-
-
手机阅读
1. 自适应控制
自适应控制可以看作是一个能根据环境变化智能调节自身特性的反馈控制系统以使系统能按照一些设定的标准工作在最优状态。
一般地说，自适应控制在航空、导弹和空间飞行器的控制中很成功。可以得出结论，传统的自适应控制适合（1）没有大时间延迟的机械系统；（2）对设计的系统动态特性很清楚。
但在工业过程控制应用中，传统的自适应控制并不如意。PID自整定方案可能是最可靠的，广泛应用于商业产品，但用户并不怎么喜欢和接受。
传统的自适应控制方法，要么采用模型参考要么采用自整定，一般需要辨识过程的动态特性。它存在许多基本问题（1）需要复杂的离线训练；（2）辨识所需的充分激励信号和系统平稳运行的矛盾；（3）对系统结构假设；（4）实际应用中，模型的收敛性和系统稳定性无法保证。
另外，传统自适应控制方法中假设系统结构的信息，在处理非线性、变结构或大时间延迟时很难。
2. 鲁棒控制
鲁棒控制是一个着重控制算法可靠性研究的控制器设计方法。鲁棒性一般定义为在实际环境中为保证安全要求控制系统最小必须满足的要求。一旦设计好这个控制器，它的参数不能改变而且控制性能保证。
鲁棒控制方法，是对时间域或频率域来说，一般假设过程动态特性的信息和它的变化范围。一些算法不需要精确的过程模型但需要一些离线辨识。
一般鲁棒控制系统的设计是以一些最差的情况为基础，因此一般系统并不工作在最优状态。
鲁棒控制方法适用于稳定性和可靠性作为首要目标的应用，同时过程的动态特性已知且不确定因素的变化范围可以预估。飞机和空间飞行器的控制是这类系统的例子。
过程控制应用中，某些控制系统也可以用鲁棒控制方法设计，特别是对那些比较关键且（1）不确定因素变化范围大；（2）稳定裕度小的对象。
但是，鲁棒控制系统的设计要由高级专家完成。一旦设计成功，就不需太多的人工干预。另一方面，如果要升级或作重大调整，系统就要重新设计。
3. 预测控制
预测控制或称为模型预测控制（MPC）是仅有的成功应用于工业控制中的先进控制方法之一。
各类预测控制算法都有一些共同的特点，归结起来有三个基本特征：（1）预测模型，（2）有限时域滚动优化，（3）反馈校正。这三步一般由计算机程序在线连续执行。
预测控制是一种基于预测过程模型的控制算法，根据过程的历史信息判断将来的输入和输出。它强调模型的函数而非模型的结构，因此，状态方程、传递函数甚至阶跃响应或脉冲响应都可作为预测模型。预测模型能体现系统将来的行为，因此，设计者可以实验不同的控制律用计算机仿真观察系统输出结果。
预测控制是一种最优控制的算法，根据补偿函数或性能函数计算出将来的控制动作。预测控制的优化过程不是一次离线完成的，是在有限的移动时间间隔内反复在线进行的。移动的时间间隔称为有限时域，这是与传统的最优控制最大的区别，传统的最优控制是用一个性能函数来判断全局最优化。对于动态特性变化和存在不确定因素的复杂系统无需在全局范围内判断最优化性能，因此这种滚动优化方法很适用于这样的复杂系统。
预测控制也是一种反馈控制的算法。如果模型和过程匹配错误，或者是由于系统的不确定因素引起的控制性能问题，预测控制可以补偿误差或根据在线辨识校正模型参数。
虽然预测控制系统能控制各种复杂过程，但由于其本质原因，设计这样一个控制系统非常复杂，要有丰富的经验，这也是预测控制不能预期那样广泛得到应用的主要原因。
预测控制适用于先进过程控制（APC）和监督控制场合，其控制输出作用主要是跟踪设定值的变化。但预测控制并不能很好地处理调节控制难题。
4. 最优控制
最优控制是现代控制理论的一个重要组成部分。成功应用于航天航空和军事领域，在许多方面改变了人们的生活。
一个典型的最优控制问题描述如下：被控系统的状态方程和初始条件给定，同时给定目标函数。然后寻找一个可行的控制方法使系统从输出状态过渡到目标状态，并达到最优的性能指标。
动态规划、最大值原理和变分法是最优控制理论的基本内容和常用方法。庞特里亚金极大值原理和贝尔曼动态规划是在约束条件下获得最优解的两个强有力的工具，应用于大部分最优控制问题。
在实际应用中，最优控制很适用于航天航空和军事等领域，例如空间飞行器的登月、火箭的飞行控制和防御导弹的导弹封锁。
工业系统中也有一些最优控制的应用，例如生物工程系统中细菌数量的控制等。然而，绝大多数过程控制问题都和流量、压力、温度和液位的控制有关，用传统的最优控制技术来控制它们并不合适。
5. 智能控制
智能控制是现代控制技术的又一个重要领域。关于智能控制有不同的定义。参考一个应用各种人工智能技术的范例，智能控制可以包括如下几种方法：（1）学习控制系统；（2）专家系统；（3）模糊控制；（4）神经网络控制。
学习控制系统
学习控制系统采用模式识别技术获得控制回路当前的状态，然后根据回路状态和储存的历史信息和经验知识作出控制决定。由于学习控制系统受储存的知识的限制，它至今还没有得到广泛的应用。
专家系统
专家系统是根据专家系统技术，使用一个知识库来作出控制决定的。知识库由专家的经验知识，在线获得的系统信息和推理机组成。由于专家系统的知识以符号表示而且总是离散的，因此它适用于生产计划、调度和故障诊断等决策问题。但不适用于解决连续控制问题。
模糊控制
与学习控制系统和专家系统不同，模糊控制是模糊推理和控制技术相结合的产物。用模糊集合和模糊概念描述过程系统的动态特性，以数学公式的形式来代表系统的信息或经验知识。根据模糊集和模糊逻辑来作出控制决策。
虽然模糊控制在解决复杂控制问题方面有很大的潜力，但是其设计过程复杂而且要求具备相当的专业知识。另外，由于没有许多基本的数学运算，所以模糊数学不属于数学领域的范畴。例如，模糊控制中并不一定存在加法的逆。因此，解一个模糊方程很困难，而传统控制理论和应用中解微分方程是最基本的。所以，缺乏好的数学工具是模糊控制需要克服的根本问题。
神经网络控制
神经网络控制是一种使用人工神经网络的控制方法。因为人工神经网络是建立在强有力的数学基础上，所以它有很大的潜力，这个数学基础包括了各种各样的已被充分理解的数学工具。在无模型自适应控制器中人工神经网络也是一个重要组成部分。
1楼
0
0
回复
自适应控制可以看作是一个能根据环境变化智能调节自身特性的反馈控制系统以使系统能按照一些设定的标准工作在最优状态。
一般地说，自适应控制在航空、导弹和空间飞行器的控制中很成功。可以得出结论，传统的自适应控制适合（1）没有大时间延迟的机械系统；（2）对设计的系统动态特性很清楚。
但在工业过程控制应用中，传统的自适应控制并不如意。PID自整定方案可能是最可靠的，广泛应用于商业产品，但用户并不怎么喜欢和接受。
传统的自适应控制方法，要么采用模型参考要么采用自整定，一般需要辨识过程的动态特性。它存在许多基本问题（1）需要复杂的离线训练；（2）辨识所需的充分激励信号和系统平稳运行的矛盾；（3）对系统结构假设；（4）实际应用中，模型的收敛性和系统稳定性无法保证。
另外，传统自适应控制方法中假设系统结构的信息，在处理非线性、变结构或大时间延迟时很难。
2. 鲁棒控制
鲁棒控制是一个着重控制算法可靠性研究的控制器设计方法。鲁棒性一般定义为在实际环境中为保证安全要求控制系统最小必须满足的要求。一旦设计好这个控制器，它的参数不能改变而且控制性能保证。
鲁棒控制方法，是对时间域或频率域来说，一般假设过程动态特性的信息和它的变化范围。一些算法不需要精确的过程模型但需要一些离线辨识。
一般鲁棒控制系统的设计是以一些最差的情况为基础，因此一般系统并不工作在最优状态。
鲁棒控制方法适用于稳定性和可靠性作为首要目标的应用，同时过程的动态特性已知且不确定因素的变化范围可以预估。飞机和空间飞行器的控制是这类系统的例子。
过程控制应用中，某些控制系统也可以用鲁棒控制方法设计，特别是对那些比较关键且（1）不确定因素变化范围大；（2）稳定裕度小的对象。
但是，鲁棒控制系统的设计要由高级专家完成。一旦设计成功，就不需太多的人工干预。另一方面，如果要升级或作重大调整，系统就要重新设计。
3. 预测控制
预测控制或称为模型预测控制（MPC）是仅有的成功应用于工业控制中的先进控制方法之一。
各类预测控制算法都有一些共同的特点，归结起来有三个基本特征：（1）预测模型，（2）有限时域滚动优化，（3）反馈校正。这三步一般由计算机程序在线连续执行。
预测控制是一种基于预测过程模型的控制算法，根据过程的历史信息判断将来的输入和输出。它强调模型的函数而非模型的结构，因此，状态方程、传递函数甚至阶跃响应或脉冲响应都可作为预测模型。预测模型能体现系统将来的行为，因此，设计者可以实验不同的控制律用计算机仿真观察系统输出结果。
预测控制是一种最优控制的算法，根据补偿函数或性能函数计算出将来的控制动作。预测控制的优化过程不是一次离线完成的，是在有限的移动时间间隔内反复在线进行的。移动的时间间隔称为有限时域，这是与传统的最优控制最大的区别，传统的最优控制是用一个性能函数来判断全局最优化。对于动态特性变化和存在不确定因素的复杂系统无需在全局范围内判断最优化性能，因此这种滚动优化方法很适用于这样的复杂系统。
预测控制也是一种反馈控制的算法。如果模型和过程匹配错误，或者是由于系统的不确定因素引起的控制性能问题，预测控制可以补偿误差或根据在线辨识校正模型参数。
虽然预测控制系统能控制各种复杂过程，但由于其本质原因，设计这样一个控制系统非常复杂，要有丰富的经验，这也是预测控制不能预期那样广泛得到应用的主要原因。
预测控制适用于先进过程控制（APC）和监督控制场合，其控制输出作用主要是跟踪设定值的变化。但预测控制并不能很好地处理调节控制难题。
4. 最优控制
最优控制是现代控制理论的一个重要组成部分。成功应用于航天航空和军事领域，在许多方面改变了人们的生活。
一个典型的最优控制问题描述如下：被控系统的状态方程和初始条件给定，同时给定目标函数。然后寻找一个可行的控制方法使系统从输出状态过渡到目标状态，并达到最优的性能指标。
动态规划、最大值原理和变分法是最优控制理论的基本内容和常用方法。庞特里亚金极大值原理和贝尔曼动态规划是在约束条件下获得最优解的两个强有力的工具，应用于大部分最优控制问题。
在实际应用中，最优控制很适用于航天航空和军事等领域，例如空间飞行器的登月、火箭的飞行控制和防御导弹的导弹封锁。
工业系统中也有一些最优控制的应用，例如生物工程系统中细菌数量的控制等。然而，绝大多数过程控制问题都和流量、压力、温度和液位的控制有关，用传统的最优控制技术来控制它们并不合适。
5. 智能控制
智能控制是现代控制技术的又一个重要领域。关于智能控制有不同的定义。参考一个应用各种人工智能技术的范例，智能控制可以包括如下几种方法：（1）学习控制系统；（2）专家系统；（3）模糊控制；（4）神经网络控制。
学习控制系统
学习控制系统采用模式识别技术获得控制回路当前的状态，然后根据回路状态和储存的历史信息和经验知识作出控制决定。由于学习控制系统受储存的知识的限制，它至今还没有得到广泛的应用。
专家系统
专家系统是根据专家系统技术，使用一个知识库来作出控制决定的。知识库由专家的经验知识，在线获得的系统信息和推理机组成。由于专家系统的知识以符号表示而且总是离散的，因此它适用于生产计划、调度和故障诊断等决策问题。但不适用于解决连续控制问题。
模糊控制
与学习控制系统和专家系统不同，模糊控制是模糊推理和控制技术相结合的产物。用模糊集合和模糊概念描述过程系统的动态特性，以数学公式的形式来代表系统的信息或经验知识。根据模糊集和模糊逻辑来作出控制决策。
虽然模糊控制在解决复杂控制问题方面有很大的潜力，但是其设计过程复杂而且要求具备相当的专业知识。另外，由于没有许多基本的数学运算，所以模糊数学不属于数学领域的范畴。例如，模糊控制中并不一定存在加法的逆。因此，解一个模糊方程很困难，而传统控制理论和应用中解微分方程是最基本的。所以，缺乏好的数学工具是模糊控制需要克服的根本问题。
神经网络控制
神经网络控制是一种使用人工神经网络的控制方法。因为人工神经网络是建立在强有力的数学基础上，所以它有很大的潜力，这个数学基础包括了各种各样的已被充分理解的数学工具。在无模型自适应控制器中人工神经网络也是一个重要组成部分。