智能控制 第3版 PPT課件 9-10章

《智能控制》2023年5月第九章控制系統(tǒng)數(shù)據(jù)處理的智能方法主要內(nèi)容數(shù)據(jù)挖掘與信息處理的基本概念9.19.29.3基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合9.4基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例數(shù)據(jù)挖掘與信息處理的基本概念數(shù)據(jù)挖掘的基本概念簡單地說，數(shù)據(jù)挖掘就是從大量的數(shù)據(jù)中提取或挖掘知識。近似的術(shù)語——知識發(fā)現(xiàn)數(shù)據(jù)清理（消除噪聲或不一致數(shù)據(jù)）。數(shù)據(jù)集成（組合多種不同的數(shù)據(jù)源）。數(shù)據(jù)選擇（檢索與分析任務(wù)相關(guān)的數(shù)據(jù)）。數(shù)據(jù)變換（通過匯總或聚集操作，將數(shù)據(jù)變換成適合挖掘的形式）。數(shù)據(jù)挖掘（使用智能方法提取數(shù)據(jù)模式）。數(shù)據(jù)評估（根據(jù)某種興趣度來度量、識別表示知識的真正有用模式）。知識表示（向用戶提供挖掘的知識）。信息處理的基本概念信息處理是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際數(shù)據(jù)中，提取出隱含在其中的、人們事先不知道的、但又有潛在價(jià)值的信息和知識的過程?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)挖掘數(shù)據(jù)挖掘中常用技術(shù)

神經(jīng)網(wǎng)絡(luò)(NN)技術(shù)、決策樹技術(shù)、遺傳算法等。神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)常用于處理兩類問題：分類和回歸。在結(jié)構(gòu)上，可以把一個(gè)神經(jīng)網(wǎng)絡(luò)劃分為輸入層、輸出層和隱含層（見圖9-1）。輸入層的每個(gè)節(jié)點(diǎn)對應(yīng)一個(gè)個(gè)的預(yù)測變量。輸出層的節(jié)點(diǎn)對應(yīng)目標(biāo)變量，可有多個(gè)。在輸入層和輸出層之間是隱含層（對神經(jīng)網(wǎng)絡(luò)使用者來說不可見），隱含層的層數(shù)和每層節(jié)點(diǎn)的個(gè)數(shù)決定了神經(jīng)網(wǎng)絡(luò)的復(fù)雜度。圖9-1一個(gè)神經(jīng)元網(wǎng)絡(luò)基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘除了輸入層的節(jié)點(diǎn)，神經(jīng)網(wǎng)絡(luò)的每個(gè)節(jié)點(diǎn)都與很多其前面的節(jié)點(diǎn)（稱為此節(jié)點(diǎn)的輸入節(jié)點(diǎn)）連接在一起，每個(gè)連接對應(yīng)一個(gè)權(quán)重，此節(jié)點(diǎn)的值就是通過它所有輸入節(jié)點(diǎn)的值與對應(yīng)連接權(quán)重乘積的和作為一個(gè)函數(shù)的輸入而得到，把這個(gè)函數(shù)稱為活動(dòng)函數(shù)或擠壓函數(shù)。如圖9-2中節(jié)點(diǎn)4輸出到節(jié)點(diǎn)6的值可通過如下方式計(jì)算得到：節(jié)點(diǎn)1的值+節(jié)點(diǎn)2的值。圖9-2帶權(quán)重的神經(jīng)元網(wǎng)絡(luò)基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘調(diào)整節(jié)點(diǎn)間連接的權(quán)重就是在建立（也稱訓(xùn)練）神經(jīng)網(wǎng)絡(luò)時(shí)要做的工作。最早的也是最基本的權(quán)重調(diào)整方法是BP算法，現(xiàn)在較新的有變化坡度法、類牛頓法、Levenberg-Marquardt法和遺傳算法等。無論采用哪種訓(xùn)練方法，都需要有一些參數(shù)來控制訓(xùn)練的過程，如防止訓(xùn)練過度和控制訓(xùn)練的速度?？梢哉J(rèn)為BP訓(xùn)練法是變化坡度法的簡化：（1）前向傳播：數(shù)據(jù)從輸入到輸出的過程是一個(gè)從前向后的傳播過程，后一節(jié)點(diǎn)的值通過它前面相連的節(jié)點(diǎn)傳過來，然后把值按照各個(gè)連接權(quán)重的大小加權(quán)輸入活動(dòng)函數(shù)再得到新的值，進(jìn)一步傳播到下一個(gè)節(jié)點(diǎn)。（2）回饋：當(dāng)節(jié)點(diǎn)的輸出值與預(yù)期的值不同，也就是發(fā)生錯(cuò)誤時(shí)，神經(jīng)網(wǎng)絡(luò)就要“學(xué)習(xí)”（從錯(cuò)誤中學(xué)習(xí)）?？梢园压?jié)點(diǎn)間連接的權(quán)重看成后一節(jié)點(diǎn)對前一節(jié)點(diǎn)的“信任”程度（它自己向下一個(gè)節(jié)點(diǎn)的輸出更容易受他前面那個(gè)節(jié)點(diǎn)輸入的影響）?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)挖掘決策樹決策樹提供了一種展示類似在什么條件下會得到什么值這類規(guī)則的方法。比如，在貸款申請中，要對申請的風(fēng)險(xiǎn)大小做出判斷，圖9-3是為了解決這個(gè)問題而建立的一棵決策樹，從中可以看到?jīng)Q策樹的基本組成部分：決策節(jié)點(diǎn)、分支和葉子。圖9-3一棵簡單的決策樹基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘決策樹中最上面的節(jié)點(diǎn)稱為根節(jié)點(diǎn)，是整個(gè)決策樹的開始。決策樹的每個(gè)節(jié)點(diǎn)子節(jié)點(diǎn)的個(gè)數(shù)與決策樹使用的算法有關(guān)。如CART算法得到的決策樹每個(gè)節(jié)點(diǎn)有兩個(gè)分支，這種樹稱為二叉樹。允許節(jié)點(diǎn)含有多于兩個(gè)子節(jié)點(diǎn)的樹稱為多叉樹。每個(gè)分支要么是一個(gè)新的決策節(jié)點(diǎn)，要么是樹的結(jié)尾，稱為葉子。沿著決策樹從上到下遍歷的過程就是利用決策樹進(jìn)行分類的過程，利用幾個(gè)變量（每個(gè)變量對應(yīng)一個(gè)問題）來判斷所屬的類別（最后每個(gè)葉子會對應(yīng)一個(gè)類別）。圖9-3一棵簡單的決策樹基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘數(shù)據(jù)挖掘的功能特性四種常見的發(fā)現(xiàn)任務(wù)。（1）數(shù)據(jù)總結(jié)其目的是對數(shù)據(jù)進(jìn)行濃縮，給出它的緊湊描述。（2）分類其目的是學(xué)會一個(gè)分類函數(shù)或分類模型（也稱作分類器），該模型能把數(shù)據(jù)庫的數(shù)據(jù)項(xiàng)映射到給定類別中的某一個(gè)。（3）聚集把一組個(gè)體按照相似性歸類，即“物以類聚”。它的目的是使屬于同一類別的個(gè)體之間的距離盡可能地小，而不同類別的個(gè)體間的距離盡可能地大。（4）關(guān)聯(lián)規(guī)則形式如下的一種規(guī)則，“在購買面包和黃油的顧客中，有90％的人同時(shí)也買了牛奶”（面包+黃油+牛奶）。關(guān)聯(lián)規(guī)則發(fā)現(xiàn)的思路還可以用于序列模式發(fā)現(xiàn)。用戶在購買物品時(shí)，除了具有上述關(guān)聯(lián)規(guī)律，還有時(shí)間或序列上的規(guī)律。。一般用兩個(gè)參數(shù)描述關(guān)聯(lián)規(guī)則的屬性：（1）可信度(Confidence)：可信度即是“值得信賴性”。設(shè)A、B是項(xiàng)集，對于事務(wù)集D，A∈D，B∈D，A∩B=Ф，A

B的可信度定義為：可信度（A

B）=包含A和B的元組數(shù)/包含A的元組數(shù)可信度表達(dá)的就是在出現(xiàn)項(xiàng)集A的事務(wù)集D中，項(xiàng)集B也同時(shí)出現(xiàn)的概率。如上面的例子中購買錘子的顧客中有80%也同時(shí)購買了釘子，即是關(guān)聯(lián)規(guī)則：錘子

釘子的可信度為80%。（2）支持度(Support)支持度（A

B）=包含A和B的元組數(shù)/元組總數(shù)。支持度描述了A和B這兩個(gè)項(xiàng)集在所有事務(wù)中同時(shí)出現(xiàn)的概率。例如在一個(gè)商場中，某天共有1000筆業(yè)務(wù)，其中有100筆業(yè)務(wù)同時(shí)買了錘子和釘子，則其

錘子

釘子

關(guān)聯(lián)規(guī)則的支持度為10%?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)挖掘基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘下面用一個(gè)例子更詳細(xì)的解釋這些概念：總交易筆數(shù)（事務(wù)數(shù)）：1,000包含“錘子”：50包含“釘子”：80包含“鉗子”：20包含“錘子”和“釘子”：15包含“鉗子”和“釘子”：10包含“錘子”和“鉗子”：10包含“錘子”、“鉗子”和“釘子”：5

則可以計(jì)算出：

“錘子和釘子”的支持度=1.5%（15/1,000）“錘子、釘子和鉗子”的支持度=0.5%（5/1,000）“錘子==>釘子”的可信度=30%（15/50）“釘子==>錘子”的可信度=19%（15/80）“錘子和釘子==>鉗子”的可信度=33%（5/15）“鉗子==>錘子和釘子”的可信度=25%（5/20）基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘給定一個(gè)事務(wù)集D，挖掘關(guān)聯(lián)規(guī)則問題就是產(chǎn)生支持度和可信度分別大于用戶給定的最小支持度和最小可信度的關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則的種類：(1)基于規(guī)則中處理變量的類型，關(guān)聯(lián)規(guī)則可以分為布爾型和數(shù)值型。布爾型考慮的是項(xiàng)集的存在與否，而數(shù)值型則是量化的關(guān)聯(lián)。例如：教育=“大?！?/p>

職業(yè)=“秘書”

布爾型教育=“大?！?/p>

平均收入=２０００

數(shù)值型(2)基于規(guī)則中數(shù)據(jù)的抽象層次，可以分為單層關(guān)聯(lián)規(guī)則和多層關(guān)聯(lián)規(guī)則。單層關(guān)聯(lián)規(guī)則指所有的變量都沒有考慮到現(xiàn)實(shí)的數(shù)據(jù)具有多個(gè)層次。而多層關(guān)聯(lián)規(guī)則考慮了數(shù)據(jù)的多層性。(3)基于規(guī)則中涉及到的數(shù)據(jù)的維數(shù)，關(guān)聯(lián)規(guī)則可分為單維的和多維的。在單維的關(guān)聯(lián)規(guī)則中，只涉及到數(shù)據(jù)的一個(gè)維，如用戶購買的物品。在多維的關(guān)聯(lián)規(guī)則中，要處理的數(shù)據(jù)會涉及到多個(gè)維。例如：錘子（物品）

鉗子（物品）單維的關(guān)聯(lián)規(guī)則教育=“大專”

職業(yè)=“秘書”

多維的關(guān)聯(lián)規(guī)則基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)挖掘關(guān)聯(lián)規(guī)則挖掘的經(jīng)典算法：Apriori算法是一個(gè)挖掘數(shù)據(jù)庫中項(xiàng)集間的關(guān)聯(lián)規(guī)則的重要方法，其核心是基于兩階段頻集思想的遞推算法。該關(guān)聯(lián)規(guī)則在分類上屬于單維、單層、布爾關(guān)聯(lián)規(guī)則。Apriori使用一種逐層掃描的迭代方法，k項(xiàng)集用于尋找(k＋1)項(xiàng)集。首先，找出頻繁１項(xiàng)集的集合，該集合記為L1。L1用于尋找頻繁2項(xiàng)集的集合L2，而L2用于找L3。循環(huán)直到找不到頻繁k項(xiàng)集。將所有支持度大于最小支持度的項(xiàng)集稱為頻繁項(xiàng)集，或簡稱項(xiàng)集。而同時(shí)滿足最小支持度閾值和最小可信度閾值的規(guī)則稱為強(qiáng)規(guī)則。算法的基本思想是，首先找出所有的頻集，這些項(xiàng)集出現(xiàn)的頻繁性至少和預(yù)定義的最小支持度一樣。然后由頻集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，這些規(guī)則必須滿足最小支持度和最小可信度?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)挖掘不產(chǎn)生候選挖掘頻繁項(xiàng)集的方法:FP-樹頻集算法采用分而治之的策略，在經(jīng)過第一遍掃描之后，把數(shù)據(jù)庫中的頻集壓縮進(jìn)一棵頻繁模式樹(FP-tree)，同時(shí)依然保留其中的關(guān)聯(lián)信息，隨后再將FP-tree分化成一些條件庫，每個(gè)庫和一個(gè)長度為1的頻集相關(guān)，然后再對這些條件庫分別進(jìn)行挖掘。當(dāng)原始數(shù)據(jù)量很大的時(shí)候，也可以結(jié)合劃分的方法，使得一個(gè)FP-tree可以放入主存中。實(shí)驗(yàn)表明，F(xiàn)P-樹頻集算法對不同長度的規(guī)則都有很好的適應(yīng)性，同時(shí)在效率上較之Apriori算法有很大的提高。Apriori算法的缺點(diǎn):可能產(chǎn)生大量的候選集。例如，如果有104個(gè)頻繁1項(xiàng)集，則Apriori算需要產(chǎn)生107個(gè)候選2項(xiàng)集，并累計(jì)和檢查它們的頻繁性；為發(fā)現(xiàn)長度為100的頻繁模式，它必須產(chǎn)生多達(dá)1030個(gè)候選。基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合數(shù)據(jù)校正的目的是消除隨機(jī)誤差和剔除過失誤差。數(shù)據(jù)校正數(shù)據(jù)校正的步驟可以分為三步：變量分類：確定變量的可觀/不可觀、冗余性等。過失誤差的檢測：辨識過失誤差的位置，并進(jìn)行剔除或補(bǔ)償。參數(shù)估計(jì)和數(shù)據(jù)協(xié)調(diào)：對可觀但沒有能測量的變量進(jìn)行參數(shù)估計(jì)，利用數(shù)據(jù)協(xié)調(diào)改善對過程的認(rèn)識，兩者可同時(shí)進(jìn)行?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合

基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合

基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合

基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合3．顯著誤差的檢測

基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合4．動(dòng)態(tài)過程數(shù)據(jù)校正。主要方法是濾波方法和以模型為基礎(chǔ)的非線性規(guī)劃技術(shù)。濾波方法的目的是為了獲得滿足動(dòng)態(tài)模型方程的最小方差估計(jì)，并提供過程的輸入輸出變量的估計(jì)值，使性能指標(biāo)或所有變量的估計(jì)方差最小化。在已知測量和過程噪聲協(xié)方差矩陣的情況下進(jìn)行參數(shù)整定，計(jì)算非常有效，并能在線實(shí)現(xiàn)。由于濾波方法基于線性模型或局部線性化的模型，模型的誤差會導(dǎo)致明顯的偏差。此外還需要進(jìn)行參數(shù)的調(diào)整和掌握有關(guān)測量值的協(xié)方差陣及過程噪聲等先驗(yàn)知識。

非線性規(guī)劃技術(shù)在參數(shù)變化時(shí)的響應(yīng)、模型存在誤差時(shí)的魯棒性及系統(tǒng)存在嚴(yán)重非線性時(shí)，相對于前者有明顯的優(yōu)越性，但計(jì)算時(shí)間長?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合5．基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)校正技術(shù)應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)校正，包括隨機(jī)誤差和過失誤差的校正。網(wǎng)絡(luò)結(jié)構(gòu)采用一般的前向網(wǎng)絡(luò)，網(wǎng)絡(luò)學(xué)習(xí)采用監(jiān)督式學(xué)習(xí)法，因此需要目標(biāo)值。如果是仿真數(shù)據(jù)，過程變量的真實(shí)值已知，可作為網(wǎng)絡(luò)的目標(biāo)值用于網(wǎng)絡(luò)訓(xùn)練，以求得估計(jì)值；但對于實(shí)際過程，過程變量的真實(shí)值是未知的為求得訓(xùn)練用的目標(biāo)值，可采用迭代方法。具體步驟如下：計(jì)算所有樣本的中各變量的平均值作為目標(biāo)值；以此目標(biāo)值與樣本中的變量值構(gòu)成樣本組進(jìn)行訓(xùn)練；將樣本輸入訓(xùn)練好的網(wǎng)絡(luò)，得到各變量的校正值；求得校正值的平均值作為網(wǎng)絡(luò)目標(biāo)值；重復(fù)步驟2）～4），直到校正變量的均方差不再改變?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合數(shù)據(jù)融合1．?dāng)?shù)據(jù)融合的定義數(shù)據(jù)融合比較確切的定義可概括為：充分利用不同時(shí)間與空間的多傳感器信息資源，采用計(jì)算機(jī)技術(shù)對按時(shí)序獲得的多傳感器觀測信息在一定準(zhǔn)則下加以自動(dòng)分析、綜合、支配和使用，獲得對被測對象的一致性解釋和描述，以完成所需的決策和估計(jì)任務(wù)，使系統(tǒng)獲得比它的各組成部分更優(yōu)越的性能。因此，多傳感器系統(tǒng)是數(shù)據(jù)融合的硬件基礎(chǔ)，多源信息是數(shù)據(jù)融合的加工對象，協(xié)調(diào)優(yōu)化和綜合處理是數(shù)據(jù)融合的核心?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合2.數(shù)據(jù)融合的級別數(shù)據(jù)融合有不同的層次，其為數(shù)據(jù)層（像素層）融合、特征層融合和決策層融合。（1）像素層融合像素層融合是直接在采集到的原始數(shù)據(jù)層上進(jìn)行融合，在各種傳感器的原始測報(bào)未經(jīng)預(yù)處理前就進(jìn)行數(shù)據(jù)的綜合和分析。這是最低層次的融合，如成像傳感器中通過對包含若干像素的模糊圖像進(jìn)行圖像處理和模式識別來確認(rèn)目標(biāo)屬性的過程就屬于像素層融合。（2）特征層融合特征層融合屬于中間層次，它先對來自傳感器的原始信息進(jìn)行特征提取，然后對特征信息進(jìn)行綜合分析和處理。（3）決策層融合決策層融合是一種高層次融合，其結(jié)果為指揮控制決策提供依據(jù)?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合3．?dāng)?shù)據(jù)融合系統(tǒng)的應(yīng)用（1）智能檢測系統(tǒng)：利用智能檢測系統(tǒng)的多傳感器進(jìn)行數(shù)據(jù)融合，可以消除單個(gè)或單類傳感器檢測的不確定性，提高檢測系統(tǒng)的可靠性，獲得對檢測對象更準(zhǔn)確的認(rèn)識。（2）工業(yè)過程監(jiān)視：工業(yè)過程監(jiān)視是一個(gè)明顯的數(shù)據(jù)融合應(yīng)用領(lǐng)域。融合的目的是識別引起系統(tǒng)狀態(tài)超出正常運(yùn)行范圍的故障條件，并據(jù)此觸發(fā)若干報(bào)警器。（3）工業(yè)機(jī)器人：隨著使用靈活、價(jià)格便宜、結(jié)構(gòu)合理的傳感器的不斷發(fā)展，可在機(jī)器人上設(shè)置更多的傳感器，使機(jī)器人更自由靈活地動(dòng)作。而計(jì)算機(jī)則根據(jù)多傳感器的觀測信息完成各種數(shù)據(jù)融合，控制機(jī)器人的動(dòng)作，實(shí)現(xiàn)機(jī)器人的功能。（4）空中交通管制：在目前的空中交通管制系統(tǒng)中，主要由雷達(dá)和無線電提供空中圖像并由空中交通管制器承當(dāng)數(shù)據(jù)處理的任務(wù)。（5）全局監(jiān)視：監(jiān)視較大范圍內(nèi)的人和事物都可以運(yùn)用數(shù)據(jù)融合技術(shù)。（6）軍事應(yīng)用：數(shù)據(jù)融合在軍事上應(yīng)用最早、范圍最廣，涉及戰(zhàn)術(shù)或戰(zhàn)略上的檢測、指揮、控制、通信和情報(bào)任務(wù)的各個(gè)方面。基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合4．?dāng)?shù)據(jù)融合方法簡介（1）判斷或檢查檢測理論該理論是通過把被測對象的測量值與被選假設(shè)進(jìn)行比較，以確定哪個(gè)假設(shè)能最佳地描述觀測值。（2）估計(jì)理論一個(gè)參數(shù)的估計(jì)要使用多個(gè)觀測變量的測量值，而這些觀測量又直接與該參量相關(guān)。最小二乘法、極大似然估計(jì)法、卡爾曼濾波等方法都是估計(jì)理論的有效理論依據(jù)。(3）數(shù)據(jù)關(guān)聯(lián)對于多傳感器數(shù)據(jù)源，可以將測量值按來源不同分成不同的集合實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)。要實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)，首先必須進(jìn)行相關(guān)處理，對所有的測量值的相關(guān)性進(jìn)行定量的度量，在相關(guān)性度量的基礎(chǔ)上把測量值按數(shù)據(jù)源準(zhǔn)確地分為若干個(gè)集合?；谥悄芗夹g(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合5.智能數(shù)據(jù)融合專家系統(tǒng)在多傳感器數(shù)據(jù)融合中的應(yīng)用專家系統(tǒng)匯聚人類專家在某一技術(shù)領(lǐng)域的專業(yè)知識，利用計(jì)算機(jī)的強(qiáng)大軟件功能，根據(jù)專家知識和經(jīng)驗(yàn)導(dǎo)出一系列規(guī)則，由計(jì)算機(jī)代替、模仿人類專家做出系統(tǒng)決策，如圖9-4所示。圖9-4專家系統(tǒng)的基本結(jié)構(gòu)基于智能技術(shù)的控制系統(tǒng)數(shù)據(jù)校正與數(shù)據(jù)融合圖9.5給出了一個(gè)使用專家系統(tǒng)技術(shù)的數(shù)據(jù)融合系統(tǒng)框圖。數(shù)據(jù)融合系統(tǒng)的數(shù)據(jù)源有兩類：一類是多傳感器的觀測結(jié)果，另一類是消息（源數(shù)據(jù)）。為處理消息，系統(tǒng)配備了一個(gè)自然語言處理機(jī)，該處理機(jī)可使系統(tǒng)通過理解輸入的文本語法，確定文本的語義并賦予文本一個(gè)計(jì)算機(jī)可理解的意義，比如以英語形式對系統(tǒng)輸入指令與信息。圖中的概率方法用于從各個(gè)數(shù)據(jù)集推斷結(jié)論，所使用的方法主要有Bayes、D-S證據(jù)推理、模糊集合論、聚類分析、估計(jì)理論以及熵等數(shù)據(jù)融合方法。對輸入的數(shù)據(jù)進(jìn)行標(biāo)識和分類后，可以將數(shù)據(jù)進(jìn)行組合。圖9-5一個(gè)使用了ES技術(shù)的數(shù)據(jù)融合系統(tǒng)基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例TBM介紹全斷面大型掘進(jìn)裝備（TunnelBoringMachine,TBM）是一種能用于機(jī)械切削圍巖、出碴、成洞、注漿并支護(hù)實(shí)行連續(xù)挖掘作業(yè)的綜合設(shè)備，是集機(jī)械、電氣、液壓、控制等技術(shù)一體化的大型工廠化隧道施工作業(yè)系統(tǒng)，具有掘進(jìn)速度快、施工工期短、作業(yè)環(huán)境好、對生態(tài)環(huán)境影響小、綜合效益高等優(yōu)點(diǎn)，是國內(nèi)外地鐵隧道、國防工程、鐵路隧道等施工的重要方法之一，具有非常廣闊的市場前景?；跀?shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例基于TPI和FPI指數(shù)的數(shù)據(jù)分類與統(tǒng)計(jì)

基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例(a)(b)圖9-6硬巖地質(zhì)區(qū)域分類TPI越大表明在產(chǎn)生相同的每轉(zhuǎn)切深下，需要的扭矩越大，則表明當(dāng)前掘進(jìn)的巖石比較堅(jiān)硬；而TPI越小則表明產(chǎn)生同樣的貫入度所需要的刀盤扭矩較小，當(dāng)前掘進(jìn)的巖石較軟。對于FPI則可表明產(chǎn)生同樣的貫入度所需推力的大小，從而可以反映出當(dāng)前地質(zhì)下的圍巖的軟硬程度。基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例基于TPI和FPI參數(shù)對數(shù)據(jù)進(jìn)行聚類分析，由于采集到的數(shù)據(jù)并不一定包含所有的巖石類型，因此按照巖石的堅(jiān)硬程度和實(shí)際巖石的情況嘗試將數(shù)據(jù)聚類為2-5類，最終證明將數(shù)據(jù)分為三類可以較好的表征實(shí)際的巖石情況。將數(shù)據(jù)稀疏化后，聚類結(jié)果如圖9-9所示，用于后續(xù)掘進(jìn)參數(shù)統(tǒng)計(jì)特性的分析。圖9-9TPI/FPI聚類結(jié)果基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例根據(jù)工操作人員在不同地質(zhì)條件下TBM掘進(jìn)參數(shù)的選擇經(jīng)驗(yàn)，我們可以得到不同聚類結(jié)果下主要參考的掘進(jìn)參數(shù)的調(diào)整范圍，如表9-7所示。表9-7不同聚類結(jié)果施工參數(shù)范圍

刀盤扭矩刀盤平均電流推進(jìn)速度總推力類別11200-2100KN.M100-160A10-28mm/min17000-19000kN類別21000-2300KN.M80-250A20-55mm/min15000-18000kN類別3800-1600KN.M100-150A46-128mm/min9000-15000kN2.掘進(jìn)參數(shù)分布范圍統(tǒng)計(jì)分析基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例考慮TBM掘進(jìn)性能的多目標(biāo)優(yōu)化模型與求解

基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例

基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例

基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例

基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例

基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例

表9.8滿意度權(quán)值重要程度同等重要稍微重要明顯重要強(qiáng)烈重要1234基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例a)推進(jìn)速度優(yōu)化前后對比b)刀盤轉(zhuǎn)速優(yōu)化前后對比圖9-15掘進(jìn)參數(shù)優(yōu)化前后對比仿真試驗(yàn)結(jié)果分析本節(jié)采用上文建立的掘進(jìn)參數(shù)多目標(biāo)優(yōu)化函數(shù)，采用差分進(jìn)化算法針對實(shí)際施工數(shù)據(jù)進(jìn)行求解，并用結(jié)果進(jìn)行優(yōu)化仿真。基于數(shù)據(jù)驅(qū)動(dòng)的TBM的地質(zhì)適應(yīng)性控制與輔助決策實(shí)例圖9-16優(yōu)化前后目標(biāo)函數(shù)值對比從上述仿真結(jié)果可以看出，在整體水平上，優(yōu)化后推進(jìn)速度整體較優(yōu)化前有所提升，同時(shí)不會造成刀盤磨損和刀盤振動(dòng)的增大，但是能量消耗比優(yōu)化前升高?？紤]到實(shí)際工程中，通常比較關(guān)注掘進(jìn)的進(jìn)度和TBM的安全性，即刀盤磨損盡量小、刀盤振動(dòng)盡量小，在滿足刀盤的磨損與振動(dòng)在安全范圍下，希望能夠加快施工的進(jìn)度，能量消耗的增加在一定程度上是允許的。因此，該優(yōu)化方法對于TBM施工的推進(jìn)速度與刀盤轉(zhuǎn)速的設(shè)定有著一定的指導(dǎo)意義。第十章智能控制的進(jìn)一步發(fā)展：自適應(yīng)與學(xué)習(xí)主要內(nèi)容自適應(yīng)控制10.110.210.3學(xué)習(xí)控制學(xué)習(xí)控制和自適應(yīng)控制的關(guān)系智能控制的進(jìn)一步發(fā)展：自適應(yīng)與學(xué)習(xí)自動(dòng)控制的目的在于克服被控對象或環(huán)境的不確定性，部分代替人的體力和腦力勞動(dòng)。反饋控制原理在一定范圍內(nèi)能較好地處理不確定性問題，但對于復(fù)雜的和具有很大不確定性的對象，就要求控制系統(tǒng)能調(diào)整自身的結(jié)構(gòu)和參數(shù)，以適應(yīng)這種變化，隨后產(chǎn)生了很多高級控制方法：自適應(yīng)控制(AdaptiveControl)模糊控制(FuzzyControl)神經(jīng)網(wǎng)絡(luò)控制(NeuralNetworkBasedControl)基于知識的控制(KnowledgeBasedControl)或?qū)＜蚁到y(tǒng)控制(ExpertControl)復(fù)合智能控制(HybridIntelligentControl)學(xué)習(xí)控制(LearningControl)基于進(jìn)化機(jī)制的控制(EvolutionaryMechanismBasedControl)……自適應(yīng)控制自適應(yīng)控制解決的問題：被控對象或過程的數(shù)學(xué)模型難以確知，或者它們的數(shù)學(xué)模型存在時(shí)變不確定特性。在日常生活中，所謂自適應(yīng)是指生物能改變自身習(xí)性以適應(yīng)新環(huán)境的一種特征或能力。因此，直觀地講，自適應(yīng)控制應(yīng)該能夠通過設(shè)定的控制策略來調(diào)整系統(tǒng)特性以適應(yīng)對象動(dòng)態(tài)特性變化和內(nèi)外界擾動(dòng)對整個(gè)系統(tǒng)的影響。自適應(yīng)控制的研究對象是具有一定程度不確定性的系統(tǒng)，這里所謂的“不確定性”是指描述被控對象及其環(huán)境的