智能科技论文范文参考

　　【摘要】水下机器人的运动控制是当今世界水下机器人研究领域的一个研究热点，目前主要采用的智能控制方法有：模糊控制、神经网络控制、专家控制、自适应控制、PID调节器、滑模控制等。本文比较全面地查阅了水下机器人运动控制理论相关的文献，阐述了几种主要控制方法的基本原理，给出了控制器结构的设计方法，对水下机器人运行控制方法的选取、控制器的设计具有较好的参考意义。

　　【关键词】水下机器人,控制技术,神经网络控制,模糊控制,自适应控制

　　1.引言

　　水下机器人的运动控制是其完成特定任务的前提和保障，是水下机器人关键技术之一。随着水下机器人应用范围的扩大，对其自主性，运动控制的精度和稳定性的要求都随之增加，如何提高其运动控制性能就成了研究的一个重要课题。导致AUV难于控制的主要因素包括：①水下机器人高度的非线性和时变的水动力学性能；②负载的变化引起重心和浮心的改变；③附加质量较大，运动惯性较大，不能产生急剧的运动变化；④难于获得精确的水动力系数；⑤海流的干扰。这些因素使得AUV的动力学模型难以准确，而且具有强耦合和非线性的特点[1]。目前已被采用的控制方法有：模糊控制、神经网络控制、专家控制、PID控制、自适应控制、S面控制等[2]。

　　2.模糊控制

　　模糊控制是一种仿人的智能控制方式，它模仿和升华了人的控制经验与策略并将其体现在控制器中[3]。模糊控制器不依赖于被控制对象的精确数学模型，易于对不确定性系统进行控制，模糊控制器抗干扰能力强，响应速度快，并对系统参数的变化有较强的鲁棒性，模糊控制的实质是将基于专家知识的控制策略转换为自动控制策略。它所依据的原理是模糊蕴涵概念和复合推理规则。通常它以被控对象输出变量的偏差和偏差的变化率作为输入变量，而把被控量定为模糊控制器的输出变量，反映输入输出语言变量与语言控制规则的模糊定量关系及其算法结构[4]。实际应用中把采集到的控制信息经语言控制规则进行模糊推理和模糊决策，求得控制量的模糊集合，再经模糊判决得出输出控制的精确量，作用于被控对象，使被控过程达到预期的控制效果。模糊控制器一般由模糊化接口、知识库、模糊推理机、解模糊接口四个部分组成。如图1所示：

　　2.1模糊自适应PID控制

　　PID控制算法中的比例控制动态响应迅速，不能消除静态误差。积分控制可以消除稳态误差，动态响应速度慢。如果在PID控制系统中加入模糊控制器，组成模糊PID控制，模糊PID控制系统是把PID控制和模糊控制的优点结合起来。既能有很快的响应速度，又能保证很好的稳态。模糊PID控制是首先将工程师长期实践积累的经验知识用控制规则模型化，然后进行模糊推理，得到最佳的PID控制参数。模糊PID控制器输入量是偏差E和偏差变化率Ec，按照设定的模糊规则进行模糊推理演算，查询模糊矩阵表，对PID控制参数Kp、Ki、Kd进行在线修改，从而使被控对象具有良好的动、静态性能，控制系统结构如图2所示。

　　2.2基于模糊原理的改进S面控制

　　S面控制器在方程的形式上和PD控制很相似，但与PD控制器不同的是，S面控制方法采用非线性函数来拟合具有强非线性特性的控制对象，控制效果好于PD控制器；跟神经网络控制相比，S面控制方法的稳定性明显好于前者；跟模糊控制相比，S面控制方法没有局部调整功能，其局部性能不如模糊控制，但其结构设计和参数调整都更加简单实用，而且S面控制方法体现出来的控制思想和模糊控制是吻合的。因此，S面控制方法具有一定的实用性。S面控制器的控制模型尽管鲁棒性好，但本质上是一种PD控制器，系统稳态精度差。而且参数K1和K2是根据经验和在实际试验中总结得到的，在大部分时间内不改变，显然这对于多变的环境来说适应性不是很好。因次，运用模糊原理对S面控制的两个参数K1和K2进行在线调整，如图3所示。

　　改进的S面控制器很好的处理了在不同的外界输入下，参数K1，K2的在线自我调节问题，使控制结果更快地到达稳态，并且保证最小的超调和稳态误差。试验证明改进的S面控制器具有更好的控制精度，更快的响应速度和较强的抗干扰能力，较之普通的S面控制器改善了水下机器人的工作性能。

　　3.神经网络控制

　　将神经网络引入控制系统是控制学科发展的必然趋势[5]，神经网络的吸引力在于：

　　（1）能够充分逼近任意复杂的非线性系统；（2）能够学习和适应高度不确定系统的动态特性；（3）由于大量神经元之间广泛连接，即使有少量单元或连接损坏，也不影响系统的整体功能，表现出很强的鲁棒性和容错性；（4）采用并行分布处理方法，使得快速进行大量运算成为可能。这些特点显示了神经网络在解决高度非线性和严重不确定性系统的控制方面具有很大潜力[6]。

　　逆控制方法中最常用的是直接逆控制，它是将受控系统的逆模型直接与受控系统串联，组成伪单位系统，使受控系统的输出等于期望输出。在控制以前，首先要选择适当的训练方式求得逆模型，即使神经网络由初始的无知识状态到学得。复合控制方法结合闭环逆控制和开环逆控制的优点，利用误差和输入共同控制系统，结构如图4所示：

　　4.神经网络PID控制

　　将神经网络控制与PID调节器结合，融合各自的优点，可得到性能更好的控制器，如图5所示：

　　神经网络PID控制根据系统的运行状态，调节PlD控制器的参数.以期达到某种性能指标的最优化。即使输出层神经元的输出状态对应于PID控制器的三个可调参数kp，ki，kd。通过神经网络的自身学习、加权系数调节，从而使其稳定状态对应于某种最优控制规律下的PID控制器参数。输入层的输入r（t）与输出c（t）比较后产生的误差e（t）作为输入量S送到BP网络中进行处理，经过训练后来调整PID控制器的三个参数，从向使被控对象发生相应的变化而获得较好的控制性能。

　　5.专家控制专家控制是智能控制的一个重要分支，又称专家智能控制。专家控制的粗略定义为：将专家系统的理论和技术同控制理论方法与技术相结合，在未知环境下，仿效专家的智能，实现对系统的控制。专家控制器建立之前，从特定领域的控制专家那里获取足够的控制知识，以及操作工人的经验知识，并把这些知识进行处理，变换成机器能够接受的语言。这些经过处理的知识送入知识库中储存，并且送入推理机，推理机调用知识库中的知识（或规则）进行推理，经过推理的知识一方面存入知识库，另一方面输出到控制规则集，与控制规则集中的控制规则相匹配，对控制对象进行控制。控制对象的输出反馈到信息获取与处理单元，成为反馈信息，与设定值相比较后作为新信息重复以上步骤，不断检侧，不断获得新信息，不断进行控制输出，实现实时性调整。一般情况下专家控制器由信息获取与处理、知识库、推理机构和控制规则集四部分组成，如图6所示：

　　按照专家控制器在整个智能控制系统中的作用，专家控制系统分成直接专家控制系统和间接专家控制系统两类。

　　5.1直接专家控制系统

　　直接专家控制系统根据测量到的过程反馈信息及知识库中的规则，导出每一采样时刻的控制信号，直接控制被控对象，一般用于高度非线性或过程描述困难的场合。很明显，专家控制器直接包括在控制回路中，控制器直接模仿人类专家或人类的认知能力。直接专家控制系统结构如图7所示。

　　5.2间接专家控制系统

　　相对于直接专家控制系统，间接专家控制系统将算法与逻辑分开，系统的最底层可以是简单的PID、模糊控制等算法，然后将这种算法配上自校正、增益自动调度以及监控等。根据一些规则实现的启发性知识，使不同功能算法都能正常运行。这种专家控制的最大特点就是专家系统间接地对控制信号起作用。间接专家控制系统结构如图8所示。

　　控制器可由一系列的控制算法和估计算法组成，如PID、PID校正器、最小二乘递推估计算法、极点配置自校正算法、模糊算法等。而专家系统可以用来协调所有算法；根据现场过程相应情况和环境条件，利用知识库中的专家经验规则，决定什么时候使用什么算法；也可以用来调参，根据知识库中的专家经验规则，调整PID参数或是模糊算法中的量化因子等。除此之外，还可以调整控制器的结构。

　　5.3专家s面控制

　　专家s面控制是将专家系统技术与s面控制相结合的一类智能控制。它是基于专家知识的间接专家控制系统，它运用人的经验知识及求解控制问题时的启发式规则来构造控制策略，根据系统的性能在线调整K1、K2和Ki，从而使系统性能达到令人满意的水平。专家s面控制器是一个二级实时智能协调控制器，即由基本控制级和专家智能协调级组成[7]，如图9所示。

　　基本控制级采用s面控制器，与被控对象形成闭环完成实时控制；专家智能协调级包括数据库（存放误差、误差变化率的阈值，K1、K2的调整范围及各组调整参数）、知识库（常规产生式规则）和智能协调器（推理机），在线实时监测控制系统性能，根据系统的知识及证据，经推理机求解在线调整s面控制器参数，从而有效地进行控制。

　　6.自适应控制

　　自适应控制算法应用于水下机器人的控制有很大的优点，因为自适应控制器能使系统更好的适应环境和机器人本身动力学特性的变化，而且有许多将自适应控制应用到水下机器入的成功实例。自适应控制器与普通控制器的区别在于自适应控制器的参数是变化的，并且有一个根据系统中的信号自动在线校正这些参数的机制。自适应控制系统主要可以分为两大类：一种是所谓的模型参考自适应控制方法，另一种是所谓的自校正方法。模型参考自适应控制方法是从确定自动伺服系统的最优控制中发展起来的。一般地说，模型参考自适应控制系统可由图10表示。

　　它由四部分组成：带有未知参数的被控对象、参考模型（它描述控制系统的期望输出）、带有自校正参数的反馈控制规律和校正参数的自适应机制。在模型参考自适应控制中，更新参数是为了使得被控对象和参考模型之间的跟踪误差最小。

　　7.结束语

　　通过对水下机器人几种主要的运动控制方法的讨论，各种方法都存在自身的优点和局限，这就要求在进行控制系统设计的前期控制方法选择和控制结构设置时，应充分了解特定控制对象的特点及对控制性能的要求，并结合控制器方法可行性、成本等诸方面进行考虑，从而正确选择控制方法。在有必要时应对两种或多种方法加以结合，随着智能控制技术的发展也会形成新的控制算法和控制策略，以达到理想的控制效果。

　　参考文献

　　[1]朱旭光.AUV的改进滑模变结构控制技术研究[D].哈尔滨工程大学学位论文，2008，1.

　　[2]肖涛.基于Backstepping方法的水下机器人自适应滑模控制技术研究[D].哈尔滨工程大学学位论文，2009，3.

　　[3]田宇.水下机器人智能运动控制技术研究[D].哈尔滨工程大学学位论文，2007，1.