模糊控制心得

模糊控制的心得体会

一、模糊控制的定义

所谓模糊控制，就是对难以用已有规律描述的复杂系统，采用自然语言（如大、中、小）加以叙述，借助定性的、不精确的及模糊的条件语句来表达，模糊控制是一种基于语言的智能控制。

模糊控制是近代控制理论中建立在模糊集合理论基础上的一种基于语言规则与模糊推理的控制理论，是智能控制的一个重要分支。

二、模糊控制的发展史

模糊理论（Fuzzy Logic）是在美国加州大学教授L.A.Zadeh于1965年创立的模糊集合理论的数学基础上发展起来的，主要包括模糊集合理论、模糊逻辑、模糊推理和模糊控制等方面的内容。美国加州大学的L.A.Zadeh教授在1965年发表了著名论文，文中首次提到了表达事物模糊性的重要概念：隶属函数。从而突破了19世纪末笛卡尔的经典集合理论，奠定了模糊理论的基础。1966年P.N.Marinos发表模糊逻辑的研究报告。1974年L.A.Zadeh发表模糊推理的研究报告。从此，模糊理论成了一个热门的课题。1974年，英国的E.H.Mamdani首次用模糊逻辑和模糊推理实现了世界上第一个实验性的蒸汽机控制，并取得了比传统的直接数字控制算法更好的效果，从而宣告模糊控制的诞生。1980年丹麦的L.P.Holmblad和Ostergard在水泥窑炉采用模糊控制并取得了成功，这是第一个商业化的有实际意义的模糊控制器。

三、模糊控制理论的特点

模糊控制在动力系统控制、船舶自动驾驶、智能机器人和锅炉控制等方面已得到广泛应用。目前，在工业上投入运行的模糊控制器，大多由一组模糊控制规则组成，通过一定的模糊推理机制确定控制作用。模糊控制(fuzzy control, FC)是以模糊集合论、模糊语言变量及其模糊逻辑推理为

1

基础的计算机智能控制。与常规控制方法相比具有以下几个优点。

(1)模糊逻辑比常规逻辑更接近人直观的思维方式，控制系统的设计不要求掌握受控对象精确的数学模型，只需要提供现场操作人员的经验知识及操作数据;经常选用的隶属函数都比较简单，而所需要的控制规则不会过多，从这些简单的建造模块出发，系统却可以完成非常复杂的任务。

(2)模糊控制采用人类思维中的模糊量，控制量由模糊推理导出，推理过程模仿人的思维过程，是一种反映人类智慧思维的智能控制;模糊控制的核心是控制规则，这些规则以人类语言表达，易于接受。

(3)模糊控制器易于构造和修改，模糊控制器以语言变量代替常规的数学变量，易于形成专家系统的知识，开始可以用某些近似的隶属集合和规则，然后再对参数重新定义，并不断对系统进行优化。模糊推理的各种成分都是独立地对函数进行处理，所以系统可以较容易地被修改。

(4)模糊控制系统的鲁棒性强，对过程参数的变化不敏感，对系统参数变化的适应性强，在所有工作点上都能做到较稳定的控制。常规的基于数学模型的控制系统倾向于是一个相互依赖的整体，如果一个方程失败，或者如果物理系统的条件改变使得模型不再有效，则整个控制过程有可能崩溃。而模糊逻辑含有大量功能独立的元素与规则，模糊输出是多个规则影响的合并，所以即使一个规则失效了，其他的规则往往可以补偿。此时的系统可能不是最佳控制，但是仍然会正常工作。

四、模糊控制原理

由于一个模糊概念可以用一个模糊集合来表示，因此模糊概念的确定问题就可以直接转换为模糊隶属函数的求取问题。因此，对于一类缺乏数学模型的被控对象，可以用模糊集合的理论。人对系统的操作和控制经验，总结成用模糊条件语句的形式写出的控制规则。经过必要的数学处理，来确定一定的推理法则，做出模糊决策，完成控制动作。具有上述功能的模糊控制系统结构如图：

R 量 du/dt 化 模糊化 推 理 机 知 识 库 去 模糊化 受控 对象 Y

2

FC 图1 基本模糊控制系统的结构图

最基本的模糊控制系统结构如图2所示。图中R为设定值，Y为系统输出值，它们都是清晰量。从图2可以看出，模糊控制器的输入量是系统的偏差量。，它是确定数值的清晰量，通过模糊化处理，用模糊语言变量E来描述偏差，模糊推理输出U是模糊变量，在系统中要实施控制时，模糊量U还要转化为清晰值，因此要进行清晰化处理，得到可以操作的确定值召，通过产的调整作用，使偏差。尽量小。

模糊控制器 语言规则 R e 模糊化 E 模糊推理

图2 模糊控制系统方框图

U 清晰化 u 对象 Y 模糊控制器的组成

模糊控制器的组成如图3所示

规则库 非模糊量输入 x 模糊化 接口 E 模糊推理

图3 模糊控制器的组成

U 非模糊量输出

清晰化 接口 y 它包含有模糊化接口、规则库、模糊推理、清晰化接口等部分。输入

3

变量是过程实测量与系统设定值之间的差值，输出变量是系统的实时控制修正变量。模糊控制的核心部分是包含语言规则的规则库和模糊推理。模糊推理就是一种模糊变换，它将输入变量模糊集变换为输出变量模糊集，实现论域的转换。

(l)模糊化接口。

模糊化是将模糊控制器输入量的确定值转换为相应模糊语言变量值的过程，此相应语言变量均由对应的隶属度来定义。若以偏差。为输入，通过模糊化处理，用模糊语言变量E来描述偏差，若以T(E)记作E的语言值集合，则有:

T(E):{负大，负中，负小，零，正小，正中，正大} 或用其英文字头缩写表示成:’

T(E)二{NB，NM，NS，ZE，PS，PM，PB}

过程参数的变化范围是各不相同的，为了统一到指定的T.(E)论域中来，模糊化的第一个任务就是进行论域变换，过程参数的实际变化范围称为基本论域。可以通过变换系数(量化因子)实现由基本论域到T(E)论域的变换。

模糊化的第二个任务是求得输入对应于语言变量的隶属度。语言变量的隶属函数有两种表示方式，即离散方式和连续方式。离散方式是只取论域中的离散点(整数值)及这些点的隶属度来描述一个语言变量;连续方式将隶属度表示成论域变量的连续函数，最常见的隶属函数形式有三角形、高斯型、正态型、梯形等。

(2)规则库。

规则库是由若干条模糊语言控制规则所组成的，这些控制规则可以来自于现场操作人员或专家等，是对规则操作的经验性总结，规则库中的控制规则可以用语言规则形式给出。

(3)模糊推理。

利用模糊推理，可以由输入的模糊集合E得到输出的模糊集合U。推理是从一些模糊前提条件推倒出某一结论，这些结论可能存在模糊和确定两种情况。目前模糊推理有十几种方法，大致分为直接法和间接法两类。通常把隶属函数的隶属度值视为真值进行推理的方法是直接推理法。最常

4

用的是Mamd面的max.而n合成法。

(4)清晰化接口。

清晰化接口又称去模糊或解模糊。根据规则经过推理得到的是模糊集合(单点集合除外)，它仍然无法被执行机构识别和执行，因此需要将模糊集合变成清晰值，这个过程称为清晰化。清晰化的方法很多，其中最简单常用的一种是最大隶属度法。

总上所述，模糊控制器实际上是依靠微机(或单片机)构成的。它的绝大部分功能由计算机程序来完成的。随着专用模糊芯片的研究和开发，也可以由硬件逐步取代各组成单元的软件功能。

五、模糊控制系统的matlab设计与仿真

模糊控制是智能控制的一个重要分支，其实质是对人观察、思考、判断、决策的思维过程的一种模拟。模糊控制器的设计在很大程度上依赖于设计者的实践经验，带有相当的主观性。因此，对于一个特定的被控对象，需要借助某种手段对控制器进行优化才能取得较为满意的设计效果。改善模糊控制性能的最有效方法是优化模糊控制器的控制规则和有关参数。Matlab 是一种面向科学与工程计算的高级语言，它集科学计算、自动控制、模糊系统、神经网络等学科的处理功能于一体，编程效率高，使用简单方便。Matlab具有强大的扩展功能，它提供的建模可视化软件包Simulink 和各种工具箱为仿真研究提供了强有力的手段。借助于它们，可以直观方便地进行分析、计算和仿真研究。为提高设计模糊控制器的效率，本文在相关研究的基础上，提出了一种基于 Matlab 的模糊控制器优化设计与仿真分析的实现方法。该方法首先利用模糊系统工具箱（Fuzzy Logic Toolbox）的图形用户界面（GUI）工具结合Matlab 函数构建模糊控制器，然后利用最优化工具箱（Optimization Toolbox）函数对模糊控制规则和参数进行优化，最后利用Simulink 建立仿真模型并仿真分析系统动态性能和优化设计结果。

Matlab是MathWork公司于1984年推出的基于矩阵运算的强大数值计算软件。因为其基本的数据单位是矩阵,指令表达又与数学、工程中常用的习惯形式十分相似,因此用Matlab解决问题要比用C或者Fortran等简捷得

5

多。Matlab包含许多功能强大的工具箱,Simulink工具箱就是其中之一。它是实现动态系统仿真的一个集成环境,其主要功能是对动态系统作适当的仿真分析,从而可以在实际系统做出之前预先对系统进行分析,并做出适当的实时修正,以增强系统的性能,减少系统反复修改的时间。Matlab还提供了模糊逻辑工具箱,即Fuzzy工具箱。它是运用图形用户界面(GUI)来设计模糊控制器的,可以直观的完成模糊控制器的设计。同时此工具箱中还提供30多个函数,用户可以通过命令来调用这些函数,完成模糊控制器的设计。

已知受控对象：

G(s)?1e?0.5S10S?1

设计模糊控制器使其具有良好的阶跃响应.系统输入为阶跃输入,系统输出误差为e,误差变化率为ec,控制量为u。选取模糊控制器(FC)的输入e和ec及其控制量u的论域均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6};e,ec及u的语言变量值均选为{NB、NM、NS、ZE、PS、PM、PB}。模糊推理规则可根据经验总结出,如表1所示。

表1 FC的模糊控制规则表

ec e NB NM NS ZE PS PM PB

NB NB NB NM NM NS ZE ZE NM NB NB NM NM NS ZE ZE NS NB NB NM NS ZE PM PM ZE NB NB NM ZE PM PB PB PS NM NM ZE PS PM PB PB PM ZE ZE PS PM PM PB PB PB ZE ZE PS PM PM PB PB 然后就利用Simulink 实现模糊控制器的设计及系统的仿真。

6

图4 模糊控制系统框图

仿真结果如下图所示：

图5 仿真曲线图

六、模糊控制理论现状

尽管模糊控制理论已经取得了可观的进展,但与常规控制理论相比仍不成熟。模糊控制系统的分析和设计尚未建立起有效的方法,在很多场合下仍然需要依靠经验和试凑。近年来,许多人一直尝试将常规控制理论的概念和方法扩展至模糊控制系统,而模糊控制与神经网络相结合的方法已成为研究的热点,二者的结合有效地推动了自学习模糊控制的发展。

模糊控制易于获得由语言表达的专家知识,能有效地控制那些难以建立精确模型而凭经验可控制的系统,而神经网络则由于其仿生特性更能有效利用系统本身的信息,并能映射任意函数关系,具有并行处理和自学习能力,容错能力也很强。在集成大系统中,神经网络可用于处理低层感知数据,模糊逻辑可用于描述高层的逻辑框架。模糊逻辑与神经网络的结合有两种情况:一是将模糊技术用于神经网络形成模糊神经网络,一是用神经网络实现模糊控制。这两方面均见于大量的研究文献。

利用模糊复合控制理论的分档控制,将PI或PID控制策略引入Fuzzy控制器,构成Fuzzy-PI或Fuzzy-PID复合控制;适应高阶系统模糊控制需要的三维模糊控制器;将精确控制和模糊控制结合起来的精确—模糊混合控制;将预测控制与模糊控制相结合,利用预测模型对控制结果进行预报,并根据目

7

标误差和操作者的经验应用模糊决策方法在线修正控制策略的模糊预测控制等。

模糊控制的发展过程中,提出了多种自组织、自学习、自适应模糊控制器。它们根据被控过程的特性和系统参数的变化,自动生成或调整模糊控制器的规则和参数,达到控制目的。这类模糊控制器在实现人的控制策略基础上,又进一步将人的学习和适应能力引入控制器,使模糊控制具有更高的智能性。自校正模糊控制器、参数自调整模糊控制等控制方法也都较大地增强了对环境变化的适应能力。

模糊控制与其他智能控制方法的结合组成的模糊控制,如专家模糊控制能够表达和利用控制复杂过程和对象所需的启发式知识,重视知识的多层次和分类的需要,弥补了模糊控制器结构过于简单、规则比较单一的缺陷,赋予了模糊控制更高的智能。二者的结合还能够拥有过程控制复杂的知识,并能够在更为复杂的情况下对这些知识加以有效利用。基于神经网络的模糊控制能够实现局部或全部的模糊逻辑控制功能。

模糊控制器正向着自适应、自组织、自学习方向发展,使得模糊控制参数、规则在控制过程中自动地调整、修改和完善,从而不断完善系统的控制性能,达到更好的控制效果,而与专家系统、神经网络等其他智能控制技术相融合成为其发展趋势。

七、模糊控制的缺点

1.模糊控制的设计尚缺乏系统性，这对复杂系统的控制是难以奏效的。所以如何建立一套系统的模糊控制理论，以解决模糊控制的机理、稳定性分析、系统化设计方法等一系列问题；

2.如何获得模糊规则及隶属函数即系统的设计办法，这在目前完全凭经验进行；

3.信息简单的模糊处理将导致系统的控制精度降低和动态品质变差。若要提高精度则必然增加量化级数，从而导致规则搜索范围扩大，降低决策速度，甚至不能实时控制；

4.如何保证模糊控制系统的稳定性即如何解决模糊控制中关于稳定性和鲁棒性问题。

8

本文来源：https://www.bwwdw.com/article/rn5g.html