智能控制 第3版 PPT课件 9-10章

《智能控制》2023年5月第九章控制系统数据处理的智能方法主要内容数据挖掘与信息处理的基本概念9.19.29.3基于智能技术的控制系统数据挖掘基于智能技术的控制系统数据校正与数据融合9.4基于数据驱动的TBM的地质适应性控制与辅助决策实例数据挖掘与信息处理的基本概念数据挖掘的基本概念简单地说，数据挖掘就是从大量的数据中提取或挖掘知识。近似的术语——知识发现数据清理（消除噪声或不一致数据）。数据集成（组合多种不同的数据源）。数据选择（检索与分析任务相关的数据）。数据变换（通过汇总或聚集操作，将数据变换成适合挖掘的形式）。数据挖掘（使用智能方法提取数据模式）。数据评估（根据某种兴趣度来度量、识别表示知识的真正有用模式）。知识表示（向用户提供挖掘的知识）。信息处理的基本概念信息处理是从大量的、不完全的、有噪声的、模糊的、随机的实际数据中，提取出隐含在其中的、人们事先不知道的、但又有潜在价值的信息和知识的过程。基于智能技术的控制系统数据挖掘数据挖掘中常用技术

神经网络(NN)技术、决策树技术、遗传算法等。神经网络神经网络常用于处理两类问题：分类和回归。在结构上，可以把一个神经网络划分为输入层、输出层和隐含层（见图9-1）。输入层的每个节点对应一个个的预测变量。输出层的节点对应目标变量，可有多个。在输入层和输出层之间是隐含层（对神经网络使用者来说不可见），隐含层的层数和每层节点的个数决定了神经网络的复杂度。图9-1一个神经元网络基于智能技术的控制系统数据挖掘除了输入层的节点，神经网络的每个节点都与很多其前面的节点（称为此节点的输入节点）连接在一起，每个连接对应一个权重，此节点的值就是通过它所有输入节点的值与对应连接权重乘积的和作为一个函数的输入而得到，把这个函数称为活动函数或挤压函数。如图9-2中节点4输出到节点6的值可通过如下方式计算得到：节点1的值+节点2的值。图9-2带权重的神经元网络基于智能技术的控制系统数据挖掘调整节点间连接的权重就是在建立（也称训练）神经网络时要做的工作。最早的也是最基本的权重调整方法是BP算法，现在较新的有变化坡度法、类牛顿法、Levenberg-Marquardt法和遗传算法等。无论采用哪种训练方法，都需要有一些参数来控制训练的过程，如防止训练过度和控制训练的速度。可以认为BP训练法是变化坡度法的简化：（1）前向传播：数据从输入到输出的过程是一个从前向后的传播过程，后一节点的值通过它前面相连的节点传过来，然后把值按照各个连接权重的大小加权输入活动函数再得到新的值，进一步传播到下一个节点。（2）回馈：当节点的输出值与预期的值不同，也就是发生错误时，神经网络就要“学习”（从错误中学习）。可以把节点间连接的权重看成后一节点对前一节点的“信任”程度（它自己向下一个节点的输出更容易受他前面那个节点输入的影响）。基于智能技术的控制系统数据挖掘决策树决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法。比如，在贷款申请中，要对申请的风险大小做出判断，图9-3是为了解决这个问题而建立的一棵决策树，从中可以看到决策树的基本组成部分：决策节点、分支和叶子。图9-3一棵简单的决策树基于智能技术的控制系统数据挖掘决策树中最上面的节点称为根节点，是整个决策树的开始。决策树的每个节点子节点的个数与决策树使用的算法有关。如CART算法得到的决策树每个节点有两个分支，这种树称为二叉树。允许节点含有多于两个子节点的树称为多叉树。每个分支要么是一个新的决策节点，要么是树的结尾，称为叶子。沿着决策树从上到下遍历的过程就是利用决策树进行分类的过程，利用几个变量（每个变量对应一个问题）来判断所属的类别（最后每个叶子会对应一个类别）。图9-3一棵简单的决策树基于智能技术的控制系统数据挖掘数据挖掘的功能特性四种常见的发现任务。（1）数据总结其目的是对数据进行浓缩，给出它的紧凑描述。（2）分类其目的是学会一个分类函数或分类模型（也称作分类器），该模型能把数据库的数据项映射到给定类别中的某一个。（3）聚集把一组个体按照相似性归类，即“物以类聚”。它的目的是使属于同一类别的个体之间的距离尽可能地小，而不同类别的个体间的距离尽可能地大。（4）关联规则形式如下的一种规则，“在购买面包和黄油的顾客中，有90％的人同时也买了牛奶”（面包+黄油+牛奶）。关联规则发现的思路还可以用于序列模式发现。用户在购买物品时，除了具有上述关联规律，还有时间或序列上的规律。。一般用两个参数描述关联规则的属性：（1）可信度(Confidence)：可信度即是“值得信赖性”。设A、B是项集，对于事务集D，A∈D，B∈D，A∩B=Ф，A

B的可信度定义为：可信度（A

B）=包含A和B的元组数/包含A的元组数可信度表达的就是在出现项集A的事务集D中，项集B也同时出现的概率。如上面的例子中购买锤子的顾客中有80%也同时购买了钉子，即是关联规则：锤子

钉子的可信度为80%。（2）支持度(Support)支持度（A

B）=包含A和B的元组数/元组总数。支持度描述了A和B这两个项集在所有事务中同时出现的概率。例如在一个商场中，某天共有1000笔业务，其中有100笔业务同时买了锤子和钉子，则其

锤子

钉子

关联规则的支持度为10%。基于智能技术的控制系统数据挖掘基于智能技术的控制系统数据挖掘下面用一个例子更详细的解释这些概念：总交易笔数（事务数）：1,000包含“锤子”：50包含“钉子”：80包含“钳子”：20包含“锤子”和“钉子”：15包含“钳子”和“钉子”：10包含“锤子”和“钳子”：10包含“锤子”、“钳子”和“钉子”：5

则可以计算出：

“锤子和钉子”的支持度=1.5%（15/1,000）“锤子、钉子和钳子”的支持度=0.5%（5/1,000）“锤子==>钉子”的可信度=30%（15/50）“钉子==>锤子”的可信度=19%（15/80）“锤子和钉子==>钳子”的可信度=33%（5/15）“钳子==>锤子和钉子”的可信度=25%（5/20）基于智能技术的控制系统数据挖掘给定一个事务集D，挖掘关联规则问题就是产生支持度和可信度分别大于用户给定的最小支持度和最小可信度的关联规则。关联规则的种类：(1)基于规则中处理变量的类型，关联规则可以分为布尔型和数值型。布尔型考虑的是项集的存在与否，而数值型则是量化的关联。例如：教育=“大专”

职业=“秘书”

布尔型教育=“大专”

平均收入=２０００

数值型(2)基于规则中数据的抽象层次，可以分为单层关联规则和多层关联规则。单层关联规则指所有的变量都没有考虑到现实的数据具有多个层次。而多层关联规则考虑了数据的多层性。(3)基于规则中涉及到的数据的维数，关联规则可分为单维的和多维的。在单维的关联规则中，只涉及到数据的一个维，如用户购买的物品。在多维的关联规则中，要处理的数据会涉及到多个维。例如：锤子（物品）

钳子（物品）单维的关联规则教育=“大专”

职业=“秘书”

多维的关联规则基于智能技术的控制系统数据挖掘关联规则挖掘的经典算法：Apriori算法是一个挖掘数据库中项集间的关联规则的重要方法，其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。Apriori使用一种逐层扫描的迭代方法，k项集用于寻找(k＋1)项集。首先，找出频繁１项集的集合，该集合记为L1。L1用于寻找频繁2项集的集合L2，而L2用于找L3。循环直到找不到频繁k项集。将所有支持度大于最小支持度的项集称为频繁项集，或简称项集。而同时满足最小支持度阈值和最小可信度阈值的规则称为强规则。算法的基本思想是，首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。基于智能技术的控制系统数据挖掘不产生候选挖掘频繁项集的方法:FP-树频集算法采用分而治之的策略，在经过第一遍扫描之后，把数据库中的频集压缩进一棵频繁模式树(FP-tree)，同时依然保留其中的关联信息，随后再将FP-tree分化成一些条件库，每个库和一个长度为1的频集相关，然后再对这些条件库分别进行挖掘。当原始数据量很大的时候，也可以结合划分的方法，使得一个FP-tree可以放入主存中。实验表明，FP-树频集算法对不同长度的规则都有很好的适应性，同时在效率上较之Apriori算法有很大的提高。Apriori算法的缺点:可能产生大量的候选集。例如，如果有104个频繁1项集，则Apriori算需要产生107个候选2项集，并累计和检查它们的频繁性；为发现长度为100的频繁模式，它必须产生多达1030个候选。基于智能技术的控制系统数据校正与数据融合数据校正的目的是消除随机误差和剔除过失误差。数据校正数据校正的步骤可以分为三步：变量分类：确定变量的可观/不可观、冗余性等。过失误差的检测：辨识过失误差的位置，并进行剔除或补偿。参数估计和数据协调：对可观但没有能测量的变量进行参数估计，利用数据协调改善对过程的认识，两者可同时进行。基于智能技术的控制系统数据校正与数据融合

基于智能技术的控制系统数据校正与数据融合

基于智能技术的控制系统数据校正与数据融合

基于智能技术的控制系统数据校正与数据融合3．显著误差的检测

基于智能技术的控制系统数据校正与数据融合4．动态过程数据校正。主要方法是滤波方法和以模型为基础的非线性规划技术。滤波方法的目的是为了获得满足动态模型方程的最小方差估计，并提供过程的输入输出变量的估计值，使性能指标或所有变量的估计方差最小化。在已知测量和过程噪声协方差矩阵的情况下进行参数整定，计算非常有效，并能在线实现。由于滤波方法基于线性模型或局部线性化的模型，模型的误差会导致明显的偏差。此外还需要进行参数的调整和掌握有关测量值的协方差阵及过程噪声等先验知识。

非线性规划技术在参数变化时的响应、模型存在误差时的鲁棒性及系统存在严重非线性时，相对于前者有明显的优越性，但计算时间长。基于智能技术的控制系统数据校正与数据融合5．基于神经网络的数据校正技术应用神经网络进行数据校正，包括随机误差和过失误差的校正。网络结构采用一般的前向网络，网络学习采用监督式学习法，因此需要目标值。如果是仿真数据，过程变量的真实值已知，可作为网络的目标值用于网络训练，以求得估计值；但对于实际过程，过程变量的真实值是未知的为求得训练用的目标值，可采用迭代方法。具体步骤如下：计算所有样本的中各变量的平均值作为目标值；以此目标值与样本中的变量值构成样本组进行训练；将样本输入训练好的网络，得到各变量的校正值；求得校正值的平均值作为网络目标值；重复步骤2）～4），直到校正变量的均方差不再改变。基于智能技术的控制系统数据校正与数据融合数据融合1．数据融合的定义数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器信息资源，采用计算机技术对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配和使用，获得对被测对象的一致性解释和描述，以完成所需的决策和估计任务，使系统获得比它的各组成部分更优越的性能。因此，多传感器系统是数据融合的硬件基础，多源信息是数据融合的加工对象，协调优化和综合处理是数据融合的核心。基于智能技术的控制系统数据校正与数据融合2.数据融合的级别数据融合有不同的层次，其为数据层（像素层）融合、特征层融合和决策层融合。（1）像素层融合像素层融合是直接在采集到的原始数据层上进行融合，在各种传感器的原始测报未经预处理前就进行数据的综合和分析。这是最低层次的融合，如成像传感器中通过对包含若干像素的模糊图像进行图像处理和模式识别来确认目标属性的过程就属于像素层融合。（2）特征层融合特征层融合属于中间层次，它先对来自传感器的原始信息进行特征提取，然后对特征信息进行综合分析和处理。（3）决策层融合决策层融合是一种高层次融合，其结果为指挥控制决策提供依据。基于智能技术的控制系统数据校正与数据融合3．数据融合系统的应用（1）智能检测系统：利用智能检测系统的多传感器进行数据融合，可以消除单个或单类传感器检测的不确定性，提高检测系统的可靠性，获得对检测对象更准确的认识。（2）工业过程监视：工业过程监视是一个明显的数据融合应用领域。融合的目的是识别引起系统状态超出正常运行范围的故障条件，并据此触发若干报警器。（3）工业机器人：随着使用灵活、价格便宜、结构合理的传感器的不断发展，可在机器人上设置更多的传感器，使机器人更自由灵活地动作。而计算机则根据多传感器的观测信息完成各种数据融合，控制机器人的动作，实现机器人的功能。（4）空中交通管制：在目前的空中交通管制系统中，主要由雷达和无线电提供空中图像并由空中交通管制器承当数据处理的任务。（5）全局监视：监视较大范围内的人和事物都可以运用数据融合技术。（6）军事应用：数据融合在军事上应用最早、范围最广，涉及战术或战略上的检测、指挥、控制、通信和情报任务的各个方面。基于智能技术的控制系统数据校正与数据融合4．数据融合方法简介（1）判断或检查检测理论该理论是通过把被测对象的测量值与被选假设进行比较，以确定哪个假设能最佳地描述观测值。（2）估计理论一个参数的估计要使用多个观测变量的测量值，而这些观测量又直接与该参量相关。最小二乘法、极大似然估计法、卡尔曼滤波等方法都是估计理论的有效理论依据。(3）数据关联对于多传感器数据源，可以将测量值按来源不同分成不同的集合实现数据关联。要实现数据关联，首先必须进行相关处理，对所有的测量值的相关性进行定量的度量，在相关性度量的基础上把测量值按数据源准确地分为若干个集合。基于智能技术的控制系统数据校正与数据融合5.智能数据融合专家系统在多传感器数据融合中的应用专家系统汇聚人类专家在某一技术领域的专业知识，利用计算机的强大软件功能，根据专家知识和经验导出一系列规则，由计算机代替、模仿人类专家做出系统决策，如图9-4所示。图9-4专家系统的基本结构基于智能技术的控制系统数据校正与数据融合图9.5给出了一个使用专家系统技术的数据融合系统框图。数据融合系统的数据源有两类：一类是多传感器的观测结果，另一类是消息（源数据）。为处理消息，系统配备了一个自然语言处理机，该处理机可使系统通过理解输入的文本语法，确定文本的语义并赋予文本一个计算机可理解的意义，比如以英语形式对系统输入指令与信息。图中的概率方法用于从各个数据集推断结论，所使用的方法主要有Bayes、D-S证据推理、模糊集合论、聚类分析、估计理论以及熵等数据融合方法。对输入的数据进行标识和分类后，可以将数据进行组合。图9-5一个使用了ES技术的数据融合系统基于数据驱动的TBM的地质适应性控制与辅助决策实例TBM介绍全断面大型掘进装备（TunnelBoringMachine,TBM）是一种能用于机械切削围岩、出碴、成洞、注浆并支护实行连续挖掘作业的综合设备，是集机械、电气、液压、控制等技术一体化的大型工厂化隧道施工作业系统，具有掘进速度快、施工工期短、作业环境好、对生态环境影响小、综合效益高等优点，是国内外地铁隧道、国防工程、铁路隧道等施工的重要方法之一，具有非常广阔的市场前景。基于数据驱动的TBM的地质适应性控制与辅助决策实例基于TPI和FPI指数的数据分类与统计

基于数据驱动的TBM的地质适应性控制与辅助决策实例(a)(b)图9-6硬岩地质区域分类TPI越大表明在产生相同的每转切深下，需要的扭矩越大，则表明当前掘进的岩石比较坚硬；而TPI越小则表明产生同样的贯入度所需要的刀盘扭矩较小，当前掘进的岩石较软。对于FPI则可表明产生同样的贯入度所需推力的大小，从而可以反映出当前地质下的围岩的软硬程度。基于数据驱动的TBM的地质适应性控制与辅助决策实例基于TPI和FPI参数对数据进行聚类分析，由于采集到的数据并不一定包含所有的岩石类型，因此按照岩石的坚硬程度和实际岩石的情况尝试将数据聚类为2-5类，最终证明将数据分为三类可以较好的表征实际的岩石情况。将数据稀疏化后，聚类结果如图9-9所示，用于后续掘进参数统计特性的分析。图9-9TPI/FPI聚类结果基于数据驱动的TBM的地质适应性控制与辅助决策实例根据工操作人员在不同地质条件下TBM掘进参数的选择经验，我们可以得到不同聚类结果下主要参考的掘进参数的调整范围，如表9-7所示。表9-7不同聚类结果施工参数范围

刀盘扭矩刀盘平均电流推进速度总推力类别11200-2100KN.M100-160A10-28mm/min17000-19000kN类别21000-2300KN.M80-250A20-55mm/min15000-18000kN类别3800-1600KN.M100-150A46-128mm/min9000-15000kN2.掘进参数分布范围统计分析基于数据驱动的TBM的地质适应性控制与辅助决策实例考虑TBM掘进性能的多目标优化模型与求解

基于数据驱动的TBM的地质适应性控制与辅助决策实例

基于数据驱动的TBM的地质适应性控制与辅助决策实例

基于数据驱动的TBM的地质适应性控制与辅助决策实例

基于数据驱动的TBM的地质适应性控制与辅助决策实例

基于数据驱动的TBM的地质适应性控制与辅助决策实例

表9.8满意度权值重要程度同等重要稍微重要明显重要强烈重要1234基于数据驱动的TBM的地质适应性控制与辅助决策实例a)推进速度优化前后对比b)刀盘转速优化前后对比图9-15掘进参数优化前后对比仿真试验结果分析本节采用上文建立的掘进参数多目标优化函数，采用差分进化算法针对实际施工数据进行求解，并用结果进行优化仿真。基于数据驱动的TBM的地质适应性控制与辅助决策实例图9-16优化前后目标函数值对比从上述仿真结果可以看出，在整体水平上，优化后推进速度整体较优化前有所提升，同时不会造成刀盘磨损和刀盘振动的增大，但是能量消耗比优化前升高。考虑到实际工程中，通常比较关注掘进的进度和TBM的安全性，即刀盘磨损尽量小、刀盘振动尽量小，在满足刀盘的磨损与振动在安全范围下，希望能够加快施工的进度，能量消耗的增加在一定程度上是允许的。因此，该优化方法对于TBM施工的推进速度与刀盘转速的设定有着一定的指导意义。第十章智能控制的进一步发展：自适应与学习主要内容自适应控制10.110.210.3学习控制学习控制和自适应控制的关系智能控制的进一步发展：自适应与学习自动控制的目的在于克服被控对象或环境的不确定性，部分代替人的体力和脑力劳动。反馈控制原理在一定范围内能较好地处理不确定性问题，但对于复杂的和具有很大不确定性的对象，就要求控制系统能调整自身的结构和参数，以适应这种变化，随后产生了很多高级控制方法：自适应控制(AdaptiveControl)模糊控制(FuzzyControl)神经网络控制(NeuralNetworkBasedControl)基于知识的控制(KnowledgeBasedControl)或专家系统控制(ExpertControl)复合智能控制(HybridIntelligentControl)学习控制(LearningControl)基于进化机制的控制(EvolutionaryMechanismBasedControl)……自适应控制自适应控制解决的问题：被控对象或过程的数学模型难以确知，或者它们的数学模型存在时变不确定特性。在日常生活中，所谓自适应是指生物能改变自身习性以适应新环境的一种特征或能力。因此，直观地讲，自适应控制应该能够通过设定的控制策略来调整系统特性以适应对象动态特性变化和内外界扰动对整个系统的影响。自适应控制的研究对象是具有一定程度不确定性的系统，这里所谓的“不确定性”是指描述被控对象及其环境的