主题：【原创】自动控制的故事（一）（完） -- 晨枫

想法是好的,只是人类对神经系统的本质还没研究清楚,我看现有的NN难有大的发展

基本都是把模型中不确定的部分用NN来代替,然后通过off line或者online的training来调整,效果可以挺好,不过NN系统的参数最开始调起来可真是累

晨大对NN的归纳很对，NN的强大之处在于对一个“假未知”（知道其大概的数学模型）系统的快速模拟，能够在很少的循环反馈之中找到合适的参量从而对一个复杂的系统或者系统内的一部分完成逼近。我当初做的其实就是一个observer，这样一个复杂的系统的就变成了一个简单的系统（磁滞被NN抵消了）。从而可以用传统的控制律得到更好的控制效果。有了这么一个辅助的observer，要么在控制初期的收敛性更好要么达到收敛所需周期大大降低。

NN目前还没能用于产生直接的控制信号。主要是对于NN工作的机制，大家还没有透彻的认识，这个受限于对生物神经系统比如神经元的工作机理通信方式协作机制的理解。在没有理解NN的工作原理之前，NN是不太可能被用为主控制律的。谁敢把一个不知道来龙去脉的黑匣子作为工业主控用途？都是辅助的，有了更好，就算那一天天晓得什么原因失灵了，我系统照样运行。

什么时候人们对生物的神经系统工作原理有了更深的认识，NN才有作为一个全新的独立控制理论的前景。

我们当时还有一个更有意思的课题，是我们机械和艺术系一起弄得。我们当时做了大概10左右的很简单的机器蚂蚁，就是能走能捡东西。单体控制就是传统的PID。当时我们两边的设想是用一个单独的NN系统让这些蚂蚁有一些简单的协作功能。我不知道这个项目现在进展的情况。不过在我看来，这是一个极好的推广。首先，NN是辅助系统，能协作最好，不能协作单个也能干活；其次，NN是最最自然的小团体协作控制律。我对这个项目其实是很有兴趣，不过要毕业了，也没落在我手上。如果能有突破，晨大，无人战斗机就真的可能要出头了。

确实NN现在只能用作辅助的控制手段而不是主要的。原因也确实是大家对其机理的不了解。不过随着生物方面的进展，是有这么一天的。

NN现在还没能成为独立的控制手段不影响其作为辅助控制手段的成绩。我曾经用NN做了一个observer用以简化控制对象，效果很明显。现有的控制方法对控制单个对象效果已经很不错，但是如果要多系统协同，不仅控制机器，而且彼此还要相互共同协作，我们还差得很远，这方面NN有天然的优势。可以看看我在晨大的回帖里提到的那个项目。

可能自己做了几年，对NN还是有点信心的，路还很长，但这一定是一个全新的很优秀的控制思路。真到了那一天，机器也会有自己的社会，真的就是终结者了。毕业了很久，东西也丢了不少，权当成抛砖引玉了。

累是累，不过效果是真好。我觉得其真正的局限还在于不能对一个“真未知”系统来模拟。所谓的不确定，其实至少你还知道其大概的模型，什么时候能真的模拟完全不知道的系统，什么时候NN才会走向实用。

估计那一天怎么也要我们对自己的大脑有全新的认识以后了

NN在本质上是经验模型，没有经验就没有模型。用到控制律上，控制器可以粗略地看成过程模型的逆模型，但NN很难求逆，把因果数据倒一个个硬性train一个NN或许在数值上可行，但causality颠倒不知道会引出什么怪事情来。

即使这些问题都可以解决，NN基本上是不可外推的。这个外推包括数据集中的“空洞”，控制问题是连续的，碰到这些外推、内推的情况，NN的输出会无法预测。

参数模型类型的控制律多少有一点外推能力，detune后总能抵挡一阵。这恐怕也是一个差别。

看了晨枫的故事，感触很深，对与一个学控制的菜鸟来说，受益匪浅！ 特建了一个QQ群与大家交流！83062609

比目鱼(flounder)的外表伪装变色能力，能够在海底与相应的环境混为一体

注意不仅仅是变色，而是可以变出非常接近的图案出来

这个难度有二：

1. 获取这个图案

需要的是敌人的视角，也就是多半从上往下的一个视角，而比目鱼自己的眼睛是很难得到这样的一幅图像的。

2. 控制体表图案的尺寸

例如黑白的间隔要和环境一致。

晨枫老师的自动控制故事看了两遍，特别是现代控制部分比教科书有趣多了，也解决了我不少的困惑。

另外请教下调节阀选型问题，主要疑问是：阀的特性曲线如何与对象特性匹配，才能达到比较好的控制效果？

网上不少资料，例如：

“一个热交换器的自动调节系统，它是由调节对象、变送器、调节仪表和控制阀等环节组成。

K1变送器的放大系数，K2调节仪表的放大系数，K3执行机构的放大系数，K4控制阀的放大系数，K5调节对象的放大系数。

很明显，系统的总放大系数K为：K=K1*K2*K3*K4*K5在负荷变动的情况下，为使调节系统仍能保持预定的品质指标，则希望总的放大系数在调节系统的整个操作范围内保持不变。

通常，变送器、调节器（已整定好）和执行机构的放大系数是一个常数，但调节对象的放大系数却总是随着操作条件变化而变化，所以对象的特性往往是非线性的。因此，适当选择控制阀的特性，以阀的放大系数的变化来补偿调节对象放大系数的变化，而使系统的总放大系数保持不变或近似不变，从而提高调节系统的质量。

因此，控制阀流量特性的选择应符合：K4*K5=常数

对于放大系数随负荷的加大而变小的现象，假如选用放大系数随负荷加大而变大的等百分比特性控制阀，便能使两者相互抵消，合成的结果，使总放大系数保持不变，近似于线性。当调节对象的放大系数为线性时，则应采用直线流量特性，使总放大系数保持不变。”

大致明白这段，问题是：

1、这里的“调节对象的特性”一般都怎么得到，除了辨识、机理建模外，实际应用中有无更快捷的手段？而且这个特性应该是指从调节阀开度变化到被控参数变化的关系吧？

2、晨枫对这段有何指正，另外有何建议呢？

先谢谢了！

不敢自称老师，同行交流，哈哈。

问题正是出在对象特性。我的工作主要在控制而不是仪表选型，所以这方面的经验比较间接，只能胡诌一点供参考。

对象特性的精确确定只有通过辨识或者机理模型，但这也是一个似是而非的事情。调节阀的选型问题在于过程的静态非线性，但辨识通常是基于线性模型的，辨识出来也没法告诉你该选等百分比（也称对数）阀还是线性阀；机理模型太费事，建立后也要泰勒展开看线性项，才能确定放大系数的变化关系，实践中没有费这个事。

最实用但对经验和工艺理解要求相对较高的办法是理解过程的特性。比如说，大口径低压管道里，阀门开度增加，上游压力会有所降低，这样开度增加会导致阀上压降加速降低，这时用等百分比阀比较有利；如果上游压力很高，或者稳压很好，阀门开度对上游压力基本上没有影响，那就用线性阀。这只是对管道-阀系统的流量特性选型，理想情况是把被控对象一起包括进来，实际上这一段通常留给控制器去管了，可以用gain scheduling（变增益？）去补偿，就像PH控制一样。

希望没有误导……

属于人工智能的一部分，例如多代理，机器学习和自动规划（automated planning）。

不过我觉得最后还要靠概率统计对系统接受的信息或信号进行分类，提炼，核实。实际上如何让系统对自身产生的数值结果进行解释是难点，好比同样是一个红色信号灯亮，有时代表停止，有时代表前进，需要系统自己识别上下文环境。通过让机器渐进学习是一条路，但这样的机器很难让人信任，因为机器执行的结果很难被完全预料。

外链出处

如果能够自学习，自我总结定理，……

动物的大脑真是太奇怪了，为啥就会总结规律呢？

从阀到物质的流量是阀的特性，流量(传质和传递能量)引起被控参数变化，确实调节阀的匹配也不可能太准确，只能交给控制器来修正了。我照这个思路分析一下。

认定晨枫