数字化控制的主要内容概述

数字化控制是一门交叉学科，它的建立和发展是以众多学科特别是许多新兴学科为基础的，内容广泛而多样。

（一）知识工程与专家控制系统

数字化控制系统是以知识为基础的系统，因此以研究知识的表示、获取和利用中心的知识工程是研究数字化控制的重要基础。特别是作为数字化控制系统的一个重要分支，专家控制系统更离不开知识工程中的主要研究内容。

对于传统控制来说，控制对象的模型可以看作用数值表示的知识，而控制算法则运用知识进行决策。在数字化控制系统中，主要的知识是一些用符号表示的经验和规则，因此控翻器的设计问题主要是解决知识获取和运用知识进行推理、决策而产生控制作用的问题。控制系统的设计过程也就是有效组织和运用知识的过程。

专家控制系统是把专家系统技术应用于控制过程的系统。专家控制系统模拟人工控制方法和操作员的经验知识，结合控制算法，实现对过程或事件的控制。

在直接专家控制系统中，专家控制系统直接给出控制信号，影响控制过程；而在间接专家控制系统中，专家控制系统位于外环或监控级中，通过层间界面指导内环或执行级的工作，间接地影响控制过程。

由于专家控制系统不需要被控对象的数学模型，因此它是目前解决不确定性系统的一种有效方法，应用较为广泛。

（二）模糊集理论与模糊控制

美国L.Zaden教授创立的模糊集理论，把一值逻辑推广到多值逻辑，为描述不确定性提供了强有力的工具。模糊集理论形式上是利用规则进行逻辑推理，但其逻辑值可在0～1之间连续变化，可以采用数值方法进行处理。大家知道，符号处理方法允许直接用规则来表示结构性的知识，但不能直接使用数值计算，因此也就不能用快速的硬件来实现人工智能系统。而模糊控制兼有两者的优点，它可以用数值方法来表示结构性的知识，也可以用数值方法进行处理，因此可以用大规模集成电路实现模糊系统，这为实际应用带来了很大的方便。

模糊控制是应用模糊集合理论的一种控制方法，其核心为模糊推理，主要依赖模糊规则和模糊变量的隶属度函数。当系统给定一个输入时，无须知道输入与输出之间的数学关系，便可得到合适的输出，与专家控制系统类似，其推理过程也是基于规则形式表示的人类经验，因此有人把两者都归类于基于规则的控制。

模糊控制自1974年首先成功地应用于锅炉和蒸汽机控制以来，现在已经深入到我们生产、生活的许多方面，成为目前实现数字化控制的又一种重要而有效的方法，尤其是它与有关新兴学科相融合后，将更能显示其巨大的应用潜力。

（三）人工神经网络理论与神经网络控制

要从人脑神经系统结构和功能上模拟人的智能，必须研究基于连接机制的神经网络理论。人工神经网络是一个用大量简单处理单元经广泛连接而组成的人工神经网络，用来模拟人脑神经系统的结构与功能。它具有学习能力、计算能力以及智能处理功能，因此成为研究数字化控制的重要基础，人工神经网络的以下几个特性特别有利于数字化控制。

1.并行分布处理神经网络(www.xing528.com)

并行分布处理神经网络具有高度的并行结构和并行实现能力，其知识是通过学习例子而存储在网络中，因此它有很好的容错能力。当个别处理单元损坏时，不会影响整个系统的正常工作，特别适合实时控制和动态控制。

2.非线性映射

神经网络具有固有的非线性特性，具有逼近任意非线性函数的能力，这一特性给非线性控制问题带来了新的希望。

3.学习神经网络

学习神经网络的过程是对网络进行训练的过程，这使它可以根据外界环境来修改自身的行为。一个经过适当训练的神经网络具有归纳全部数据的能力，因此它能解决那些数学模型或描述规则难以处理的控制过程。

4.适应与集成

适应与集成神经网络能同时输入大量不同的控制信号并进行在线运行。这表现了它具有强适应性和信息集成与融合的能力。这一特性特别适合复杂、大规模和多变量系统的控制。

另外，它与模糊控制类似，也可用硬件进行快速处理，以适应更大的应用范围。综合以上所述特性，人工神经网络在控制系统中具有广泛的应用。

我们知道，以逻辑语言为基础的人工智能只能模拟人类逻辑思维部分，而人工神经网络可以实现对人类形象思维的模拟。如果把两者结合起来，像人类解决问题的方法一样，既用逻辑思维，又用形象思维，那么解决人类面临的许多复杂问题就有了希望。基于人工神经网络的专家系统及神经模糊控制系统或模糊神经控制系统都是很好的尝试。

（四）信息熵与分层递阶数字化控制

信息熵是指信息源中所包含的平均信息量。Saridis在他的分层递阶数字化控制系统中，提出用熵作为整个系统的一个性能测量，从而可以用数学规划的方法来设计和求解数字化控制系统的最优操作和控制问题。

在替能控制的不同级中，熵都有明确的物理意义。例如，在组织级中，它主要涉及知识的表示与处理，因此用熵表示知识缺乏的量值。在协调级中，主要表现为协调级与上面的组织级和下面的执行级之间的结合与协调，用熵来表示协调不确定性的量度。在执行级中，执行的代价往往表示为系统广义的能量消耗，因此用熵来表示这种消耗的大小。把这些熵加起来，用于表示控制作用的总代价，设计这类数字化控制系统的原则，就是要使整个系统所得的熵为最小。