第3章_模糊控制理论
模糊控制——理论基础（4模糊推理）
模糊控制——理论基础（4模糊推理）1、模糊语句将含有模糊概念的语法规则所构成的语句称为模糊语句。
根据其语义和构成的语法规则不同，可分为以下⼏种类型：（1）模糊陈述句：语句本⾝具有模糊性，⼜称为模糊命题。
如：“今天天⽓很热”。
（2）模糊判断句：是模糊逻辑中最基本的语句。
语句形式：“x是a”，记作（a），且a所表⽰的概念是模糊的。
如“张三是好学⽣”。
（3）模糊推理句：语句形式：若x是a，则x是b。
则为模糊推理语句。
如“今天是晴天，则今天暖和”。
2、模糊推理常⽤的有两种模糊条件推理语句：If A then B else C；If A AND B then C下⾯以第⼆种推理语句为例进⾏探讨，该语句可构成⼀个简单的模糊控制器，如图3-11所⽰。
其中A，B，C分别为论域U上的模糊集合，A为误差信号上的模糊⼦集，B为误差变化率上的模糊⼦集，C为控制器输出上的模糊⼦集。
常⽤的模糊推理⽅法有两种：Zadeh法和Mamdani法。
Mamdani推理法是模糊控制中普遍使⽤的⽅法，其本质是⼀种合成推理⽅法。
注意：求模糊关系时A×B扩展成列向量，由模糊关系求C1时，A1×B1扩展成⾏向量3、模糊关系⽅程①、模糊关系⽅程概念将模糊关系R看成⼀个模糊变换器。
当A为输⼊时，B为输出，如图3-12所⽰。
可分为两种情况讨论：（1）已知输⼊A和模糊关系R，求输出B，这是综合评判，即模糊变换问题。
（2）已知输⼊A和输出B，求模糊关系R，或已知模糊关系R和输出B，求输⼊A，这是模糊综合评判的逆问题，需要求解模糊关系⽅程。
②、模糊关系⽅程的解近似试探法是⽬前实际应⽤中较为常⽤的⽅法之⼀。
控制理论中的自适应控制与模糊控制
控制理论中的自适应控制与模糊控制自适应控制与模糊控制是控制理论中的两种重要方法，它们都具有适应性和鲁棒性，并且在不同的工程领域中广泛应用。
本文将分别介绍自适应控制和模糊控制的原理和应用，并比较它们的优缺点。
1. 自适应控制自适应控制是一种实时调节控制器参数的方法，以实现对系统模型和动态特性的跟踪和适应。
自适应控制的基本原理是通过不断观察和检测系统的输入和输出，根据误差的大小来调整控制器的参数，从而实现对系统的控制。
自适应控制的核心是自适应算法，常用的自适应算法有最小均方（LMS）算法、普罗弗洛夫诺夫（P-N）算法等。
通过这些算法，控制系统能够根据实时的输入输出信息，对控制器的参数进行在线调整，从而实现对未知或变化的系统模型的自适应控制。
自适应控制具有以下优点：- 可适应性强：自适应控制能够根据实时的系统输入输出信息调整控制器参数，适应不同的系统模型和工作条件。
- 鲁棒性好：自适应控制对于系统参数的不确定性和变化有很好的鲁棒性，能够有效应对系统参数的变化和干扰。
然而，自适应控制也存在以下缺点：- 算法设计复杂：自适应控制的算法设计和调试较为复杂，通常需要深入了解系统模型和控制理论。
- 需要大量计算资源：自适应控制需要实时处理系统的输入输出信息，并进行参数调整，因此需要较大的计算资源和实时性能。
2. 模糊控制模糊控制是一种基于模糊逻辑的控制方法，它通过建立模糊规则和模糊推理来实现对非精确或模糊信息的处理和控制。
模糊控制的核心是模糊推理机制，通过将输入量和输出量模糊化，使用模糊规则进行推理和控制。
模糊控制的优点包括：- 不需要准确的数学模型：模糊控制可以处理非精确、模糊的输入输出信息，对于某些复杂系统，很难建立准确的数学模型，而模糊控制能够处理这种模糊性。
- 鲁棒性好：模糊控制对于系统参数的变化和干扰有较好的鲁棒性，能够在一定程度上应对不确定性和噪声的干扰。
然而，模糊控制也存在以下缺点：- 规则设计困难：模糊控制的性能很大程度上依赖于设计合理的模糊规则，而模糊规则的设计需要充分的专业知识和经验。
模糊控制ppt课件
可编辑课件PPT
23
5. 建立模糊控制表 模糊控制规则可采用模糊规则表4-5来描述，共
49条模糊规则，各个模糊语句之间是或的关系，由第 一条语句所确定的控制规则可以计算出u1。同理，可 以由其余各条语句分别求出控制量u2,…,u49，则控制 量为模糊集合U可表示为
uu1u2 u49
可编辑课件PPT
规则模型化，然后运用推理便可对PID参数实现最佳
调整。
可编辑课件PPT
32
由于操作者经验不易精确描述，控制过程中各种 信号量以及评价指标不易定量表示，所以人们运用 模糊数学的基本理论和方法，把规则的条件、操作 用模糊集表示，并把这些模糊控制规则以及有关信 息(如初始PID参数等)作为知识存入计算机知识库中 ，然后计算机根据控制系统的实际响应情况，运用 模糊推理，即可自动实现对PID参数的最佳调整，这 就是模糊自适应PID控制，其结构如图4-15所示。
可编辑课件PPT
31
随着计算机技术的发展，人们利用人工智能的
方法将操作人员的调整经验作为知识存入计算机中
，根据现场实际情况，计算机能自动调整PID参数，
这样就出现了智能PID控制器。这种控制器把古典的
PID控制与先进的专家系统相结合，实现系统的最佳
控制。这种控制必须精确地确定对象模型，首先将
操作人员（专家）长期实践积累的经验知识用控制
糊控制的维数。
可编辑课件PPT
10
（1）一维模糊控制器 如图所示，一维模糊控制器的 输入变量往往选择为受控量和输入给定的偏差量E。由 于仅仅采用偏差值，很难反映过程的动态特性品质， 因此，所能获得的系统动态性能是不能令人满意的。 这种一维模糊控制器往往被用于一阶被控对象。
可编辑课件PPT
飞行器控制中的模糊控制理论
飞行器控制中的模糊控制理论 在当今科技飞速发展的时代，飞行器的性能和安全性要求日益提高。为了实现更精准、更可靠的飞行器控制，各种先进的控制理论不断涌现，其中模糊控制理论以其独特的优势在飞行器控制领域发挥着重要作用。
要理解模糊控制理论在飞行器控制中的应用，首先得搞清楚什么是模糊控制。简单来说，模糊控制不像传统的控制方法那样追求精确的数学模型和数值计算，而是基于模糊逻辑和模糊推理来处理不确定性和不精确性的信息。
在飞行器控制中，存在着诸多的不确定性和复杂性。比如，飞行环境的多变，气流的不稳定，以及各种难以精确测量和预测的因素。传统的控制方法在面对这些情况时，可能会显得力不从心。而模糊控制则能够较好地应对这些挑战。
模糊控制的核心在于模糊集合和模糊规则。模糊集合不同于我们熟悉的清晰明确的集合，它的边界是模糊的。比如说，对于飞行器速度“快”的定义，传统方法可能会给出一个具体的数值范围，但在模糊控制中，“快”这个概念是相对模糊的，可能是一个范围较大的区间，并且不同的人可能会有不同的理解。 模糊规则则是基于经验和专家知识制定的。例如，当飞行器的高度较低且速度较快时，应该增加升力并减小推力。这些规则不是精确的数学公式，而是用自然语言描述的近似关系。
在实际的飞行器控制中，模糊控制可以应用于多个方面。比如飞行姿态的控制。飞行器的姿态包括俯仰、滚转和偏航等，这些参数的精确控制对于飞行的稳定性和安全性至关重要。通过模糊控制，可以根据传感器获取的姿态信息，实时调整控制策略，使飞行器保持稳定的姿态。
再比如，飞行器的动力系统控制。发动机的推力、燃油消耗等都可以通过模糊控制进行优化。根据飞行任务的需求、飞行高度和速度等因素，模糊控制器可以自动调整发动机的工作状态，以实现最佳的性能和燃油效率。
此外，模糊控制还可以与其他控制方法相结合，形成混合控制策略。例如，将模糊控制与经典的 PID 控制相结合，取长补短，进一步提高飞行器控制的性能。
模糊控制的基本原理
模糊控制的基本原理模糊控制是以模糊集合理论、模糊语言及模糊逻辑为基础的控制，它是模糊数学在控制系统中的应用，是一种非线性智能控制.模糊控制是利用人的知识对控制对象进行控制的一种方法,通常用“if条件,then结果"的形式来表现,所以又通俗地称为语言控制。
一般用于无法以严密的数学表示的控制对象模型,即可利用人(熟练专家）的经验和知识来很好地控制。
因此，利用人的智力，模糊地进行系统控制的方法就是模糊控制.模糊控制的基本原理如图所示：模糊控制系统原理框图它的核心部分为模糊控制器.模糊控制器的控制规律由计算机的程序实现,实现一步模糊控制算法的过程是：微机采样获取被控制量的精确值,然后将此量与给定值比较得到误差信号E；一般选误差信号E作为模糊控制器的一个输入量，把E的精确量进行模糊量化变成模糊量，误差E的模糊量可用相应的模糊语言表示；从而得到误差E的模糊语言集合的一个子集e（e实际上是一个模糊向量）; 再由e和模糊控制规则R(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为：式中u为一个模糊量；为了对被控对象施加精确的控制,还需要将模糊量u 进行非模糊化处理转换为精确量：得到精确数字量后,经数模转换变为精确的模拟量送给执行机构,对被控对象进行一步控制；然后，进行第二次采样，完成第二步控制……。
这样循环下去，就实现了被控对象的模糊控制。
模糊控制（Fuzzy Control)是以模糊集合理论、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。
模糊控制同常规的控制方案相比，主要特点有: （1）模糊控制只要求掌握现场操作人员或有关专家的经验、知识或操作数据，不需要建立过程的数学模型，所以适用于不易获得精确数学模型的被控过程，或结构参数不很清楚等场合.（2）模糊控制是一种语言变量控制器，其控制规则只用语言变量的形式定性的表达,不用传递函数与状态方程，只要对人们的经验加以总结,进而从中提炼出规则，直接给出语言变量，再应用推理方法进行观察与控制。
模糊控制简介
R=(NBe × PBu ) + ( NSe × PSu ) + (0e × 0u ) + ( PSe × NSu ) + ( PBe × NSu )
NBe × PBu = (1, 0.5, 0, 0, 0, 0, 0) × (0, 0, 0, 0, 0, 0.5,1) NSe × PSu = (0, 0.5,1, 0, 0, 0, 0) × (0, 0, 0, 0,1, 0.5, 0) 0e × 0u = (0, 0, 0.5,1, 0.5, 0, 0) × (0, 0, 0.5,1, 0.5, 0, 0) PSe × NSu = (0, 0, 0, 0,1, 0.5, 0) × (0, 0.5,1, 0, 0, 0, 0) PBe × NSu = (0, 0, 0, 0, 0, 0.5,1) × (1, 0.5, 0, 0, 0, 0, 0) 0 0 0 0 0.5 1 0 0 0 0 0 0.5 0.5 0.5 0 0 0.5 0.5 1 0 0 R= 0 0 0.5 1 0.5 0 0 0 0.5 1 0.5 0.5 0 0 0 0 0 0.5 0.5 0.5 0 1 0.5 0 0 0 0 0
学习功能
数据存储 单元
y
∗ k
e
r + —
∆
∆
k
e
e
k
c
2
e
k
Байду номын сангаас
r
模糊 控制 规则
k
∆
u
u
u
u
k −1
k
+ +
被 控 对 象
y
k
六．思考
矛盾对立统一规律： 矛盾对立统一规律：两面性 • 优点：模糊逻辑本身提供了由专家构造语 优点： 言信息并将其转化为控制策略的一种系统 的推理方法， 的推理方法，因而能够解决许多复杂而无 法建立精确数学模型系统的控制问题， 法建立精确数学模型系统的控制问题，所 以它是处理推理系统和控制系统中不精确 和不确定性的一种有效方法。从广义上讲， 和不确定性的一种有效方法。从广义上讲， 模糊控制是适于模糊推理， 模糊控制是适于模糊推理，模仿人的思维 方式， 方式，对难以建立精确数学模型的对象实 施的一种控制策略。 施的一种控制策略。它是模糊数学同控制 理论相结合的产物， 理论相结合的产物，同时也是智能控制的 重要组成部分。 重要组成部分。
人工智能控制技术课件：模糊控制
模糊集合
模糊控制是以模糊集合论作为数学基础。经典集合一般指具有某种属性的、确定的、
彼此间可以区别的事物的全体。事物的含义是广泛的,可以是具体元素也可以是抽象
概念。在经典集合论中,一个事物要么属于该集合,要么不属于该集合,两者必居其一,
没有模棱两可的情况。这表明经典集合论所表达概念的内涵和外延都必须是明确的。
1000
1000
9992
9820
的隶属度 1 =
= 1，其余为： 2 =
= 0.9992， 3 =
=
1000
1000
1000
9980
9910
0.982， 4 =
= 0.998， 5 =
= 0.991，整体模糊集可表示为：
1000
1000
1
0.9992
0.982
0.998
《人工智能控制技术》
模糊控制
模糊空基本原理
模糊控制是建立在模糊数学的基础上，模糊数学是研究和处理模糊性现
象的一种数学理论和方法。在生产实践、科学实验以及日常生活中，人
们经常会遇到模糊概念(或现象)。例如，大与小、轻与重、快与慢、动与
静、深与浅、美与丑等都包含着一定的模糊概念。随着科学技术的发展，
度是2 ，依此类推，式中“+”不是常规意义的加号，在模糊集中
一般表示“与”的关系。连续模糊集合的表达式为：A =
)( /其中“” 和“/”符号也不是一般意义的数学符号，
在模糊集中表示“构成”和“隶属”。
模糊集合
假设论域U = {管段1，管段2，管段3，管段4，管段5}，传感器采
1+|
关于模糊控制理论的综述
物理与电子工程学院《人工智能》课程设计报告课题名称关于模糊控制理论的综述专业自动化班级 11级3班学生艳伟学号指导教师明月成绩2014年6月18日关于模糊控制理论的综述摘要：模糊控制方法是智能控制的重要组成部分，本文简要回顾了模糊控制理论的发展，详细介绍了模糊控制理论的原理和模糊控制器的设计步骤，分析了模糊控制理论的优缺点以及模糊控制需要完善或继续研究的容，根据各种模糊控制器的不同特点，对模糊控制在电力系统中的应用进行了分类，并分析了各类模糊控制器的应用效能.最后，展望了模糊控制的发展趋势与动态.关键词：模糊控制；模糊控制理论；模糊控制系统；模糊控制理论的发展模糊控制是以模糊集理论、模糊语言变量和模糊控制逻辑推理为基础的一种智能控制方法，从行为上模拟人的思维方式，对难建模的对象实施模糊推理和决策的一种控制方法.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、电力系统、家用电器自动化等领域中解决了很多的问题，引起了越来越多的工程技术人员的兴趣.模糊控制系统简介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.1965年美国的扎德[1]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.模糊控制的发展模糊控制的发展基本上可分为两个阶段：初期的模糊控制器是按一定的语言控制规则进行工作的,而这些控制规则是建立在总结操作者对过程进行控制的经验基础上,或设计者对某个过程认识的模糊信息的归纳基础上,因而它适用于控制不易获得精确数学模型和数学模型不确定或多变的对象.后期的模糊控制器则是基于控制规则难以描述,即过程控制还总结不出什么成熟的经验,或者过程有较大的非线性以及时滞等特征,试图吸取人脑对复杂对象进行随机识别和判决的特点,用模糊集理论设计自适应、自组织、自学习的模糊控制器.模糊控制现正从以下几个方面加紧研究：1) 研究模糊控制器非线性本质的框架结构及其同常规控制策略的联系,揭示模糊控制器工作的实质和机理.它可提供系统的分析和设计方法,解决一些先前被认为是困难但却是非常重要的问题,如稳定性、鲁棒性等.2) 在模糊控制已取得良好实践效果的同时,从理论分析和数学推导角度揭示和证明模糊控制系统的鲁棒性优于常规控制策略.3) 研究模糊控制器的优化设计问题,尤其是在线优化问题.模糊控制器源于采用启发式直觉推理,其本身的推理方式难于保证控制效果的最优.解决模糊控制器的优化问题也是进一步将其推向工业应用的有效手段.4) 在理论研究中规则本身非线性问题及实际应用中模糊控制器的规则自学习和自动获取问题.前者之所以成为难点,是因为具有线性规则的模糊控制器本身已属非线性控制,非线性规则则更使问题的系统化研究方法困难;后者则构成智能控制中专家系统的核心问题.5) 将模糊控制同其它领域的理论研究方法相结合,利用模糊控制的优势解决该领域中过去用常规方法难以解决的问题.模糊控制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.1.1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[2]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[3] (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[4]优化的模糊控制考虑到模糊控制器的优化涉及到大围、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.显然通过改进遗传算法, 按所给优化性能指标, 对被控对象进行寻优学习, 可以有效地确定模糊逻辑控制器的结构和参数.5）模糊控制与专家控制相结合专家模糊控制系统是由专家系统技术和模糊控制技术相结合的产物.把专家系统技术引入模糊控制之中, 目的是进一步提高模糊控制器的智能水平.专家模糊控制保持了基于规则的方法的价值和用模糊集处理带来的灵活性, 同时把专家系统技术的表达, 利用知识的长处结合进来.专家系统技术考虑了更多方面的问题, 如是什么组成知识, 如何组织、如何表达、如何应用知识.专家系统方法重视知识的多层次及分类的需要, 以及利用这些知识进行推理的计算机组织.将模糊控制与专家控制相结合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.除以上介绍的几种主要方式外,还有多变量模糊控制, 模糊系统建模及参数辨识、模糊滑模控制器、模糊解耦控制器、模糊变结构控制、模型参考自适应控制、最优模糊控制器、模糊预测控制等.1.2模糊控制的软硬件产品为了更好的利用模糊控制, 相继有不少公司开发了模糊控制的软件工具和硬件集成电路.这里介绍了两类开发工具, 一类是开发模糊系统的软件工具, 如FREEWARE、FIDE、东芝IFCS、NEC FL SDE 、FC - TOOL V110 .另一类是通用模糊逻辑开发工具, 如CUBICALC、FUZZY -C、FUZZL E 118 、METUS FUZZY L IBRARY、FUZZY LOGIC DESIGNER 等.并介绍了一些其它的开发工具.1.3模糊控制的一些应用模糊控制的应用非常广泛.除广泛应用于工业控制、家电控制、水电控制、航天等外.我们还可以用在统计上、决策系统上、制造活性炭过程中等.2模糊系统的函数逼近特性研究模糊系统的函数逼近特性研究是90年代以来模糊系统理论研究的重要方向，同时也是模糊系统理论的一个重要支柱.模糊系统关于连续函数的逼近特性给模糊系统在系统辨识、控制等方面提供了重要的理论基础.4.1几类特殊模糊系统的函数逼近特性近年来关于这方面的研究比较多，众多学者针对于各种不同的模糊系统，分别研究了其函数逼近特性，指出这些特殊的模糊系统是一种万能逼近.Buckley[5]对一类三维模糊控制系统进行分析，采用Stone-Weiestrass定理证明了这类系统的逼近特性，并指出这类模糊控制器是“universal fuzzy con-troller”；Wang采用Gaussian型隶属度函数，提出一类FBF，证明了一类模糊系统的逼近特性；Kosko基于加型模糊系统（additive fuzzy system[6]），采用有限覆盖定理，构造性地证明了一类模糊系统的逼近特性；，Zeng等对以上工作作出相应拓展.Zeng基于梯形隶属度函数，采用类似于Wang的FBF，提出了一类模糊系统，这类模糊系统具有自己较为特殊的性质.以上研究大致可分为两大类，其一是Buckley，Wang，Zeng等采用Stone-Wierestrass定理间接证明了一类模糊系统的逼近特性，证明方法比较系统化，但其证明过程中看不出模糊系统逼近特性的在本质；其二是Kosko基于有限覆盖定理，采用构造性方法，直接证明了这一结论，其构造性证明过程反映出模糊系统逼近特性的本质，并且得出影响逼近能力的重要因素.模糊系统具有万能逼近特性，但实际中模糊系统在函数逼近方面存在很多局限性，如何客观分析影响其逼近能力的重要因素，仍须进一步研究.4.2万能逼近的充分和必要条件早期的函数逼近即万能逼近（Wang）研究都是基于一类特殊的模糊系统.虽然作为应用，某些特殊的模糊系统是足够了，但作为模糊系统理论分析，这一点仍不完善，Cas-tro在分析前人结果的基础上，提出的一类较为一般的模糊系统，指出了其万能逼近特性.但由于模糊系统本身具有三大基本环节，每个环节又有不同的选取方法，因此任何一种模糊系统都很难达到“一般”性.随着这一理论的发展，Ying首先研究了一般模糊系统作为万能逼近器的充分条件.充分条件的提出与Wang等人的证明较为类似，但换了一个角度来考虑这一问题，并且他所提出的模糊系统也相对具有一定的一般性.此后，Ying又分析了一类特殊模糊系统作为万能逼近器的必要条件.由于模糊系统本身结构的多样性，给模糊系统的理论分析带来一定的难度，尽管很多类模糊系统的万能逼近特性已被证明，但要研究一般模糊系统的逼近特性仍存在一定的难度.Ying的方法，即分开研究其充分条件及必要条件，也是一种新的思路.3模糊控制系统的稳定性分析稳定性分析是模糊控制器的一个基本问题.Tong[7]于1978年就提出闭环模糊系统描述模型，并在模糊关系基础上提出了稳定性概念.基于Lyapunov[8]稳定性分析方法，Kiszka等于1985年定义了模糊系统能量函数，并讨论了模糊系统稳定性.这些研究一般都是对模糊控制器提出了一定的简化模型，其结果很难适用于一般的模糊控制系统.近年来，随着TS模糊模型的研究，一种基于TS模型的模糊系统的稳定性分析取得了一定的发展.关于TS模糊模型的稳定性分析给模糊系统的稳定性分析提出了新的思路.针对于离散系统，提出一种模糊控制器，采用各局部控制的加权组合.并且基于一种能量函数，利用Lyapunov方法证明了模糊控制系统的稳定性.基于TS的模糊模型，其思想为后来的模糊状态方程的提出奠定了基础.基于TS模型的模糊系统稳定性分析对于模糊系统的稳定性分析提出了新的方法，但由于这类模糊系统的特殊性，其应用围仍存在一定的问题，仍须进一步研究.4模糊控制理论的应用及发展前景6.1模糊控制急需解决的问题模糊控制理论经过近几十年的发展，也还存在一些不足，还有一些亟待解决的问题，归纳如下：（1）要揭示模糊控制器的实质和工作机理，解决稳定性和鲁棒性理论分析；（2）模糊控制和传统控制的鲁棒性的对比关系究竟是怎么样，尚缺少理论分析和数学推导方面的比较；（3）如何衡量一个模糊控制系统的功能稳定性问题，最优化问题该如何评价；（4）在模糊运算中似乎丢失了大量信息却又能获得优于控制的良好控制效果起控制作用的因素是什么，模糊运算中的信息损失应否设法修正或补偿；（5）模糊控制规则和隶属度函数的获取与确定是模糊控制中的”瓶颈”问题.6.2模糊控制在电力系统中的应用在电力系统中，模糊控制已经应用于电力系统稳定器、发电机励磁的控制、电力系统的动态安全评估、经济调度等.下面就模糊控制在电力系统控制器的设计中的应用加以详细介绍.（1）fuzzy-pid[9]复合控制.通常由简单模糊控制器、pi和pid控制器组成：利用模糊控制器对系统实现非线性的智能控制，利用pi控制器克服模糊控制器在系统达到稳态时可能产生的震荡及稳态误差大的问题；（2）变结构模糊控制器.一般采用多个简单的子模糊控制器构成一个变结构模糊控制器，在变结构模糊控制器的输入端有一个系统特征状态识别器，根据系统的偏差等特征状态，系统可切换到不同的子模糊控制器上；（3）模糊h∞控制器.一般由简单模糊控制器和h∞控制器组合而成；（4）自适应模糊控制器.在实时运行时，它能对控制器自身的有关参数进行调整，使系统的控制品质得到改善和提高；（5）基于神经网络的模糊控制.神经网络对环境的变化有较强的自适应学习能力，用神经网络的学习能力，能够获取并修正模糊控制规则和隶属函数. 6.3模糊控制的发展前景模糊控制虽然已经有不少的研究成果, 而且也被广泛地应用于生产实践中, 但模糊控制的发展历史还不长, 理论上的系统性和完善性、技术上的成熟性和规性都还是远远不够的, 尤其是模糊控制与其他智能化控制方法相结合的控制方法, 还有待于人们在实践中得到验证和进一步的提高.除此外, 模糊控制在理论和应用方面还应在以下方向加强研究:(1) 易于控制并且能消除静态控制偏差的模糊PID 控制器, 且尽量减少可调参数, 最好控制在三个以;(2) 模糊预测控制, 就是把预测控制和模糊推理相结合也是很有吸引力的研究方向之一;(3) 模糊控制应用于医学、生物、金融、风险评估等新型领域.扩大模糊控制的应用领域;(4) 将遗传算法或其它算法应用于模糊神经网络, 以提高运算速度和参数寻优的结果;(5) 寻找能够具有自学习调整隶属度函数的模糊控制方法.5结论近年来,模糊控制系统的研究取得了很大的进展，特别是模糊控制器的结构分析，模糊系统的万能逼近特性,模糊状态方程及稳定性分析，软计算技术等；同时，模糊逻辑在软件硬件方面也取得了飞速的发展.但模糊系统理论仍存在一定的问题,主要有以下不足之处：1)尽管模糊系统的万能逼近特性已被证明,但只是一个存在性定理.实际中,对于一般的未知系统,如何找到一个合理的模糊逼近器,尚无确定的方法.2)常见的模糊系统种类比较多，如TS，FBF，SAM[10]等，一般的模糊系统应具有怎样的形式，目前仍不很清晰.模糊系统的系统化设计方法仍须进一步研究.3)模糊控制系统的稳定性分析近年来有了一定的进展，但这些分析都是针对一定的特殊系统.模糊控制器具有一定的鲁棒性，但只能从概念上讲，严格的理论分析仍须进一步深入研究.稳定性和鲁棒性的分析仍依赖于模糊系统的系统化设计方法和模糊系统理论的进一步研究发展.这些问题都有待于进一步研究.4）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、专家模糊控制系统、神经模糊控制系统和多变量模糊控制系统的分析与设计等一系列问题;5）模糊控制在非线性复杂系统应用中的模糊建模、模糊规则的建立和推理算法的深入研究;6）模糊集成控制系统的设计方法研究;7）自学习模糊控制策略的实现;8）模糊控制系统的稳定性分析.参考文献:[1]权太等. 模糊控制技术在过程控制中的应用现状及前景.控制与决策,1988,3(1）:59-62.[2]汪培庄.模糊集合及应用.: 科学技术，1983:20-30.[3]化光.复杂系统的模糊辨识与模糊自适应控制.: 东北大学,1994:100-110.[4]Zadeh L A. Fuzzy sets [J]. Information and Control 1965,8:338-353.[5]Filev D P and Yager R R. A generalized defuification method via BAD distributions [J]. Int. J. Intelligent Systems,1991,6(7) : 687-697.[6]JiangT and Li Y. Multimode oriented polynomial transformation based defuzzification strategy and parameter learning procedure [J]. IEEE Trans.on Systems, Man, and Cybernetics, 1997,27(5) : 877-883.[7]Takagi Tand SugenoM. Fuzzy identification of systems and its applications tomodeling and control [J]. IEEE Trans. on Systems, Man, and Cybernetics,1985, 15(1): 116-132.[8]Wang L X. Generating fuzzy rules by learning from examples [J]IEEETrans. on Systems, Man, and Cybernets, USA, 1992,22(6): 1414-1427.[9]Wang L X. Fuzzy systems as universal approximators [A]. IEEE Int.Conf.Fuzzy Systems [C], San Diego, USA, 1992:1163-1170.[10]Zeng X J and Signh MG. Approximation theory of fuzzy systems-SISO case [J]. IEEETrans. on Fuzzy Systems,1994,2(2): 162-176.。