ELECTRONICS: THE INTELLIGENCE IN INTELLIGENT CONTROL
Digital Signal Processors
l. INTRODUCTION
There have been two major developments which have enabled significant progress in our quest to develop better control systems,
Ever more powerful control system techniques capable of dramatic performance improvements
Ever improved control hardware that enables practical implementation of advanced control techniques.
Control systems technology has a truly impressive legacy of innovation. Waterclocks employed the feedback principle with float regulators as early as 300 B.C. Cornelius (1572-1633) specifically identified 'feedback' as the operating principle used in his temperature regulators. In 1769, James Watt designed his flyball governor to control operating speed of steam engines. James Maxwell generated a mathematical model for the govemor in 1868 and showed that its stability depends upon the negative real parts of the characteristic equation. E.J. Routh extended this early analysis to higher order systems in 1877. In the 1920 and 1930s our technology forefathers (Bode, Nyquist, and Black) developed feedback amplifiers and further extended our analysis and control design methodologies. Many of todays frequency domain control system tools had their origin with these efforts. During World War Il, feedback was successfully applied to automatic pilots, gun-positioning control, and radar antenna control. At the same time. Evans developed the Root Locus stability analysis method.
In the 1950s we began to look again at differential equation models and Kalman. Bellman, and others introduced the state-space concept which lead to 'optimal control' which had been introduced earlier by Weiner and Phillips. Sampled data systems were introduced to handle control systems which used digital computers， mese developments are often cited as the beginning of 'modern control'.
In the 1960s, we began to address the problem of designing control systems for situations which varied with time (as the system ages, or as itrsquo;s operating environment changes). Adaptive Systems were designed which measure their operation relative to an 'index of performance' and then modify controller parameters to approach optimal present. Successful adaptive systems have been built for many applications, and there are no doubt many future control problems that will be solved with this powerful methodology.
As control systems demonstrated their ability to solve practical problems, many tasks which had previously been addressed by other technologies began to use control solutions. In many cases, 'control' became the essential solution for critical problems. For example, a process or a machine may have been controlled manually until economic pressures, demands for greater precision, or the need for lower cost operation dictated the use of closed loop operation. These control systems use sensors, controllers, and actuators to replace other more conventional approaches.
Adaptive Control systems readjust themselves to different operating conditions; however an adaptive controller does not 'learn' from itrsquo;s experiences. Even though the adaptive controller many adjust itself for optimal performance in a given circumstance, it must re-adjust itself again if it should return to the same circumstance. On the other hand, if 'learning' were incorporated into an 'intelligent' control system, then it could utilize itrsquo;s past experience and more quickly achieve optimal performance, especially for 'familiar' circumstances. This challenge (among others) has served to stimulate our current interest in 'intelligent' control systems.
Intelligent Systems attempt to incorporate functions which are normally contained in living beings; adaptation, learning, planning under large uncertainty, coping with unexpected changes, handling large amounts of (possibly conflicting) information and self reliance. In addition to accommodating variable plants and unexpected changes in operating conditions, intelligent control is also directed toward improving our ability to accurately model non-linear systems. (We have a rich inventory of control technology that can be successfully applied if we have better mathematical models for the systems, thus it is natural to look toward intelligent techniques as a means for generating better models.)
Today we have several artificial intelligent methods that are being examined for potential application to intelligent control systems,
Expert Systems
Fuzzy Logic
Genetic Algorithms
Neural Networks
In addition to the above methods, several hybrid combinations of these (and other more conventional techniques) are also being examined. We will likely find that such combinations in fact yield the best results for selected applications. Over time, 'intelligent techniques' will no doubt have great success.
2. CONTROL HARDWARE
At the same time that dramatic have been developed in control system methodologies, there has been a parallel evolution in control hardware. Sensors, in smaller packages consuming less power, have been developed that provide ever more accurate information regarding the operational state of dynamic processes. Likewise, new actuators have been designed which provide more energy efficient and more precise drives to implement the inputs called for by our control solutions. In addition, controller hardware which performs control and decision functions, is capable of much more complex operations than ever before.
One could argue that the advent of the digital computer in the 1950s was a prirnary stimulus for the return to time-domain treatments for control systems analysis/design (from the frequency-domain techniques developed in the 1920s through the mid 1940s). Indeed it may be that our 'modem control' state-space approach is due to the ease with whi
剩余内容已隐藏，支付完成后下载完整资料
电子学:智能控制中的智能
数字信号处理器
1.介绍
现如今，有两大重要研究成果促使我们在设计更好的控制系统方面取得了重大进展，
（1）更强大的控制系统技术，能够显著提高性能
（2）不断改进的控制硬件，能使先进控制技术的实际实施成为可能
控制系统技术在创新方面有着辉煌的过去。早在公元前300年，Waterclocks就利用了浮子调节器的反馈原理。Cornelius（1572-1633）明确地指出“反馈”为其温度调节器中使用的工作原理。1769年，詹姆斯瓦特设计了飞球调速器来控制蒸汽机的运行速度。James Maxwell在1868年建立了一个数学模型，并证明了它的稳定性依赖于特征方程的负实部。1877年，E.J.Routh将早期的分析扩展到高阶系统。在1920和1930年代，我们的技术先辈（Bode、Nyquist和Black）开发了反馈放大器，并进一步扩展了我们分析和控制的设计方法。今天的许多频域控制系统工具都源于这些努力。在第二次世界大战期间，反馈被成功地应用于自动驾驶仪、火炮定位控制和雷达天线控制。同时，Evan开发了根轨迹稳定性的分析方法。
在20世纪50年代，我们开始重新研究微分方程模型和卡尔曼滤波器。贝尔曼等人引入了状态方程的概念，从而产生了韦纳和菲利普斯早先提出的“最优控制”。数据采样系统是用来处理数字计算机的控制系统，它的发展被称为“现代控制”的开端。
在20世纪60年代，我们开始研究设计会随时间变化的控制系统问题，设计了自适应系统。该系统根据“性能指标”来衡量其运行情况，然后修改控制器参数以接近最优状态。成功的自适应系统已经为许多应用建立起来，毫无疑问，未来许多的控制问题将用这种强大的方法来解决。
随着控制系统显示出的解决实际问题的能力，许多以前由其他技术解决的任务开始使用控制系统来解决。在许多情况下，“控制”成为了解决关键问题的不可或缺的方案。例如，一个过程或一台机器可能已经被手动控制，直到经济压力、对更高精度的要求或对低成本操作的需要使得其使用闭环操作。这些控制系统使用传感器、控制器和执行器来代替其他更传统的方法。
自适应控制系统根据不同的工作条件进行自我调整；然而，自适应控制器并无法从其经验中“学习”。即使在给定的情况下，自适应控制器为了达到最优性能而进行了多次自调整，但如果要返回到相同的情况下，它必须再次自调整。另一方面，如果将“学习”融入到“智能”控制系统中，那么它可以利用过去的经验，更快地实现最佳性能，特别是在“熟悉”的情况下。这一挑战激发了我们目前对“智能”控制系统的兴趣。
智能系统尝试整合通常包含在生命体中的功能：适应、学习、在巨大不确定性下的规划、应对意外变化、处理大量（可能相互冲突的）信息和自力更生。智能控制除了能适应可变的设备和运行条件的意外变化外，还旨在提高我们精确建模非线性系统的能力。（我们拥有丰富的控制技术，如果我们有更好的数学模型，就可以成功地应用这些技术，因此很自然地将智能技术作为一种生成更好模型的手段。）
今天，我们有几种人工智能方法。正在研究它们在智能控制系统中的潜在应用，
（1）专家系统
（2）模糊逻辑
（3）遗传算法
（4）神经网络
除上述方法外，还将研究这些方法（以及其他更为传统的技术）的几种混合组合。我们可能会发现，这样的组合实际上会成为选定的应用程序的最佳结果。随着时间的推移，“智能技术”无疑会取得巨大的成功。
2. 控制硬件
在控制系统方法学得到长足发展的同时，控制硬件也出现了并行发展。在功耗较低的小型封装中，传感器已经被开发出来，能够提供更准确的动态运行过程的状态信息。同样，新的执行器也被设计成提供更节能和更精确的驱动方式来实现我们的控制方案所要求的输入。此外，执行控制和决策功能的控制器硬件能够进行比以往任何时候都要复杂得多的操作。
有人可能会说，数字计算机在20世纪50年代的出现是控制系统分析/设计回归到时域处理的首要因素（从20世纪20年代到40年代中期发展的频域技术）。事实上，我们的“调制解调器控制”空间状态方程可能是由于数字计算机可以轻松处理微分方程公式。当然，Z变换和差分方程可以直接满足设计“基于计算机”系统的分析工具的需求。
在我们开始讨论“智能控制”的同时，我们也开始开发“智能传感器”和“智能执行器”。用于传感器和执行器的基本物理现象没有发生显著变化。大多数人都熟悉法拉第定律、可变电容、霍尔效应、压电集成电路、陀螺效应、振镜运动等，主要的性能改进来自于我们处理由这些基本现象产生的信号或为执行器提供更好的驱动输入的能力的提高。这些改进实际上总是通过电子学来实现的。
控制电子学（无论是传感器、执行器还是控制器）的发展也很引人注目。早期使用真空管，后来被固态晶体管、集成电路以及今天的微处理器和数字信号处理器所取代。在20世纪60年代，用分立模拟电子器件实现控制器的情况并不少见。20世纪60年代中期运放的发展极大地改进了我们的设计，使基本的控制系统功能（积分器、低通、高通、带通或陷波滤波器）在某些情况下可以通过简单地增加几个电阻或电容来实现。在20世纪70年代，大多数模拟控制器都是用封装成小型集成电路的运算放大器来实现的。大多数数字控制器仍然是用分立元件来实现的。从70年代中期到80年代初，微处理器和数字信号处理器（DSP）的引入带来了单片机数字计算机。这一发展最引人注目的特点之一是能够“编程”一个解决方案；与必须“重新布线”的硬件实现不同，微处理器和DSP可以简单地改变其软件来实现新的控制解决方案。这些小改进持续增加计算机的能力（并降低价格）。
3. 微处理器-数字信号处理器
控制系统工程师热切盼望数字计算机的发展。即使在早期的配置中，计算机也被视为一种工具，可以通过克服模拟设计中常见的限制来提高系统性能：周期性调整、频繁的维修、在线工厂调整和困难的设计修改。此外，模拟设计仅限于相当简单的控制技术，因为每个功能都需要额外的硬件组件。
另一方面，数字计算机为控制系统的设计者提供了更多的可能：更容易控制来自多个传感器的反馈的复杂、多变量系统；更容易调整和修改补偿算法；更容易结合先进的方法，如自适应、估计、优化和在线辨识；以及更直接的控制算法。
随着计算机越来越普及，数字技术在实际系统中得到了实现。然而，这些早期的数字应用大多局限于大型、复杂的系统或专门的应用。小型的、移动的、低成本的应用程序常常无法获得基于计算机的数字控制，因为计算机太大、太重、太贵，并且消耗了太多的电能。
通用微处理器和微控制器在1970年代被开发出来并广泛使用。虽然早期的微处理器非常简单，但它们实现了许多数字控制系统的优点；消除了漂移，设计升级相对容易。
大多数微处理器、微控制器和DSP由以下部分组成：
（1）一种中央处理器，它执行数学和逻辑运算（从存储在存储器中的程序的连续指令中加、减；
（2）存储程序和数据信息的存储器模块；
（3）与外界通信的输入单元和输出单元；
（4）连接计算机元件（CPU、存储器、输入单元、输出）的内部总线。
利用这些基本定义，“微处理器”可以定义为实现CPU功能的单芯片大规模集成电路或超大规模集成电路。“微型计算机”通常意味着CPU和存储器模块集成到一个芯片中。“微控制器”通常标识除了CPU和内存之外还包含面向控制的外围设备。DSP是一种特殊用途的微控制器，其结构和指令集已经针对信号处理类型的算法进行了优化。
对于大多数人来说，微处理器、微控制器和数字信号处理器之间的区别是令人困惑的。事实上，随着这些设备的成熟，一个设备的特别版本包含曾经是另一个设备专有的功能并不少见。虽然这些区别已经模糊，但是大多数微处理器使用单总线结构，因此所有功能都依赖同一个内部数据总线。单总线结构的主要优点是节省了芯片空间。它的主要缺点是运行缓慢。由于DSP的结构和指令集是针对包含重复乘法和加法的信号处理类型的操作而优化的，因此在一般的全数字控制中，DSP通常优于后者。这些运算在信号处理和现代控制系统中都占主导地位，因此DSP非常适合于数字控制。
3.1微处理器历史
尽管微处理器和数字信号处理器是电子革命中相对较年轻的设备，但确定它们的确切发源还是有争议的。1969年4月，一家小型公司发布了阿里芯片，该芯片采用了IBM 360主机计算机和数字设备的小型计算机PDP-8的架构。最初在《计算机设计》杂志上描述的ALI芯片，可以超过IBM 360型号30。
虽然阿里可以被合法地认为是第一个微处理器。“传统的历史”确定了Busicom和计算机终端公司（后来被重新命名为Datapoint）在1969年下半年，他构思了一个计算机芯片的想法。Busicom和CTC都向Intel公司提交了他们的计划，并要求将其实现为可行的硬件。当时，英特尔专注于半导体存储器产品，实际上并没有以很大的精力去开发Busicom或CTC项目。CTC还与德州仪器公司签订了建造该设备的合同。1971年2月，英特尔生产了第一台工作的CPU，但与此同时，CTC继续使用其“可编程”计算机终端的分立组件版本；他们于1971年4月开始生产CTC 2200型。1971年6月，德州仪器公司刊登了crc 2200版本的广告。1971年11月，英特尔推出了用于Busicom的4位4004微处理器；1972年4月，英特尔推出了8008，这是一款8位微处理器，是CTC 2200型的“绝对拷贝”单芯片实现。虽然实际上，CTC/Datapoint从未使用过Intel 8008，但舞台已经布置好了！
当微处理器将席卷全世界成为事实时，专利律师开始积极参与开发过程。美国专利局最初裁定，这一概念属于吉尔伯特·凯悦（Gilbert Hyatt），但在1996年初，专利局改变了立场，将单片微机的专利授予了20世纪60年代和70年代初曾在德州仪器公司工作过的加里·布恩（Gary Boone）。
早期的CTC 2200的功能已经向上兼容了从8080到8086，再到486，最后到今天的奔腾。英特尔8080是英特尔第一款真正成功的微处理器；它的设计大量借鉴了摩托罗拉6800、Mostek 6502和其他8位芯片。
3.2数字信号处理器历史
与微处理器相比，数字信号处理器的历史争议较小。数字信号处理，作为一门学科，在20世纪60年代主要是一门大学课程。基本的数字处理器算法是为滤波器、变换、数据压缩技术和其他相关问题而开发的。快速傅立叶变换（FET）可能是信号处理中应用最广泛的工具，它在20世纪60年代的发展是推动DSP革命的关键因素。快速算法需要保持实时操作，因为大多数的信号（如语音和实时视频）都是连续生成和传输的。
在20世纪60年代，信号处理程序算法通常是在非实时的主框架数字计算机上开发的。大多数实时信号处理应用程序是用模拟电路来完成的，但也开发了一些数字程序来实现。20世纪50年代中期，设计了基于真空管的数字计算机，到1961年，晶体管计算机开始投入使用。当时，集成电路的概念正在得到验证，所以到了20世纪60年代中期，早期的基于集成电路的计算机得以实现。
1978年，德州仪器公司为其产品推出了一款语音合成芯片（TMC0281）。这种单用途芯片旨在降低成本，使用数字信号处理程序生成相对简单的语音从单词“拼写”到显示。虽然这个芯片只能执行一个功能，但它是一个“专用的数字信号处理器”。这一成功使德州仪器公司得以开发出一种功能更强大的设备，可以进行基本的语音识别和合成。这是通用数字信号处理器的开端。
1979年春，德州仪器公司召开了一系列计划会议，以确定一款价格合理的单芯片数字信号处理器，并专注于信号处理算法。早期的会议产生了一个架构概念；该设备最初被确定为“信号处理微型计算机（SPC）”。“数字信号处理器”一词直到1983年才被采用。第一个正式规范产生于1979年9月，并于1980年得以发展。1981年完成了设计并制作了样机；1982年给出了第一台TMS320 DSP的描述文件。
最初的TMS 32010被证明是一个市场营销的成功，它鼓励在军事，工业和消费品上的额外的运用。最终开发出了包括固定和浮点设备的数字信号处理设备，并且它们的性能稳步提高。
4. 智能传感器
电子技术的进步对传感器产生了巨大的影响。通过将电子器件与基本传感器的信号处理能力耦合，在减小尺寸、功耗和成本的同时，提高了系统的整体性能和精度。IEEE的仪器和测量协会和国家标准协会正试图定义一个智能传感器标准。该标准将建立与智能传感器接口的通信协议：报头、数据字长度和类型、比特率、冗余检查等。现在，至少有31种不同的智能传感器网络协议。虽然标准还不存在，“智能传感器”的定义已经开始出现
每一个功能都是通信、智能、自我诊断。可以有一系列能力。“通信”可能意味着从模拟输出电压到简单的串行比特流到完整的对接验证过程。更先进的通信存在于传感器中，这些传感器可以接收配置命令来改变它们的输出范围或数据格式。实际上，这些传感器允许用户选择任何给定环境所需的“智能”程度。例如，智能压力传感器的用户可以选择/更改输出格式（模拟、数字或混合）、测量单位和积分/采样时间。智能压力传感器还可以跟踪测量变量的变化并进行补偿，例如，采样率可能随着压力变化而改变。它还可以跳过读数以减少网络通信流量。
“智能”可以只包括一个简单的开关闭合或一系列与主机系统之间的更复杂的命令。例如，工程师可以将两个独立的跳闸温度编程到一个便宜的温度传感器中。智能安全措施可以设计成一个过程。最低跳闸点可设置在正常操作以上几度，较高的跳闸点设置低于最大期望操作的几度。在正常操作下，不会发生任何事情，但如果工艺温度超过较低的跳闸温度，则可以将工艺活动降低到较低的操作状态，以期望降低温度。如果气温继续上升，那么就需要采取更果断的措施。如启动风机运行，通知运行人员“运行过热”状态等。如果此状态持
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[414140]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
