1  引言
    近半个世纪以来，经典控制理论和现代控制理论、方法和技术(简称传统控制)，取得了令人瞩目的成就。但是，无论是现代控制理论还是大系统理论，其分析、综合和设计都是建立在严格和精确的数学模型基础之上的。而在科学技术和生产力高速发展的今天，人们对大规模、复杂、不确定性系统实行自动控制的要求不断提高。因此，传统的基于精确数学模型的控制理论的局限性日益明显。
(1) 传统控制所面临的难题
l 传统控制方法的设计和分析是建立在系统的精确模型基础上的，而实际系统由于存在复杂性、时变性、不确定性和不完全性等，一般无法获得精确的数学模型;
l 采用传统控制理论进行系统设计时，必须提出并遵循一些苛刻的假设，而这些假设往往与实际情况不符，使得所设计的系统性能与实际情况相差很远;
l 对某些复杂的带有时变性与不确定性的系统，即使获得了良好的控制性能，当环境条件发生变化时，其性能也会显著变差;
l 为了提高控制性能，传统的控制理论可能变得相当复杂，从而增加了设备投资，降低了系统可靠性。
(2) 传统控制的缺陷与不足
l 对环境的干扰和不确定性缺乏足够的鲁棒性;
l 突发事件的处理需要人工的干预;
l 无法处理非数字和不精确的信息;
l 无法通过在线学习以提高自身性能。
以上因素正是传统控制技术需要突破的一些症结，于是，专家控制的基本思想就应运而生了。

2  专家控制的基本思想[5][6]
    专家控制是智能控制的一个重要分支，它是把专家系统的思想和方法引入控制系统及其工程应用。就其实质而言，专家控制是基于控制对象和控制规律的各种知识的总和，而且要以智能的方式使用这些知识，求得受控系统更可能地优化和实用化，它反映出智能控制的许多重要特征和功能。

2.1  专家控制的基本思想
    专家控制=自动控制理论和方法+人工智能专家系统技术
实际系统中存在的启发式逻辑本质上是实现控制目标的各种规律性的经验知识，这些经验知识难以用一般性的数值形式表达，而适合用符号形式加以描述;再者，这些经验知识既不能简单的罗列，有难以用用解析的方法综合，因而必须给予恰当的组织，并能自动地进行推理，人工智能中的专家技术恰恰为这种经验知识的表示和处理提供了有效办法。
人工智能领域中发展起来的专家系统是一种基于知识的、智能的计算机程序系统。
(1) 专家系统的两个要素
l 知识库:存储有某个专门领域中事先总结的按某种格式表示的专家水平的知识条目。
l 推理机制:按照类似专家水平的问题求解方法，调用知识库中的条目进行推理、判断和决策。
专家系统的知识库和推理机制在组织结构上分离建造，而在运行过程中又相互作用，这使得系统具有较大的灵活性:知识的增删、修正和更新独立于推理机制，具有很好的透明性—推理的结论和根据可以与系统外部交互。
    总之，专家系统将专门领域的问题求解思路、经验、方式组织成一个实际运行的形式系统，表现出一种拟人的智能性，它与传统的自动控制理论和方法的结合，形成了专家控制的基本思想。
将专家系统技术引入控制领域，首先必须把控制系统看成一个基于知识的系统，而作为系统的核心部件的控制器则要体现知识推理的机制和结构。
    知识库内部的组织结构可采用人工智能中知识表示的合适方法，其中，一部分知识可称为数据，例如事实(先验知识)、证据(动态信息)、假设(由事实、证据推得的中间状态)和目标(离线设定的或在线建立的性能指标)、数据组织在一起，形成数据库。另一部分知识可称为规则，即定性的推理知识，它们往往表示为产生式规则，组成知识库，在专家控制中，定量知识，即各种有关的解析算法，一般都独立编码，按常规的程序设计方法组织。