模糊控制理论的发展与综述

《模糊控制理论的发展与综述》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

模糊控制理论的发展与综述摘要：主要总结了近年来模糊控制系统的研究与发展，介绍了最近模糊控制系统研究的一些主要方面及研究成果，分析了它们的优缺点，并探讨了这一研究领域的研究趋向。关键词：模糊控制；模糊逻辑系统；模糊控制器；自适应模糊控制；函数逼近特性；稳定性分析1引言自从美国加利福尼亚大学控制论专家L.A.Zadeh教授在1965年提出的《FuzzySet》开创了模糊数学的历史[1]，吸引了众多的学者对其进行研究，使其理论和方法日益完善，并且广泛的应用于自然科学和社会科学的各个领域，尤其是第五代计算机的研制和知识工程开发等领域占有特殊重要的地位[2]。把模糊逻辑应用于控制领域则始于1973年[3]。1974年英国的E.H.Mamdani成功地将模糊控制应用于锅炉和蒸汽机的控制。此后20年来，模糊控制不断发展并在许多领域中得到成功应用[4]。由于模糊逻辑本身提供了由专家构造语言信息并将其转化为控制策略的一种体系理论方法，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，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，模糊控制是基于模糊推理，模仿人的思维方式，对难以建立精确数学模型的对象实施的一种控制策略。它是模糊数学同控制理论相结合的产物，同时也是只能控制的重要组成部分。模糊控制的突出特点在于：1）控制系统的设计不要求知道被控对象的精确数学模型，只需要提供现场操作人员的经验知识及操作数据。2）控制系统的鲁棒性强，适用于解决常规控制难以解决的非线性、时变及大滞后等问题。3）以语言变量代替常规的数学变量，易于形成专家的“知识”。4）控制系统采用“不精确推理”。推理过程模仿人的思维过程。由于介入了人的经验，因而能够处理复杂甚至“病态”系统。传统的控制理论（包括经典控制理论和现代控制理论）是利用受控对象的数学模型（即传递函数模型或状态空间模型）对系统进行定量分析，而后设计控制策略[5]。这种方法由于其本质的不溶性， 当系统变得复杂时，难以对其工作特性进行精确描述。而且，这样的数学模型结构也不利于表达和处理有关受控对象的一些不确定信息，更不利于人的经验、知识、技巧和直觉推理，所以难以对复杂系统进行有效地控制[9]。经典的模糊控制器利用模糊集合理论将专家知识或操作人员经验形成的语言规则直接转化为自动控制策略（通常是模糊规则表查询）[6]，其设计不依靠对象精确数学模型，而是利用其语言知识模型进行设计和修正控制算法。90年代以来，模糊控制系统的研究取得了一些比较突出的进展，如模糊系统的万能逼近特性，模糊状态方程及稳定性分析，软计算技术等等，这些研究逐步丰富和发展了模糊系统的理论体系。模糊控制在理论上突飞猛进的同时，也越来越多地、成功地应用于现实世界中。2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。3　模糊逻辑系统的研究 关于模糊逻辑系统的研究，本文只着重介绍一下非模糊化方法，并概括总结常见的一些模糊逻辑系统。3.1　非模糊化方法非模糊化处理是模糊系统中的一个关键环节，它是将模糊推理中产生的模糊量转化为精确量。常见的非模糊化方法有以下几种[7]：1）最大隶属度值法（MC：maxcriterion）；2）最大隶属度平均值法（MOM：meanofmaximummethod）；3）面积平均法（COA：centerofarea）；4）重心法（COG：centerofgravity）。由于这些非模糊化方法在不同程度上都具有一定的局限性，Filev和Yager[3]采用学习机制提出了一种基本非模糊化分布函数法（BADD：basicdefuzzificationdistribution），对COG中的加权因子进行了修正。在此基础上，后来又提出半线性非模糊化方法（SLIDE：semilineardefuzzification），改进半线性非模糊化方法（MSLIDE：modifiedsemilineardefuzzification）[9]。BADD，SLIDE及MSLIDE注意到MOM及COG的优缺点，结果仍不是很理想。Jiang和Li[10]对常见非模糊化方法进行了总结，提出基于广义传递函数的非模糊化方法（generalizedtransformation-baseddefuzzification），具有以下形式：u为隶属度，T为广义传递函数，x为论域值。选取不同的传递函数T，可求得不同的非模糊化方法，以上各种非模糊化方法都是这种方法的特例。同其他方法相比，Jiang和Li的方法适用面要广一些，但他们的方法中广义传递函数的选取很关键，同时一些参数通过自学习机制来确定，计算比较复杂。3.2　常见模糊逻辑系统模糊化处理，模糊推理，非模糊化处理各自有各种不同的选取方法，因此构成了很多种模糊系统，常见的模糊系统有以下几种：1）基本模糊系统。基本模糊系统指的是最基本意义下的模糊系统，具有标准的模糊化处理，模糊推理，非模糊化处理三个环节。其规则具有以下形式：：Ifis，is…andis，Thenyis，其中和均为模糊量。模糊推理一般采用常见的sup-*合成。 2）基于TS模型的模糊系统。TS模型最早是由Takagi和Sugeno[11]提出的，规则输出段采用线性集结方法：：Ifis，is…andisThen。这类模糊系统采用局部线性环节整体实现非线性，形式简单，易于工程应用。3）基于函数FBF的模糊系统。模糊基函数（FBF：fuzzybasicfunction）是Wang[12]首先提出的。这类模糊系统具有重心平均非模糊化机制、乘积推理规则及单值模糊化机制，表示为以下形式：　　Wang最初的模糊系统采用Gaussian型隶属度函数[13]。Zeng[14]基于梯形隶属度函数，提出另外一种FBF，具有一些比较特殊的性质，但模糊系统结构与Wang相同。基于FBF模糊系统从函数基展开的角度去研究模糊系统，在理论上具有很重要的价值。4）SAM模糊系统。标准加型（SAM：standardadditivemodel）模糊系统是通过对一般模糊系统的映射关系的分析，基于椭圆体规则映射关系[15]。从映射角度，论域空间与输出空间局部是一种椭圆体映射关系，而全局上采用加权平均的方式，形成一种模糊系统。这类模糊系统结构类似于上述基于FBF函数的模糊系统，但它从映射的角度去研究模糊系统，同时它的应用范围也要更广泛一些。4　模糊控制器的研究4.1　一般模糊控制器设计与结构分析模糊控制器一般采用反馈控制结构，从结构上分析，常见模糊控制器一般可分为二维、三维模糊控制器。类似于PID控制器，二维模糊控制器一般也称PD或PI型模糊控制器，三维模糊控制器称为PID型模糊控制器[16]。这方面工作最早是由Tang[17]明确提出的，通过对常规模糊控制器机理进行分析，他指出了一般模糊控制器同PI控制器的相似性。随后，Abdelnour[18]从PID控制角度出发，提出了FZ-PI，FZ-PD，FZ-PID三种形式模糊控制器。刘向杰[19]等采用各种方式得出了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。此外，胡包钢[20]对模糊控制器的维数作了分析，提出四项系统功能评价指标：控制量合成，耦合影响，增益相关，规则指数增长；并提出一维模糊控制器，其在规则数目处理上相对较优。将模糊控制与其他控制方法综合起来进行新的控制器设计也是一种新的研究方法。Palm[21]将模糊规则应用于滑模控制，提出了模糊滑模控制（FSMC），用以解决滑模控制中的高频颤动问题。将模糊模型应用于预测控制，张化光等提出了模糊预测控制。类似的研究还有模糊变结构控制（FVSC），模型参考自适应控制器，最优模糊控制器，分层递阶模糊控制器，自适应模糊控制器等等。4.2基于模糊自适应PID控制器的设计以模糊PID控制器为例，PID控制具有结构简单、稳定性能好、可靠性高等优点，尤其适用于可建立精确数学模型的确定性控制系统。但是在实际的应用中，大多数工业过程都不同程度地存在非线性、参数时变性和模型不确定性，因而一般的PID控制无法实现对这样过程的精确控制。模糊控制对数学模型的依赖性弱，不需要建立过程的精确数学模型。模糊自适应PID控制器比常规PID控制器明显地改善了控制系统的动态性能，抗干扰能力更强，且易于实现，便于工程应用。4.2.1模糊自适应PID控制器的原理模糊自适应PID控制器是应用模糊数学的基本理论和方法，把规则的条件、操作等用模糊集表示，并把这些模糊控制规则及有关信息作为知识存进计算机的知识库中，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参数的调整，这就是模糊自适应PID控制[22]。4.2.2模糊自适应PID控制器的结构在实际应用中，一般是以误差e和误差的变化率de/dt（ec）作为控制器的输入，可以满足不同时刻的e和ec对PID参数自整定的要求。利用模糊控制规则在对PID参数进行修改，便构成了自适应模糊PID控制器，结构图如图1所示：图1自适应调整模糊控制器结构图4.2.3　模糊自适应PID控制器的设计4.2.3.1参数自整定原则 PID参数模糊自整定是找出PID三个参数与误差e和误差的变化率ec之间的模糊关系，在运行中通过不断检测e和ec，根据模糊控制原理对三个参数进行在线修改，以满足不同要求，而使被控对象有良好的动，静态性能根据参数kp、ki及kd的作用，在不同的e和ec下，对PID控制器参数整定要求如下：1）当偏差较大时，应取较大的kp；较小的kd；并对积分作用加以限制，通常取ki=0。2）当偏差处于中等大小时，为使系统响应具有较小的超调，kd应取得小些。这时的取值对系统影响较大，要大小适中，以保证系统的响应速度。3）当偏差较小即接近设定值时，应增加kd和减小ki的取值，当偏差变化量较小时，可取值大些；当偏差变化量较大时，kd应取值小些。PID参数的整定必须考虑到在不同时刻三个参数的作用以及相互之间的互联关系[23]。4.2.3.2模糊控制器的结构二维模糊控制器的两个输入语言变量（偏差e和偏差变化）以及3个输出语言变量（KP、Kl和KD的修正值AKP、AKl和AKD）的模糊集及其论域定义如下：误差e及误差的变化率ec的模糊子集均为：{NB，NM，NS，ZO，PS，PM，PB}，子集中各个元素分别代表负大，负中，负小，零，正小，正中，正大。将误差e及误差的变化率ec的变化范围定义为模糊集上的论域：e，ec={-5，-4，-3，-2，-1，0，+1，+2，+3，+4，+5}。4.2.3.3变量隶属度函数的确定模糊控制器采用两输入三输出的形式，以e和ece为输入语言变量，kp，ki，kd为输出语言变量。输入语言变量的语言值均取为“负大”（NB）、“负中”（NM）、“负小”（NS）、“零”（ZO）、“正小”（PS）、“正中”（PM）、“正大”（PB）7种；输出语言变量的语言值均取为“负大”（NB）、“负中”（NM）、“负小”（NS）、“零”（ZO）、“正小”（PS）、“正中”（PM）、“正大”（PB）7种。将误差e及误差的变化率ec的变化范围定义为模糊集上的论域：e，ec={-5，-4，-3，-2，-1，0，+1，+2，+3，+4，+5}。4.2.3.4　建立模糊控制规则表模糊控制设计的核心是总结已有的技术知识和操作经验，建立合适的模糊规则，按照上述的参数整定原则，得到针对kp、ki、kd三个参数分别整定的模糊控制表。4.2.3.5　去模糊化依照模糊规则表得到的结果是一个模糊矢量，不能直接用来作为控制量，因此要进行模糊化（De2fuzzification），或称为模糊判决。本文采用工业控制中广泛使用的去模糊化方法———加权平均法： 来得到控制量的实际值[24]。4.3　基于模糊状态方程的模糊控制器设计基于模糊状态方程的模糊控制器设计采用了一种新的方法。它基于现代控制理论，并将相应的结果应用于模糊控制器设计及稳定性分析。模糊状态方程（模糊动态模型）[25]，其离散模型一般采用如下形式：：Ifis，is…andisThen。模糊状态方程是对最初TS模型的进一步推广。最初是基于一种稳定模糊控制器的设计[26]，对于所有子模型，其结果是要找到一个公共的正定矩阵，但这一要求在实际中很难满足。后来这一方面研究人员将这一条件进行弱化，提出只要找到一组正定矩阵，就可以满足稳定性要求，并做了相应的控制器设计。针对模糊状态方程的连续模型，给出了一种状态反馈控制器的设计方法，同时也提出了模糊状态观测器的设计方法。类似的研究还有采用极点配置的模糊控制器设计，基于LMI的模糊控制器设计等等。4.4　基于自适应模糊控制器的研究由于初始控制规则一般比较粗糙，很难达到控制要求，于是就出现了自适应模糊控制器。自适应模糊控制器的研究最早是由Procyk&Mamdani[27]于1979年提出的，称作语言自组织模糊控制器（SOC）。自适应模糊控制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，使之趋近于最优状态。根据所采用的结构和参数调节方法的不同，关于自适应模糊控制的研究可以大致分为以下几类。4.4.1　一般自适应模糊控制器研究为了提高模糊控制器的适应能力，采用一种带有修正因子的控制算法[28]，可描述为：u=-（α·E+（1-α）·EC），α∈（0，1），其中α称作修正因子。调整修正因子α，相当于改变了控制规则的特性。Procyk&Mamdani提出的语言自组织模糊控制器（SOC），直接对模糊规则进行修正，这是一种规则自组织模糊控制器。Raju[29]对控制规则进行分级管理，提出自适应分层模糊控制器。此外，Linkens[30]等学者提出了规则自组织自学习算法，对规则的参数以及规则数目进行自动修正。这方面的研究重点是针对于学习算法的， 常见算法由梯度下降法、变尺度法、奖罚因子学习法等，近来也出现了采用遗传算法学习。但是，对于规则自组织模糊控制器，一个重要的难题在于如何采取合理的规则表示法。随着神经网络的深入研究，采用神经网络来解决这类模糊控制器的规则表示及学习算法问题已成为新的研究方向。4.4.2　基于神经网络的模糊控制器研究就在模糊控制迅猛发展的同时，神经网络理论也在不断的完善、成熟。神经网络理论是随着智能计算机的发展而发展和实现的。它是一门以人脑的功能为研究对象，以人体神经细胞的信息处理方法为背景的，涉及生物、电子、计算机、数学和物理等学科的交叉学科。神经网络是由大t简单的、反映非线性本质特征的处理单元(神经元、处理元件、电子元件、光电元件等)广泛连接而构成的复杂网络系统。它是在现代神经科学研究的基础上提出的，反映了人脑功能的荃本特征。但它并不是人脑神经系统的真实写照，而只是对其作某种简化、抽象和模拟，神经网络是一个具有高度非线性的超大规模连续时间动力系，其主要特征在于信息的分布存储和信息的并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大t神经元构成的网络系统，实现的行为却是丰富多采的。神经网络并行处理能力是通过分布式结构来体现的，即由不同个数的神经元以及它们之间不同连接形式和方法来表现处理过程。神经网络的运行是从输入到输出的值的传递过程，在值传递的同时就完成了信息的存储和计算，从而将信息的存取和计算完善地结合在一起。值的传递过程和电流在电阻网络的传递过程是类似的，神经网络中各个神经元的工作是并行的。这种本质上的并行性与现在所研究的并行计算机的并行性在概念和实现方法上均有差异。和数字计算机相比，神经网络系统具有集体运算和自适应学习的能力。此外，它还有很强的容错性和鲁棒性，善于联想、综合和推广。近年来神经网络的应用所带来的经济和社会效益已逐渐被人们所重视。美国军方在海湾战争中采用了神经网络来进行决策控制，美国能源部利用它来预报世界原油价格，联邦航空管理局利用它进行机场行李炸弹的自动检验。美国联邦政府的其它许多部门也提出了发展神经网络应用的课题。此外，波音、德士古、福特等大公司以及一些银行和保险公司也都纷纷应用神经网络系统进行控制和决策。可以说，神经网络的应用领域达到了前所未有的广度，并且有着极其广阔的前景。为了解决模糊控制的适应性能，结合神经网络的特点，出现了模糊神经网络控制。1990年，日本著名的神经网络专家甘利俊一发表了他对神经网络与模糊技术相结合的看法。1992年提出了利用神经网络实现模糊逻辑推理的方法[21]，同年，提出利用神经网络实现模糊控制的方法[31]。目前，模糊理论与神经网络的融合模式大致分以下三种：1）在模糊推理控制中引入神经网络技术，解决隶属度最优设计、知识自动获取等问题；2）在神经网络设计中引入模糊技术，改善神经网络结构可修正性；3）模糊推理与神经网络各自独立工作，分别完成系统不同的功能。利用神经网络的结构映射模糊控制器的输入输出， 也就形成了各种不同模糊神经网络。在万能逼近理论的基础上，将模糊逻辑系统表示成一个前馈网络系统，采用反向传播学习算法（BP算法）对网络进行训练。但由于采用BP算法，不可避免地存在着局部极小等问题。在一定的约束条件下，Jang[32]等证明了模糊系统与RBF网络存在着函数等价性，提出了基于RBF网络的自适应模糊系统。在此基础上，Cho[33]研究了RBF网络在模糊系统中的应用，用RBF网络成功地构造了自适应模糊系统，并进一步用扩展的RBF网络实现了模糊系统的三种不同结构。由于RBF网络结构上具有输出-权值线性关系，因而基于RBF网络的自适应模糊系统具有训练方法快速易行、且不存在局部最优问题等优点。基于自适应网络的模糊推理系统是Jang在文[34]中提出的，通过调整自适应节点的参数改变模糊规则，其模糊规则的前件和后件的参数都能得到调整。类似的研究还有基于神经网络的模糊逻辑控制和决策系统，模糊ART映射，Kohonen分组网络，模糊小脑模型控制等等。神经网络为模糊控制提供了一种比较好的结构体系，采用神经网络解决模糊控制中的结构与参数调节问题，以及实现模糊控制的自适应能力是一种很好的方法。4.4.3　基于遗传算法的模糊控制器研究遗传算法作为一种新的搜索算法，具有并行搜索，全局收敛等特性，将遗传算法应用于模糊控制中，可以解决一般模糊控制器中隶属度函数及规则的参数调节问题。这方面研究主要有两方面：其一是采用遗传算法对隶属度函数参数进行调节；其二是对规则数目进行调整，规则数目的调整一般比较困难，这方面工作主要是Ishibuchi[35]提出的。遗传算法，神经网络与模糊技术是软计算技术的三大支柱，三者结合促进了这软计算技术的进一步发展。5　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。5.1　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[36]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“universalfuzzycon-troller”；Wang[12]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[15]基于加型模糊系统（additivefuzzysystem），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[14]，]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内在本质；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。5.2　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[12]）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[38]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[37]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[8]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[39]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。6　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[40]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稳定性分析方法，Kiszka[41]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，其应用范围仍存在一定的问题，仍须进一步研究。7模糊控制系统的应用及发展前景 模糊控制理论是控制领域中非常有前途的一个分支,在工程上也取得了很多成功的应用。1974年,E.H.Mamdani首次将模糊控制理论应用于蒸汽机和锅炉的控制,取得了满意的控制效果;随后,J.J.Oster2garad又将模糊控制成功地应用于热交换器和水泥窖的生产;之后,M.Sugeno又将模糊控制用于汽车控制,取得了很好的控制效果。80年代末,在日本兴起了一次模糊控制技术的高潮,其成果被广泛应用于各个领域。模糊控制在许多实际控制系统中得到广泛应用,如工业控制过程中的蒸汽发生装置控制系统、合金钢冶炼控制系统、炼油厂催化炉控制系统、铸铁退火炉温度控制系统等。另外,模糊控制也应用于航天飞行器控制、机器人控制、核反应堆控制、热交换过程控制、异步电动机控制、污水处理、肌肉麻醉控制、病人血压调整、电梯群控制、吊车自动控制等系统中。日用家电产品中的模糊控制应用也已相当普遍,如用模糊控制系统控制水温。8模糊控制理论的研究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[42]。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。常规模糊控制的两个主要问题在于:改进稳态控制精度和提高智能水平与适应能力。从大量文献中可以看出,在实际应用中,往住是将模糊控制或模糊推理的思想,与其他相对成熟的控制理论或方法结合起来,发挥各自的长处,从而获得理想的控制效果[43-45]。如: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Fuzzy2PI或Fuzzy2PID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。9结束语近年来,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]　ZadehLA.Fuzzysets[J].InformationandControl,1965,8：338-353.[2]FaouziBonslama,AkiraIchiltawa.Applicationoflimitfuzzycontrollerstostabilityanalysis.FuzzySetsandSystems,1992,49:103-220.[3]ZadehLA.Outlineofanewapproachtotheanalysisofcomplexsystemsanddecisionprocessess.IEEETrans.OnSystems,Man,andCybernetics,1973,SMC-3(1)28-44.[4]权太范等.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.[5]汪培庄.模糊集合及应用.上海:上海科学技术出版社,1983.[6]张化光.复杂系统的模糊辨识与模糊自适应控制.沈阳:东北大学出版社,1994.[7]　LeeCC.Fuzzylogicincontrolsystem：fuzzylogiccontroller,PartI,II[J].IEEETrans.onSystems,Man,andCybernetics,1990,20(2):404-435.[8]　FilevDPandYagerRR.AgeneralizeddefuzzificationmethodviaBADdistributions[J].Int.J.IntelligentSystems,1991,6(7):687-697.[9]　YagerRRandFilevDP.SLIDE：asimpleadatpivedefuzzificationmethod[J].IEEETrans.onFuzzySystems,1993,1(1):69-78.[10]　JiangTandLiY.Multimodeorientedpolynomialtransformationbaseddefuzzificationstrategyandparameterlearningprocedure[J].IEEETrans.onSystems,Man,andCybernetics,1997,27(5):877-883.[11]　TakagiTandSugenoM.Fuzzyidentificationofsystemsanditsapplicationstomodelingandcontrol[J].IEEETrans.onSystems,Man,andCybernetics,1985,15(1):116-132.[12]WangLX.Generatingfuzzyrulesbylearningfromexamples[J].IEEETrans.onSystems,Man,andCybernetics,USA,1992,22(6):1414-1427.[13]WangLX.Fuzzysystemsasuniversalapproximators[A].IEEEInt.Conf.FuzzySystems[C],SanDiego,USA,1992,1163-1170.[14]ZengXJandSignhMG.Approximationtheoryoffuzzysystems-SISOcase[J].IEEETrans.onFuzzySystems,1994,2(2):162-176.[15]　KoskoB.Fuzzysystemsasuniversalapproximators[J].IEEETrans.onComputers,1994,43(11):1329-1333.[16]LeeJ.OnmethodforimprovingperformanceofPI-typefuzzylogiccontrollers[J].IEEETrans.onFuzzySystems,1993,1(4):298-301.[17]TangKL.Comparingfuzzylogicwithclassicalcontrollerdesign[J].IEEETrans.onSystemsManandCybernetics,1987,17(6):1085-1087.[18]AbdelnourGM.Designofafuzzycontrollerusinginputandoutputmappingfactors[J].IEEETrans.onSystems,Man,andCybernetics,1991,21(5):952-960[19]LiuXiangjie,ZhangHuanshuiandChaiTianyou.Structureanalysisofthree-dimensionalfuzzycontroller[J].ActaAutomaticaSinica,1998,24(2):230-235(inChinese)[20]　HuBG,MannGKIandGosineRG.StudyofdimensionalityoffuzzyinferenceforfuzzyPIDcontrollers[J].ActaAutomaticaSinica,1998,24(5):608-615(inChinese) [21]　PalmR.Slidingmodelfuzzycontrol[A].IEEEInt.Conf.FuzzySystems[C],SanDiego,USA,1992,519-526.[22]李友善,李　军.模糊控制理论及其在过程控制中的应用[M].北京：国防工业出版社,1993.[23]窦振中.模糊逻辑控制技术及其应用[M].北京:北京航空航天大学出版社,1995.[24]费春国,模糊自调整控制器的研究与应用[D].天津:津科技大学,2003.[25]　CaoSG,RheeNWandFengG.Stabilityanalysisoffuzzycontrolsystems[J].IEEETrans.onSystems,Man,andCybernetics,1996,26(1):201-204.[26]　TanakKandSugenoM.Stabilityanalysisanddesignoffuzzycontrolsystems[J].FuzzySetsandSystems,1992,45(2):135-156.[27]　ProcykTJandMamdaniEH.Alinguisticself-organizingprocesscontroller[J].Automatica,1979,15(1)：15-30.[28]　HeSZ.Designofanon-linerule-adaptivefuzzycontrolsystem[A].IEEEInt.Conf.onFuzzySystems[C],SanDiego,USA,1992,83-91.[29]　RajuGVS.Adaptivehierarchicalfuzzycontroller[J].IEEETrans.onSystems,Man,andCybernetics,1993,23(4)：973-980.[30]　LinkensDAandNieJ.Constructingrule-basedformultivariablefuzzycontrolbyself-learning.PartI：systemstructureandself-learning[J].Int.J.SystemScience,1993,24(1)：111-127.[31]　YagerRR.Implementingfuzzylogiccontrollerusinganeuralnetwork[J].FuzzySetsandSystems,1992,48(1)：53-64.[32]　JangJSRogerandSunCT.Functionalequivalencebetweenradialbasisfunctionnetworksandfuzzyinferencesystems[J].IEEETrans.onNeuralNetworks,1995,4(1)：156-158[33]　ChoKBandWangBH.Radialbasisfunctionbasedadaptivefuzzysystems[A].IEEEInt.Conf.FuzzySystems[C],NewOrleans,Louisiana,USA,1996,247-252[34]　JangJS,RogerJ.ANFIS：adaptive-network-basedfuzzyinferencesystem[J].IEEETrans.onSystems,Man,andCybernetics,1993,23(3)：665-685.[35]IshibuchiH.Single-objectiveandtwo-objectivegeneticalgorithmsforselectinglinguisticrulesforpatternclassificationproblems[J].FuzzySetsandSystems,1997,89(2)：135-150.[36]　BuckleyJJ.Universalfuzzycontroller[J].Automatica,1992,28(6):1245-1248.[37]　YingH.Sufficientconditionsongeneralfuzzysystemsasfunctionapproximators[J].Automatica,1994,30(3)：521-525.[38]　CastroJLandPelgadoM.Fuzzysystemswithdefuzzificationareuniversalapproximators[J].IEEETrans.onSystems,Man,andCybernetics,1996,26(1)：149-152.[39]　YingH.Necessaryconditionsforsometypicalfuzzysystemsasuniversalapproximators[J].Automatica,1997,33(7)：1333-1338.[40]　TongRM.Analysisandcontroloffuzzysystemsusingtherelationmatrix[J].Int.J.Control,1978,27(4):670-686.[41]　KiszkaJB.Enegististicstabilityoffuzzydynamicsystems[J].IEEETrans.onSystems,Man,andCybernetics,1985,15(6)：783-792. [42]王群京.稀土永磁同步电机中永磁体的模拟[J].微特电机,1993,21(4):628.[43]荀晓凡,杨勇,郑晓静.矩形永磁体磁场分布的解析表达式[J].应用数学和力学,2004,25(3):2712278.[44]张榴晨,徐松.有限元法在电磁计算中的应用[M].北京:中国铁道出版社,1996.[45]NabeelA.Shirazee,AmitavaBasak.Electropermanentsuspensionsystemforacquiringlargeair2gapstosuspendloads[J].IEEETransactiononMagnetics,1995,31(6):419324195.