摘  要: 介绍了一些有关智能控制的基本概念，如模糊控制，自适应模糊神经控制，专家模糊系统和人工神经网络等等,并简要分析了模糊理论与人工神经网络的特点，将人工神经网络技术与PID控制相结合，用神经网络PID控制方法控制一个温控系统，从输出曲线中可见，这种方法有输出超调小、上升时间快等许多优点，为系统提供了一个优良的控制效果。
 关键词: 智能控制;神经网络;温度控制系统；
 正如大家所知道的，在控制系统发展中，智能控制技术的出现有益于逻辑控制、人工神经网络技术和专家模糊系统的一体化。在由一个误差信号驱动的学习控制中可以看出，对于许多复杂变量的非线性方程，这些系统的功能得以淋漓尽致地发挥。换句话说，和普通软件一样，工业生产的各种各样应用软件已经溶入了智能控制的思想。举个例来说，对于一些较难为传统方案所能控制的复杂或不大明了的系统，这种高级控制能提供一个切实可行的方案使其接近目前人类专家认识水平上的定性数据。随着工业控制的发展，智能控制技术领域的繁荣已经为新的控制技术提供了一些重要的应用。
    关于智能控制的一些基本概念已在本篇文章中加以解释，并通过一个例子说明智能控制在温度控制系统中的运用。
模糊控制
 模糊理论的发展源于用精确、传统的模型没法解释一些现实中遇到的物理现象，因
此，模糊理论成为探索复杂问题的一种有力工具，因为在没有使用精确、常规模型的情况下，对于定的输入它都能测定出输出量。它是没有模型的控制器。模糊控制理论的本质就是把复杂问题简单化。
  设全域U中的一个子集为A，它们之间的关系用函数描述为：μA(χ):χ∈→[0,1]，表示χ中的所有元素在A中的级别。模糊理论在很大程度上得益于人类语言，它是一

语言控制器，自然语言中的每个字或术语都可以视为全域U中的具体模糊子集A的一个标志。这个语言标志是用字、语法和句子来描述全域U.的子集。一个模糊语言上的变
量值就是作为模糊状态标志使用的语言术语，且是可以变化的。例如，模糊子集标志的高、中、低可作为模糊变量的值。
2、自适应模糊神经控制
 自适应模糊神经控制通常包含在体系结构中设定的两个多层神经网络模型。其中第一个神经网络是一个设备竞争者，第二个作为一种补偿以提高基本模糊逻辑控制器的性能。这个系统的发展由三个阶段组成：第一阶段，为设备发展一个基本模糊逻辑控制器；第二阶段，依据设备动力学训练控制神经网络模型，根据设备的不同类型，这种神经网络的训练实时或离线时都可以使用；第三阶段，主要包括神经模糊补偿的在线学习。预期输出与实际输出之间所表现出的误差会通过神经设备竞争者向后反馈，以适应在线神经模糊补偿的分量。这种过程促进了神经网络设备竞争者与实际输出之间的误差在后向反馈中的即时改进。
3、专家模糊系统
 专家系统有许多专家知识和实践经历，所以被称为程序系统；在专家的知识和先前实验数据的基础上，专家系统得到了很大的发展。为了要图解式地表达专家的知识，一个知识网络常通过因果关系的例证被证实；模糊全集函数可以像语言学上的陈述来使用。当专家系统出现故障时，它便开始使用向后和向前的链接方法查找根本原因。然后，依照查找到的原因修正控制策略；对每一步操作，它都会考虑到确切步骤不同程度的作用。如果最初原因的判断超过了预先定义的界限，专家系统会执行操作；当判断低于预
定的界限，而且如果这步操作不可撤消的话，专家系统就会给操作员发出消息等待他的决断。如果操作是可逆的，专家系统会毅然使用该操作。这三种不同的控制方案研究是

可选的，比如：给操作员“提出要点”、“模糊回答”、“建议”等。当专家系统执行使用“提出要点”这一方案时，就会发送进程变量的一个最新值给高层控制系统。使用“建议”方案时，系统将“建议”发给进程操作员让其手动完成操作。“模糊回答”包括三个部分，一个进程变量、自预定义模糊集合方程和所发现原始明确原因的程度。对于出现的每一个故障，将建立一个“模糊回答”。
4．人工神经网络
 
 人工神经网络在数学模型中模拟了生物大脑神经网络，大脑是一个大规模的信息处理系统，它连接了将近1010个神经元。人工神经网络以平行分布的方式连接了许多线性
或非线性的神经元模型和进程信息。当传统计算机的计算速度因为从计算方案的预指定运算法则减缓时，神经网络就会以很高的速度执行计算。另外，神经网络有很多有趣吸引人的特征，比如宽大的并行处理，错误容忍力，自适应学习能力和自我组织能力。
 一个人工神经网络就是在不同层聚集起来的神经单元的一个集合。如图1所示为一个典型的多个神经网络。
 
 多个网络可以实现任意复杂输入输出之间的映射。一个神经元i在第k层的输出如下：
  ，   k= 1, 2,…m .  (1)
 
 其中yik是第k层第i个神经元的输出，wyk是第k-i层第i个神经元与第k层第i个神经元之间的连接分量，m是总的层数，Xik-1是第k-i层第i个神经元的活化，θj是第j个神经元的极值，函数表示神经元的活化规则，它通常是一个分段、具有一定斜率的线性s曲线。在一个竞争的神经网络中，在第k层每一个神经元i和同层中的其他神经元形成竞争关系。为了学习神经网络的
 
分量，可以使用后向反馈误差的运算法则。这种法则运用倾斜的搜索技巧求出误差函数的最小值。近来，神经网络使用控制系统与其他控制器组合到一起，比如神经网络PID控制器，神经网络模糊控制……众多实例说明组合控制的效果优于单个系统。
5、仿真实例
 在锅炉温度控制中，神经网络控制的实现过程如图2所示：
 控制器是神经网络PID控制计划，温度控制系统结构如图3所示：
 
 当神经网络PID校准器是一个两层网络控制的系统，其如图4所示：
 
 当 x0=1,x1=e(t),x2=, x3=△e(t)-e(t-1)时，目标函数可以如下定义：
        ,                         ( 2 )
  , 
 运算法则是基于一种倾斜的理论基础上的，它被称之为后向传输理论，这个在两层

之间的反向误差信号表达式为：
         ，                    （3）
其中f(x)是f与x之间关系的派生，这个关系分量表示为：
        ，   （4）
 其中，学习比例    ，     （5）
 精深的论据     ，         （6）
系数 η0=0.3 ,α0=0.95 .
W0=θ0为极限值，w1=kp为比例系数，w2=ki为积分系数，w3=kd为微分系数。
 实验中使用容积为8升的锅炉，选用800W的加热器，当时间0 <t<60 min温度保持40℃，60<t<120 min时保持60℃，采样时间间隔设为20秒。实验中可观察到使用神经PID控制器的过程输出，如图5（a）为其输入、输出曲线图。但如果使用的是基本的PID控制器，则输出曲线在理想输出线附近逆向振荡，其输入、输出曲线如图5（b）所示。

6、结论
    在使用一个神经网络PID控制系统后，锅炉温度控制系统中的智能控制系统能达到预期目的。通过提高温度过程的即时实验验证了该系统的性能，它是相当稳定、灵敏的。系统展示了它的许多优越性，例如超调量减小、上升时间快等等。

参考文献：
 [1]   A ntonio Visioli. Fuzzy logic based set-point weight tuning of PID controllers[J].IEEE transaction son systems,1999,29(6):587-592.
 [2]   Leonid Reznik ,Omar Ghanayem ,Anna Bourmistrov.PID plus fuzzy controller structures as a design base for industrial applications[J].Engineering applications of intelligence. 2000,13:419-430.
 [3]   Radu-Emil Precup, Simona Doboli,Stefan Preitl. Stability analysis and development of a class of fuzzy control systems[J]. Engineering applications of artifical intelligence. 2000,13:237-247.
 [4]  Tzafestas S G. Fuzzy systems and fuzzy expert control: An overview [J]. Knowl. Eng.Rev.1990,9(3):229-268.
 [5]   Psaltis D, Sideris A A,Yamamra A.  A multi-layered neural network controller [J]. IEEE Control Systems Magazine. 1991,8,17-21.
 [6]  杨玉璞，许晓明，张文远. 基于模糊逻辑的神经网络设计 [J]. 模糊理论及系统.2000，414：325-328.
 [7]   Abdollah Homaifar, Ed Mc-Cormick. Simultaneous design  of  membership  functions  and  rule  sets  for  fuzzy controllers   using   genetic  algorithm「J」.IEEE Transactions on Fuzzy Systems,  1995,  3(2):129一135.
  [8]   Astrom K E, Anton J J.,Arzen. K.E Expert Contro[J] Automatica. 1986, 22( 3):277一286.
 [9]   Khanmohammadi S, Hassanzadeh I,  Zarei Poor  H  R. Fault diagnosis competitive  neural  network  with prioritized modification rule of connection weights「J].Artificial intelligence in engineering.  2000, 14(2):127-129
 [10]  Karendra K S, Parthasarathy K. Identofocation and control of dvnamical systems  using  neural network「J]. IEEE  Trans on Neural Networks.,1996, 1( 1):1一27.

相关论文