摘要: 本文介绍了专家控制系统的概念，在阐述专家控制系统基本结构的基础上,介绍了专家控制系统的优势。

对目前专家控制研究热点进行了总结, 比较了各研究方向的优劣,最后对各研究方向存在的关键问题及难点进行了归纳, 提出了对应的研究策略,指明了专家控制系统的发展趋势。

关键词: 专家控制优势发展趋势目录1 引言 (3)2 专家控制系统的基本概念 (3)2.1 专家控制系统的概述 (3)2.2 专家控制系统的基本结构 (4)2.3 专家控制系统与专家系统的区别 (5)3 专家控制系统的优势 (5)4 专家控制系统的发展趋势 (6)4.1 研究现状 (6)4.1.1 一般控制理论知识和经验知识相结合 (6)4.1.2 模糊逻辑与专家控制相结合 (6)4.1.3 神经网络与专家控制相结合 (6)4.2 问题及发展方向 (7)4.2.1 面临的主要问题 (7)4.2.2 发展方向 (7)5 总结与展望 (8)参考文献： (8)论述专家控制系统的优势和发展趋势1 引言专家控制系统是专家系统家族中的重要一员，它的任务是要自适应的管理一个课题或过程的全面行为。

专家控制系统能够解释控制系统的当前状况，预测过程的未来行为，诊断可能发生的问题，不断修正和执行控制计划。

也就是说，专家控制系统具有解释、预报、诊断、规划和执行等功能。

它已广泛应用于故障诊断、工业设计和过程控制，为就决工业控制难题提供了一种新方法，是实现工业过程控制的重要技术。

专家控制的形式有二，即专家控制系统和专家式控制器。

前者结构复杂，研制代价高，因而目前应用较少。

后者结构简单，研制代价明显低于前者，性能又能满足工业过程的一般要求，因而获得日益广泛的应用。

2 专家控制系统的基本概念2.1 专家控制系统的概述专家控制(EC)是指将人工智能领域的专家系统理论和技术与控制理论方法和技术相结合，仿效专家智能，实现对较为复杂问题的控制。

基于专家控制原理所设计的系统称为专家控制系统(ECS)。

20 世纪80 年代初，自动控制领域的学者和工程师为了解决经典控制系统所面临的无法建模等难题，开始把专家系统的思想和方法引入控制系统的研究及其工程应用，从而导致了专家控制系统的诞生。

专家控制作为智能控制的一个重要分支，最早由海斯-罗思(Hayes Roth) 等在1983 年提出。

他们指出：专家控制系统的全部行为能被自适应支配，为此该控制系统必须能够重复解释当前状况，预测未来行为，诊断出现问题的原因，制订补救(较正)规划，并监控规划的执行，确保成功。

研究专家控制系统的突出代表首推瑞典学者K.J.Astrom，他于1983年发表“Im-plementation of an Autotuner Using Expert System Ideas”一文，明确建立了将专家系统引入自动控制的思想，随后开展了原型系统的实验。

1986 年, 他在另一篇论文“ExpertControl”中以实例说明智能控制，正式提出了“专家控制”的概念, 标志着“专家控制”作为一个学科的正式创立。

专家控制系统作为一个人工智能和控制理论的交叉学科，即是人工智能领域专家系统( ES) 的一个典型应用，也是智能控制理论的一个分支。

专家控制既可包括高层控制(决策与规划)，又可涉及低层控制(动作与实现)。

2.2 专家控制系统的基本结构人工智能领域中发展起来的专家系统是一种基于知识的、智能的计算机程序。

其内部含有大量的特定领域中专家水平的知识与经验，能够利用人类专家的知识和解决问题的经验方法来处理该领域的高水平难题。

将专家系统技术引入控制领域，首先必须把控制系统看作是一个基于知识的系统，而作为系统核心部件的控制器则要体现知识推理的机制和结构。

虽然因应用场合和控制要求的不同，专家控制系统的结构可能不一样，但是几乎所有的专家控制系统都包含知识库、推理机、控制规则集和控制算法等。

图2.1所示为专家控制系统的基本结构。

图2.1 专家控制系统的基本结构与专家系统相似, 整个控制问题领域的知识库和一个体现知识决策的推理机构成了专家控制系统的主体。

知识库内部的组织结构可采用人工智能中知识表示的合适方法。

其中，一部分知识可称为数据，例如先验知识、动态信息、由事实及证据推得的中间状态和性能目标等。

数据常常用一种框架结构组织在一起,形成数据库。

另一部分知识可称为规则，即定性的推理知识，每条规则都代表着与受控系统有关的经验知识，它们往往以产生式规则( if……then……) 表示。

所有的规则组成规则库。

在专家控制系统中，定量知识，即各种有关的解析算法，一般都独立编码，按常规的程序设计方法组织。

推理机的基本功能在于按某种控制策略，针对当前的问题信息，识别和选取知识库中对解决当前问题有用的知识进行推理，直至最终得出问题的推理结果。

2.3 专家控制系统与专家系统的区别(1)专家系统只对专门领域的问题完成咨询作用，协助用户进行工作。

专家系统的推理是以知识为基础的，其推理结果为知识项、新知识项或对原知识项的变更知识项。

然而，专家控制系统需要独立和自动地对控制作用做出决策，其推理结果可为变更的知识项，或且为启动（执行）某些解析算法。

(2)专家系统通常以离线方式工作，而专家控制系统需要获取在线动态信息，并对系统进行实时控制。

实时要求遇到下列一些难题：非单调推理、异步事件、基于时间的推理以及其它实时问题。

3 专家控制系统的优势(1)灵活性：知识与推理机构彼此既有联系又相互独立，使专家系统具有良好的可维护性和可扩展性。

(2)优良的控制性能及抗干扰性：工业控制的被控对象特性复杂，如非线性、时变性、强干扰等。

专家控制系统具有很强的应变能力，即自适应和学习能力，以保证在复杂多变的各种不确定因素存在的不利环境下，获得优良的控制性能。

(3)高可靠性及长期运行连续性：专家控制系统可增强正确决策的信心．这是通过向专家提供一个辅助观点而得到的；此外，专家系统还可协调多个专家的不同意见。

不过，如果专家控制系统是由某一个专家编程设计的，那这个方法就不能奏效。

如果专家没有犯错误的话，专家系统应该始终与专家意见一致。

但是，如果专家很累或有压力就可能会犯错误。

专家控制系统往往能够数十甚至数百小时连续运行。

(4)鲁棒性：通过利用专家规则，系统可以在非线性、大偏差下可靠地工作。

(5)在线控制的实时性：对于设计用于工业过程的专家式控制系统，这一优势必不可少。

专家式控制系统知识数据库的规模适中，推理机构较为简单，能够满足工业过程的实时性。

(6)拟人化：专家控制系统在一定程度上模拟人的思维活动规律，能进行自动推理，善于应付各种变化。

(7)维护方便性：在系统出现故障或异常情况时，系统本身能够采取相应措施或要求引入必要的人工干预。

4 专家控制系统的发展趋势4.1 研究现状在智能控制领域中，专家系统控制、神经网络控制、模糊逻辑控制等方法各自有着不同的优势及适用领域。

因而将几种方法相融合，成为设计更高智能的控制系统的可取方案。

而通过引进其他智能方法来实现更有效的专家控制系统业已成为近年来研究的热点。

根据它们结合的方式，专家控制系统可以分为以下三种。

4.1.1 一般控制理论知识和经验知识相结合基于一般控制理论知识(解析算法)和经验知识(专家系统)的结合，扩展了传统控制算法的范围。

这种控制方法是以应用专家知识、知识模型、知识库、知识推理、控制决策和控制策略等技术为基础的，知识模型与常规数学模型相结合，知识信息处理技术与控制技术的结合，模拟人的智能行为等。

此方法能够解决时变大规模系统和复杂系统以及非线性和多扰动实时控制过程的控制问题。

4.1.2 模糊逻辑与专家控制相结合将模糊集和模糊推理引入专家控制系统中，就产生了基于模糊规则的专家控制系统，也称模糊专家控制系统(FEC)。

它运用模糊逻辑和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。

对于难以用准确的数字模型描述，也难以完全依靠确定性数据进行控制的情况，可使用模糊语言变量来表示规则，并进行模糊推理，更能模拟操作人员凭经验和直觉对受控过程进行的手动控制，从而具有更高的智能。

与模糊控制( FLC) 相比，模糊专家控制系统有更高的智能：它拥有关于过程控制的更复杂的知识，能以更复杂的方式利用这些知识。

模糊集仍被用于模拟不确定性，但模糊专家控制系统在范围上更具一般性，能处理广泛种类的问题。

4.1.3 神经网络与专家控制相结合将神经网络和专家系统技术结合起来，即神经网络专家系统的研究已经起步。

神经网络基于数值和算法，而专家系统则基于符号和启发式推理。

神经网络具有联想、容错、记忆、自适应、自学习和并行处理等优点；不足之处是不能对自身的推理方法进行解释，对未在训练样本中出现过的故障不能给出正确的诊断结论。

专家系统具有显式的知识表达形式，知识容易维护，能对推理行为进行解释，并可利用深层知识来诊断新故障；缺点是不能从经验中进行学习, 当知识库庞大时难以维护，在进行深层诊断时需要过多的计算时间。

因此，将神经网络和专家系统结合起来，充分发挥专家系统“高层”推理的优势和神经网络“低层”处理的长处，可以收到更好的控制效果。

4.2 问题及发展方向4.2.1 面临的主要问题对于各类专家控制系统，它们要共同面对下列发展中的难点和挑战。

(1)专家经验知识的获取问题。

如何获取专家知识，并将知识构造成可用的形式(即知识表示)，成为研究专家系统的主要“瓶颈”之一。

(2)知识库的自动更新与规则自动生成。

受知识获取方法的限制，专家控制系统不可能具有控制专家的全部知识。

专家控制系统应能通过在线获取的信息以及人机接口不断学习新的知识，更新知识库的内容，根据出现的新情况自动产生出新规则。

否则，当系统出现超出专家系统知识范围的异常情况时，系统就可能出现失控。

(3)专家控制系统需要建立实时操作知识库，以解决结构的复杂性、功能的完备性与控制的实时性之间的矛盾。

实时性涉及到的难题有：非单调推理、异步事件、按时间推理、推理时间约束等。

(4)专家控制系统的稳定性分析是另一个研究难题。

由于涉及的对象具有不确定性或非线性，它实现的控制基于知识模型，采用启发式逻辑和模糊逻辑，专家控制系统的本质也是非线性的，因此目前的稳定性分析方法很难直接用于专家控制系统。

(5)如何实现数据和信息的并行处理，如何设计系统的解释机构，如何建立良好的用户接口等都是专家系统有待解决的问题。

4.2.2 发展方向针对上述存在的问题，研究人员正积极寻求解决问题之道，并逐步形成了以下专家控制系统的发展方向。

(1)由基于规则的专家控制系统到基于模型的专家控制系统。

(2)由领域专家工程师提供知识到机器学习和专家知识相结合的专家控制系统。

(3)由非实时诊断系统到实时诊断系统。

(4)由单机诊断系统到基于物联网的分布式全系统诊断专家系统(5)由单一推理控制策略专家系统到混合推理、不确定性推理控制策略专家系统。