摘要

工業(yè)過(guò)程對(duì)象具有非線性、強(qiáng)耦合以及大時(shí)滯等特點(diǎn)，傳統(tǒng)的控制方法難以實(shí)現(xiàn)工業(yè)過(guò)程優(yōu)化與控制。智能控制是在自動(dòng)控制、運(yùn)籌學(xué)及人工智能等多學(xué)科交叉的基礎(chǔ)上形成的，主要用來(lái)解決傳統(tǒng)控制難以解決的問(wèn)題。本文以復(fù)雜工業(yè)對(duì)象中典型的流程工業(yè)為背景，以神經(jīng)網(wǎng)絡(luò)與模糊控制的發(fā)展歷史以及技術(shù)應(yīng)用等方面展開(kāi)綜述，介紹智能控制方法在流程工業(yè)過(guò)程中的應(yīng)用，并簡(jiǎn)要展望了工業(yè)智能控制領(lǐng)域的新方向和新應(yīng)用。

關(guān)鍵詞：

流程工業(yè)；智能控制；模糊控制；神經(jīng)網(wǎng)絡(luò)；工業(yè)人工智能

引言：

傳統(tǒng)的工業(yè)過(guò)程控制假定系統(tǒng)在閉環(huán)反饋結(jié)果下運(yùn)行在設(shè)定狀態(tài)，考慮設(shè)計(jì)保證系統(tǒng)穩(wěn)定的控制器，使系統(tǒng)的輸出能夠跟蹤輸入，忽略了系統(tǒng)工作在偏離設(shè)定狀態(tài)下不能實(shí)現(xiàn)最優(yōu)運(yùn)行與控制[1]。工業(yè)過(guò)程運(yùn)行優(yōu)化與控制本質(zhì)上是一個(gè)多目標(biāo)優(yōu)化問(wèn)題，需要考慮質(zhì)量、產(chǎn)品、成本、消耗等相關(guān)的綜合生產(chǎn)指標(biāo)與控制系統(tǒng)設(shè)計(jì)之間的聯(lián)系[2]。流程工業(yè)是指工業(yè)過(guò)程中原材料生產(chǎn)加工工業(yè)，如石油、化工、鋼鐵、有色金屬和建筑材料，是國(guó)民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)，對(duì)于支持世界制造業(yè)強(qiáng)國(guó)經(jīng)濟(jì)的可持續(xù)增長(zhǎng)具有重要意義。經(jīng)過(guò)幾十年的發(fā)展，我國(guó)流程工業(yè)的制造技術(shù)、裝備和自動(dòng)化水平有了很大提高。中國(guó)現(xiàn)在已經(jīng)成為世界上制造業(yè)規(guī)模最大、門(mén)類(lèi)最全、生產(chǎn)規(guī)模最大的國(guó)家之一[3]。流程工業(yè)是國(guó)民經(jīng)濟(jì)的重要支柱產(chǎn)業(yè)，其智能優(yōu)化、建模與控制已上升為國(guó)家戰(zhàn)略。流程工業(yè)通常規(guī)模大、多級(jí)耦合、機(jī)理復(fù)雜且難以建立數(shù)學(xué)模型，且一旦發(fā)生異常，將會(huì)影響產(chǎn)品質(zhì)量、增加能耗和原料消耗、污染環(huán)境，甚至?xí)l(fā)安全事故[4]。隨著計(jì)算機(jī)技術(shù)以及大數(shù)據(jù)、人工智能的發(fā)展應(yīng)用，流程工業(yè)的控制智能化、數(shù)字化、網(wǎng)絡(luò)化成為可能，并已經(jīng)得到了初步應(yīng)用。賈瑤等針對(duì)有隨機(jī)擾動(dòng)的不確定性和強(qiáng)非線性的礦漿中和過(guò)程，將未建模動(dòng)態(tài)補(bǔ)償、串級(jí)PI控制和規(guī)則推理智能方法相結(jié)合，將出口礦漿pH值和流量控制在工藝規(guī)定的范圍內(nèi)[5]。楊杰等針對(duì)電熔鎂群爐的功率模型的非線性項(xiàng)，使用了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)來(lái)估計(jì)，在仿真環(huán)境和工業(yè)實(shí)驗(yàn)中得到了驗(yàn)證[6]。智能控制代表了自動(dòng)控制的最新發(fā)展階段，也是用人工智能的方法來(lái)實(shí)現(xiàn)人的體力勞動(dòng)和腦力勞動(dòng)自動(dòng)化的重要領(lǐng)域[7]。智能控制思潮最早出現(xiàn)于20世紀(jì)60年代，F(xiàn)u（傅京孫）等首先把基于啟發(fā)式推理規(guī)則用于增強(qiáng)學(xué)習(xí)控制系統(tǒng)[8]，1971年Fu又論述了人工智能與自動(dòng)控制的交接關(guān)系[9]。智能控制發(fā)展至今，其中產(chǎn)生許多經(jīng)典的方法與技術(shù)，包括基于知識(shí)推理的專家系統(tǒng)，還有隨著模糊數(shù)學(xué)發(fā)展而來(lái)模糊控制理論，還有基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，直到今天智能控制仍在不斷發(fā)展中，這也體現(xiàn)了當(dāng)今時(shí)代學(xué)科交叉、匯聚研究的特點(diǎn)。此外，智能控制方法在流程工業(yè)中的應(yīng)用也層出不窮。

模糊控制

模糊控制是智能控制理論發(fā)展中較早使用的一種智能控制方法。Fuzzy 控制理論是由美國(guó)加利福尼亞大學(xué)自動(dòng)控制理論專家L. A. Zadeh于1965年提出[10]，對(duì)不確定系統(tǒng)的控制有著重要的作用，自二十世紀(jì)七十年代以后，模糊控制器及其相應(yīng)的軟硬件相繼出現(xiàn)。1974年英國(guó)人Mamdani使用Fuzzy控制語(yǔ)言建立控制器控制鍋爐和蒸汽機(jī)，取得了良好的效果[11]。模糊集合以及模糊規(guī)則的引入，形象地模擬了人的推理、判斷、決策的思維過(guò)程，從而對(duì)于復(fù)雜具有不確定性的系統(tǒng)，可以應(yīng)用模糊控制規(guī)則，設(shè)計(jì)模糊控制器，或者將模糊規(guī)則與PID控制器相結(jié)合，實(shí)現(xiàn)參數(shù)自適應(yīng)的智能控制。

模糊控制過(guò)程及特點(diǎn)

模糊邏輯控制（Fuzzy Logic Control）簡(jiǎn)稱模糊控制，它是指應(yīng)用模糊集合、模糊語(yǔ)言變量、模糊邏輯推理的一系列方法來(lái)模擬人的智能行為，對(duì)一些難以精確建模的對(duì)象或過(guò)程進(jìn)行控制的智能控制方法[12]。

一個(gè)基本的模糊控制系統(tǒng)一般由模糊化、模糊推理、接模糊三部分組成[13]。如圖1所示。模糊化即將相應(yīng)的模糊控制器的輸入轉(zhuǎn)化為模糊語(yǔ)言變量，這個(gè)語(yǔ)言變量可由隸屬度函數(shù)確定。模糊推理過(guò)程是模糊控制的關(guān)鍵，主要取決于模糊關(guān)系與模糊集合之間的合成規(guī)則，根據(jù)合成規(guī)則的不同，可以分為Mamdani推理法、Larsen推理法、Zadeh推理法等等。解模糊是模糊化的反過(guò)程，實(shí)現(xiàn)由模糊變量到精確量的轉(zhuǎn)化。

在實(shí)際的控制系統(tǒng)中，一般的模糊控制器通常采用誤差e和誤差變化率ec作為作為模糊輸入語(yǔ)言變量，根據(jù)專家的領(lǐng)域知識(shí)或者實(shí)際控制經(jīng)驗(yàn)來(lái)設(shè)定模糊規(guī)則表。實(shí)際應(yīng)用中，往往將模糊推理應(yīng)用于PID控制器，相比于傳統(tǒng)的靜態(tài)PID控制器參數(shù)，引入模糊規(guī)則，會(huì)根據(jù)系統(tǒng)閉環(huán)運(yùn)行的e、ec來(lái)進(jìn)行模糊推理，實(shí)時(shí)調(diào)節(jié)PID控制器的三個(gè)參數(shù)，實(shí)現(xiàn)“參數(shù)自校正”[14]。模糊控制具有以下的優(yōu)缺點(diǎn)[12，15]：

1）控制系統(tǒng)的魯棒性強(qiáng)，對(duì)參數(shù)變化不敏感，適合于求解非線性以及含有純時(shí)滯的對(duì)象

2）不需要精確的數(shù)學(xué)模型，適合于機(jī)理不清、含有未知擾動(dòng)的對(duì)象，只需要有相應(yīng)的經(jīng)驗(yàn)知識(shí)

3）模糊變量的引入以及模糊量與精確值的轉(zhuǎn)化，可能導(dǎo)致控制精度下降，系統(tǒng)的動(dòng)態(tài)品質(zhì)下降

4）控制器設(shè)計(jì)缺乏系統(tǒng)性，模糊規(guī)則表的建立依賴于專業(yè)領(lǐng)域知識(shí)

模糊控制的應(yīng)用

目前，模糊控制的硬件主要體現(xiàn)在工業(yè)集成板卡，例如PLC中的模糊控制，以及單片機(jī)，它們實(shí)際上用軟計(jì)算來(lái)實(shí)現(xiàn)。而模糊控制軟件有MATLAB的模糊控制工具箱，它支持GUI操作以及m文件編程，支持多種隸屬度函數(shù)、模糊化和解模糊的方法，可以配合simulink實(shí)現(xiàn)系統(tǒng)的動(dòng)態(tài)仿真驗(yàn)證[16-19]。模糊控制器應(yīng)用廣泛，在實(shí)際的家用電器中都有模糊控制器的身影，如洗衣機(jī)、電飯煲等。在實(shí)際的工業(yè)生產(chǎn)過(guò)程中，模糊理論與不同的場(chǎng)景結(jié)合，與不同智能方法結(jié)合，極大地改善了原系統(tǒng)的性能，進(jìn)一步體現(xiàn)出它的適應(yīng)性強(qiáng)。劉群[20]利用粒子群優(yōu)化算法，對(duì)模糊控制器參數(shù)進(jìn)行自動(dòng)尋優(yōu)，縮短了控制器設(shè)計(jì)周期。王玉中[21]針對(duì)工業(yè)中焦化爐被控對(duì)象，將模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了模糊網(wǎng)絡(luò)PID控制器，并通過(guò)仿真驗(yàn)證了方法的有效性。Bi等人[22]建立了預(yù)測(cè)模糊控制系統(tǒng)，可以有效預(yù)測(cè)地鐵站空調(diào)系統(tǒng)的負(fù)荷，可以一定程度抵消空調(diào)系統(tǒng)控制量調(diào)整的延遲，

從以上的研究來(lái)看，基于模糊理論的智能控制方法還不夠系統(tǒng)化，缺乏統(tǒng)一有效的控制器設(shè)計(jì)方法，而且大多停留于理論研究以及工業(yè)仿真階段，缺乏實(shí)際工業(yè)對(duì)象的優(yōu)化控制的研究。由于實(shí)際工業(yè)環(huán)境的復(fù)雜性，將工業(yè)對(duì)象建模為簡(jiǎn)單的二階慣性或者一階慣性加純滯后，進(jìn)行仿真研究，忽視了工業(yè)環(huán)境中的各種不確定性，不具備典型性和代表性。但是大多數(shù)模糊控制都結(jié)合了其他的智能算法，如群智能優(yōu)化算法，神經(jīng)網(wǎng)絡(luò)算法，這可能是模糊控制今后的重要研究方向。

人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是人工智能發(fā)展中的重要理論成果，它是連接主義學(xué)派在反思和總結(jié)人的智能行為的產(chǎn)物。連接主義學(xué)派的主要觀點(diǎn)是人的思維能力和智能行為是通過(guò)大腦的復(fù)雜神經(jīng)元的結(jié)構(gòu)、連接模式實(shí)現(xiàn)的，可以通過(guò)模擬人的大腦結(jié)構(gòu)來(lái)實(shí)現(xiàn)工業(yè)控制的智能化[23]。近幾十年來(lái)，人工神經(jīng)網(wǎng)絡(luò)的研究工作不斷深入，已經(jīng)在工業(yè)、自動(dòng)化、機(jī)器人、生物醫(yī)療等方面解決了許多實(shí)際問(wèn)題，表現(xiàn)了良好的智能特性[24]。人工神經(jīng)網(wǎng)絡(luò)由于自身獨(dú)特的結(jié)構(gòu)和非線性模擬的能力，具有高度的自適應(yīng)和容錯(cuò)特性，廣泛應(yīng)用于控制領(lǐng)域。

人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及特點(diǎn)

人工神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)大致經(jīng)歷了4個(gè)階段：萌芽時(shí)期、低谷時(shí)期、復(fù)興時(shí)期、發(fā)展時(shí)期。1943年，生理學(xué)家Mc Culloch和數(shù)學(xué)家Pitts提出了的一個(gè)神經(jīng)元模型M-P Models，奠定了以后神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)的基礎(chǔ)，標(biāo)志著人工神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)（ANN，Artificial Neural Network）研究的開(kāi)端[25]。1951年Hebb提出了根據(jù)神經(jīng)元之間的結(jié)合強(qiáng)度來(lái)改變連接關(guān)系，即連接權(quán)值強(qiáng)化的Hebb學(xué)習(xí)法則，為構(gòu)建有學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)奠基[26]。自此，許多學(xué)者紛紛投入到人工神經(jīng)網(wǎng)絡(luò)的研究中，由于神經(jīng)網(wǎng)絡(luò)的理論還是處在起步階段，忽略了對(duì)自身的局限性研究。Minskyh和Papert于1969年對(duì)之前的理論研究提出質(zhì)疑，認(rèn)為當(dāng)前神經(jīng)網(wǎng)絡(luò)無(wú)法解決非線性問(wèn)題以及多層網(wǎng)絡(luò)，例如單層感知器無(wú)法解決“異或（XOR）問(wèn)題”，而Rosenblatt沒(méi)有及時(shí)地有效回應(yīng)，神經(jīng)網(wǎng)絡(luò)的研究一度陷入低潮。此時(shí)，仍然有一些學(xué)者繼續(xù)研究神經(jīng)網(wǎng)絡(luò)并提出了許多重要的理論模型，比如芬蘭的Kohonen教授提出了自組織映射的模型，美國(guó)的生理和心理學(xué)家Anderson提出了“交互存儲(chǔ)器”的神經(jīng)網(wǎng)絡(luò)模型，這些研究成果為之后神經(jīng)網(wǎng)絡(luò)的復(fù)興以及深度學(xué)習(xí)打下了基礎(chǔ)。美國(guó)的物理學(xué)家Hopfield于1984年提出了Hopfield神經(jīng)網(wǎng)絡(luò)（Hopfield Neural Network，HNN），并通過(guò)實(shí)驗(yàn)證明了神經(jīng)網(wǎng)絡(luò)在一定條件下可以穩(wěn)定[27]，并引領(lǐng)眾多學(xué)者推動(dòng)神經(jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展，使得神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入新時(shí)期。20世紀(jì)80年代后，隨著人工神經(jīng)網(wǎng)絡(luò)在世界范圍內(nèi)復(fù)蘇，國(guó)內(nèi)外掀起了人工神經(jīng)網(wǎng)絡(luò)研究的熱潮。1987年美國(guó)加州召開(kāi)了第一屆國(guó)際神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)；1990年中國(guó)國(guó)內(nèi)8個(gè)學(xué)會(huì)牽頭在北京召開(kāi)了“中國(guó)神經(jīng)網(wǎng)絡(luò)首屆學(xué)術(shù)會(huì)議”[24]。此后，神經(jīng)網(wǎng)絡(luò)的理論研究和應(yīng)用成果層出不窮，處于穩(wěn)步發(fā)展中。

人工神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元組成的非線性動(dòng)力學(xué)系統(tǒng)，這是由它的特定結(jié)構(gòu)和組成單元所決定的，并且與相應(yīng)的學(xué)習(xí)算法有關(guān)。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)[28]：

1）分類(lèi)的準(zhǔn)確性高，并行計(jì)算的處理能力強(qiáng)，人工神經(jīng)網(wǎng)絡(luò)由大量簡(jiǎn)單的神經(jīng)元組成，具有大規(guī)模并行計(jì)算的能力，整個(gè)神經(jīng)網(wǎng)絡(luò)的并行活動(dòng)保證了信息存儲(chǔ)的有效性以及快速性。

2）能夠充分逼近復(fù)雜的非線性關(guān)系，對(duì)噪聲信號(hào)具有較強(qiáng)的魯棒性和容錯(cuò)性。神經(jīng)元在網(wǎng)絡(luò)中處于激活或者抑制狀態(tài)，充分模擬了大腦中神經(jīng)元間的信號(hào)傳遞，在數(shù)學(xué)上使用非線性激活函數(shù)來(lái)表示

3）神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織與自適應(yīng)的能力，能夠改變自身以適應(yīng)環(huán)境變化。當(dāng)外界環(huán)境發(fā)生變化是，神經(jīng)網(wǎng)絡(luò)可以通過(guò)自學(xué)習(xí)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，使得給定輸入下產(chǎn)生期望的輸出

人工神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)：

1）人工神經(jīng)網(wǎng)絡(luò)需要大量的參數(shù)，除了學(xué)習(xí)率等超參數(shù)外，還要考慮拓?fù)浣Y(jié)構(gòu)、權(quán)值和閾值的初始值，所以可能需要大量的樣本來(lái)進(jìn)行學(xué)習(xí)和訓(xùn)練。

2）不能觀察的學(xué)習(xí)過(guò)程，輸出的結(jié)果可解釋性差，神經(jīng)網(wǎng)絡(luò)相當(dāng)于一個(gè)端到端的黑盒模型，會(huì)影響到結(jié)果的可信度和可接受程度。

3）神經(jīng)網(wǎng)絡(luò)模型過(guò)于復(fù)雜，學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，達(dá)不到學(xué)習(xí)的目的，或者學(xué)習(xí)的模型泛化能力太差?；蛘吣Ｐ瓦^(guò)于簡(jiǎn)單，無(wú)法完成預(yù)定的控制任務(wù)。

人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

目前，集過(guò)程檢測(cè)、故障診斷、優(yōu)化控制以及生產(chǎn)調(diào)度等各層次功能于一體的流程工業(yè)綜合自動(dòng)化成為工業(yè)界和學(xué)術(shù)界共同關(guān)注的話題。與離散工業(yè)相比，流程工業(yè)具有強(qiáng)非線性，實(shí)現(xiàn)流程工業(yè)綜合自動(dòng)化挑戰(zhàn)巨大，因此必須使用新思路、新方法。人工神經(jīng)網(wǎng)絡(luò)在過(guò)程系統(tǒng)建模、故障診斷以及在線優(yōu)化等方面有所應(yīng)用，在流程工業(yè)中具有良好的應(yīng)用前景。

在故障診斷方面，易靜姝綜述了在滾動(dòng)軸承中人工神經(jīng)網(wǎng)絡(luò)方法的應(yīng)用，分別列舉了BP、CNN、RBF等幾種典型的神經(jīng)網(wǎng)絡(luò)，詳細(xì)地討論了這些神經(jīng)網(wǎng)絡(luò)診斷方法的優(yōu)勢(shì)與不足，也指出了存在局部收斂、過(guò)擬合和欠擬合等問(wèn)題。王威針對(duì)傳統(tǒng)信號(hào)處理地智能診斷方法中流程復(fù)雜、特征提取能力不足等問(wèn)題，提出了一種多尺度卷積神經(jīng)網(wǎng)絡(luò)，驗(yàn)證了在噪聲環(huán)境和變工況下的優(yōu)越性[29]。Zheng等人將不同軸承位置的振動(dòng)數(shù)據(jù)融合成多通道的融合數(shù)據(jù)，進(jìn)行周期采樣，并調(diào)整了傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)以提取更詳細(xì)的故障特征，并獲得最佳的診斷效果[30]。由此可知，神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于工業(yè)故障診斷，可以實(shí)現(xiàn)從端到端的特征提取，現(xiàn)有的研究成果大都是從經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)出發(fā)，進(jìn)行遷移學(xué)習(xí)，調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，應(yīng)用于其他的工業(yè)場(chǎng)景中。

神經(jīng)網(wǎng)絡(luò)在流程工業(yè)中也有大量的應(yīng)用。周曼等[31]針對(duì)流程工業(yè)生產(chǎn)中存在的大量工業(yè)生產(chǎn)視頻監(jiān)控畫(huà)面進(jìn)行智能識(shí)別，降低出錯(cuò)率，使用了Alexnet對(duì)流程工業(yè)視頻圖像進(jìn)行遷移學(xué)習(xí)，并取得了良好效果。無(wú)獨(dú)有偶，劉志勇等[32]也使用了基于Keras的CNN來(lái)對(duì)工業(yè)現(xiàn)場(chǎng)的熱力圖進(jìn)行可視化分類(lèi)處理，識(shí)別正確率可達(dá)98.6%。針對(duì)磨礦過(guò)程的磨礦粒度對(duì)象，李曼等人[33]使用加權(quán)的隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，比傳統(tǒng)的BP和隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果更好。周平等[34]針對(duì)高爐多元鐵水質(zhì)量建模問(wèn)題，在原有的隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)上引入AutoEncoder和PCA方法，即AE-P-RVFLNs算法，可以有效提高模型的運(yùn)算效率并防止過(guò)擬合。

研究展望

隨著人工智能的發(fā)展崛起，工業(yè)人工智能是未來(lái)工業(yè)智能控制的方向和趨勢(shì)，由于云計(jì)算和大數(shù)據(jù)的快速發(fā)展，流程工業(yè)的控制與優(yōu)化越來(lái)越離不開(kāi)人工智能，傳統(tǒng)的機(jī)理建?？梢宰鳛楣I(yè)對(duì)象的基礎(chǔ)模型，而工業(yè)數(shù)據(jù)訴諸于智能數(shù)據(jù)驅(qū)動(dòng)方法可以彌補(bǔ)數(shù)學(xué)模型難以建模和優(yōu)化的不足，也是未來(lái)工業(yè)智能控制的大勢(shì)所趨。將人工智能技術(shù)、工業(yè)自動(dòng)化技術(shù)、工業(yè)互聯(lián)網(wǎng)與制造業(yè)領(lǐng)域知識(shí)相互融合，以智能制造、工業(yè)智能化為目標(biāo)，研發(fā)增強(qiáng)勞動(dòng)者的AI智能系統(tǒng)，發(fā)展工業(yè)人工智能技術(shù)[35]。

結(jié)束語(yǔ)

本文以流程工業(yè)復(fù)雜對(duì)象詳細(xì)介紹了模糊控制和神經(jīng)網(wǎng)絡(luò)的智能控制方法，綜述了它們的發(fā)展歷史和特點(diǎn)，并介紹了在流程工業(yè)相關(guān)領(lǐng)域的應(yīng)用，并以此展望了工業(yè)智能控制和工業(yè)人工智能的發(fā)展方向和趨勢(shì)。

?

?

?

?

參考文獻(xiàn)：

[1]柴天佑. 復(fù)雜工業(yè)過(guò)程運(yùn)行優(yōu)化與反饋控制[J]. 自動(dòng)化學(xué)報(bào), 2013, 39(11): 1744-1757.

[2]柴天佑. 生產(chǎn)制造全流程優(yōu)化控制對(duì)控制與優(yōu)化理論方法的挑戰(zhàn)[J]. 自動(dòng)化學(xué)報(bào), 2009 (6): 641-649.

[3]Qian F, Zhong W, Du W. Fundamental theories and key technologies for smart and optimal manufacturing in the process industry[J]. Engineering, 2017, 3(2): 154-160.

[4]趙春暉,韓紅桂,周平,劉毅,尚超.復(fù)雜工業(yè)過(guò)程智能建模與控制方法及應(yīng)用專題序言[J].控制工程,2022,29(04):577-580.

[5]賈瑤,吳永建,代偉,張立巖,柴天佑.礦漿中和過(guò)程區(qū)間串級(jí)智能控制方法[C].第26屆中國(guó)過(guò)程控制會(huì)議（CPCC2015）論文集.第26屆中國(guó)過(guò)程控制會(huì)議（CPCC2015）論文集.中國(guó)自動(dòng)化學(xué)會(huì)過(guò)程控制專業(yè)委員會(huì):中國(guó)自動(dòng)化學(xué)會(huì)過(guò)程控制專業(yè)委員會(huì),2015:273.

[6]楊杰,柴天佑,張亞軍,吳志偉.數(shù)據(jù)與模型驅(qū)動(dòng)的電熔鎂群爐需量預(yù)報(bào)方法[J].自動(dòng)化學(xué)報(bào),2018,44(08):1460-1474.

[7]蔡自興.中國(guó)智能控制40年[J].科技導(dǎo)報(bào),2018,36(17):23-39.

[8]Waltz M, Fu K. A heuristic approach to reinforcement learning control systems[J]. IEEE Transactions on Automatic Control, 1965, 10(4): 390-398.

[9]Fu K S. Learning control systems and intelligent control systems: An intersection of artifical intelligence and automatic control[J]. IEEE Transactions on Automatic Control, 1971, 16(1): 70-72.

[10]Zadeh L A. Fuzzy sets[J]. Information and control, 1965, 8(3): 338-353.

[11]Mamdani E H.Application of Fuzzy Algorithms for Control of Simple Dynamic Plant[J].Proceedings of the Institution of Electrical Engineers, 1974, 121 (121) :1585~1588.

[12]王剛.模糊控制的研究與發(fā)展[J].數(shù)字技術(shù)與應(yīng)用,2017(01):10-11.

[13]程鳳林,張軍芳,杜鵬,崔紅芳,劉旭浩,劉士琴.模糊控制方法介紹[J].山東工業(yè)技術(shù),2019(06):149+167.

[14]宋超,曹翱,溫家璽.自適應(yīng)模糊PID控制器的設(shè)計(jì)及MATLAB仿真[J].現(xiàn)代制造技術(shù)與裝備,2018(07):203-205.

[15]林美珍.模糊控制理論的應(yīng)用[J].寧德師專學(xué)報(bào)(自然科學(xué)版),2010,22(04):353-355+384.

[16]仇成群,劉成林,沈法華,陳杰.基于Matlab和模糊PID的汽車(chē)巡航控制系統(tǒng)設(shè)計(jì)[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(06):197-202.

[17]李健,王冬青,王麗美.模糊PID控制器設(shè)計(jì)及MATLAB仿真[J].工業(yè)控制計(jì)算機(jī),2011,24(05):56-57+95.

[18]張志超,崔天時(shí),馮兆宇,張楨.基于SimuLink的模糊PID控制器設(shè)計(jì)及仿真[J].物聯(lián)網(wǎng)技術(shù),2016,6(08):75-76.

[19]張衍成. 基于Matlab/Simulink的車(chē)輛主動(dòng)懸架模糊控制仿真研究[D].遼寧工業(yè)大學(xué),2014.

[20]劉群. 基于粒子群算法優(yōu)化的模糊控制器設(shè)計(jì)與應(yīng)用[D].沈陽(yáng)工業(yè)大學(xué),2017.

[21]王玉中. 工業(yè)過(guò)程的預(yù)測(cè)控制與模糊PID控制的研究[D].杭州電子科技大學(xué),2017.

[22]Bi H, Zhou Y, Liu J, et al. Load forecast and fuzzy control of the air-conditioning systems at the subway stations[J]. Journal of Building Engineering, 2022, 49: 104029.

[23]林學(xué)森. 機(jī)器學(xué)習(xí)觀止——核心原理與實(shí)踐[M].北京：清華大學(xué)出版社，2021:19-22

[24]毛健,趙紅東,姚婧婧.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].電子設(shè)計(jì)工程,2011,19(24):62-65.

[25]McCulloch W S, Pitts W. A logical calculus of the ideas immanent in nervous activity[J]. The bulletin of mathematical biophysics, 1943, 5(4): 115-133.

[26]Hebb D O. The organization of behavior: A neuropsychological theory[M]. Psychology Press, 2005.

[27]Hopfield J J. Neurons with graded response have collective computational properties like those of two-state neurons[J]. Proceedings of the national academy of sciences, 1984, 81(10): 3088-3092.

[28]邢廣成,強(qiáng)天偉.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用[J].科技風(fēng),2012(15):65-66.

[29]王威. 基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷方法研究[D].中國(guó)礦業(yè)大學(xué),2020.

[30]Zheng J, Yang C, Zheng F, et al. A Rolling Bearing Fault Diagnosis Method Using Multi-Sensor Data and Periodic Sampling[C]//2022 IEEE International Conference on Multimedia and Expo (ICME). IEEE, 2022: 1-6.

[31]周曼,劉志勇,陳夢(mèng)遲,趙浴陽(yáng),楊魯江.基于AlexNet的遷移學(xué)習(xí)在流程工業(yè)圖像識(shí)別中的應(yīng)用[J].工業(yè)控制計(jì)算機(jī),2018,31(11):80-82.

[32]劉志勇,周曼,趙浴陽(yáng),楊魯江,施方展,戴玲玲.卷積神經(jīng)網(wǎng)絡(luò)可視化在流程工業(yè)圖像識(shí)別中的應(yīng)用[J].化工自動(dòng)化及儀表,2021,48(01):74-78.

[33]李曼,鄭秀萍,俞勝平,初延剛. 基于加權(quán)隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)的磨礦粒度指標(biāo)預(yù)測(cè)方法[C]//.第28屆中國(guó)過(guò)程控制會(huì)議（CPCC 2017）暨紀(jì)念中國(guó)過(guò)程控制會(huì)議30周年摘要集.[出版者不詳],2017:50.

[34]周平, 張麗, 李溫鵬, 等. 集成自編碼與 PCA 的高爐多元鐵水質(zhì)量隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)建模[J]. 自動(dòng)化學(xué)報(bào), 2018, 44(10): 1799-1811.

[35]柴天佑. 工業(yè)人工智能發(fā)展方向[J]. 自動(dòng)化學(xué)報(bào), 2020, 46(10): 2005-2012.