程树行博士与他的 CyboCon CE，被称为世界上第一台通用型自适应控制仪表。这种新的自适应控制技术用来应付各种控制的挑战

PID 回路控制着大部分工业装置中的自动化过程。比例-积分-微分算法简单、可靠，50年来被广泛用于成千上万个控制回路。

然而，并不是所有工业过程都可以用PID回路来控制。例如，多变量、非线性和时变等过程都需要用更先进的控制技术。曾几何时，这些技术只出现在学术界的实验室和航天领域，价廉物美的计算机平台的出现使得那些晦涩难解的算法接近了工业用户。

自适应控制

自适应控制就是这样的例子。早在1970年代，学术界和工业界的研究人员一直在研究能够自己学习和适应被控过程特性渐变的反馈控制器。

诚然，就迫使过程的输出调整到操作人员所需要的值来讲，所有的过程控制器都是‘自适应的’。然而大多数控制器是根据控制器开始工作之前由操作人员设计（至少是调整）好的算法运行的。操作员会定期地调整常规控制器的参数，在一般情况下，只有在控制器性能由于某种原因恶化后才由人工进行这种调整。真正的自适应控制器，即使过程的特性发生了变化，也能够在运行中自己调整参数以保持其最佳性能。这相当于自动改变控制器的整个策略以适应过程新的特性。例如，一个原先调好用于控制迟缓过程的自适应控制器，当它发现过程对控制作用的响应变得敏感时，就会采用比较保守的整定参数。而固定参数的常规控制器则会继续过度地控制该过程，造成过程的输出严重振荡。

专家系统

自适应控制器的形式大小各异，也许最常见的是能够自己产生整定参数的自整定PID。1980年代推出的那些按指令和可连续整定PID参数的方法在单回路控制器中到处可见。许多自整定控制器采用专家系统来解决自身P、I、D参数的刷新问题。它们试图仿效控制专家的思维过程，按照一组旨在改善回路闭环性能的、复杂的经验规则来整定参数。当被控过程比较简单并且可以预测时，这种方法很奏效。许多专家自整定控制器都假设过程的动态特性可以完全用增益、滞后时间和时间常数加以量化。控制器无需知道这三个参数的值，但它假定控制器提供的过程输入与由此而生的过程输出之间的关系不受任何其它过程动态特性的影响。

当过程的动态特性变得复杂时问题就会出现。专家系统的规则可能会产生虚假的结果，因为它们并没有收录对付更复杂过程的经验。

在投运新回路时，专家自整定控制器会经历一段痛苦的历程。它们的规则一般被设计成用于处理过程动态特性的逐渐变化或用于校正已有的整定参数。在启用控制器时，一般需人工设定一组控制器的初始参数。

基于模型的自适应控制

基于模型的自适应控制提供了比专家系统启发式逼近更为精确的控制算法。其控制决策建立在对过程的经验模型上，把输入输出的关系量化为一个微分方程。在连续控制过程的同时，它也能根据最新的输入输出数据提炼模型。

假定最新的模型可以保持到不久的将来，控制器就可以预测未来的过程变化并决定采取何种控制作用拨正其运行方向。考虑到意外因素或时变系统会影响控制作用的未来结果，控制器必须不断地更新自己的过程模型。

据本人的经验，这种方法比起基于规则的控制器，可以适应更广范的过程动态特性。基于模型的自适应控制器可以利用各种已开发出来的整定公式将模型参数转化成控制器参数，如P、I、D值。事实上，我推测这就是在线建模如此受宠（至少在学术界）的原因。如果能够从输入输出数据中得到过程的精确模型，控制器的正确参数就容易计算了。

难题

不幸的是，这个“如果”的假设也许太大。一个能维持过程变量稳定的控制器同时也给自己留下很少关于过程动态特性的有用信息。反之，能获得足够信息从而能得到精确模型的控制器一定或至少允许过程变量上下起伏。

劣质的模型会导致劣质的控制效果，这就象用一个控制器去控制一个不按预期方式运行的过程一样。具有讽刺意义的是，这种现象会使过程变量产生震荡，而控制器却以此去改进模型。另一方面，随着模型和后继控制效果的改善，从过程得到的有用信息变得越来越少，导致模型无法进一步提炼。

总的来说，一个基于模型的自适应控制器所期望达到的最好结果是具有相当精确的模型和比较满意的控制效果。然而在最坏的情形下，过程模型与实际过程的严重不匹配会导致闭环控制系统的失控。

无模型自适应控制

那么为什么非要建立模型呢？从理论上讲，不管是否从中推出过数学方程，一个反馈控制器在控制过程时所需要的全部信息都已包含在输入/输出数据之中。毕竟，一个有经验的控制工程师可以通过察看趋势图来手工整定PID的参数，而不需要计算增益、滞后时间或过程模型的时间常数。

不言而喻，能得到一个描述过程特性的数学模型会使问题迎刃而解。尽管存在着某些局限，基于模型的自适应控制技术已经被成功地用来解决很多控制问题，尤其是当模型的某些部分可以通过对过程知识的推导而得到时（如滞后时间可以通过一个已知的传输滞后计算得到）。

然而，在我看来应该有一种方法可直接从输入/输出数据中计算控制作用，而完全没有必要首先建立模型。因为所有体现过程动态特征的信息都已在此，剩下的仅仅是如何正确利用这些数据。

CyboCon产品

位于美国加州Rancho Cordova市的通控集团博软公司（CyboSoft, General Cybernation Group Inc.）总裁，程树行（George Cheng）博士赞同上述观点。事实上，程博士声称已经设计出了一种“梦想成真的控制器”。 这种称为MFA（Model-Free Adaptive 无模型自适应）控制器无需数学建模以及复杂的人工参数整定即可控制时变、多变量等复杂过程。

博软公司最初在CyboCon上实现了MFA控制器，CyboCon是一个软件产品，它运行在与PLC或DCS相连接的PC机上。MFA的最新产品是CyboCon CE，它在Windows CE上运行，被安装在特制的控制盒中。博软公司宣称它是世界上首套通用型先进控制仪表。

这两种产品都应用MFA控制器来减小过程变量的偏差值（过程变量和设定值之间的方差之和）。博软公司称，在大多数实际应用中，MFA控制器能够有效地控制各种恶劣的过程回路并保证闭环稳定。

为了适应一些特殊的控制问题，在基本的MFA控制算法上引出了一些变种。标准算法可以用于大多数的过程，具有滞后预测的“抗滞后”算法最适合于具有大滞后的过程，非线性MFA用来控制非线性过程如pH回路，而鲁棒MFA则可用来控制具有大扰动的过程。

MFA是如何在既无过程模型又无操作员专心干预的情况下对许多难控回路实施有效的反馈控制的呢？在此之前这仍是一个严加保护的秘密。然而，程博士已经成功地获得了此项技术的专利权，由此也透露了一些MFA的关键细节。

MFA控制器是如何工作的

与其它负反馈控制器（自适应或非自适应）一样，MFA根据设定值和过程变量之间的偏差决定如何最好地控制过程。但与传统的过程控制器不同的是，MFA通过前N个采样值来分析偏差的整个趋势。这就使控制器可以观察到过程的动态特性。

然而，MFA并不试图通过这种观察来创建过程的固定模型，而是利用如图1所示的神经网络，根据偏差的历史数据直接计算出下一步控制作用。



图1

人工智能专家会认为图1是一个传统的、具有一系列滤波器（фˊs 和 ψˊs）和加权因子（wˊs 和 hˊs）的多层感知网络，它能够认知或学习蕴含在测量信号中的模式。MFA神经元网络的特点是它的动态特性。通过不断更新加权因子的值，在每一个采样周期后，帮助控制器产生一个自适应控制信号，以达到消除设定值与过程变量之间的偏差的控制目标。

对于不熟悉人工智能理论的人，程博士揭示了这个神经元网络在过程控制应用中的关键部分。首先是存储测量到的偏差之历史数据的机理。这可以通过网络输入端（图的左边）的延时模块实现。最新的测量偏差进入模块顶端，先前的每一个测量偏差被依次向下推入历史文件。

接着，网络将每一个历史测量偏差乘以加权因子，经过迭加和滤波产生输出o(t)。最后，将o(t)与当前的测量偏差e(t)相加，再乘以用户设定的增益Kc得到实际的控制作用v(t)。

实质如何？

这些数学处理是如何产生程博士所说的控制作用的，还是不甚明了（至少对我来说）。

然而，程博士的研究以及在许多场合的应用已经证明MFA控制器具有标准PID控制器所不具备的能力。类似图2所示的仿真显示了这个结论。我从图1看到，MFA工作时有点像一个积分作用可变而增益Kc不变的PI控制器。比例控制作用通过前馈方法将当前测量偏差叠加到网络的输出。神经网络通过综合以前所有的偏差提供积分作用。该操作与简单积分的唯一区别在于网络集合的每个元素都被不同程度的加权和滤波而且加权因子始终在变。



图2

总之，假设MFA控制算法通过计算这些至关重要的加权因子而得到那些特殊能力，为什么面对实际控制问题的控制工程师会对它如此青睐？换句话说，是什麽东西让MFA超越了其它形式的自适应控制、尤其是基于模型的控制方法呢？

优点

程博士指出他的