模糊控制研究及发展现状综述模糊控制研究及发展现状综述摘要：模糊控制是智能控制的重要组成部分。
本文主要介绍了模糊控制理论的研究及发展的现状等 ,详细介绍了模糊控制理论的原理、模糊控制的数学基础, 其发展现状中介绍了模糊 PID 控制、自适应模糊控制、神经模糊控制、遗传算法优化的模糊控制、专家模糊控制等 , 还介绍了一些模糊控制的软硬件产品, 对模糊控制系统的稳定性作了简单介绍, 最后对模糊控制的发展作了展望。
关键词：模糊控制；模糊控制器引言模糊控制是近代控制理论中的一种基于语言规则与模糊推理的高级控制策略和新颖技术，它是智能控制的一个重要分支，发展迅速，应用广泛，实效显著，引人关注。
随着科学技术的进步，现代工业过程日趋复杂，过程的严重非线性、不确定性、多变量、时滞、未建模动态和有界干扰，使得控制对象的精确数学模型难以建立，单一应用传统的控制理论和方法难以满足复杂控制系统的设计要求。
而模糊控制则无需知道被控对象的精确数学模型，且模糊算法能够有效地利用专家所提供的模糊信息知识，处理那些定义不完善或难以精确建模的复杂过程。
因此，模糊控制成为了近年来国内外控制界关注的热点研究领域。
模糊控制作为智能领域中最具有实际意义的一种控制方法 ,已经在工业控制领域、家用电器自动化领域和其他很多行业中解决了传统控制方法无法或者是难以解决的问题, 取得了令人瞩目的成效, 引起了越来越多的控制理论的研究人员和相关领域的广大工程技术人员的极大兴趣。
一：模糊控制简介模糊控制是以模糊集合论、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。
1965 年美国的扎德创立了模糊集合论, 1973 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 C RI 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。
二：模糊控制的数学基础：模糊数学(模糊集）是模糊控制的数学基础，它是由美国加利福尼亚大学Zadeh教授最先提出的。
他将模糊性和集合论统一起来，在不放弃集合的数学严格性的同时，使其吸取人脑思维中对于模糊现象认识和推理的优点。
“模糊”，是指客观事物彼此间的差异在中间过渡时，界限不明显，呈现出的“亦此亦彼”性。
“模糊”是相对于“精确”而言的。
模糊数学并不是让数学变成模模糊糊的东西，而是用数学工具对模糊现象进行描述和分析。
模糊数学是对经典数学的扩展，它在经典集合理论的基础上引入了“隶属函数”的概念，来描述事物对模糊概念的从属程度。
模糊集合的表示方法主要有:Zadeh表示法、向量表示法、序偶表示法、函数描述法。
模糊集合是通过隶属函数来定义的，隶属函数是描述客观事物模糊性的关键，正确确定隶属函数是很重要的。
判断所确定的隶属函数是否合适的标准是看其是否符合实际。
通常的做法是初步确定隶属函数，再通过“学习”和“校验”逐步修正完善，使其符合实际。
确定隶属函数的方法有以下几种经验法:当论域是离散时，根据主观认识或个人经验，直接或间接给出元素隶属度的具体值，由此确定隶属函数。
调查统计法:以调查统计结果所得出的经验曲线，作为隶属函数曲线，根据曲线找出相应的隶属函数表达式。
分析推理法：当论域连续时，对实际问题进行分析与推理，选用某些典型函数作为隶属函数。
模糊控制是建立在一系列模糊控制规则基础上。
这些规则是人对被控对象进行控制时的经验总结。
这些经验一般是用人们的语言来归纳、描述的。
也就是说，模糊控制规则是用模糊语言表示的。
主要用的主要有以下几种（1）如果A，那么B语句。
模糊关系为)()(EABAR C⨯⨯= 其隶属度函数为))()(())(1(),(),(yxxyxyxBAABARμμμμμ∧∨-==→（2）如果A，那么B，否则C语句。
模糊关系为)()(CABAR C⨯⨯= 其隶属度函数为))())(1(())()((),(yxyxyxCABARμμμμμ∧-∨∧=（3）如果A且B，那么C语句。
模糊关系为CBAR T⨯⨯=1)(（4）如果A且B且C，那么D语句。
模糊关系为DCBAR T⨯⨯⨯=1)(（5）如果A且B，那么C否则D语句。
模糊关系为]))[((])[(11DBACBAR T CT⨯⨯⨯⨯=模糊推理又称模糊逻辑推理，它是一种以模糊判断为前提，运用模糊语言规则，推出一个新的近似的模糊判断结论的方法。
模糊推理是在二值逻辑三段论的基础上发展起来的。
它是一种近似推理，近似推理问题的提法有两种形式给定模糊蕴涵关系“若A则B”，其中A是X上的模糊集，B是Y上的模糊集，已知X上的一个模糊集A*，问从模糊蕴涵关系能推断出什么结论B* 给定模糊蕴涵关系“若A则B”，其中A∈X，B∈Y，已知B*， B*∈Y，问从模糊蕴涵关系能推断出什么结论A*在模糊逻辑推理中有两种重要的推理方法，即广义取式(肯定前提)推理和广义拒式(肯定结论)推理。
具体过程本文不做详细介绍。
三：模糊控制原理模糊控制算法的工作过程可以描述如下：微机通过中断采样获取被控制量的精确值，并将此量与给定值比较得到误差信号e，把误差信号e的精确量进行模糊化后变成模糊量。
误差e的模糊量可用相应的模糊语言表示，得到误差e 的模糊语言集合的一个子集e，再由e和模糊关系根据推理的合成规则进行模糊决策，得到模糊控制量u。
最基本的模糊控制系统如图所示:图中，模糊控制器的输入量为系统的偏差量e，它是确定数值的清晰量。
通过模糊化处理后，用模糊语言变量E来描述偏差。
模糊推理输出U是模糊量，在系统中要实施控制时，模糊量U还要转化为清晰量，因此要进行清晰化（去模糊化）处理，得到可操作的确定值，这就是模糊控制器的输出值，通过调整控制作用，使偏差e尽量小。
模糊控制器的基本组成如图它包含模糊化接口、规则库、模糊推理、清晰化接口等部分。
输入变量是偏差，输出量是系统的实时控制修正变量。
模糊控制的核心部分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的模糊集，实现论域的转换。
四：模糊控制器的设计步骤①清晰量的模糊化:模糊化就是将基础变量论域上的确定量变换成基础变量论域上的模糊集的过程。
模糊化的步骤如下：（1）把精确量离散化。
在进行模糊化之前，先需对输入量进尺度变换，使其变换到相应的论域范围。
（2）确定输入值相对于相应语言变量语言值的隶属度。
模糊控制器的输入语言变量多取系统偏差e及其变化率ec，输出语言变量为控制量的变化。
这种结构反映模糊控制器具有非线性PD控制规律，从而有利于保证系统的稳定性，并可减少响应过程的超调量以及削弱其振荡现象。
语言变量的取值称语言变量值，如可以将“温度”划分成“高”、“较高”、“中”、“较低”、“低”等五个等级，温度的“高”、“较高”、“中”、“较低”、“低”称为“温度”这个语言变量的语言值。
语言值可用模糊集来一般在设计模糊控制器时，人们对于偏差，偏差变化率和控制量的变化等语言变量，常用“正大”(PB)、“正中”(PM)、“正小”(PS)、“零”(0)、“负小”(NS)、“负中”(NM)、“负大”(NB)这7个语言值来描述。
有时将“零”分为“正零”(P0)和“负零”(N0)两个值，以表示偏差的变化在当前是“增加”趋势还是“减小”趋势。
这样，就构成了8个语言变量值{PB, PM, PS, P0, N0, NS, NM, NB}。
②模糊控制知识库的生成：模糊控制的知识库主要由2部分组成：数据库和规则库。
（1）数据库。
数据库所存放的是所有输入、输出变量的全部模糊子集的隶属度矢量值，若论域为连续域，则为隶属度函数。
（2）规则库。
模糊控制规则的生成大致有以下4种方法：1.根据专家经验或过程知识生成；2.根据过程模糊模型生成；3.根据对手工操作的系统观察和测量生成；4.根据学习算法生成。
③模糊控制算法：模糊控制算法的目的就是从输入的连续精确量中，通过模糊推理的运算过程，求出相应的清晰量的控制量。
目前常采用的算法有：(1)cri推理法；(2)函数型推理法；(3)Mamdani直接推理法；(4)特征展开推理法。
④模糊量的清晰化：非模糊化处理是将模糊推理中产生的模糊量转化为精确值，常见的清晰化方法有以下几种：(1) 最大隶属度值法(mc)；(2) 系数加权平均法；(3) 隶属度限幅元素平均法；(4)重心法；(5) 中位数法不同解模糊判决方法的性能可以比较如下：(1)重心法不仅有公式可循，而且在理论上比较合理，它涵盖和利用了模糊集合的所有信息，并根据隶属度的不同而有所侧重，但计算复杂，主要用于理论推导和实时性要求不高的场合。
(2)最大隶属度法的明显优点是简单易行，使用方便，算法实时性好；但是，它的一个明显的缺点是：仅仅利用了最大隶属度的信息，忽略了较小隶属度元素的影响和作用，输出信息量利用的太少，代表性不好。