（上海大学自动化学院）
随着科学技术的突飞猛进，对工业过程控制的要求越来越高，不仅要求控制的精确性，并更注重控制的鲁棒性、实时性、容错性以及对控制参数的自适应和自学习能力。在迎接控制理论面临的空前挑战中，一种以人工智能、控制理论、信息论、运筹学和计算机科学等跨学科的新型控制方法——智能控制出现了。智能控制通俗地讲就是利用有关知识来控制对象，按一定要求达到预定目的。智能控制为解决控制领域的难题，摆脱常规数学模型的困境，突破现有控制理论的局限，开辟了新的途径。
1.常见智能控制方法的主要特点及存在问题
模糊控制是从行为上模拟人的模糊推理和决策过程的一种实用控制方法。该法适用于对难以建模的对象实施鲁棒性控制，而且控制形式简单，易于实现。其控制的效果取决于是否正确、全面和有效地将操作人员的控制经验总结为一系列控制规则。该法已在工业过程控制等领域中发挥着重要作用，但模糊控制表一般需人工建立，而且控制精度也不很理想。
分级递阶智能控制模拟了人脑的分层结构，由执行级、协调级和组织级构成。其特点是自下而上智能渐增而精度递减，即执行级用于高精度局部控制，协调级用于按知识和实际输出进行执行级中的控制参数调整，而组织级进行推理决策和自学习。该控制方法主要用于对那些存在不确定性的系统，如机器人控制等，但应用范围有限。
专家控制是将人的感性经验（浅层知识）和定理算法（深层知识）相结合的一种传统的智能控制方法。其主要优点是在层次结构上、控制方法上和知识表达上的灵活性较强，既可以符号推理，也允许数值计算；既可以精确表达推理，也允许模糊描述演绎。但灵活性同时带来了设计上的随意性和不规范性，而且控制知识的表达、获取和学习，以及推理的有效性和实时性也是难点。
神经网络控制是从机理上对人脑生理系统进行简单结构模拟的一种新兴控制和辨识方法。该法是一种控制策略的工具支持，本身各简单节点没有显在物理意义，但综合网络可描述复杂和非线性控制及辨识问题，而且能做到并行实时和冗余容错的运算。学习和控制算法的收敛性和实时性问题，值得进一步研究。
拟人智能控制是指模拟、延伸和扩展人的智能即人控制器的一种控制方法。拟人智能包含仿人智能，水平上可低于，或等同于，甚至超过人的智能。然而人类对人体特别是大脑的了解远不及对宏观天体和微观粒子的认识。目前研究人脑思维活动模型主要有二种方法和途径 :对于外特性建模，需做大量实验工作，否则会失去当前的研究机会；对于机理性建模，需做大量研究工作，否则会犯长远的战略错误。二种方法不可缺一，但最终突破的关键还有赖于机理性建模的深入。
纵观上述智能控制方法，各有优势，也各有不足。智能控制方法研究的出路究竟何在？近年来，IFAC和IEEE等机构召开了许多有关人工智能及智能控制的国际学术会议。从会议内容分析，当前国际最新智能控制方法及应用研究的发展趋势，已从前些年的单学科研究，逐步发展到理论交叉研究，应用领域也在不断拓宽，这无疑为智能控制的进一步发展深化起着积极的推动作用。
2. 智能控制与传统控制方法的结合实例
在模糊控制与变结构控制结合方面，1992年德国学者帕尔姆（R. Palin）针对非线性二阶或高阶系统，采用了滑模模糊控制方法，并进行了理论分析，结果表明：在模糊控制中按滑模及带边界层的滑模要求进行设计，可保持变结构控制对参数摄动和干扰不灵敏的优点，而且比用于削弱高频颤动的带边界层滑模控制具有更平滑的控制性能，以及较少数量的模糊规则。
在模糊控制与自适应控制结合方面，1982年我国郑维敏等针对有环境干扰，系统本身动变化以及模型不精确的场合，进行了模型参考自适应模糊控制方法的仿真研究。该方法与模型参考自适应控制比较，具有算法简单、实时、鲁棒性强和自适应过程响应速度快等特点。徐征敏等将模糊方法用于自校正控制，适合于非线性、慢时变和时滞系统，具有鲁棒性。西北工业大学肖顺达等将模糊控制与传统的自适应控制、Smich预估相结合，用于工业炉窑温度控制，取得了良好的控制效果和较大经济效益。
在神经网络与自适应、自学习控制结合方面，1992年台湾F. C. Chen和美国H. K. Khalil将神经网络的非线性系统自适应控制方法用于稳定、有某些未知线性函数和可反馈线性化的对象，进行了仿真实验。由于该方法仅有局部收敛性，要求神经网络初始权系数足够的接近正确权系数。王宁等设计了一种自适应神经元网络的智能控制方法，该法由二个自适应神经元组成，一个用于评估，另一个用于学习并产生控制信号。1995年孙增圻教授和邓志东等将前馈网络与异步自学习控制相结合，既可应用于非重复性场合，同时也避免了神经网络控制一般存在的分析和实时控制困难等问题。
在神经网络与变结构控制结合方面，1991年美国学者以神经网络为超前补偿的反馈线性化和变结构合成的控制方法。反馈线性化提供了使系统线性化的方法；变结构控制在一定的不确定范围内设计出期望的特性；神经网络经训练记住控制系统在滑模时变结构控制的等价控制作用。仿真实验表明：在平衡点附近，该方法能使变结构控制大大减弱不必要的高增益。
3. 各种智能控制方法间的交叉结合实例
在专家系统与模糊控制结合方而，1988年吴勤勤设计的专家模糊控制器，根据被控参数的波形特征，由专家系统进行决策，从最基本的模糊控制规律，以及PI控制、强P作用和保持模式中选取最适合当前状态的控制规律。1990美国学者F. van der Rhee等进行了基于知识库的模糊控制仿真研究。1996年作者对有非线性环节，存在环境干扰的二阶加纯滞后对象进行了专家模糊控制方法的仿真实验，该方法不仅具有一般带修正因子的模糊控制方法的优点，而且其专家系统可依据模糊的运行情况及期望的性能指标进行自学习和调整修正因子，由此可改善动特性，满足用户要求。
在专家系统与神经网络结合方面，1992年袁曾任等研究了专家系统、神经网络和控制的结合问题。其优点是专家系统的知识无需人工转换为显式规则，可以通过神经网络自动学习获取。此外，Fukuda等论述的机器人操作器的分层智能控制方法中，专家系统存放长期知识，进行高层决策，神经网络用于伺服控制器，进行短期知识的学习和自适应控制。
在模糊逻辑与神经网络结合方面，近年日本学者M. Strefezza和Y. Dotee等用数字信号处理器（DSP）及微机实现了可用于高度非线性系统的模糊神经网络控制器，并在直流伺服电机上进行了位置控制实验。其构成是采用二个BP神经网络实现误差及变化率的隶属函数生成，第三个神经网络产生模糊规则输出。该方法集神经网络和模糊控制之长，构造成一个非线性的自整定控制器。设计简单，系统无超调，鲁棒性强，控制性能优于传统PI控制。此外，1995年王耀南提出一种用于非线性学习跟随问题的神经模糊规则自组织控制方法。该法将可变坡度的梯度下降法用于权系数学习算法中，有助于加速学习和改进收敛性。
从智能控制与传统控制，以及各种智能控制方法之间的交叉研究和应用结果分析：如果二种或多种控制方法结合有效，往往能互为补充，得到性能更高和品质更佳的控制效果。
4. 智能控制综合方法的提出和发展前景
由于模糊控制本质上是变结构和非线性控制，而神经网络则是通过训练和学习自动或半自动提取隐含的控制规则，并可用数值计算方法来描述模糊控制逻辑即复杂非线性控制的行为。因此，模糊逻辑和神经网络兼具控制十分有效，颇具学习潜力这两种当今最引人关注特点的智能控制方法，两者结合是智能控制发展的必然趋势。90年代以来，国际上两者结合研究已成为热点。
但是，模糊逻辑与神经网络结合还未能完全弥补相互不足，特别是神经网络在线学习问题仍然是其理论研究和实际应用中的“瓶颈”问题。为此，提出智能控制综合方法的概念，即指在模糊逻辑和神经网络结合基础上，与其它智能或传统方法交叉综合，从而形成具有优势互补的先进控制方法。
智能控制综合方法有多种类型，应根据不同研究和应用的需要加以选择，比如 :
将模糊逻辑、神经网络与变结构控制综合。可望充分发挥这三者的特长，形成比模糊控制和变结构控制动静态品质更佳，设计更简单，而且比模糊神经网络学习收敛速度要快的新控制方法。
将模糊逻辑、神经网络与自适应控制综合。在自适应控制中，引入神经网络作为建模工具，可适用于非线性控制。若引入模糊神经网络，将进一步改善神经网络自适应控制的鲁棒性和实时性，特别适用于具有不确定性的非线性系统的跟踪控制问题，也适用于实际的直流电机调速控制。
将模糊逻辑、神经网络与专家系统综合。取专家系统灵活性和集成性之长，用于模糊逻辑和神经网络结合的控制中。既可以在初始阶段作为辅助控制，间接缓解对神经网络快速学习要求，也可以通过专家系统方法直接改进神经网络学习问题，从而弥补甚至克服原有弱点，得到理想实用的工业控制方法。
智能控制本身在理论、方法和技术上需要进一步完善，同时科学、技术和应用等环节上还存在脱节现象，因此智能控制真正用于工业过程的尚不多，在过程控制仪表分散控制系统和可编控制器上实现智能并产品化的则更少。由于工业智能控制产品的主要应用难点是知识的获取，而神经网络与模糊控制相结合将有助于这一问题的解决。可以预言，模糊神经网络控制方法，特别是智能控制综合方法将成为21世纪的先进的、通用工业控制方法。