摘 要: 介紹了一些有關智慧控制的基本概念，如模糊控制，自適應模糊神經控制，專家模糊系統和人工神經網路等等,並簡要分析了模糊理論與人工神經網路的特點，將人工神經網路技術與PID控制相結合，用神經網路PID控制方法控制一個溫控系統，從輸出曲線中可見，這種方法有輸出超調小、上升時間快等許多優點，為系統提供了一個優良的控制效果。
關鍵詞: 智慧控制;神經網路;溫度控制系統；
正如大家所知道的，在控制系統發展中，智慧控制技術的出現有益於邏輯控制、人工神經網路技術和專家模糊系統的一體化。在由一個誤差訊號驅動的學習控制中可以看出，對於許多複雜變數的非線性方程，這些系統的功能得以淋漓盡致地發揮。換句話說，和普通軟體一樣，工業生產的各種各樣應用軟體已經溶入了智慧控制的思想。舉個例來說，對於一些較難為傳統方案所能控制的複雜或不大明瞭的系統，這種高階控制能提供一個切實可行的方案使其接近目前人類專家認識水平上的定性資料。隨著工業控制的發展，智慧控制技術領域的繁榮已經為新的控制技術提供了一些重要的應用。
關於智慧控制的一些基本概念已在本篇文章中加以解釋，並通過一個例子說明智慧控制在溫度控制系統中的運用。
模糊控制
模糊理論的發展源於用精確、傳統的模型沒法解釋一些現實中遇到的物理現象，因
此，模糊理論成為探索複雜問題的一種有力工具，因為在沒有使用精確、常規模型的情況下，對於定的輸入它都能測定出輸出量。它是沒有模型的控制器。模糊控制理論的本質就是把複雜問題簡單化。
設全域U中的一個子集為A，它們之間的關係用函式描述為：μA(χ):χ∈→[0,1]，表示χ中的所有元素在A中的級別。模糊理論在很大程度上得益於人類語言，它是一
語言控制器，自然語言中的每個字或術語都可以視為全域U中的具體模糊子集A的一個標誌。這個語言標誌是用字、語法和句子來描述全域U.的子集。一個模糊語言上的變
量值就是作為模糊狀態標誌使用的語言術語，且是可以變化的。例如，模糊子集標誌的高、中、低可作為模糊變數的值。
2、自適應模糊神經控制
自適應模糊神經控制通常包含在體系結構中設定的兩個多層神經網路模型。其中第一個神經網路是一個裝置競爭者，第二個作為一種補償以提高基本模糊邏輯控制器的效能。這個系統的發展由三個階段組成：第一階段，為裝置發展一個基本模糊邏輯控制器；第二階段，依據裝置動力學訓練控制神經網路模型，根據裝置的不同型別，這種神經網路的訓練實時或離線時都可以使用；第三階段，主要包括神經模糊補償的線上學習。預期輸出與實際輸出之間所表現出的誤差會通過神經裝置競爭者向後反饋，以適應線上神經模糊補償的分量。這種過程促進了神經網路裝置競爭者與實際輸出之間的誤差在後向反饋中的`即時改進。
3、專家模糊系統
專家系統有許多專家知識和實踐經歷，所以被稱為程式系統；在專家的知識和先前實驗資料的基礎上，專家系統得到了很大的發展。為了要圖解式地表達專家的知識，一個知識網路常通過因果關係的例證被證實；模糊全集函式可以像語言學上的陳述來使用。當專家系統出現故障時，它便開始使用向後和向前的連結方法查詢根本原因。然後，依照查詢到的原因修正控制策略；對每一步操作，它都會考慮到確切步驟不同程度的作用。如果最初原因的判斷超過了預先定義的界限，專家系統會執行操作；當判斷低於預
定的界限，而且如果這步操作不可撤消的話，專家系統就會給操作員發出訊息等待他的決斷。如果操作是可逆的，專家系統會毅然使用該操作。這三種不同的控制方案研究是
可選的，比如：給操作員“提出要點”、“模糊回答”、“建議”等。當專家系統執行使用“提出要點”這一方案時，就會發送程序變數的一個最新值給高層控制系統。使用“建議”方案時，系統將“建議”發給程序操作員讓其手動完成操作。“模糊回答”包括三個部分，一個程序變數、自預定義模糊集合方程和所發現原始明確原因的程度。對於出現的每一個故障，將建立一個“模糊回答”。
4．人工神經網路
人工神經網路在數學模型中模擬了生物大腦神經網路，大腦是一個大規模的資訊處理系統，它連線了將近1010個神經元。人工神經網路以平行分佈的方式連線了許多線性
或非線性的神經元模型和程序資訊。當傳統計算機的計算速度因為從計算方案的預指定運演算法則減緩時，神經網路就會以很高的速度執行計算。另外，神經網路有很多有趣吸引人的特徵，比如寬大的並行處理，錯誤容忍力，自適應學習能力和自我組織能力。
一個人工神經網路就是在不同層聚集起來的神經單元的一個集合。如圖1所示為一個典型的多個神經網路。
多個網路可以實現任意複雜輸入輸出之間的對映。一個神經元i在第k層的輸出如下：
， k= 1, 2,…m . (1)
其中yik是第k層第i個神經元的輸出，wyk是第k-i層第i個神經元與第k層第i個神經元之間的連線分量，m是總的層數，Xik-1是第k-i層第i個神經元的活化，θj是第j個神經元的極值，函式表示神經元的活化規則，它通常是一個分段、具有一定斜率的線性s曲線。在一個競爭的神經網路中，在第k層每一個神經元i和同層中的其他神經元形成競爭關係。為了學習神經網路的
分量，可以使用後向反饋誤差的運演算法則。這種法則運用傾斜的搜尋技巧求出誤差函式的最小值。近來，神經網路使用控制系統與其他控制器組合到一起，比如神經網路PID控制器，神經網路模糊控制……眾多例項說明組合控制的效果優於單個系統。
5、模擬例項
在鍋爐溫度控制中，神經網路控制的實現過程如圖2所示：
控制器是神經網路PID控制計劃，溫度控制系統結構如圖3所示：
當神經網路PID校準器是一個兩層網路控制的系統，其如圖4所示：
當 x0=1,x1=e(t),x2=, x3=△e(t)-e(t-1)時，目標函式可以如下定義：
, ( 2 )
,
運演算法則是基於一種傾斜的理論基礎上的，它被稱之為後向傳輸理論，這個在兩層
之間的反向誤差訊號表示式為：
， （3）
其中f(x)是f與x之間關係的派生，這個關係分量表示為：
， （4）
其中，學習比例 ， （5）
精深的論據 ， （6）
係數 η0=0.3 ,α0=0.95 .
W0=θ0為極限值，w1=kp為比例係數，w2=ki為積分系數，w3=kd為微分系數。
實驗中使用容積為8升的鍋爐，選用800W的加熱器，當時間0 <t<60 min溫度保持40℃，60<t<120 min時保持60℃，取樣時間間隔設為20秒。實驗中可觀察到使用神經PID控制器的過程輸出，如圖5（a）為其輸入、輸出曲線圖。但如果使用的是基本的PID控制器，則輸出曲線在理想輸出線附近逆向振盪，其輸入、輸出曲線如圖5（b）所示。
6、結論
在使用一個神經網路PID控制系統後，鍋爐溫度控制系統中的智慧控制系統能達到預期目的。通過提高溫度過程的即時實驗驗證了該系統的效能，它是相當穩定、靈敏的。系統展示了它的許多優越性，例如超調量減小、上升時間快等等。
參考文獻：
[1] A ntonio Visioli. Fuzzy logic based set-point weight tuning of PID controllers[J] transaction son systems,1999,29(6):587-592.
[2] Leonid Reznik ,Omar Ghanayem ,Anna plus fuzzy controller structures as a design base for industrial applications[J]neering 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. .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] 楊玉璞，許曉明，張文遠. 基於模糊邏輯的神經網路設計 [J]. 模糊理論及系統.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」 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]ficial 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.