多模態控制

多模態控制可以根據系統運行狀態，實時選用最合適的控制方法，實現多種控制策略優勢的綜合， 使得系統的控制性能滿足較高的要求。 在多模態控制結構的設計中，模態的劃分與各模態下的控制策略的選取直接影響多模態結構的控制效果。模態的劃分取決於設計者對所應用的工業背景及複雜對象的深入瞭解與分析，而具體的控制方法則包括變增益控制、滑模控制、人工智能控制、基於多模型的控制。

多模態控制根據飛行任務和飛行狀態的要求，對飛行控制系統的工作模態進行設置、選擇和編排。一種工作模態對應飛行控制系統的相應控制功能。模態選擇在飛控系統中設有專門的硬件設備（飛行控制板），亦可由飛行控制管理計算機的專門軟件完成。多模態控制不僅要保證模態正常、可靠地工作，而且要保證模態正確轉換和安全過渡 ^[1]  。

模態的劃分主要取決於設計者對控制系統所應用的工業背景及被控對象的認識與理解。合理的劃分方式不僅能夠帶來控制系統性能上的較大改善，還能在一定程度上避免控制器結構的冗餘和複雜。綜合上述多模態控制在各領域的應用實例，可以總結出以下兩點模態劃分的原則：

一、主要針對運行過程中狀態變化較為明顯的階段進行劃分，在每一區間內根據某一明確的控制目標而設計相應的控制策略；

二、要兼顧模態的數量，即劃分後的區間數目不能過於龐大，有時候頻繁的控制切換以及太過複雜的控制器結構反而會造成系統的臃腫。

國防科技大學的朱華勇等人指出，多模態切換控制技術源於早期的自適應控制，可將其具體的應用方法概括為變增益控制、滑模控制與人工智能控制三類。其中上個世紀50 年代提出的變增益控制是多模態切換控制技術的雛形。

考慮到多模態控制在電力、汽車、導彈制導、機器人等許多領域都有所應用，這裏根據多模態控制系統所採用的具體的人工智能技術的不同，將其分為基於神經網絡、基於模糊控制和基於仿人智能控制的三類方法

神經網絡從微觀結構和功能上對人腦進行抽象和簡化，能夠模擬人類智能。利用神經網絡可以很好地解決多模態控制系統中多參數多模態的辨識問題。

模糊控制是從人的經驗出發，以模糊集合理論、模糊語言變量及模糊推理為基礎而實施控制的一種方法，解決了智能控制中人類語言的描述和推理問題。

仿人智能控制的基本思想是利用計算機從人腦的宏觀結構上和行為功能上對人的控制進行模擬，最大限度地識別和利用控制系統動態過程所提供的特徵信息進行啓發和直覺推理，從而實現對缺乏精確模型的對象進行有效的控制。

第一，將複雜的工業對象與生產過程細分，利用多模態控制思想對多種運行狀況進行實時控制，可實現多種控制策略優勢的綜合，使得系統的控制性能滿足較高的要求，因而多模態控制在軍用工程、電力、汽車、機器人等許多領域都得到了探索與使用。

第二，在多模態控制結構的設計中，模態的劃分與各模態下的控制策略的選取直接影響多模態結構的控制效果。其中，模態的劃分取決於設計者對所應用的工業背景及被控對象的深入瞭解與分析，並且應當遵循以下兩個原則：針對運行過程中狀態變化較為明顯的階段進行劃分並設計不同的控制策略；要兼顧模態的數量，避免控制結構過於複雜。具體的應用方法包括變增益控制、滑模控制、人工智能控制、基於多模型的控制等，其中經常應用到的人工智能技術有神經網絡、模糊控制與仿人智能控制。

第三，人工智能技術在模態辨識、模擬人腦推理及控制等方面的優勢明顯，因此越來越多的多模態控制系統選擇智能控制方法作為各個模態下的控制策略，以應對複雜的被控對象及過程，實現更為理想的自動控制。

第四，變增益控制可以充分利用已有的線性控制設計方法，然而要求系統狀態必須是慢時變的且需定義附加的增益變量；滑模控制為不確定系統的魯棒控制提供了有效方法，但仍需克服實際系統存在的抖動問題。另一方面，隨着人工智能技術的發展，將模糊控制、神經網絡等智能算法分別與變增益控制、滑模控制結合起來，可以在一定程度上減少這兩種方法原本的不足，為多模態控制系統提供新的實現方法，同時也是多模態控制思想未來的發展方向之一 ^[2]  。