14、控制系统中的智能系统应用-优快云博客

本文链接：https://blog.youkuaiyun.com/gitlab7runner/article/details/149475579

控制系统中的智能系统应用

1 控制系统概览

智能系统在控制领域的应用对制造、机器人以及其他工程领域有着深远的影响。控制问题与之前的其他应用（如计划、监控、诊断和重新规划）密切相关。控制器不仅需要解释传感器数据和识别故障，还需要在发生故障或其他意外事件时重新规划制造过程。

控制问题可以被看作是将一组状态变量映射到一组动作变量的过程。状态变量描述了被控制系统的状态，而由控制器设定的动作变量则用于修改系统状态。自适应控制器试图维持一个或多个关键状态参数的恒定值，最小化任何干扰的影响。相比之下，伺服控制器试图将系统驱动到一个新的状态，这可能与之前的状态大不相同。自适应控制和伺服控制的问题是相似的，因为两者都涉及最小化状态变量当前值与期望值之间的差异，或称为误差。

2 低级控制

2.1 开环控制

开环控制策略非常直接：给定一个控制要求，控制器简单地向系统发送一个控制动作。控制器必须有一个模型来描述控制动作和系统行为。控制的准确性完全依赖于模型的准确性，没有进行检查以确保系统按预期行为。例如，一个开环温度控制器将向加热线圈发送设定电流以达到预期温度。为了选择适当的电流，它将具有炉子热容量和热损失速率的隐式模型。这种策略不能纠正对系统的任何干扰。

2.2 前馈控制

前馈策略通过测量干扰并相应地改变控制动作来考虑对系统的干扰。以温度控制器为例，可能会监测到电力供应的波动。然后可以改变发送到线圈的标称电流，以补偿实际电流的波动。请注意，干扰本身，而不是被控制的变量（即不是温度控制器中的温度）。

2.3 反馈控制

这是高低级控制应用中最常见的控制策略。从系统中测量的输出与所需值进行比较，控制器使用误差来调整其控制动作。控制动作影响系统，系统输出影响控制器，从而形成闭环。因此，这种策略也被称为闭环控制。这种策略考虑了所有干扰，无论它们是如何引起的，无需直接测量它们。控制器的响应通常会有延迟，因为只有在检测到系统输出（例如炉温）偏差后才能进行纠正。

2.4 PID控制器

控制系统可以是模拟的也可以是数字的。在模拟系统中，控制器的输出会根据被控制变量的连续变化而连续变化。数字控制中，数据被采样，并且根据这些数据计算控制器输出的离散变化。PID（比例+积分+微分）控制器生成的 u 值是三个项的总和：

P — 与误差 e 成比例的项;
I — 与 e 对时间的积分成比例的项;
D — 与 e 对时间的导数成比例的项。

graph TD;
    A[误差 e] --> B[P项];
    A --> C[I项];
    A --> D[D项];
    B --> E[u];
    C --> E;
    D --> E;
    E --> F[控制动作];

PID控制器理想情况下分配给动作变量 u 的值应由以下公式给出：

$$
u(k) = K_p e(k) + K_i \sum_{i=0}^{k} e(i) + K_d \frac{e(k) - e(k-1)}{\Delta t}
$$

其中，控制器的可调整参数 $K_p$、$K_i$ 和 $K_d$ 可以根据被控制系统的特点进行设定。$K_p$ 是比例增益，$K_i$ 是积分时间，而 $K_d$ 是微分时间。

2.5 bang-bang控制

bang-bang 控制器依赖于在上限和下限之间切换动作变量，不允许中间值。使用两个极端值，尽管 Sripada 等人也允许动作变量的最终稳态值。考虑一个电炉的控制。一旦新的（增加的）温度要求已知，电流就会增加到可持续的最大值，直到温度误差小于一个临界值 $e^*$。然后电流会降低到其最小值（即零），持续时间 $\Delta t$，然后切换到其最终稳态值。

控制器	特点
PID 控制器	通过比例、积分、微分项调整控制动作
bang-bang 控制器	在上限和下限之间切换动作变量

3 高级（监督）控制

高级控制可能是复杂的问题，涉及在任何给定时间采取行动的决策。这可能涉及自适应控制和伺服控制的各个方面。高级控制的一个重要例子是制造过程的控制。在这个层面上的控制决策涉及多种因素，如反应物和原材料的选择；传送带速度；固体、液体和气体的流量速率；温度和压力循环；以及批次运输。

Leitch 等人已经确定了实时监督控制器的六个关键需求：

在时间约束内做出决策并采取行动的能力；
处理异步事件——系统必须能够中断其当前的操作集以处理意外事件；
时间推理，即推理时间和序列的能力；
推理不确定性；
连续操作；
多个知识来源。

这些需求中的前两个是新建的，而其余四个已经在规划和监控部分有所涉及。

4 黑板维护

高级控制可能有许多输入信息来源和许多子任务要执行。因此，不足为奇的是，黑板模型被选用于许多控制应用。Leitch 等人指出，由于需要连续操作，因此需要一种机制来确保黑板不包含过时的信息。他们通过用其发布的时间标记黑板信息来实现这一点。表示黑板信息寿命有几种方式：

可以假设所有黑板信息都有一个默认的生命周期。任何比这个时间更旧的信息都可以被移除。
在发布到黑板时，个别信息项可能会被标记一个预期的生命周期。
黑板项目之间的链接被记录下来，显示了项目之间的相互依赖关系。

方法	描述
默认生命周期	假设所有信息都有一个默认的生命周期
个别信息标记	个别信息项被标记一个预期的生命周期
项目链接	记录项目之间的依赖关系

图 14.4 描述了将此方法应用于锅炉控制的过程，使用了从第 2 章借鉴的规则。当传感器值发生变化时，更新会通过黑板上的依赖项传播。在图 14.4 中显示的示例中，一旦流量下降，流量高将从黑板上移除，以及推断出的蒸汽泄漏和蒸汽出口堵塞以及由此产生的控制动作。黑板上的所有其他信息仍然有效。

graph TD;
    A[传感器值变化] --> B[更新依赖项];
    B --> C[流量下降];
    C --> D[流量高移除];
    C --> E[推断蒸汽泄漏];
    C --> F[推断蒸汽出口堵塞];
    C --> G[控制动作];

5 时间受限推理

一个自动控制系统必须能够在实时中运行。这并不一定意味着快速，而仅仅是足够快。Laffey 等人提供了实时性能的非正式定义：实时性能要求系统对传入数据的响应速度要与数据到达的速度一样快或更快。这传达了一个观点，即实时性能是能够“跟上”系统所连接的物理世界的能力。

为了确保在可用的时间范围内获得一个令人满意的（尽管不一定是最佳的）解决方案，一个智能系统需要能够适当地安排其活动。知识来源的调度是一个内部控制问题，通常会与领域知识分开。另一方面，时间约束是特定于领域的，不应构建在推理引擎或控制软件中。一个合适的折衷方案是拥有一个专门的知识来源，专门用于实时调度领域知识来源。

以下描述了一些已应用于确保在时间约束内获得满意响应的技术：

选择合适的推理活动 ：只选择那些被判断能够在可用时间内完成的推理活动。
调整推理深度 ：根据时间约束调整推理的深度，以确保在规定时间内完成任务。
优先级分配 ：为不同的推理任务分配优先级，以确保最关键的任务首先完成。

6 模糊控制

模糊控制通过使用模糊逻辑来处理不确定性和非线性问题。模糊控制的核心是模糊规则和隶属函数。模糊规则允许将自然语言描述转化为控制动作，而隶属函数则定义了模糊集的边界。

6.1 模糊控制器的实际示例

LINKman

LINKman 是一个已经应用于水泥窑控制和其他制造过程的模糊控制系统。隶属函数的重叠量被故意限制，从而减少了规则触发的数量。这被认为可以简化去模糊化和隶属函数的调整，并使控制动作更加透明。所有变量都被规范化到 +1 到 -1 的范围内，代表最大和最小的极端值，其中 0 代表正常稳态值或设定值。

ARBS

ARBS 是一个应用于控制等离子体沉积的黑板系统。这项工作展示了使用模糊规则同时调整多个动作变量（即多变量控制），以控制一个可测量但不能直接调整的独立状态变量。

6.2 去模糊化

在触发模糊控制规则后，模糊动作必须转换为一个单一的精确动作才能有任何实际用途，即它们需要进行去模糊化。假设我们使用拉森乘积运算规则，控制动作的隶属函数根据它们的隶属度被压缩。因此，对于减少电流和无变化的电流的隶属函数被压缩，使得它们的峰值分别变为 0.5 和 0.3（图 14.9）。

去模糊化可以通过查找组合隶属函数的质心来实现。其中一个隶属函数，即减少电流，覆盖了模糊变量的一个极端，并因此无限地向无穷延伸。为了找到质心，需要一种处理方法。图 14.10 显示了应用镜像规则的效果，因此，为了去模糊化的目的，减少电流的隶属函数被处理为好像它在 -50% 周围是对称的。然后质心由下式给出：

$$
\text{质心} = \frac{\sum_{i=1}^{N} a_i c_i}{\sum_{i=1}^{N} a_i}
$$

其中，$a_i$ 是压缩后隶属度函数的面积，$c_i$ 是未压缩形状的质心。

7 高级控制中的自适应与预测

7.1 自适应控制

自适应控制器的目标是维持一个稳定状态。在一个完全稳定的环境中，自适应控制器将无需做任何事情。在现实世界中，自适应控制器必须适应环境的变化，这些变化可能是由被控制系统本身或外部干扰引起的。炉子的温度控制器是一个自适应控制器，其任务是维持恒定温度。尽管存在炉门开启、大量热质量的插入或移除、电源波动以及周围温度变化等干扰，它必须完成这一任务。通常，它将通过使用负反馈来实现这一点。

7.2 预测控制

如果植物模型具有足够的准确性，那么预测控制就成为可能。预测控制器有两个目标，解决即时控制需求和基于预测行为最小化未来的偏差。预测控制不仅需要处理当前的状态，还需要预测未来的状态，并据此调整控制动作。

8 统计过程控制（SPC）

SPC 涉及检查制造出的产品样本，测量关键参数，并从这些测量中推断出整个产品群体参数的趋势。收集和处理统计数据是一项程序化任务，并且使用了一些简单的启发式算法来识别趋势。因此，监控活动可以通过程序化和基于规则的编程实现自动化。根据过程的不同，控制决策也可以实现自动化。

8.1 数据收集

各种统计数据可以收集，但我们将专注于监控参数的平均值和标准差。周期性地，取一系列连续制造的产品样本，对样本中每个产品的关键参数 x 进行测量。样本大小 n 通常在 5 到 10 之间。在硅片制造的情况下，厚度可能是关键参数。计算样本的平均值 $\bar{x}$ 和标准差 $s$。在取得几个这样的样本后，可以得到平均值的平均值 $\bar{x}$ 和标准差的平均值 $\bar{s}$。值 $\bar{x}$ 和 $\bar{s}$ 分别代表 x 和 s 的正常值或设定点值。制造厂有特殊的设置程序，以确保 $\bar{x}$ 对应于参数 x 的设定点。在这些值的上下界称为控制限（图 14.21）。内控限和外控限，分别称为警告限和行动限，可以设定为：

[
\begin{align }
UCL_{\bar{x}} &= \bar{x} + 3 \frac{\sigma}{\sqrt{n}} \
LCL_{\bar{x}} &= \bar{x} - 3 \frac{\sigma}{\sqrt{n}} \
UCL_s &= B_4 \bar{s} \
LCL_s &= B_3 \bar{s}
\end{align }
]

其中，$UCL$ 和 $LCL$ 分别是控制限的上限和下限，$\sigma$ 是标准差，$n$ 是样本大小，$B_3$ 和 $B_4$ 是从标准表格中获得的常数。

控制限	公式
上限控制限（UCL）	$\bar{x} + 3 \frac{\sigma}{\sqrt{n}}$
下限控制限（LCL）	$\bar{x} - 3 \frac{\sigma}{\sqrt{n}}$
上限标准差控制限（UCL_s）	$B_4 \bar{s}$
下限标准差控制限（LCL_s）	$B_3 \bar{s}$

8.2 使用数据

随着数据的收集，可以应用各种启发式算法。下面复制了一些典型的算法：

如果单个 $\bar{x}$ 值超出行动限制，则表明发生了特殊干扰，必须进行调查并消除。
如果存在超出两个行动限制的 $\bar{x}$ 值，则表明过程可能正在恶化。
如果连续两个 $\bar{x}$ 值超出令人担忧的限值，则表明过程平均值可能已经移动。
如果连续八个 $\bar{x}$ 值呈现上升或下降趋势，则表明过程平均值可能正在移动。
如果连续七个 $\bar{x}$ 的值全部高于或低于 $\bar{x}$，则过程平均值可能已经移动。
如果有 $s$ 个值超出上限动作限制，则过程可能正在恶化。
如果有连续八个 $s$ 的值呈现上升趋势，则过程可能正在恶化。
如果有 $s$ 个值超出下限动作限制，则过程可能已经改进，应尝试将改进永久纳入。

这些规则的结论表明，需要控制动作的可能性很高。它们不能作为确定性的结论，因为证据是统计的。此外，可能过程本身根本没有改变，而是测量程序的某些方面发生了变化。上述每条规则都要求调查过程，以确定任何变化的原因，可能使用基于案例的推理或基于模型的推理。

9 控制系统的智能系统应用

智能系统在控制应用中借鉴了用于解释数据和规划的技术。通常，规划阶段与执行计划交织在一起，以便控制器能够对控制系统中出现的变化做出反应。这与经典规划系统形成对比，在那里世界被视为静态的“快照”。由于控制系统必须与动态环境交互，因此对它们施加了时间约束。通常，在控制决策的质量和得出决策所需的时间之间存在权衡。在大多数情况下，执行次优控制动作比在时间限制内不采取任何行动更可取。

9.1 智能系统在控制中的优势

智能系统在控制应用中的优势包括：

可靠性 ：智能系统根据其输入数据和知识库或数值参数做出一致的决策。
自动化 ：智能系统可以处理大多数需要反复进行的判断性决策，同时突出任何超出其能力范围的案例。
速度：智能系统可以基于大量数据和信息做出决策，而这些数据和信息是一个人没有足够时间吸收的。
改进的领域理解 ：构建基于知识的系统的过程需要明确并评估决策标准，从而更好地理解所解决问题。
知识归档 ：知识库是存储一个人或多人知识的仓库，即使在他们离开后，知识库也会继续发展。

10 结论

控制应用的智能系统借鉴了用于解释数据和规划的技术。通常，规划阶段与执行计划交织在一起，以便控制器能够对控制系统中出现的变化做出反应。这与经典规划系统形成对比，在那里世界被视为静态的“快照”。由于控制系统必须与动态环境交互，因此对它们施加了时间约束。通常，在控制决策的质量和得出决策所需的时间之间存在权衡。在大多数情况下，执行次优控制动作比在时间限制内不采取任何行动更可取。

可以大致区分低级的“反射”控制和高级的监督控制。低级控制通常不需要太多智能，并且可以最有效地以程序化的方式编码，例如，作为比例、积分和微分（PID）项的总和。通过使用模糊规则，可以在 PID 控制的基础上进行改进，这还允许在控制要求中包含一些细微差别，例如对某些变量的值的界限。模糊规则提供了一种程序和清晰规则的一些好处的混合。像清晰规则一样，模糊规则允许用语言描述状态和动作变量之间的交互。另一方面，像代数程序一样，模糊规则允许状态变量平滑变化，以实现动作变量的平滑变化。这些平滑变化的性质由用于模糊集的隶属函数决定。

任何控制器都需要一个被控制系统的模型。即使是一个 PID 控制器，也以参数形式持有隐式模型，这些参数可以调整以适应特定应用。当被控制系统模型不可用时，可以使用 BOXES 算法或神经网络自动构建一个。两者都可以用来提供状态变量和动作变量之间的映射。它们也可以用于监控功能，在这种情况下，关键状态变量（可能难以直接测量）可以从次要测量中推断出来。推断出的值可以作为反馈用于传统的控制器。如果系统模型具有足够的准确性，那么预测控制就成为可能。预测控制器有两个目标，解决即时控制需求和基于预测行为最小化未来的偏差。

智能系统在控制领域的应用不仅提高了控制系统的性能，还为复杂系统的控制提供了新的思路和方法。通过结合不同技术的优点，智能控制系统可以更好地应对各种挑战，实现更高效、更可靠的控制。