常用智能控制方法 .pdfVIP

常用人工智能控制方法

人工智能控制是将人工智能（AI,ArtificialIntelligence）的理论和方法用于控制领域的技术，

包括模糊逻辑与模糊控制（FL/FC,FuzzyLogic/FuzzyControl）、神经网络控制（ANN,Artificial

Intelligence）、遗传算法（GA,GeneticAlgorithm）和专家系统（ES,ExpertSystem）等[6-10]。

4.1模糊智能控制

模糊控制是一种人类智能控制，它允许在模糊系统中纳入常识和自学习规则，并意味着一个

学习模块能够用一个模糊规则集合来解释其行为。因此模糊系统对使用者来说是透明的，与

传统控制方法（如PID控制）相比，模糊控制利用人类专家控制经验，对非线性、复杂对

象的控制显示了鲁棒性好、控制性能高的优点[11-14]。

广义模糊逻辑系统的万能逼近理论为模糊系统建模提供了理论依据，也为复杂的非线性系统

提供了有效的手段。遗传算法作为一种新的全局优化算法，以其简单通用、鲁棒性强、适用

于并行处理等特点，在智能控制中发挥着愈来愈重要的作用。文献[15]中涉及了一种新型的

基于遗传算法的多变量模糊控制器，通过结合模糊预测和遗传算法来优化控制规律，利用遗

传算法来辨识系统参数。随着模糊控制技术的发展完善，板形模糊控制的研究日益受到重视。

早期研究工作主要集中于一些常规控制方法不能获得较好控制品质的情况，如轧辊喷射冷却

模糊控制[16-17]；多辊轧机（森吉米尔轧机）的板形控制[18]自1995年以来，韩国科学与

技术高等学院的Jong-YeobJung等人就普通六辊轧机的板形控制进行了系列、详细的研究，

探讨了利用模糊逻辑进行六辊轧机板形控制的可行性，研究了对称板形的动态及静态控制特

性[19]。近来，Jong-YeobJung等已将模糊逻辑应用于控制包括非对称板形在内的任意板形，

取得了较大进展[20-21]。

文献[22]针对板形板厚综合调节系统的复杂性及其数学模型难以建立的特点，提出了基于神

经模糊智能建模方法的四辊冷轧机板形板厚综合调节方案，研究建立了基于动态BP神经网

络的自组织模糊控制模型。它在BP网络模型基础上，对网络的自身结构进行了动态优化。

网络能自组织和自学习自己的结构，即在学习过程中，网络可根据具体问题自动调整本身的

结构，从而使结构达到最优。网络的输入输出均为模糊集，训练后的网络能完成合成关系，

即模糊推理。为了减少BP网络的离线训练时间，对模糊集进行了“编码”。所建立的基于

动态神经网络的自组织模糊控制模型大大提高了板形板厚的控制精度，使四辊冷轧板形板厚

复杂系统的板形板厚指标无偏地收敛到期望值，且在有干扰的情况下比传统的PID控制调

节效果好，可以替代现有的基于板形板厚生成理论的数学模型。基于动态神经网络的自组织

模糊控制器适合处理多输入多输出复杂系统的控制，无需对复杂系统建模[23-27]，因此，在

板形板厚综合调节方面比传统的控制方法优越，为板形板厚综合调节提供了一种全新的、有

效的控制方法。

4.2神经网络

神经网络是一种通过模拟人脑组织结构和人类认知过程的信息处理系统，神经网络控制可根

据不完整的信息联想出完整的信息，具有处理信息速度快、计算能力强、高度容错、强鲁棒

性等特点和自适应、自学习、归纳等智能性功能,使其可被用于非线性、强干扰、时滞不定、

难于建模、快速多变的复杂系统的控制，因此，人工神经网络在许多信息处理领域（如模式

识别、自动控制、信号处理、辅助决策等）得到广泛应用[28]。

神经网络根据不同的情况，可按以下几方面进行分类[29]：

1）接功能分：连续型与离散型、确定型与随机型、静态与动态神经网络；

2)按连接方式分：前馈（或称前向）型与反馈型神经网络；

3)按坦近特性分：全局逼近型与局部迫近型神经网络；

4)接学习方式分：有监督学习、无监督学习和强化学习神经网络。

目前,欧、美、日本等对神经网络在轧钢生产中的应用开展了广泛的研究，并且在实际应用

中取得了突出的成就[30]；国内在这方面也进行了大量的研究工作，但成功地应用于实际的

事例还比较少。

针对板带轧制是一个复杂的非线性过程，板形控制和板厚控制又是相互耦合的一个综合系统

等特点[31]，文献[32]提出了一种基于模糊RBF神经元网络的冷连轧板形板厚多变量综合控

制系统。文献[33]利用脑模型神经元网络进行板形和厚度的综合控制以及工作辊分段冷却小

脑模型模糊控制,模拟结果表明可以给出良好的控制精度。文献[34]利用人工