模糊控制理論綜述

李悟早 郭術義 任思杰

摘 要：介紹模糊控制理論的概念、結構、歷史發展、應用特點和發展概況，著重闡述模糊控制的設計，分析設計中的關鍵模糊控制器。事實上，單純的模糊控制往往達不到理想的結果，實際運用中需要將模糊控制和其他成熟的控制理論相結合，以達到最優控制的目的。因此，總結各種控制系統與模糊控制的結合，分別有神經網絡模糊控制、基于遺傳算法的模糊控制、專家模糊控制以及混沌模糊控制等，并指出了模糊控制理論中需要解決的問題，展望了模糊控制的發展方向。

關鍵詞：模糊控制;遺傳算法;模糊控制器

中圖分類號：TP273文獻標識碼：A文章編號：1003-5168（2019）11-0012-04

Abstract： The concept， structure， historical development， application characteristics and development of fuzzy control theory were introduced. The design of fuzzy control was emphasized and the key fuzzy controllers in design were analyzed. Simple and simple fuzzy control often fails to achieve ideal results. In practice， it is necessary to combine fuzzy control with other mature control theories to achieve optimal control. The combination of various control systems and fuzzy control was summarized， including fuzzy control， genetic algorithm optimization fuzzy control， chaotic fuzzy control， expert fuzzy control， etc. The problems that need to be solved in fuzzy control theory were pointed out， and the development of fuzzy control was prospected.

Keywords： fuzzy control;genetic algorithm;fuzzy controller

傳統控制的主要特征是基于模型的控制。但是，隨著社會的發展和科技的進步，被控對象變得越來越復雜，設計的因素越來越多，這些復雜性都難以用精確的數學模型來描述。除了復雜性之外，往往還存在著某些不確定性，不確定性也難以用精確數學方法加以描述。而模糊控制則能很好地處理這方面的問題。控制論的創始人維納提出，人之所以能勝過機器主要是因為人具有運用模糊概念的能力。人腦的特點之一就是，能夠基于過去的經驗對模糊的事物進行識別和判斷。自從Zadeh教授創立模糊集合論[1]以來，模糊數學以及模糊控制的發展日新月異，能解決很多復雜和具有不確定性屬性的系統控制[2]問題。

1 模糊控制簡介

模糊控制是以模糊數學為基礎，由模糊集合論、模糊語言以及模糊邏輯[3]組成的計算機控制技術。它屬于一種非線性的智能控制，能夠轉化人的思維和模糊化[4]語言，實現對無法建立精確模型的被控對象的有效控制。

1.1 模糊控制的基本結構

如圖1所示，模糊控制系統一般分為4部分。第1部分，輸入/輸出接口裝置，即將得到的信號進行數模變換，轉變為計算機能夠識別的模擬信號。第2部分，模糊控制系統的核心模糊控制器。模糊控制器通過給定信號將信號通過處理模糊集合、模糊規則進行清晰化處理，最后得出應有的結論。第3部分，被控對象。被控對象的種類很多，屬性也不同，從控制角度可以分為線性和非線性。但是，隨著涉及的領域越來越多，被控對象的類別領域也愈發廣闊，如機械、生物以及醫學等。缺乏精確數學模型的情況比較適合選用模糊控制，但是在選用精確模型的情況下模糊控制仍然可以取得很好的結果時，也可選用模糊控制。第4部分，傳感器。它往往擔任著將被控對象的控制量等物理信號轉化為電信號的任務。被控對象的種類并不固定，如濃度、濕度以及壓力等。傳感器的精度一般會影響整個控制系統的精度，所以選擇傳感器時一般選用精度高且穩定性好的傳感器。

[計算控

制變量][模糊量化處理][模糊控制規則][模糊推理][非模糊

化處理][執行機構][D/A][模糊控制器][A/D][給定值][傳感器][被控對象]

圖1 模糊控制的基本結構

1.2 模糊控制的特點

①采用語言控制的規則，主要依靠工作人員和專家的相關經驗、知識和操作數據，所以無需考慮多方面因素建立復雜的被控對象的精確模型。

②因為是基于語言決策規則設計的，因此，有利于模擬人類思維，有利于模擬人工控制方法，具有很高的可操作性。

③魯棒性強。經過模糊化和清晰化處理，受外界干擾和參數變化的影響較小，尤其適合非線性、時變和純滯后系統的控制。

④結合性強。模糊控制可以和其他相對成熟的控制理論方法結合使用，如PID控制[5]、自適應控制[6]等。

⑤從工業過程定性的角度來看，易建立語言控制規則，所以尤為適用于難以獲取數據信息、難以掌握動態特性或者變化顯著的對象。

⑥多用于工業過程控制領域，如提出模糊控制加前饋補償的復雜模糊控制器方法，用于與MCS-51單片機控制的異步電動機輕載降壓節能器上，取得了良好效果。

2 模糊控制的設計

傳統的控制系統分析與設計是基于工作情況、工作過程以及工作機理進行大量分析后建立精確的數學模型，而模糊控制并不是主要關注被控對象的內部結構和數學模型建立，重點是分析對被控對象的操作經驗、策略以及大量的操作數據等，最后使用模糊條件語句表述模糊規則，再根據這些規則確定主要變量、選擇覆蓋所有變量的模糊子集和適當的隸屬函數，從而確定控制器結構，設計模糊控制器。

2.1 確定模糊控制器結構

首先，要根據人-機系統分析人所能獲得的信息，因為人對誤差、誤差的變化以及誤差變化的速率的敏感程度存在差異。其次，結合所處環境確定輸入和輸出的物理量，通常從以上3個變化量中選擇。根據變量個數和影響因素的不同，往往采取不同的模糊控制器結構。常見的模糊控制器分為一維、二維以及高維模糊控制器。隨著維度的升高，精確度不斷提高，但也越來越復雜，運算時間也越來越長。因此，目前人們廣泛設計和使用二維模糊控制器的。

2.2 確定模糊規則

控制規則是設計模糊控制器的關鍵所在，通常包含3部分內容，分別是選擇描述輸入和輸出變量的詞集、定義各模糊變量的模糊子集以及建立模糊控制器的控制規則。因為是語言規則，所以描述的時候具有模糊性，可以用模糊集合來表示，模糊概念的確定問題轉化為求取模糊集合隸屬函數的問題。一般情況下，選擇3～7個語言變量進行描述。定義各模糊子集的時候，在保證完備性、一致性以及交互性的基礎上，覆蓋子集個數3～10個為宜。隸屬度函數的類型根據具體情況和經驗的不同，也可以選取不同的類型，如Z型、鐘型、高斯型以及三角型等。通常模糊規則分為語言型、表格型和公式型，其中最早期的鍋爐-蒸汽機模糊控制系統，采用了語言型模糊規則，并使用了2個雙輸入-單輸出F控制器，實現了鍋爐-蒸汽機系統保持恒定轉速的自動控制，完成了世界上第一臺模糊邏輯控制系統的開創性工作。在經過模糊推理后，要進行清晰化處理，常用的處理方法有面積平分法、面積中心法、函數型推理法和最大隸屬度法等。其中，以最大隸屬度法的應用最為廣泛。

2.3 模糊系統辨識和模糊預測

運用模糊集合理論，從輸入和輸出的測量值來辨識系統的模糊模型是很有效的一種手段。建立模糊模型是根據系統的輸入輸出的量測值來構成一組描述系統特性的規則。而規則條數的多少反映了模糊算法的復雜程度。規則條數越少，計算越簡單;條數越多，運算越復雜[8]。模型是根據一段時間的輸入和輸出信息建立的，實際工作中，工作條件和生產環境往往不是恒定的，于是又提出了很多模糊預測[8]模型。可以根據輸出的測量值不斷修正模糊規則，再根據不斷修正預測表求預測值的自適應預測模型。此外，還有1985年日本高木和杉野提出的動態系統模糊模型辨識方法，簡稱T-S模型[9]。

2.4 提高模糊控制性能的方法

通常從動態、靜態和適應性能方面入手提升模糊控制器的性能。不僅要提高其穩定性和魯棒性，而且要增加快速性和準確性。多層模糊控制器是對簡單模糊控制器的改進。多層模糊控制器將誤差和誤差變化的論域分成不同的層次，每個層次再劃分不同的范圍，當系統的運動軌跡進入某一層后，控制器運用所在層的論域，以獲得很好的穩定性，并達到很高的穩態精度。連續型模糊控制算法與傳統查詢表的方式的模糊控制器不同，可以對參數進行自適應調整，獲得更快的動態響應和較高穩態精度。仿真研究表明，這種控制形式獲得的穩態精度不亞于PID控制，在魯棒性和快速性方面也優于PID控制。Fuzzy-PID復合控制的方法是在大偏差范圍內采用Fuzzy控制，在小范圍偏差內運用PID控制，兩者的轉換可以由微機程序自動實現。自尋優模糊控制系統與傳統PID控制進行巧妙結合，運用在線的優化措施提高模糊控制穩態精度。模糊-積分混合控制器是在模糊控制器中引入積分控制來提高穩態精度。由于誤差的連續變化，積分的控制作用也連續變化，因而可以完全消除余差和極限環振蕩。Smith-Fuzzy[10]控制器主要是提高模糊控制中的滯后對象能力。傳統的Smith控制系統的設計方法主要是依賴被控對象的精確模型，所以參數發生變化時，其控制性能會明顯變差。結合模糊控制不需要精確模型這個優點后，Smith-Fuzzy兼顧雙方的優點，不僅對純滯后特性有較好的補償作用，而且對被控參數的變化有很強的適應性。模糊自適應Smith預估模型是將模糊控制、自適應和Smith預估控制相結合形成的。此外，在之前的基礎上增加自適應功能，即對模糊控制參數實現自調整和自校正。三維模糊控制器可提高控制高階對象的能力，運用結構分析方法推廣到三維控制器上，分析得出三維模糊控制器等同于一個全局多層次關系式和一個局部非線性PID控制器。

3 模糊控制的發展狀況

模糊控制在剛開始時進展緩慢，但進入20世紀70年代后發展迅猛。無論是投入人數還是發表論文的數量，都在呈指數式增長。20世紀80年代，成立了國際模糊系統協會（IFSA）。現在，模糊控制已經在圖像識別、自動控制、機器人、人工智能、模式識別、醫藥以及游戲等領域獲得廣泛應用。

3.1 神經網絡與模糊控制結合

神經網絡[11]具有很強的逼近非線性函數的能力，但是不善于顯示表達知識，而模糊控制則具有顯示表達知識的特點。兩者結合能在智能控制中發揮更大作用。FNAOC的結構在神經網絡中應用模糊邏輯和聯想記憶相結合，可以實現基于模糊規則的自組織控制[12]。FNAOC不僅可以通過應用基于模糊規則的樹結構，而且可以通過應用基于模糊概念節點的映射結構來描述模糊知識。模糊神經網絡控制模型通過神經網絡的學習功能和相應的神經元來完成求和、求積和求隸屬度等運算。在神經網絡的模糊邏輯控制系統設計中，由機器學習[13]技術通過樣本訓練，可構造和發展模糊控制規則，可發現優化輸入輸出隸屬函數，通過自組織和監督學習方法相結合，可使系統具有較快的收斂速度。建立的模糊控制和決策系統共有5層：第1層是輸入節點，代表語言變量;第2層和第4層是詞集節點，用來描述各自語言變量定義的隸屬函數;第3層的每個節點是規則節點，用來代表模糊規則，其中三四層連線可以起到聯接機制的推理作用;第5層是輸出層，每個輸出節點有2個語言節點，一個用來訓練數據饋入網絡，另一個用來將決策信號用網絡輸出。第2層和第5層在語言節點完全聯系，連線的箭頭指明了流程方向，作為信號傳播方向。

3.2 多模變結構智能控制與模糊控制結合

滑動模態控制[14]屬于智能控制中的非連續控制，優點是擁有很高的穩定性和魯棒性，能夠將被控對象從任意位置控制到滑動曲面上。滑動模態控制與模糊控制結合后，取長補短，不僅可以發揮出模糊控制器的長處，還能減弱滑動模態控制的顫抖。模糊控制與滑動模態結合主要有2種方式：一種是通過分析信息建立模糊規則，在模糊規則下自適應地調整符號函數項的幅度;另一種通過模糊控制規則直接確定滑動模態控制量，即直接把開關函數及其微分作為輸入量，通過模糊推理獲得滑動模態控制的控制量。仿真結果表明，基于模糊邏輯的連續滑膜控制不僅能有效消除高頻抖動，對模型不確定性和外部擾動具有較強的魯棒性，而并且具有良好的追蹤性能。

3.3 遺傳算法和模糊控制結合

遺傳算法[15]是建立在自然選擇和自然遺傳學機理基礎上的迭代自適應概率性搜索算法。在遺傳算法結構上，通過選擇、交叉和突然變異來改變。遺傳算法受遺傳機制的影響，能夠很好地處理復雜的非線性問題。將遺傳算法與模糊控制結合，可以結合雙方的優點，發揮遺傳算法自組織、自學習和自校正的特點，優化模糊控制。對于混合車輛的路徑問題，改進模糊邏輯控制器，并且運用遺傳算法中的交叉概率和變異的動態調整方法，達到了路徑優化選擇的目的[16]。與過去的路徑問題相比較，充分證明了模糊遺傳具有出色的控制效果。

3.4 專家系統與模糊控制結合

專家系統[17]是一個由大量專家提供形成的專業知識和經驗構成的程序系統，根據專家提供的各個領域的專業知識進行判斷、分析和推理，運用模擬專家決策的方法解決需要真正專家解決的復雜問題。將專家系統與模糊控制系統結合，可以充分體現專家系統的特點，進一步提高模糊控制器的智能化水平。運用多級模糊控制器與專家系統結合的方法，可解決室內無人機[18]三維空間下躲避障礙的問題，搭建模糊專家控制系統，降低系統成本。

3.5 混沌控制和模糊控制結合

混沌是非線性動力學系統在一定條件下表現的一種運動狀態，看似雜亂無章，卻有一定的規律。它是確定性的，又有隨機行為。混沌的重要特征是初始條件的微小差異可能對以后的時間演化產生巨大影響。所以，不可能長期預測。但是，由于時間序列數據重構吸引子，并以吸引子為基礎，可以進行短期預測。利用混沌所具有的短期預測性能構成混沌模糊控制器，可以有效解決被控對象負荷與干擾變化的有效控制問題。由于混沌預測具有非常高的預測精度，因此基于這樣的預測結果，混沌模糊控制器所進行的前饋控制，可以說使用基于非線性動力學系統理論所決定的時間序列模型，具有對被控對象負荷與干擾的預測特征。分析混沌法下的高速公路主線速度模糊控制的仿真分析情況，提出相空間壓縮混沌控制法，實現了在混沌法下的高速公路主線速度的模糊控制，提高了實際車輛的通行能力[19]。

3.6 粗糙集與模糊控制結合

粗糙集[20]理論具有很強的定性分析能力，能夠有效表達不確定的或不精確的知識。粗糙集合與模糊控制中的模糊集合雖然都是處理不確定性問題的工具，但是方向不同。模糊集合注重研究屬于同一類的不同對象的隸屬程度，而粗糙集合研究不同類中的對象組成的集合之間的關系側重于分類，兩者結合形成模糊-粗糙控制[21]。針對軌道電路的故障診斷，采用將粗糙集方法和模糊認知圖結合并引入故障判別中，并在此過程中利用自適應遺傳算法完成學習。這種方法有效可行，可以獲得較高的故障辨識率和較短的診斷時間。

4 模糊控制研究中存在的問題

①模糊控制的應用發展快于理論，各種論文數量繁多卻缺少完整系統性的模糊理論;②模糊化方法比較粗略，有關模糊化的方法有待進一步探索;③很多控制理論與模糊控制的結合比較淺，如果只進行簡單的模糊處理，會導致控制精度和準確性下降，但如果提高精度又需要引入其他影響因子和增加量化級數，會降低運行速度;④如何獲得模糊規則及隸屬函數，在目前沒有一個統一完善的方案，主要依靠經驗篩選;⑤受模糊控制本身理論進展的影響，模糊控制的穩定性分析和設計一直是一個難題。雖然相關論文比較多，但是卻沒有形成體系。

5 模糊控制的展望

從模糊控制創立以來，模糊控制發展迅速，取得了很多進展和成果。

①現在的控制往往不是單一控制，往往是多種控制并行的情況。具體地，傳統PID控制往往結合神經網絡、遺傳算法以及混沌控制等實現聯合控制。由于模糊控制具有很強的自適應和魯棒性，所以在工程應用方面有很大潛力。

②辨識模型和模糊預測等關于模糊系統穩定性和魯棒性的研究雖然是難點，但也是未來的熱點，有待進一步發展。

③如何科學獲得模糊規則和隸屬度函數，是今后的研究熱點，其目標向高度自適應系統發展。

④模糊控制可應用于更多更新領域，雖然與游戲領域有所涉及，但卻不夠深入，游戲領域一直是很熱門和影響力很廣的領域。應該擴大模糊控制的應用領域。

參考文獻：

[1]Zadeh L A.Fuzzy Sets[J].Information and Control，1965（3）：338-353.

[2]Nizar H T，Mohamed A H，Fran?ois D. Stabilization of a Certain Class of Fuzzy Control Systems with Uncertainties[J].Archives of Control Sciences，2017（3）：453-481.

[3]Mohamad A，Esmail M，MirRahim M，et al. A Novel Fuzzy PI Controller for Improving Autonomous Network by Considering Uncertainty[J].Sustainable Energy，Grids and Networks，2019：18.

[4]Hao W，Haiming L，Jiancheng J.Handling Forecasting Problems Based on Fuzzy Time Series Model and Model Error Learning[J].Applied Soft Computing Journal，2019：109-118.

[5]ITADERA S，HASEGAWA Y，FUKUDA T，et al.Adaptive Control Algorithm of Walking Load for Cane Robot[C]//The Proceedings of JSME annual Conference on Robotics and Mechatronics（Robomec）.2017.

[6]Sebastian P，Ewa S.Membership Functions for Fuzzy Focal Elements[J].Archives of Control Sciences，2016（3）：395-427.

[7]張紅元，苑文鑫，李方春，等.基于T-S模糊算法的冷熱聯供制冷預測模型[J].自動化與儀表，2019（2）：87-90，102.

[8]蘇芳，李曉青.一種基于改進自適應粒子群算法的T-S模型辨識方法研究[J].自動化與儀器儀表，2018（10）：14-17.

[9]楊萍，劉輝春.基于嵌入式Smith-模糊PID小型箱式電阻爐溫控系統設計[J].鑄造技術，2018（11）：2554-2557.

[10]Dragan A，Costanzo B，Pierpaolo C，et al.Neural-fuzzy Optimization of Thick Composites Curing Process[J].Materials and Manufacturing Processes，2018（7）：1-12.

[11]陳斌，王茂森，戴勁松，等.神經網絡自組織模糊控制在同步收集裝置的應用[J].兵工自動化，2018（11）：34-37，53.

[12]楊劍鋒，喬佩蕊，李永梅，等.機器學習分類問題及算法研究綜述[J].統計與決策，2019（6）：36-40.

[13]Abdelilah C，Bachir D，Abdelmadjid G，et al.Finite-time Integral Sliding Mode Control for Chaotic Permanent Magnet Synchronous Motor Systems[J].Archives Of Electrical Engineering，2017（2）：229-239.

[14]王怡杰，王濤，蘭潔.基于遺傳算法的模糊邏輯系統的設計[J].模糊系統與數學，2018（5）：78-86.

[15]陳成.基于改進遺傳算法的物流車輛路徑問題優化[J].信息技術與信息化，2018（9）：41-43.

[16]夏宇.淺析故障診斷專家系統[J].內燃機與配件，2019（6）：123-124.

[17]于建均，趙少瓊，鄭逸加，阮曉鋼，吳鵬申.基于模糊專家決策的室內無人機避障系統[J].控制工程，2019（3）：423-430.

[18]趙湘.混沌法下的高速公路主線速度模糊控制仿真分析[J].公路工程，2018（6）：294-298.

[19]鄔陽陽，湯建國.大數據背景下粗糙集屬性約簡研究進展[J].計算機工程與應用，2019（6）：31-38，177.

[20]魏玲，張琬林，李陽.基于模糊包含度的貝葉斯粗糙集模型[J].統計與決策，2019（2）：34-38

[21]董昱，陳星.基于粗糙集和模糊認知圖的ZPW-2000軌道電路故障診斷[J].鐵道學報，2018（6）：83-89.