模糊控制系统的应用

模糊控制系统的应用

模糊控制系统的应用

一、模糊控制系统的应用背景

模糊控制系统是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术。佃65年美国的扎德创立了模糊集合论，佃73年，他给出了模糊逻辑控制的定义和相关的定理。1974年英国的Mamdani首先用模糊控

制语句组成模糊控制器，并把它用于锅炉和蒸汽机的控制，在实验室获得成功，这一开拓性的工作标志着模糊控制论的诞生。

模糊控制系统主要是模拟人的思维、推理和判断的一种控制方法，它将人的经验、常识等用自然语言的形式表达出来，建立一种适用于计算机处理的输入输出过程模型，是智能控制的一个重要研究领域。从信息技术的观点来看，模糊控制是一种基于规则的专家系统。从控制系统技术的观点来看，模糊控制是一种普遍的非线性特征域控制器。

相对传统控制，包括经典控制理论与现代控制理论。模糊控制能避开对象的数学模型(如状态方程或传递函数等)，它力图对人们关于某个控制问题的成功与失败和经验进行加工，总结出知识，从中提炼出控制规则，用一系列多维模糊条件语句构造系统的模糊语言变量模型，应用CRI等各类模糊推理方法，可以得到适合控制要求的控制量，可以说模糊控制是一种语言变量的控制。

模糊控制具有以下特点：

(1)模糊控制是一种基于规则的控制。它直接采用语言型控制规则，出发点是现场操作人员的控制经验或相关专家的知识，在设计中不需要建立被控对象的

精确数学模型，因而使得控制机理和策略易于接受与理解，设计简单，便于应用；

(2)由工业过程的定性认识出发，比较容易建立语言控制规则，因而模糊控制对那些数学模型难以获取、动态特性不易掌握或变化非常显著的对象非常适用；

(3)基于模型的控制算法及系统设计方法，由于出发点和性能指标的不同容易导致较大差异；但一个系统的语言控制规则却具有相对的独立性，利用这些控制规律间的模糊连接，容易找到折中的选择，使控制效果优于常规控制器；

(4)模糊控制算法是基于启发性的知识及语言决策规则设计的，这有利于模拟人工控制的过程和方法，增强控制系统的适应能力，使之具有一定的智能水平；

（5）模糊控制系统的鲁棒性强，干扰和参数变化对控制效果的影响被大大减弱，尤其适合于非线性、时变及纯滞后系统的控制。

除此，模糊控制还有比较突出的两个优点：

第一，模糊控制在许多应用中可以有效且便捷地实现人的控制策略和经

验；

第二，模糊控制可以不需被控对象的数学模型即可实现较好的控制，这是因为被控对象的动态特性已隐含在模糊控制器输入、输出模糊集及模糊规则中。

模糊控制也有缺陷，主要表现在：1）精度不太高；2）自适应能力有限；3）易产生振荡现象。

二、模糊控制系统的现状

模糊控制的研究主要体现在控制器的研究和开发以及各类实际应用中，目前模糊控制已经应用在各个行业。各类模糊控制器也非常多，模糊控制器的研究一直是控制界研究的热点问题，而关于模糊控制系统的稳定性分析则是模糊控制需要研究和解决的基本问题。目前已经出现了为实现模糊控制功能的各种集成电路芯片。开发模糊控制系统的软件工具也出现了不少。下面作一简单介绍。 1 •与其它智能控制的结合或融合

模糊控制与其它智能控制的复合产生了多种控制方式方法。主要表现在：1）模糊PID控制器

模糊PID控制器的研究是将模糊技术与常规的PID控制算法相结合的一种控制方法，得到了许多学者的关注。模糊PID控制器是一种双模控制形式。这种改进的控制方法的出发点主要是消除模糊控制的系统稳态误差，利用PID控制器提高控制精度，消除误差，增加稳态控制性能。从PID控制角度出发，提出FI —PI、FI —PD、FI —PID三种形式的模糊控制器，并能运用各种方式得出模糊控制器中量化因子、比例因子同PID控制器的因子KP、KI、KD之间的关系式。对基于简单线性规则TS模型的模糊控制器进行了分析，指出这类模糊控制器是一种非线性增

益PID控制器。有人试图利用GA算法，通过性能指标评价函数，决定模糊控制器的Ke、Kec、Ku等参数。

2）自适应模糊控制器

自适应模糊控制器就是借鉴自适应控制理论的一些理念来设计模糊控制器，也称作语言自组织模糊控制器（SOC），它的思想就在于在线或离线调节模糊控制规则的结构或参数，使之趋于最优状态。目前主要有通过采用一种带有修正因子的控制算法，改变控制规则的特性；或直接对模糊控制规则进行修正；还有一种是对控制规则进行分级管理，提出自适应分层模糊控制器；又有人提出规则自组织自学习算法，对规则的参数以及数目进行自动修正；更进一步的是采用神经网络对模糊控制规则及参数进行调整，也是一种实现模糊自适应控制的好方法。

3）模糊控制与神经控制的融合

神经模糊控制是神经网络技术与模糊逻辑控制技术相结合的产物，是指基于神经网络的模糊控制方法。模糊系统是建立在IF2THEN表达式之上，这种方式容易让人理解，但是在自动生成和调整隶属函数和模糊规则上却很困难。而人工神经网络是模拟人直观性思维的一种方式，它是将分布式存储的信息并行协同处理，是一个非线性动力学系统，每个神经元结构简单，但大量神经元构成网络系统能实现很强的功能，因此人工神经网络具有自适应的学习能力、容错性和鲁棒性，并且神经网络对环境的变化具有较强的自适应能力，所以可结合神经

网络的学习能力来训练_模糊规则，提高整个系统的学习能力和表达能力。现有人工神经网络代表性的模型有感知器、多层映射、BP网络、RBF神经网络实

现局部或全部的模糊逻辑控制功能，前者如利用神经网络实现模糊控制规则或模糊推理，后者通常要求网络层数多于3层；自适应神经网络模糊控制，利用神经网络的学习功能作为模型辨识或直接用作控制器；基于模糊神经网络的隶属

函数及推理规则的获取方法，具有模糊连接强度的模糊神经网等，均在控制中有所应用。而且，还有神经网络与遗传算法同模糊控制相结合的自调整应用。

4）遗传算法优化的模糊控制

考虑到模糊控制器的优化涉及到大范围、多参数、复杂和不连续的搜索表面，而专家的经验只能起一个指导作用，很难根据它准确地定出各项参数，因而实际上还要反复试凑，寻找一个最优过程。因此，人们自然想到用遗传算法来进行优化。遗传算法应用于模糊控制器的优化设计是非常适合的，遗传算法的运行仅由适应度数值驱动而不需要被优化对象的局部信息。此外，优化模糊控制器正好符合遗传算法的所谓“积木块”假设，积木块指长度较短的、性能较好的基因片段。用遗传算法优化模糊控制器时，优化的主要对象是模糊控制器的隶属函数和规则集。已经有人运用这个方法对倒立摆控制器隶属函数的位置、形状等参数，结果表明遗传算法优化后的隶属函数远远优于手工设计的。显然通过改进遗