陳虹宇，邵桂芳.基于仿人智能控制的機(jī)器人動態(tài)目標(biāo)跟蹤［J］.重慶工學(xué)院學(xué)報:自然科學(xué)版，2009，23(11):64－69.

［8］Cai Zixing，Zhou Xiang，Li Meiyi.A Novel Intelligent-Control Method Evolutionary Control［C］//Proceedings of the 3’d World Congress on Intelligent Control and Automation.［S.l.］:［s.n.］，2000:387－390.

［9］ 李祖樞，涂亞慶.仿人智能控制［M］.北京:國防工業(yè)出版社，2003.

［10］劉太杰，崔莉鳳，劉載文.污水處理智能控制進(jìn)展［J］.北京工商大學(xué)學(xué)報，2005，23(3):9－12.

［11］楊飚，張曾科.仿人智能控制器的動態(tài)特性參數(shù)整定方法［J］.信息與控制，2004，33(6):670－673.