智能控制-研究生课程测试-论文

第一部分论述题1．目前传统控制存在什么机遇与挑战？为什么要发展智能控制？传统控制的主要特征是基于精确的系统数学模型的控制，适于解决线性、时不变等相对简单的控制问题。它自身的发展面临巨大的局限性，其控制系统的分析和设计必须建立在精确数学模型的基础上，难以解决现实中复杂性、非线性、时变性、不确定性和不完全性的系统控制问题。智能控制是自动控制理论发展的必然趋势，其产生和发展给传统控制带来了新的机遇和挑战。发展智能控制主要是因为相比较于传统控制，智能控制在解决现实复杂控制问题中具有的几大突出特点：一是传统控制建立在确定的模型基础上，而智能控制的研究对象则存在模型严重的不确定性，即模型未知或知之甚少者模型的结构和参数在很大的范围内变动，比如工业过程的病态结构问题、某些干扰的无法预测，致使无法建立其模型，这些问题对基于模型的传统自动控制来说很难解决。二是传统控制系统对控制任务的要求要么使输出量为定值(调节系统)，要么使输出量跟随期望的运动轨迹(跟随系统)，因此具有控制任务单一性的特点。而智能控制系统的控制任务可比较复杂，例如在智能机器人系统中，它要求系统对一个复杂的任务具有自动规划和决策的能力，有自动躲避障碍物运动到某一预期目标位置的能力等。对于这些具有复杂的任务要求的系统，采用智能控制的方式便可以满足。三是传统的控制理论对线性问题有较成熟的理论，而对高度非线性的控制对象虽然有一些非线性方法可以利用，但不尽人意。而智能控制为解决这类复杂的非线性问题找到了一个出路，成为解决这类问题行之有效的途径。工业过程智能控制系统除具有上述几个特点外，又有另外一些特点，如被控对象往往是动态的，而且控制系统在线运动，一般要求有较高的实时响应速度等，恰恰是这些特点又决定了它与其它智能控制系统如智能机器人系统、航空航天控制系统、交通运输控制系统等的区别，决定了它的控制方法以及形式的独特之处。四是与传统自动控制系统相比，智能控制系统具有足够的关于人的控制策略、被控对象及环境的有关知识以及运用这些知识的能力。五是与传统自动控制系统相比，智能控制系统能以知识表示的非数学广义模型和以数学表示的混合控制过程，采用开闭环控制和定性及定量控制结合的多模态控制方式。六是与传统自动控制系统相比，智能控制系统具有变结构特点，能总体自寻优，具有自适应、自组织、自学习和自协调能力。七是与传统自动控制系统相比，智能控制系统有补偿及自修复能力和判断决策能力。2．举例说明分层递阶控制的应用情况。分层递阶智能控制，是人们分析和组织系统阶次高、子系统互相关联、系统的评价目标多且目标间又可能相互冲突的大型复杂系统的一种常用方法，所涉及的大型复杂系统，同时还要要求系统具有规划、决策、学习等功能。其分层结构主要包括组织级、协调及（任务、功能）和执行级。网上有一篇关于城市电网自愈控制的分层递阶控制系统的介绍文章，我以此为例，对其使用分层递阶控制的相关原理进行介绍：城市电网示意图如下：城市电网自愈控制体系中包括了七种控制，根据分层递阶控制的思想，设计如下图所示的城市电网自愈控制结构，包括四层控制器：（1）知识组织级：根据城市电网当前运行状态制定需要完成的控制目标，并分解为多个不同的控制任务，下达到控制任务分配器。（2）任务协调级：根据决策计机下达的任务，有选择地分配给相应功能的控制协调器。（3）功能协调级：根据分配器下达任务，通过解析翻译形成控制命令，并下达给具体功能模块。（4）功能执行级：完成控制任务的具体装置和设备。为适应分布式复杂系统控制要求，根据功能特点和物理特性将控制结构划分为功能上独立、具有逻辑推断能力和通讯能力的计算实体，称为智能体，共同形成智能体群体系统，如下图所示：执行级的测控智能体的功能是完成城市电网的信息测量、执行控制动作，具体的控制行为可能来源于协调级智能体，或者有测控智能体自治形成。测控智能体包括继电保护智能体、低频减载智能体、五防控制智能体、电压无功控制智能体、故障录波智能体、开关状态监测智能体、变压器状态监测智能体等。测控智能体与其感知和控制对象之间的关系氛围1对1型、1对多型和多对1型3种。协调智能体分为2个层次，上层为控制决策智能体，下层为变电站智能体。控制决策智能体包括状态评估智能体、紧急控制智能体、恢复控制智能体、孤岛控制智能体、校正控制智能体、预防控制智能体、优化控制智能体和健壮控制智能体。3．举例分析一个在线学习控制系统的稳定性和收敛性。考虑一个闭环PD型迭代学习控制系统，其学习算法如下：Uk+1(t)=f(Uk(t),ek+1(t))=Uk(t)+αek+1(t)+βUk+1(t),其中，kT≤t≤(k+1)T,k=0,1,2…，T为学习周期，α、β分别为比例、微分学习因子矩阵。初始U0(t)应使闭环系统保持稳定，期望输出yd(t),t∈[0,∝]应满足周期为T的条件。此复合迭代学习控制器的设计采用前向通道控制器加迭代学习控制器的复合迭代学习策略。前向通道控制器主要针对受控对象的稳定性以及带宽对系统进行校正。而迭代学习控制器则应保证系统对期望误差轨迹的收敛性。结构图如下所示：当迭代学习次数趋于正无穷时，如果ed(t)在[0,∝]上一致趋于零，则迭代学习算法是收敛的。收敛性是迭代学习算法中最重要的因素之一。只有收敛，迭代学习算法才有意义。假设被控对象、前向通道控制器和迭代学习率的传递函数分别为P(s)、C(s)和H(s)。令G(s)=C(s).P(s)，有yk(s)=uk(s).G(s),uk(s)=vk(s)+H(s).ek(s),uk+1(s)=vk+1(s)+H(s).ek+1(s)，又vk+1(s)=uk(s),则uk+1(s)=uk(s)+H(s).ek+1(s)可知此迭代算法为闭环算法，具有很好的收敛性与鲁棒性，可减少迭代次数实现对期望轨迹的无差跟踪，极大提高控制效果。同时ek(s)=yd(s)-yk(s)=yd(s)-uk(s).G(s)ydykUkVkVk+1+++存储器×××C(s)C(s)存储器H(s)H(s)+++ekek+1(s)=yd(s)-yk+1(s)-uk+1(s).G(s)=yd(s)–[uk(s)+H(s).ek+1(s)].G(s)ek+1(s)-ek+1(s)=-[uk+1(s)-uk(s)].G(s)=-H(s).ek+1(s).G(s))()(1)()(1sGsHsesekk欲使迭代收敛，需满足|1+H(s)G(s)|1,且1+H(s)G(s)幅值愈大收敛越快。该系统通过前向通道控制器调节稳定性和带宽，再利用迭代算法提高精度。4．专家控制系统的设计应考虑哪些问题？专家控制系统(expertcontrolsystem,ECS)广泛应用于故障诊断、工业设计和过程控制，为解决工业控制难题提供一种新的方法，是实现工业过程控制的重要技术。对专家控制系统的控制器的要求主要包括五个方面：（1）运行可靠性高对于某些特别的装置或系统，如果不采用专家控制器来取代常规控制器，那么，整个控制系统将变得非常复杂，尤其是其硬件结构。其结果使系统的可靠性大为下降。因此，对专家控制器提出较高的运行可靠性要求。它通常具有方便的监控能力。（2）决策能力强决策是基于知识的控制系统的关键能力之一。大多数专家控制系统要求具有不同水平的决策能力。专家控制系统能够处理不确定性、不完全性和不精确性之类的问题，这些问题难以用常规控制方法解决。（3）应用通用性好应用的通用性包括易于开发、示例多样性、便于混合知识表示、全局数据库的活动维数、基本硬件的机动性、多种推理机制以及开放式的可扩充结构等。（4）控制与处理的灵活性这个原则包括控制策略的灵活性、数据管理的灵活性、经验表示的灵活性、解释说明的灵活性、模式匹配的灵活性以及过程连接的灵活性等。（5）拟人能力专家控制系统的控制水平必须达到人类专家的水准。针对这些要求，在专家系统的设计过程中，则需要考虑以下几个方面：（1）准确地表示知识与时间的关系。（2）具有快速和灵敏的上下文激活规则。（3）能够控制任意时变非线性过程。（4）能够进行时序推理、并行推理和非单调推理。（5）修正序列式基本控制知识。（6）具有中断过程和异步事件处理能力。（7）及时获取动态和静态过程信息，以便对控制系统进行实时序列诊断。（8）对不再需要的存储元件进行有效的回收，并保持传感器的过程。（9）接受来自操作者的交互指令序列。（10）连接常规控制器和其它应用软件。（11）能够进行多专家系统之间以及专家系统与用户之间的通讯。5.面对一些复杂问题，为什么有必要采用智能复合控制？实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等，传统控制难以解决根本性的建模等关键问题，无法取得有效的控制效果。在采用智能控制方式进行复杂控制系统设计的过程中，我们发现单一的智能控制模式往往也难以达到控制预期，特别是工程类控制问题，存在高层控制与底层控制、全局控制与局部控制的矛盾。全局控制主要针对整个生产过程的自动化，包括整个操作工艺的控制、过程的故障诊断、规划过程操作处理异常等，它往往是高级的，处理逻辑复杂的，强调的是控制的智能性。局部控制是指将智能引入工艺过程中的某一单元进行控制器设计，它往往控制要求简单或不太复杂，可用传统控制进行局部代替。同时，各类智能控制方式在各自控制方向上有比较明确的优势。如，神经网络控制在分类、选择类问题上的突出性能，遗传算法控制在寻优问题方面的突出性能，模糊控制在处理判定边界不确定的实际问题中有效能力等等。因此，智能复合控制由此诞生，它是智能控制和传统控制的结合。这种控制器既具有智能控制的自学习和自整定能力，又可以有效的利用传统控制理论，对系统的性能进行理论分析，从而设计出满足性能指标的非线性多变量控制系统。一方面，可以有效解决实际复杂的控制问题，另一方面，也节约了产品成本。6.怎样理解“大数据”与“数据挖掘”？（1）大数据(BigData/MegaData)大数据，或称巨量资料，指的是需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产。通常指以多元形式，自许多来源搜集而来的庞大数据组，具有实时性。从技术上看，大数据必然无法用单台的计算机进行处理，必须采用分布式计算架构。它的特色在于对海量数据的挖掘，核心在于为客户挖掘数据中蕴藏的价值。海量的数据挖掘，必须依托云计算的分布式处理、分布式数据库、云存储和/或虚拟化技术。大数据的特点分为四个层面，第一，数据体量巨大。从TB级别，跃升到PB级别；第二，数据类型繁多。包括网络日志、视频、图片、地理位置信息等等。第三，价值密度低。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。第四，处理速度快。1秒定律。最后这一点也是和传统的数据挖掘技术有着本质的不同，物联网、云计算、移动互联网、车联网、手机、平板电脑、PC以及遍布地球各个角落的各种各样的传感器，无一不是数据来源或者承载的方式。业界将其归纳为4个“V”——Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）、Velocity（高速）。大数据最核心的价值就是在于对于海量数据进行存储和分析。相比起现有的其他技术而言，大数据的“廉价、迅速、优化”这三方面的综合成本是最优的。但在数据大爆炸下，怎样挖掘这些数据，也面临着技术与商业的双重挑战。首先，如何将数据信息与产品和人相结合，达到产品或服务优化是大数据商业模式延展上的挑战之一。大数据对算法和计算平台的挑战加大，计算开销大增。总量上升，质量下降，这是大数据带来的重大挑战；其次，巧妇难为无米之炊，大数据的关键还是在于谁先拥有数据。从市场角度来看，大数据还面临其他因素的挑战，如数据噪音太多，会导致数据价值大大降低，网络信息的准确性因多种因素受到质疑，大大降低了数据的价值。（2）数据挖掘(DataMining)数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术。在人工智能领域，习惯上又称为数据库中的知识发现(KnowledgeDiscoveryinDatabase,KDD)。主要有数据准备、规律寻找和