Institution: Institut für Künstliche Intelligenz und Robotik, Xi'an Jiaotong Universität, Xi'an 710049, China (E-Mail: [email protected]) Zusammenfassung: Dieser Artikel gibt einen kurzen Überblick über die Entwicklung der Regelungstechnik. Er erörtert einige Grenzen der traditionellen Regelungstheorie bei der Lösung praktischer Probleme sowie die aktuellen Herausforderungen der Regelungstechnik. Weiterhin wird erläutert, wie die Kombination der Regelungstechnik mit aufstrebenden Disziplinen wie Künstlicher Intelligenz und Kognitionswissenschaft wertvolle wissenschaftliche Theorien und Methoden für den Umgang mit komplexen Systemen und wichtigen Fragen der sozioökonomischen Entwicklung liefern kann. Abschließend wird betont, dass die weitere Entwicklung der Regelungstechnik weiterhin stark bedarfsorientiert ist und ihr somit eine wichtige Rolle im informationsgetriebenen Industrialisierungs- und Modernisierungsprozess Chinas zukommt. Schlüsselwörter: Klassische Regelungstechnik, intelligente Regelungstechnik, Künstliche Intelligenz, intelligente Informationsverarbeitung. Es wird gezeigt, dass die Integration der Regelungstechnik mit Künstlicher Intelligenz und Kognitionswissenschaft wertvolle Theorien und Methoden zur Lösung wichtiger und komplexer Probleme in komplexen Systemen und der Sozialökonomie liefern wird. Die konsequente Umsetzung einer bedarfsorientierten Politik zur Weiterentwicklung der Regelungstechnik wird eine zunehmend wichtige Rolle bei der Förderung und Beschleunigung der chinesischen Informationsindustrialisierung und der informationsgestützten Industrialisierung und Modernisierung spielen. Schlüsselwörter: Klassische Regelungstechnik, intelligente Regelungstechnik, künstliche Intelligenz, intelligente Informationsverarbeitung. 1. Die Entwicklung der Regelungstechnik: Die Regelungstechnik spielte eine zentrale Rolle im wissenschaftlichen und technologischen Fortschritt des 20. Jahrhunderts. Sie trug maßgeblich zur Lösung vieler gesellschaftlicher Herausforderungen bei, indem sie wissenschaftliche Methoden bereitstellte und die theoretische Grundlage für die Automatisierung in zahlreichen Branchen schuf. Zudem bot sie fortschrittliche Produktionstechnologien sowie Steuerungsinstrumente und -geräte. Insbesondere die weitverbreitete Nutzung digitaler Computer eröffnete der Regelungstechnik noch breitere Anwendungsgebiete. Betrachtet man die Entwicklung der Ingenieurtechnik im vergangenen Jahrhundert, so zeigt sich, dass sich die Regelungstechnik im 20. Jahrhundert aufgrund bedeutender praktischer Bedürfnisse rasant entwickelte. Sie durchlief mehrere wichtige Entwicklungsphasen, wie beispielsweise die Lyapunov-Stabilitätstheorie und das Konzept des PID-Reglers zu Beginn des 20. Jahrhunderts sowie die Entwicklung von Rückkopplungsverstärkern in den 1920er Jahren. Nyquist- und Bode-Diagramme in den 1930er Jahren; Wieners Kontrolltheorie in den 1940er Jahren; Bellmans dynamische Programmierungstheorie und Pontryagins Maximumprinzip in den 1950er Jahren; Kalman-Filter, Zustandsraummodelle, Steuerbarkeit und Beobachtbarkeit von Systemen in den 1960er Jahren; selbstoptimierende und adaptive Regelung in den 1970er Jahren; robuste Regelung für unsichere Systeme in den 1980er Jahren; und intelligente Regelungstheorie basierend auf intelligenter Informationsverarbeitung in den 1990er Jahren. Zahlreiche Wissenschaftler der chinesischen Regelungstechnik haben ebenfalls wichtige Beiträge zur Entwicklung der Regelungstheorie und -technologie geleistet [1, 2]. Mit dem Fortschritt der Informatik, der Netzwerk- und intelligenten Informationsverarbeitungstechnologien sowie dem starken Bedarf an gesellschaftlicher Produktivitätssteigerung sahen sich Forscher in der Regelungstechnik und Automatisierung zu Beginn des 21. Jahrhunderts mit immer größeren und dringlicheren Herausforderungen konfrontiert: der Lösung zunehmend komplexer Systeme, vernetzter Systeme, der Datenfusion mehrerer Sensoren sowie Problemen in den Bereichen Biologie, Genetik, Quantencomputing, Sozioökonomie und Ökologie. In den letzten 30 Jahren hat die Regelungstechnik bedeutende Fortschritte in Forschungsbereichen wie der Regelung nichtlinearer Systeme, der Regelung verteilter Systeme, der Systemidentifikation, der stochastischen und adaptiven Regelung, der robusten Regelung, der ereignisdiskreten und hybriden Systeme sowie der intelligenten Regelung erzielt. Auch im ersten Jahrzehnt des 21. Jahrhunderts werden diese Bereiche die wichtigsten Forschungsrichtungen für die Weiterentwicklung der Regelungstechnik bleiben [1, 2], und ihre Überschneidungen und Kombinationen werden viele weitere wichtige Forschungsrichtungen mit stärkeren Anwendungsbezügen hervorbringen. Die nichtlineare Regelung ist ein wichtiger Forschungszweig der Regelungstechnik [3], und einige Forschungsergebnisse in diesem Bereich wurden bereits in der praktischen Regelungstechnik, beispielsweise bei Robotern, Hubschraubern und Energiesystemen, angewendet [4–8]. Es ist absehbar, dass die Weiterentwicklung der nichtlinearen Regelungstechnik einen signifikanten Einfluss auf die Regelungstechnik nichtlinearer Systeme haben wird, insbesondere im Hinblick auf den koordinierten Betrieb von Mehrrobotersystemen sowie die Stabilität und Sicherheit großflächiger Netzwerke. Als wichtiger Bestandteil nichtlinearer Systeme haben chaotische Systeme bedeutende Fortschritte in der Chaoserzeugung, Chaosunterdrückung, Chaossynchronisation, chaotischen Kommunikationsanwendungen und der Kodierung chaotischer Informationen erzielt [5-7]. Diese Forschungsergebnisse liefern wertvolle Anhaltspunkte für weiterführende Untersuchungen komplexer Systeme. Seit den 1970er Jahren widmen Wissenschaftler im In- und Ausland der Forschung verteilter Parametersysteme besondere Aufmerksamkeit. Diese Systeme sind unendlichdimensional und werden im Allgemeinen durch partielle Differentialgleichungen, Integralgleichungen, Funktionaldifferentialgleichungen oder Differentialgleichungen im abstrakten Raum beschrieben [9, 10]. Chinesische Wissenschaftler haben wichtige Beiträge zur Modellierung und Schwingungsdämpfung schlanker elastischer Schwingungssysteme, zur Spektralanalyse von Schwingungssystemen, zur Steuerbarkeit und Rückkopplungsstabilisierung, zum Maximumprinzip allgemeiner unendlichdimensionaler Systeme sowie zur Populationssteuerung, Populationsvorhersage und -steuerung geleistet. Aufgrund der Komplexität realer Systeme ist es oft schwierig (oder unmöglich), das mathematische Modell des Systems direkt aus den grundlegenden physikalischen Gesetzen abzuleiten. Dies erfordert die Verwendung messbarer Eingangs- und Ausgangsdaten des Systems, um Schätzungen der internen Struktur und der Parameter des Systems zu erstellen und die Zuverlässigkeit und Genauigkeit dieser Schätzungen zu untersuchen. Dies ist die Aufgabe der Systemidentifikation. In den 1990er Jahren reifte die Theorie der linearen Systemidentifikation, während die Identifikation nichtlinearer Systeme noch in der Entwicklungsphase war. In den letzten zehn Jahren haben sich drei Forschungsrichtungen im Bereich der Systemidentifikation herausgebildet: robuste Identifikation basierend auf den mathematischen Modellanforderungen der robusten Regelung, Systemidentifikation basierend auf spezieller Signalansteuerung [11] und nichtlineare Systemidentifikation basierend auf intelligenter Informationsverarbeitung [12, 13]. Werden die externen Störungen und Systemmodellfehler eines realen Systems als zufälliges Rauschen betrachtet, spricht man von stochastischen Systemen [14]. In den letzten Jahren wurden neue Fortschritte in der nichtlinearen Filterung, dem Prinzip der stochastischen Maxima und der Synthese stochastischer optimaler Regelungen erzielt. Um praxistaugliche und leistungsstarke Regelalgorithmen zu finden, wurden Theorien und Methoden der adaptiven Regelung auf Basis der „Separationsidee“ und der „notwendigen Äquivalenzidee“ entwickelt [15]. Adaptive Algorithmen haben sich in Forschung und Praxis als äußerst effektive und wichtige Methode etabliert. Im Allgemeinen bestehen Unterschiede in Parametern oder Struktur zwischen dem mathematischen Modell und dem realen System. Die meisten Regelgesetze basieren auf dem mathematischen Modell. Um die Empfindlichkeit des realen Systems gegenüber externen Störungen und Unsicherheiten zu minimieren, wurde die robuste Regelung untersucht. Die robuste adaptive Regelung nichtlinearer Systeme [16] hat sich in den letzten Jahren zu einem wichtigen Forschungsgebiet entwickelt. Die Kombination von künstlichen neuronalen Netzen, Gleitmodusverfahren und robuster Regelung ermöglicht die Entwicklung stabiler adaptiver Regelgesetze für eine große Klasse kontinuierlicher nichtlinearer Systeme [17]. Die in den 1980er Jahren aufkommende H∞-Entwurfsmethode und die Regelung mit variabler Struktur (Gleitmodusregelung) förderten die Entwicklung der robusten Regelungstheorie [18,19]. Die H∞-Norm eines Systems ist heute ein wichtiger Leistungsindex [20]. Die effektive Nutzung von Prozessinformationen zur Reduzierung der Systemunsicherheit ist ein zentraler Bestandteil der Forschung im Bereich der robusten Regelung. Da sich viele Regelungsprobleme auf die Untersuchung linearer Matrixungleichungen (LMI) zurückführen lassen, wurden Mitte der 1990er Jahre Softwarewerkzeuge für LMI entwickelt. In den letzten Jahren hat sich die robuste integrierte Regelung nichtlinearer Systeme, zeitverzögerter Sättigungssysteme und zeitverzögerter Fehlersysteme zu einem neuen Forschungsschwerpunkt entwickelt [21–25]. Zahlreiche Anwendungsbeispiele existieren, etwa die robuste Temperaturregelung von Kernreaktoren, die robuste adaptive optimale Nachführung von Raketensystemen und die robuste neuronale Regelung von Robotern [26–29]. Der Zustand eines Systems ändert sich mit dem Auftreten diskreter Ereignisse instantan und lässt sich nicht durch gewöhnliche dynamische Gleichungen beschreiben. Solche Systeme werden allgemein als diskrete ereignisdynamische Systeme (DEDS) bezeichnet [30]. Die Forschung dazu begann in den frühen 1980er Jahren. Mittlerweile existieren zahlreiche Methoden und Modelle zur Behandlung diskreter ereignisdynamischer Systeme, darunter endliche Markov-Ketten, Petri-Netze, Warteschlangennetze, Automatentheorie, Störungsanalyse und die Methode der maximalen Algebra. Die Theorie findet Anwendung in flexiblen Fertigungssystemen, Computerkommunikationssystemen, Transportsystemen usw. Trotz der großen Fortschritte in der Forschung zu diskreten ereignisdynamischen Systemen fehlt es weiterhin an einem vollständigen theoretischen System zur Bewertung der Unterschiede zwischen diskreten Systemmodellen und realen Objekten. Die natürliche Erweiterung diskreter ereignisdynamischer Systeme sind hybride dynamische Systeme. Ein System, das diskrete ereignisdynamische (DEDS) und kontinuierliche variable Dynamik (CVDS) umfasst und miteinander gekoppelt ist, wird als hybrides dynamisches System (HDS) bezeichnet. Die erste Literatur zu hybriden Systemen erschien 1966 [31]. 1979 führte der Schwede Cellier[8] erstmals das Konzept der Hybridsystemstruktur ein und unterteilte das System in drei Teile: diskret, kontinuierlich und Schnittstelle. 1989 führte Golli[32] das Konzept des Hybridsystems für ein Computerfestplattenmodell ein und kombinierte den kontinuierlichen und den Schnittstellenteil für seine Forschung. Obwohl in der Forschung zu Hybridsystemen bereits einige Ergebnisse erzielt wurden, befindet sich das Gebiet noch in der Entwicklungsphase, und seine theoretische und angewandte Forschung wird in den nächsten Jahren ein Schwerpunkt bleiben. In jüngster Zeit gab es einige neue Durchbrüche in der diskreten Überwachungsregelung von Hybridsystemen und der optimalen Regelung diskreter Hybridsysteme[13,33], und die Hybridregelungstheorie findet zunehmend Anwendung in Bereichen wie der Spannungssicherheitsregelung von Energiesystemen und der Roboterkoordinationsregelung[34,35]. Die Forschungsobjekte in der modernen Ingenieurtechnik, der Ökologie oder dem sozialen Umfeld sind oft sehr komplexe Systeme. Es ist schwierig, mit herkömmlichen mathematischen Methoden genaue mathematische Modelle für solche Systeme zu erstellen. Um reale Systeme zu beschreiben, ist es notwendig, Modelle mit Lern-, Schlussfolgerungs- oder statistischer Signifikanz zu verwenden, was zur Forschung im Bereich der intelligenten Regelungstechnik führt. Hauptziel der intelligenten Regelungstechnik ist es, dem Regelsystem Lern- und Anpassungsfähigkeit zu verleihen. Obwohl die Theorie der intelligenten Regelungstechnik bereits viele Forschungsergebnisse erzielt hat, ist das theoretische System noch nicht ausgereift. In jüngster Zeit wurden zahlreiche wichtige Forschungsergebnisse zur Systemmodellierung mittels Fuzzy-Logik [36], zur modellreferenzadaptiven Regelung mit neuronalen Netzen, zur Regelung mit internen Modellen neuronaler Netze [37], zur nichtlinearen prädiktiven Regelung mit neuronalen Netzen und zur Regelung chaotischer neuronaler Netze [38] erzielt. Die Theorie der intelligenten Regelungstechnik findet vielfältige Anwendung, beispielsweise in der Hubschrauberstabilisierung mittels neuronaler dynamischer Programmierung [39] und in der wissensbasierten hierarchischen Regelung von Orbitalmanipulatoren für die Luft- und Raumfahrt [40]. Fuzzy-Logik, neuronale Netze und genetische Algorithmen simulieren die Struktur des menschlichen Denkens. Die Kombination dieser drei Ansätze ist eine der Hauptrichtungen der Forschung im Bereich der intelligenten Regelungstechnik [26, 41]. 2 Grenzen traditioneller und moderner Regelungstheorien Traditionelle Regler basieren alle auf dem mathematischen Modell des Systems. Daher hängt die Leistungsfähigkeit des Regelsystems maßgeblich von der Genauigkeit des Modells ab, was das Wesen der traditionellen Regelung ausmacht. Die moderne Regelungstheorie kann die Analyse- und Reglerentwurfsprobleme von Mehrgrößen-Regelsystemen (MIMO) lösen, ihre Analyse- und Synthesemethoden basieren jedoch alle auf der Erstellung eines mathematischen Modells des Regelobjekts. Die Genauigkeit des mathematischen Modells hat einen großen Einfluss auf die Leistungsfähigkeit des Regelsystems. Häufig ändern sich die Objektparameter aus verschiedenen Gründen, sodass das mathematische Modell die Eigenschaften des Objekts nicht mehr präzise abbilden kann und somit die gewünschten Regelungsparameter nicht erreicht werden. Um dieses Problem zu lösen, haben sich adaptive und robuste Regelung zu Forschungsschwerpunkten in der Regelungstheorie entwickelt. Die H∞-Regelungstheorie, die in den 1980er Jahren von kanadischen Wissenschaftlern wie Zames et al. begründet wurde, stellt eine wichtige Weiterentwicklung der robusten Regelungstheorie dar. Allerdings basieren diese Methoden im Wesentlichen immer noch auf dem quantitativen Ansatz mathematischer Modelle. Die traditionelle Regelungstechnik, einschließlich klassischer Rückkopplungsregelung und moderner Regelungstheorie, stößt in der Anwendung auf zahlreiche Schwierigkeiten. Unvermeidbare Modellfehler in der Mechanismusmodellierung beeinflussen die Genauigkeit der Schätzer und erschweren somit die Entwicklung zuverlässiger und stabiler Regelsysteme. 2.1 Probleme der traditionellen Regelungstheorie 1) Komplexität des Regelobjekts: Die traditionelle Regelungstheorie basiert auf einem präzisen mathematischen Modell. Für nichtlineare, zeitvariante, unsichere und unvollständige Systeme in praktischen Anwendungen ist es jedoch in der Regel unmöglich, ein präzises mathematisches Modell zu erhalten. 2) Traditionelle mathematische Modellierungsmethoden reichen für die Modellierung von Regelungsprozessen mit komplexer und unsicherer Struktur nicht aus. 3) Begrenzte Regelungsmethoden und -mittel: Bei der Untersuchung realer Regelobjekte werden häufig strenge Annahmen getroffen, um einen theoretisch leistungsstarken Regler zu erhalten. Diese Annahmen entsprechen jedoch oft nicht der Realität in der Praxis. Die Beschreibung komplexer Regelungsprozesse auf Basis bestehender Theorien und Technologien kann zu Verzerrungen und Einschränkungen führen, wodurch Modelle entstehen, die erheblich vom tatsächlichen Prozess abweichen können. Traditionelle Regelungsobjekte beschränken sich häufig auf einzelne Systeme mit definierten physikalischen Gesetzen. Für komplexe Systeme sind traditionelle Regelungsmethoden unzureichend. 3) Unfähigkeit, hohe Anforderungen an die Regelungsleistung zu erfüllen: Regelungssysteme erfordern typischerweise die gewünschte Regelungsgenauigkeit, Stabilität und Dynamik. Um die Systemleistung zu verbessern, können traditionelle Regelungssysteme sehr komplex werden, was zu unauflöslichen Widersprüchen zwischen Systemzuverlässigkeit und anderen Systemleistungseigenschaften führt. Regelungssysteme müssen verschiedene Arten von Informationen verarbeiten können, darunter numerische, symbolische, qualitative, quantitative, deterministische und Fuzzy-Informationen, was eine mehrschichtige Informationsverarbeitungsstruktur erfordert. Traditionelle Regelungsmethoden haben damit Schwierigkeiten. 2.2 Probleme der modernen Regelungstechnik 1) Veränderungen des Regelobjekts und seiner Umgebung: Mit der Verbreitung und Weiterentwicklung der Computernetzwerktechnologie hat die netzwerkbasierte Fernsteuerung an Bedeutung gewonnen. In einer Netzwerkumgebung machen Verzögerungen, Datenverluste, Änderungen im Datenzeitpunkt oder in der Datensequenz sowie ungleichmäßige Datenabtastung die Netzwerkumgebung extrem komplex und schwierig. Gleichzeitig sind Netzwerksicherheit und -kontrolle sehr wichtige und herausfordernde Themen. Hybride Systeme, die sich aus Systemen mit unterschiedlichen Eigenschaften und Regelobjekten zusammensetzen, entbehren einer theoretischen Grundlage und entsprechender technischer Mittel. Auch die koordinierte Steuerung mehrerer Roboter und gleichzeitiger Aufgaben stellt ein Problem dar. 2) Theoretische Probleme: Aufgrund fehlender theoretischer Grundlagen und Anleitungen für die Modellierung, Stabilität und den Systementwurf komplexer Systeme ist es notwendig, die neuesten Erkenntnisse anderer Disziplinen wie Mathematik, Informatik, Systemwissenschaft und Kognitionswissenschaft umfassend anzuwenden, um eine vollständige Theorie zur Lösung komplexer Probleme zu entwickeln. 3) Anforderungen an die Steuerung: Das System sollte verschiedene Arten von Informationen oder Sensordaten integrieren können, selbstlernend und adaptiv sein, den Steuerungsmechanismus autonom anpassen können, hochzuverlässig sein, über gute Steuerungseigenschaften verfügen und im Fehlerfall eine frühzeitige Selbstdiagnose und -behebung durchführen können. Moderne Steuerungssysteme sollten eine hohe Fehlertoleranz und Robustheit aufweisen. In manchen Situationen ist der Aufbau eines geeigneten Mensch-Maschine-Kollaborationssystems erforderlich. Ausgehend von den genannten Problemen erforscht die Steuerungstechnik seit vielen Jahren neue Methoden, um einen praxisorientierteren Entwicklungspfad zu finden. Die jüngsten Fortschritte in der künstlichen Intelligenz des letzten Jahrzehnts haben Hoffnung geweckt. Dank der rasanten Entwicklung der Informatik und intelligenten Informationsverarbeitung hat sich die intelligente Regelungstechnik als eigenständige Disziplin etabliert und ihre starke praktische Relevanz unter Beweis gestellt. Gleichzeitig erkannten viele Forscher im Bereich der Regelungstechnik, dass sich Komplexität in vielen Systemen nicht nur in hoher Dimensionalität, sondern vor allem in Unschärfe, Unsicherheit, Zufälligkeit und Unvollständigkeit der Systeminformationen manifestiert. Die Frage, ob künstliche neuronale Netze, Fuzzy-Logik, heuristisches Wissen, Expertensysteme und andere Theorien der künstlichen Intelligenz zur Lösung schwer modellierbarer Regelungsprobleme eingesetzt werden können, wird seit über einem Jahrzehnt verfolgt. 3. Integration und Kombination intelligenter Informationsverarbeitungstechnologie und Regelungstechnik Angesichts zahlreicher komplexer sozioökonomischer und ökologischer Probleme sowie globaler Fragen der Informationssicherheit in Netzwerken und der Erforschung der „emergenten“ Mechanismen komplexer Systeme haben viele Wissenschaftler großes Interesse an der Kombination traditioneller Regelungstechnik mit nichtlinearer Analysis, stochastischen Systemen, statistischem Lernen, künstlicher Intelligenz, Kognitionswissenschaft und anderen Disziplinen entwickelt. Insbesondere die Kombination von künstlichen neuronalen Netzen, Fuzzy-Logik, genetischem Rechnen, Expertensystemen, Chaostheorie und anderen konventionellen Signal- und Informationsverarbeitungsmethoden ermöglicht adaptive und rückgekoppelte Regelung auf einem neuen Niveau. In den 1970er Jahren schlug Professor Fu Jingsun die Anwendung intuitiver Schlussfolgerungsmethoden der künstlichen Intelligenz auf die Robotersteuerung und lernende Regelungssysteme vor und fasste intelligente Regelung als Kombination aus automatischer Regelung und künstlicher Intelligenz zusammen. Fu Jingsun, Glorioso, Sardi und andere untersuchten den Zusammenhang zwischen künstlicher Intelligenz und adaptiver, selbstlernender und selbstorganisierender Regelung aus regelungstechnischer Sicht und begründeten formal das Konzept der intelligenten Regelungstheorie. 1967 verwendeten Leondes und Mendel erstmals den Begriff „intelligente Regelung“. Das vom IEEE im August 1985 in New York veranstaltete Symposium zur intelligenten Regelung markierte die formale Anerkennung der intelligenten Regelung als neuen Zweig der Disziplin innerhalb der Regelungstechnik. Intelligente Regelung unterscheidet sich von klassischen und modernen Regelungstheorien dadurch, dass ihr Fokus über das Regelobjekt hinaus auf den Regler selbst gerichtet ist. Der Regler ist nicht länger ein einzelnes mathematisches Modell, sondern ein generalisiertes Modell, das mathematische Analysen und ein Wissenssystem kombiniert; er ist ein Steuerungssystem, das verschiedene Wissensbasen integriert. Empirismus und Rationalismus beeinflussen durch ihre Modelle und Interpretationen die menschlichen kognitiven Prozesse maßgeblich. Menschliche Erfahrung akkumuliert sich schrittweise durch wiederholtes Feedback. Daher sollte im Hinblick auf das Verhältnis von Intelligenz und Steuerung die Rolle der Erfahrung rational genutzt und intelligente Aktivitäten aus einer evolutionären Perspektive als dynamischer Entwicklungsprozess betrachtet werden. Das heißt, das Feedback in einem Steuerungssystem sollte ein dynamischer, hierarchischer und umfassender Prozess sein. Intelligente Informationsverarbeitungstechnologien bieten eine „intelligentere“ Form des Feedbacks. Obwohl in der Forschung zu kognitiven Modellen und wahrnehmungsbasierter intelligenter Informationsverarbeitung bedeutende Fortschritte erzielt wurden, bleibt das aktuelle Niveau weit hinter den Erwartungen zurück. Dies liegt vor allem an den signifikanten Unterschieden zwischen den verwendeten Methoden und den kognitiven Informationsverarbeitungsprozessen des menschlichen Gehirns. Methoden wie Spektralanalyse, Syntaxanalyse und traditionelle künstliche Intelligenz weisen nicht die Offenheit, Dynamik und Flexibilität auf, die intelligenten Informationsverarbeitungsmethoden innewohnen, und erzielen daher nur begrenzten Erfolg in spezifischen Anwendungsbereichen. Tatsächlich beruhen viele wissenschaftliche Errungenschaften der Menschheit auf der Beobachtung und eingehenden Erforschung entsprechender Naturphänomene; so ließen sich die Menschen beispielsweise vom Vogelflug zur Erfindung des Flugzeugs inspirieren. Ebenso liefert die Natur mit dem menschlichen Gehirn ein perfektes Beispiel für Informationsverarbeitung und die Entwicklung intelligenter Steuerungssysteme. Daher erfordert die Forschung und Entwicklung intelligenter Informationsverarbeitungssysteme eine tiefgreifende und umfassende Untersuchung der kognitiven Funktionen des Gehirns. Der menschliche Wahrnehmungsprozess der Außenwelt ist im Wesentlichen ein Prozess der Fusion multisensorischer Informationen. Das menschliche Gehirn lernt durch die selbstüberwachte Verarbeitung von Informationen aus verschiedenen Kanälen und erwirbt so Wissen über die Außenwelt; es erreicht Zielidentifizierung und -interpretation durch die Fusion multisensorischer Informationen und kann verschiedene Sensoren auf Basis vorhandenen Wissens steuern. Diese perfekte Kombination aus Vorwärts- und Rückkopplungsprozessen verleiht dem menschlichen Gehirn ein extrem hohes Maß an Intelligenz und ermöglicht es ihm, seine intelligenten Aktivitäten auch in störungsreichen Umgebungen oder bei unzuverlässigen Sensorinformationen effektiv auszuführen. Dies bietet ein perfektes Modell für die Entwicklung intelligenter Systeme. Seitdem künstliche Intelligenz als eigenständige Disziplin etabliert ist, verfolgen Wissenschaftler ein klares Leitprinzip: die universellen Gesetze des menschlichen Denkens zu erforschen und zusammenzufassen sowie dessen Funktionen mithilfe von Computern zu simulieren. So wie Flugzeuge nicht einfach durch die Nachahmung von Vögeln erfunden wurden, sollte die Forschung an intelligenten Informationsverarbeitungssystemen die kognitiven Muster des menschlichen Gehirns nicht mechanisch kopieren. 3.1 Grundlegende Funktionsmerkmale intelligenter Steuerungssysteme 1) Fehlertoleranz. Effektive globale Steuerung komplexer Systeme (z. B. nichtlineare, schnell zeitveränderliche, komplexe multivariate Systeme und Systeme mit Umwelteinflüssen) mit hoher Fehlertoleranz. 2) Multimodalität. Multimodale kombinierte Steuerung, die qualitative Entscheidungsfindung und quantitative Steuerung vereint. 3) Globalität. Analyse und Synthese des Systems aus der Perspektive der Systemfunktion und der Gesamtoptimierung. 4) Hybridmodelle und hybride Berechnung. Gegenstand ist ein hybrider Steuerungsprozess, der durch ein nicht-mathematisches, generalisiertes Modell (repräsentiert durch Wissen) und ein mathematisches Modell dargestellt wird. Menschliche Intelligenz spielt eine koordinierende Rolle in der Steuerung, und das System integriert sowohl mathematische Operationen als auch logisches und wissensbasiertes Denken in die Informationsverarbeitung. 5) Lern- und Assoziationsgedächtnisfähigkeit. Das System ist in der Lage, Informationen aus einem Prozess oder einer unbekannten Umgebung zu erkennen, zu speichern, daraus zu lernen und seine Leistung und Fähigkeiten kontinuierlich zu verbessern. 6) Dynamische Anpassungsfähigkeit. Das System kann seine Struktur und Parameter als Reaktion auf Veränderungen der äußeren Umgebung und das Auftreten von Unsicherheiten korrigieren oder rekonstruieren. 7) Organisations- und Koordinationsfähigkeit. Bei komplexen Aufgaben und verteilten Sensordaten verfügt das System über Selbstorganisations- und Koordinationsfähigkeiten und beweist damit seine Initiative und Flexibilität. 3.2 Hauptforschungsbereiche der intelligenten Steuerung 1) Fuzzy-Logik-Steuerung Traditionelle Steuerungsprobleme basieren im Allgemeinen auf dem mathematischen Modell des Systems zur Entwicklung von Reglern. Die meisten industriell gesteuerten Objekte sind jedoch komplexe Systeme mit zeitvariablen und nichtlinearen Eigenschaften. Die Steuerung solcher Systeme kann nicht allein auf einem lokalen linearen Modell in der Nähe des Gleichgewichtspunktes basieren; sie erfordert die Einbeziehung menschlicher Steuerungserfahrung im Zusammenhang mit der industriellen Situation. Diese Erfahrung ist üblicherweise qualitativer oder quantitativer Natur. Die Fuzzy-Inferenzsteuerung ist eine Methode zur Repräsentation dieser Steuerungserfahrung. Der Vorteil dieser Methode liegt darin, dass sie kein mathematisches Modell des geregelten Prozesses benötigt und somit den Modellierungsprozess traditioneller Regelungsmethoden einspart. Allerdings ist sie stark von Erfahrungswerten abhängig. Zudem ist es ohne ein Modell des Regelobjekts schwierig, Systemanalysen wie Stabilitäts- und Robustheitsprüfungen vor der Inbetriebnahme durchzuführen. In den letzten Jahren haben einige Forscher das Konzept von Fuzzy-Modellen in Fuzzy-Regelungsmodi eingeführt und so Fuzzy-Modelle entwickelt. Fuzzy-Modelle ermöglichen die einfache Darstellung von Strukturwissen und sind zu einem Schlüsselaspekt in der Forschung zu Fuzzy-Regelungssystemen geworden [42–44]. Die Fuzzy-Regelungstheorie wurde kürzlich erfolgreich auf die Optimierung der Flugbahnführung und auf Produktverarbeitungsprozesse angewendet [28, 45]. 2) Fuzzy-Prädiktive Regelung: Die prädiktive Regelung ist ein Algorithmus, der zur Regelung komplexer industrieller Prozesse entwickelt wurde. Sie überwindet die Einschränkungen traditioneller Regelungsmethoden hinsichtlich der Modellierung und zeichnet sich durch einfache Modellierung und hohe Robustheit aus. Sie ist ein effektiver Ansatz zur Lösung von Regelungsproblemen bei Objekten mit großen Zeitverzögerungen. Fuzzy-Modellierung ist ein wichtiges Werkzeug zur Modellierung nichtlinearer Systeme und eine weit verbreitete Methode zur Steuerung komplexer industrieller Prozesse. Die Kombination von prädiktiver Regelung und Fuzzy-Logik [46] zählt zu den vielversprechendsten Forschungsrichtungen. 3) Regelung mittels neuronaler Netze: Die Regelung mittels neuronaler Netze untersucht und nutzt bestimmte Strukturmechanismen des menschlichen Gehirns sowie menschliches Wissen und Erfahrung zur Systemsteuerung. Im Allgemeinen zeichnen sich neuronale Netze durch hohe Intelligenz und Robustheit aus. Sie können die Regelungsprobleme komplexer industrieller Produktionsprozesse mit hohen Dimensionen, Nichtlinearität, starker Kopplung und Unsicherheit bewältigen. Dies zeigt das große Potenzial neuronaler Netze für die Regelung hochgradig nichtlinearer und stark unsicherer Systeme. Obwohl neuronale Netze über starke Lernfähigkeiten bei der Nutzung quantitativer Systemdaten verfügen, behandeln sie Systemregelungsprobleme als „Black-Box“-Probleme, denen eine klare physikalische Bedeutung fehlt und die die Integration qualitativer Erfahrungswerte in den Regelungsprozess erschwert. In jüngster Zeit wurden wichtige Fortschritte in der adaptiven Regelung mittels neuronaler Netze [47], im digitalen Entwurf von Ventilfunktionen künstlicher neuronaler Netze [48] sowie in neuen hybriden neuronalen Netzwerkmodellen [49] erzielt, beispielsweise in der neuronalen Regelung von Roboterbetriebsprozessen [28] und der neuronalen Regelung von Lastbetriebsprozessen in Kernreaktoren [50]. Die organische Kombination neuronaler Netze, Fuzzy-Inferenz und verschiedener spezieller Signale hat in den letzten Jahren zudem zur Entwicklung neuer umfassender neuronaler Netze geführt. So haben beispielsweise Wavelet-Netze [51], Fuzzy-Netze [46, 52] und chaotische neuronale Netze [38] neue Forschungsrichtungen im Bereich der intelligenten Regelung eröffnet. 4) Wissensbasierter hierarchischer Regelungsentwurf: Bei komplexen Regelungsobjekten kann die traditionelle Regelung allein keine optimale Systemleistung erzielen. Hierfür sind intelligente Regelungsstrategien erforderlich. Die hierarchische Regelung spiegelt genau diese Idee wider. Die unterste Ebene verwendet traditionelle Regelungsmethoden, während die oberste Ebene intelligente Strategien zur Koordination der Arbeit der unteren Ebene einsetzt. Dies ist ein wissensbasierter hierarchischer Regelungsentwurf. Diese Regelungstheorie wurde in Bereichen wie Robotik und Raumfahrt angewendet [53-55]. 3.3 Unterschiede zwischen Fuzzy-Logik und neuronalen Netzen in Regelungsanwendungen: 1) Fuzzy-Regelung basiert auf regelbasierter Logik, während neuronale Netze eine große Anzahl von Trainingsdaten benötigen. Bei ausreichendem Systemwissen ist die Fuzzy-Regelung überlegen; verfügt das System über genügend ergodische Trainingsdaten, kann durch Lernen mittels neuronaler Netze ein zufriedenstellender Regler erzielt werden. 2) Die Fuzzy-Abbildung im System ist eine Mengen-zu-Mengen-Regelabbildung, während neuronale Netze Punkt-zu-Punkt-Abbildungen darstellen. Fuzzy-Logik eignet sich gut zur Darstellung qualitativen Wissens, wie z. B. der Erfahrung von Anwendern, während neuronale Netze eine hohe Lernfähigkeit bei der Verwendung quantitativer Systemdaten aufweisen. 3) Die Regelung mit neuronalen Netzen betrachtet das Systemregelungsproblem als „Black-Box“-Abbildungsproblem ohne klare physikalische Bedeutung, wodurch sich qualitatives Wissen aus der Erfahrung nicht ohne Weiteres in die Regelung integrieren lässt. Die Fuzzy-Regelung betrachtet das Regelobjekt im Allgemeinen als „Gray-Box“. 4 Improvement of control theory and development of control technology Since the American scientist Wiener established cybernetics in the 1940s, control science has gone through two stages: classical control theory and modern control theory, and has entered the important development stage of intelligent control theory, although it is not yet mature. When dealing with the control problems of complex systems, traditional control methods are always somewhat inadequate for the problems brought about by complexity, uncertainty, and sudden changes. In order to adapt to the new requirements of control science put forward by different technological fields and social development, we must develop new control models. The domestic and foreign control science community is exploring new control theories to solve the control problems of various complex systems. In recent years, more and more scholars have realized the importance of incorporating logic, reasoning, and heuristic knowledge into traditional control, combining traditional control theory with artificial intelligence technologies such as fuzzy logic, neural networks, and genetic algorithms, making full use of human control knowledge to carry out intelligent control of complex systems, and gradually forming a relatively complete system of intelligent control theory [56, 57]. The challenges faced by control science are: 1) Design and control of highly autonomous complex engineering systems. The complex system we face is composed of multiple subsystems, each of which may be a complex and highly autonomous system, requiring effective coordination of the behavior of these subsystems. The designed engineering system not only has high complexity, but also needs to operate well with minimal human supervision and exhibit highly autonomous behavior. 2) Intelligent control and intelligent information processing based on human behavior. Intelligent control methods are an extension and improvement of traditional control methods. They are also necessary for achieving high autonomy when setting and completing control objectives. They are used for effective complex process control in planning under uncertain conditions and processing large amounts of data. 3) Rapid fault handling, system reconstruction and repair of complex industrial systems, design and manufacturing of humanoid robots in complex environments, and emergency command and organization systems for major events (wars, natural disasters, financial crises) in social systems all have the problem of how to adapt to the dynamic changes of uncertainty in the external world. Human behavior characteristics fully reflect the ability to react to the external environment. Research on information processing principles and methods based on human behavior characteristics, that is, research on the system's ability to react in uncertain dynamic environments and its ability to fully perceive external affairs [58]. 4) Learning control system. Learning is the goal that automation systems have always pursued. It means that the system can change its behavior according to the environment or objectives. The learning control system should be able to modify the control law when the control process changes. 5) Comprehensive intelligent processing methods. At present, people have done a lot of research and development work in adaptive, supervised and iterative design. Because the introduction of artificial intelligence technology into the field of control can be used to handle other learning characteristics, such as estimation, clustering, reconstruction, reasoning, creation, deletion, etc., it is especially necessary to integrate multiple technologies in artificial intelligence to realize the above system functions [59, 60]. 6) The formation of the theoretical system of complex systems. The main characteristics of complex systems can be summarized as: uncertainty of system dynamics model, roughness and incompleteness of measurement information, randomness of dynamic behavior or disturbance, hybridity of discrete and continuous levels, high nonlinearity of system dynamics, high dimensionality and distribution of state variables, diversity of subsystems and levels and strong coupling between subsystems, and the inability to model some subsystems. Complex system control will greatly break through the limitations of traditional automatic control in terms of scale, complexity and flexibility in terms of concepts and methods. It requires the control system to have the ability to "learn" and "recognize" the dynamic model of the controlled object, and to have the ability to "adapt" and "be robust" to changes in the environment and disturbances. Generally, there are two main ways to improve the intelligence of a system: one is to increase the parallelism of the system based on classical precise logic to accelerate its evolution and thus improve its intelligence; the other is to develop new, highly intelligent logical forms. The former mainly considers computational speed, which also has two approaches: developing corresponding parallel algorithms based on existing algorithms, and designing new, efficient algorithms with high parallelism. The latter mainly focuses on improving the intelligence of the system itself, primarily by drawing inspiration from studies of humans, higher animals, and nature, and applying this inspiration to the design of new systems. Integrated intelligent information processing will use parallel distributed processing of neural networks and symbolic logic reasoning based on expert systems and other artificial intelligence as two important basic methods, and will be integrated with fuzzy logic, evolutionary computation, chaotic dynamics, signal processing and transformation methods, especially soft computing (neural networks, fuzzy logic, and probabilistic reasoning), uncertainty reasoning and self-organization, and biomimetic computing. 5. Conclusion Since the 20th century, control science and engineering technology have made significant contributions to many achievements of modern world technological civilization, developed many research methods, and pioneered many interdisciplinary sciences. It is the ideological cornerstone and methodology of modern technological science. The history of control science and engineering is glorious, but we should face the realities of the objective world and more actively and rigorously explore and create the future. Control science plays an irreplaceable role in solving complex social problems and interdisciplinary issues in the 21st century, and is one of the disciplines capable of providing the most appropriate and intelligent methods. Future control science methods need to consider systems and related design requirements in an integrated manner. Closely integrating control science with other fields will help solve major fundamental theoretical problems related to control and automation in basic technological sciences, industry, agriculture, energy, national defense, and even national security in my country's economic and social development, driving the development of key technologies for comprehensive social informatization and industrialization. Research on complex systems and intelligent systems is the main direction of control science development in the 21st century. Academician Song Jian's report at the IFAC conference in Beijing, "Intelligent Control—A Goal Across the Century," to a certain extent pointed out the future direction of control science development. The development of control science faces severe problems and challenges, but also presents excellent development opportunities. To address the challenges, firstly, we must further deepen and integrate traditional control science research, emphasizing the combination of control hardware, software, and intelligent information processing methods to achieve intelligent control systems; secondly, we must vigorously promote the organic integration of control science with computer science, information science, systems science, and artificial intelligence, providing new ideas, methods, and technologies for the development of control science; thirdly, we must promote the higher-level development of control science and technology based on major needs, enabling control science and technology to play an important role in my country's rapid and healthy development of industrialization and socio-economic development driven by informatization. References 1 Bennett S. A brief history of automatic control. IEEE Control Systems, 1996, 16(3):17-25 2 Chen Hanfu, Guo Lei. Some progress and prospects of modern control theory. Bulletin of Science, 1998, 43(1):1-7 3 Isidori A. Nonlinear Control Systems. Berlin: Springer-Verlag,1989 4 Huang CQ, Wang chaotic signals for communication. IEEE Trans. Circuits and Systems I, 2002, 49（3）:357-362 6 Williams C. Chaotic communications over radio channels. IEEE Trans.Circuits and Systems I, 2001, 48（12）:1394-1404 7 Tang S, Chen HF et al. Message encoding and decoding through chaos modulation in chaotic optical communications. IEEE Trans. Circuits and Systems I, 2002, 49（2）:163-169 8 Cellier F E. Combined continuous/discrete system simulation by use of digital computer: Techniques and tools. Zurich, Switzerland: Swiss Federal Institute of Technology, 1979 9 Bensoussan A, Prato GD, Delfour MC et al. Representation and Control of Infinite Dimensional Systems, Volumes 1 and 2. Boston: Birkhauser, 1992 10 Li SJ, Yu JY, Zhu G T. Stabilization of high eigenfrequencies of a beam equation with generalized viscous damping. SIAM J. Control and Optimization, 1999, 37（6）:1767-1779 11 Zhiwen Z, Leung H. Identification of linear systems driven by chaotic signals using nonlinear prediction. IEEE Trans. Circuits and Systems I, 2002, 49（2）:170-180 12 Siettos CI, Bafas GV, Boudouvis A G. Truncated Chebyshev series approximation of fuzzy systems for control and nonlinear system identification. Fuzzy Seta and Systems, 2002, 126（1）:89-104 13 Liu RH, Zhang Q, Yin G. Asymptotically optimal controls of hybrid linear quadratic regulators in discrete time. Automatica, 2002, 38（3）:409-419 14 Chen HF, Guo L. Identification and Stochastic Adaptive Control. Boston: Birkhauser, 1991 15 Landau ID, Lozano R, M'Saad M. Adaptive Control. London: Springer, 1998 16 Han H, Su CY. Robust fuzzy control of nonlinear systems using shape adaptive radial basis functions. Fuzzy Sets and Systems, 2002, 125（1）:23-38 17 Ge SS, Wang Cong. Adaptive NN control of uncertain nonlinear pure-feedback systems. Automatica, 2002, 38（4）:671-682 18 Zhou K, Doyle JC, Glover K. Robust and Optimal Control. Englewood, Clifls: Prentice-Hall, 1996 19 Byrnes CI, Priscoli FD, Isidori A. Output Regulation of Uncertain Nonlinear Systems. Boston: Birkhauser, 1997 20 Bolzern P, Colaneri P et al. Guaranteed Hinfinity robustness bounds for Wiener filtering and prediction. International Journal of Robust and Nonlinear Control, 2002, 12（1）:41-56 21 Raffaella DS, Alberto I. On the output regulation for linear systems in the presence of input saturation. IEEE Trans. Automatic Control, 2001, 46（1）:156-160 22 Yong YC, Zongli L, Tingshu H. Stability analysis of linear time-delay systems subject to input saturation. IEEE Trans. Circuits and Systems I,2002, 49（2）:233-240 23 Liu D, Molchanov A. Criteria for robust absolute stability of time –varying nonlinear continuous-time systems. Automatica, 2002, 38（4）:627-637 24 Niculescu SI, Verriest EI, Dugard L, Dion JD. Stability and robust stability of time-delay systems: A guided tour. In: Stability and Control of Time-Delay Systems. Eds. London: Springer-Verlag, 1997, 228 25 Jia Xinchun, Zheng Nanning. Reliable grading robust stabilization for uncertain time-varying system Via dynamic compensater. Progress on Natural Science （Chinese）, 2002, 12（9）:60-67 26 Chang W, Jin BP, Young HJ, Chen G. Design of robust fuzzy-model-based controller with sliding mode control for SISO nonlinear systems. Fuzzy Sets and Systems, 2002, 125（1）:1-22 27 Sampath V, Palanki S, Cockbum JC, Corriou JP. Robust controller design for temperature tracking problems in jacketed batch reactors. Journal of Process Control, 2002, 12（1）:27-28 28 Uang HJ, Chen BS. Robust adaptive optimal tracking design for uncertain missile systems: A fuzzy approach. Fuzzy Sets and Systems, 2002, 126（1）:63-87 29 Barambones O, Etxebarria V. Robust neural control for robotic manipulators. Automatica, 2002, 38（2）:235-242 30 Balemi S, Kozak P, Smedinga R. Discrete Event Systems: Modeling and Control. Boston: Birkh-auser, 1993 31 Witsenhausen H S. A class of hybrid-state continuous-time dynamic systems. IEEE Trans. Automatic Control, 1966, 11（6）:665-683 32 Golli A, Varaiya P. Hybrid dynamic systems. In: Proc. of the 28th IEEE Conference on Decision and Control, Tampa Florida, USA, 1989. 2708-2712 33 Moor t, Raisch J, O'Young S. Discrete supervisory control of hybrid systems based on 1-complete approximations. Discrete Event Dynamic Systems: Theory and Applications, 2002, 12（1）:83-107 34 Popvic DH, Hill DJ, Wu Q. Optimal voltage security control of power systems. International Journal of Electrical power and Energy System, 2002, 24（4）:305-320 35 Egerstedt M, Hu X. A hybrid control approach to action coordination for mobile robots. Automatica, 2002, 38（1）:125-130 36 Oh SK, Pedrycz W, Park BJ. Hybrid identification of fuzzy rule-based models. International Journal of Intelligent Systems, 2002, 17（1）:77-103 37 Hunt J, Sbarbaro D. Neural networks for nonlinear internal model control. IEE PROC. Control Theory and Applications, 1991, 138（5）:431-438 38 李耀勇，郑南宁。对处于混沌状态的神经网络的控制。计算机学报， 1998， 21（增刊）：142-146 39 Enns R, Si J. Apache helicopter stabilization using neural dynamic programming. Journal of Guidance, Control and Dynamics, 2002, 25（1）:19-25 40 Goulet JF, De Silva CW, Modi AK, Misra A K. Hierarchical knowledge-based control of a deployable orbiting manipulator. Acta Astromnautica, 2002, 50（3）:139-148 41 Venkat AN, Gudi R D. Fuzzy segregation-based identification and control of nonlinear dynamic systems. Industrial and Engineering Chemistry Research, 2002, 41（3）:538-552 42 Rojas I, Gonzalez J, Rojas F, Damas M, Fernandez FJ, Pomares H. A two-stage approach to self-learning direct fuzzy controllers. International Journal of Approximate Reasoning, 2002, 29（3）:267-289 43 Yi JQ, Yubazaki N, Hirota K. A new fuzzy controller for stabilization of parallel-type double inverted pendulum system. Fuzzy Sets and Systems, 2002, 126（1）:105-119 44 Siettos CI, Bafas GI, Boudouvis A G. Truncated Chebyshev series approximation of fuzzy systems for control and nonlinear system identification. Fuzzy Sets and Systems, 2002, 126（1）:89-104 45 Kuo HC, Wu L J. Fuzzy control of a heat-bending system. Journal of Materials Processing Technology, 2002, 120（1-3）:186-201 46 Yin H, Wong SC, Xu J, Wong C K. Urban traffic flow prediction using a fuzzy-neural approach. Transportation Research Part C: Emerging Technologies, 2002, 10（2）:85-98 47 Huang SN, Tan KK, Lee T H. Adaptive motion control using neural network approximations. Automatica, 2002, 38（2）:227-233 48 Basterretxea K, Tarela JM, Del Campo I. Digital design of sigmoid approximator for artificial neural networks. Electronics Letters, 2002, 38（1）:35-37 49 Gao L, Lonev N W. New hybrid neural network model for prediction of phase equilibrium in a two-phase extraction system. Industrial and Engineering Chemistry Research, 2002, 41（1）:112-119 50 Khajavi MN, Menhaj MB, Suratgar A A. A neural network controller for load following operation of nuclear reactors. Annals of Nuclear Energy, 2002, 29（6）:751-760 51 Wai RJ, Chang JM. Intelligent control of induction servo motor drive via wavelet neural network. Electric Power Systems Research, 2002, 61（1）:67-76 52 Jurado F, Ortega M, Cano A, Carpio J. Neuro-fuzzy controller for gas turbinein biomass-based electric power plant. Electric Power Systems Research, 2002, 60（3）:123-135 53 Goulet IF, De Silva CW, Modi VI, Misra A K. Hierarchical knowledge-based control of a deployable orbiting manipulator. Acta Astronautica, 2002, 50（3）:139-148 54 De Silva, CW, MacFarlane AG J. Knowledge-based control approach for robotic manipulators. International Journal of Control, 1998, 50（1）:249-273 55 Goulet J F. Intelligent hierarchical control of a deployable manipulator[MS Thesis]. Department of Mechanical Engineering, The University of British Columbia, Vancouver, Canada, 1999 56 李少远，席裕庚，陈增强，袁著祉。智能控制的新进展。控制与决策，2000，15（1）：1-5 57 郑南宁。认知过程的信息处理和新型人工智能系统。中国基础科学，2000， 8：9-18 58 Karny M, Nagy I, Novovicova J. Mixed-data multi-modelling for fault detection and isolation. International Journal of Adaptive Control and Signal Processing, 2002, 16（1）:61-83 59 Guijarro BB, Alonso BA, Fontenla R O. Intelligent analysis and pattern recognition in cardiotocographic signals using a tight coupled hybrid system. Artificial Intelligence, 2002, 136（1）:1-27 60 Lau HCW, Ip RWL, Chan FT S. An intelligent information infrastructure to support knowledge discovery. Expert Systems with Applications, 2002, 22（1）:1-10 郑南宁教授，中国工程院院士。研究领域为智能信息处理、机器人视觉与模式识别等。 贾新春教授，1988年获中科院系统科学研究所硕士学位。研究领域为鲁棒控制、智能信息处理、广义系统等。 袁泽剑博士研究生。研究领域为智能信息处理、机器人视觉与模式识别等。