模糊控制的现状与工程应用关键问题研究

孙灵芳 董学曼 姜其锋

(东北电力大学自动化工程学院，吉林 吉林 132012)

模糊控制的现状与工程应用关键问题研究

孙灵芳 董学曼 姜其锋

(东北电力大学自动化工程学院，吉林 吉林 132012)

详细阐述了模糊控制技术的研究现状，包括经典模糊控制、智能模糊控制和复合模糊控制。研究分析了模糊控制技术在工程应用中存在的若干问题，包括模糊控制规则和参数优化问题、强耦合多变量问题和模糊控制稳态精度问题，并根据目前国内外模糊控制技术的研究趋势，指出了模糊控制技术未来的研究方向。

模糊控制 智能控制 复合控制 控制规则

随着计算机科学技术的快速发展，模糊控制技术已经发展成智能控制的重要组成部分[1]，模糊控制在复杂工业过程控制中表现出越来越重要的地位。模糊控制技术作为一种非线性全局控制方法[2]，利用现场操作人员的经验知识总结出模糊控制规则，最突出的特点是无需建立被控对象准确模型，通过模糊推理即可完成对系统的控制，能够有效克服复杂系统的非线性、时变性及滞后性等影响，具有较高的控制品质。模糊控制技术解决了工业控制和家电自动化行业中传统控制方法无法解决的控制难题，得到了广泛的应用，但该技术还处于发展中阶段[3]，在工程应用中还有许多关键问题需要解决。

模糊控制的研究方向主要有两个方面——理论研究和应用研究。理论研究主要集中在对模糊控制器结构和参数的研究上，探索模糊控制器的本质控制性能和模糊控制器的稳定性、通用性。应用研究主要表现在模糊控制与其他智能控制的结合及其在实际工业过程中的应用。模糊控制理论经过几十年的研究，已经取得了长足的发展[4]。笔者主要从经典模糊控制、智能模糊控制和复合模糊控制3个方面进行阐述。

1.1经典模糊控制

经典模糊控制是建立于模糊逻辑、模糊集合和控制理论基础上的。模糊控制系统由模糊控制器和被控对象组成，模糊控制器由模糊化接口、知识库、模糊推理和清晰化接口组成，其结构如图1所示。

图1 模糊控制系统的组成

在实现模糊控制时需要解决3个问题：知识表示、模糊推理和知识获取。知识表示是指如何将采集到的控制信号通过语言控制规则用数值方式来表示；模糊推理是指如何根据当前的输入信号经过模糊判决得到精确的输出控制量；知识获取是解决如何获取一组合理规则的问题。目前模糊控制在实际应用中通常有两种方式：一种是利用软件实现模糊控制算法，另一种是利用硬件直接构造模糊控制器。模糊控制的独特控制特点是无需建立被控对象准确的数学模型，模糊规则构造简单方便，是一种全局意义上的协调控制方法。目前常用的模糊控制器有[5,6]：Mamdani型模糊控制器、T-S型模糊控制器、模糊关系模型及模糊动态模型等。

1.2智能模糊控制

自适应模糊控制。自适应模糊控制是具有自适应学习能力的模糊控制系统，可以离线或在线修改模糊控制器的结构和参数，达到最佳控制品质。为提升模糊控制器的自适应学习能力，对模糊控制的研究主要集中在自组织模糊控制和自校正模糊控制两个方面。自组织模糊控制能够自动修改模糊控制系统自身的控制规则和参数，不断完善模糊控制器，以适应被控对象不断变化的复杂情况，保证系统的控制品质。系统根据实际测量的输出值与理论值的误差，计算输出响应的修正值，并根据此修正值来调整模糊控制规则；自校正模糊控制是基于传统模糊控制，引入协调因子和加权推理决策，根据系统误差E和误差变化EC来预测系统的不确定值，根据最优原则确定控制规则和参数，避免了推理决策的局限性和单调性，提高控制系统的准确性和鲁棒性。

多变量模糊控制。多变量模糊控制系统中的规则库数量庞大、结构复杂，因此采用相互独立的单变量模糊控制替代多变量模糊控制，有利于消除多变量间的耦合，减少数据运算时间，提高系统的灵活性和稳定性。因此构造合理的控制算法结构是完成多变量模糊控制的关键，目前常用的控制算法结构有基于规则分解法、分层多规则集法、分级结构法、结构分解法及模糊神经网络法等。

1.3复合模糊控制

模糊PID控制。模糊PID控制器是将传统的PID控制与模糊控制技术相结合的一种方法。传统的PID控制技术广泛应用于工业过程控制系统中，但随着科学技术的日新月异，工业过程控制也变得越来越复杂，提高了控制系统的要求，控制对象朝着强非线性、显著的滞后性和多变量耦合性的方向发展，采用PID控制已经无法满足控制要求，而且参数的整定也越来越困难。利用模糊控制鲁棒性强且对非线性、纯滞后和时变系统有较好控制效果的优点，将模糊控制和PID控制相互结合是一个重要的研究方向。模糊控制和PID控制结合的方式分为两类，其中一类是以PID控制为主，模糊控制在整个系统中只起到辅助作用，主要利用模糊控制的特点来优化PID控制器的参数。常见的结合方式有以下3种：

a. 模糊调节PID控制器。利用模糊控制来调节PID控制器的比例、积分和微分系数，不断提高系统的控制性能。

b. 模糊监督PID控制器。分为上下两层结构，上层为由模糊控制完成的监督层，下层为由PID控制完成的直接控制层。

c. 模糊补偿PID控制器。利用模糊控制作为前馈补偿器来克服系统负荷变化和不确定性因素。

另一类是以模糊控制为主，利用并借鉴PID控制器的结构特点和成熟的理论体系。

模糊预测控制。模糊控制和预测控制是体现人类处理复杂问题不同方面的智能控制，且都在理论研究和实际应用中发展的比较成熟，将二者有机地结合起来，能够更加适应复杂工业过程控制需要，并且符合模糊控制模型化和预测控制智能化的要求。模糊控制和预测控制都不需要被控对象准确的数学模型，充分利用预测控制滚动在线优化的特点，结合两者各自的优势来提高控制系统质量。常见的结合方式有以下4种：

a. 基于T-S模糊模型的预测控制。如果复杂被控对象的预测模型是T-S模糊模型，则可以结合不同的预测控制算法，获得不同的模糊预测控制器。

b. 基于模糊关系模型的预测控制。该模型主要采用一个关系矩阵来描述被控对象的动态特性，关键在于设计出性能优越的模糊关系模型。模糊关系模型预测控制结合不同的预测控制算法能够设计出各种有效的模糊预测控制算法。

c. 基于模糊决策优化的模糊预测控制。在预测控制中，对于线性模型采用线性二次型的滚动优化算法，而这种方法对于非线性模型并不适用，因此设计出了模糊控制决策优化的模糊预测控制。

d. 基于模糊反馈校正的预测控制。预测控制系统通常采用的是被控对象的线性模型，忽略了数学建模时产生的误差，而在实际工业过程控制中被控对象往往是非线性的，建立的数学模型存在的误差较大，仅仅采用误差反馈已经无法满足控制精度的要求，因此为了改善模型误差对系统稳定性的影响，设计了基于模糊反馈校正的预测控制来增强系统的鲁棒性。

模糊神经网络控制。人工神经网络是采用人类神经网络的工作机理，利用分布式并行协调处理的方式进行信息处理，是一种非线性映射网络，具有非线性自适应信息处理能力、较高的鲁棒性和容错率。典型神经网络的模型有MP模型、BP神经网络、RBF神经网络及Elman神经网络等，运用这些模型可实现优化计算、函数逼近、模式分类及数据聚类等功能。目前模糊控制与神经网络的结合有以下3种方式：

a. 以模糊控制为主，利用神经网络的自适应学习能力来完善隶属度函数的设计和知识的抽取及表达等问题。

b. 以神经网络为主，利用模糊控制改善神经网络的结构特性。

c. 神经网络与模糊控制完成系统不同的功能，各自进行独立工作。

模糊专家系统控制。模糊专家系统控制由专家系统和模糊控制相互结合而成。专家系统是模仿专家思维对复杂被控对象进行推理、判断和决策。在模糊控制中引入专家系统可以提高模糊控制器的智能化，既保持了模糊控制中模糊集处理方法的灵活性，又充分利用专家系统的专家知识对复杂被控对象的推理求解能力，同时注重多层次、多类别的知识，解决了模糊控制系统结构简单和规则单一的缺陷。

模糊遗传算法控制。遗传算法是一种将自然界中适者生存和染色体在群体内部随机进行信息交换相结合的搜索算法[7]，具有普适性、全局性和鲁棒性。将遗传算法引入模糊控制系统，充分利用遗传算法并行搜索的快速性和无需被控对象局部信息的全局收敛性，优化调节模糊控制中隶属度函数的参数和规则库，主要表现在以下3个方面：

a. 模糊控制规则库已知，利用GA算法优化隶属度函数；

b. 隶属度函数已知，利用GA算法优化模糊控制规则库；

c. 对模糊控制规则库和隶属度函数同时进行优化。

除了以上介绍过的复合控制，还有很多模糊控制与滑膜控制、解耦控制、粗糙集理论及人工免疫算法等智能控制相结合的方法[8,9]。

2 模糊控制工程应用关键问题研究

目前，模糊控制技术已经广泛应用到各个领域，证明了模糊控制的普适性和优越性。但模糊控制在工程实际应用中还有几个关键问题亟待解决，这些问题不仅影响模糊控制的效果，而且也限制了模糊控制技术的应用，主要为：模糊控制规则和参数优化问题、强耦合多变量问题、模糊控制稳态精度问题。

2.1模糊控制规则和参数优化问题

模糊控制系统是以专家经验知识为基础而设计出来的，在选定模糊化方法和决策后，模糊控制规则成为模糊系统设计的核心部分。在实际工程应用中模糊控制规则是根据现场操作人员的经验概括总结出来的，然而对于复杂的工业控制过程，专家经验知识匮乏且逻辑推理困难，导致模糊控制规则的获取比较困难，难以总结出比较完善的模糊规则，在控制对象的参数发生变化时，严重影响模糊控制系统的效果，在某种意义上模糊控制系统的控制品质和性能与模糊规则的优劣有直接关系，因此优化模糊控制规则就变得尤其重要。

模糊控制规则和参数的优化与输入变量的选取和组合有关，而且选取合理的模糊变量论域与隶属度函数的设计也对其优化产生影响，能否完成这些任务将直接影响模糊控制在实际工程应用中的效果。目前常用的方法是采用遗传算法优化模糊控制器的参数，如模糊规则的获取、量化因子和隶属度函数的形状。随着遗传算法在模糊控制器设计和优化上的应用发展，各种改进的遗传算法取得了更加理想的优化效果。一种基于免疫遗传算法的优化方法能够利用其对优化学习过程的引导和保持个体多样性的特点，同时优化模糊控制器的多个参数，对系统的稳定性和收敛性有了显著的提高。还有一种基于染色体编码的遗传算法，该方法能够自动生成模糊控制规则并自整定隶属度函数的参数。还有通过将遗传算法与其他优化算法相结合的方式进行优化，例如将遗传算法与粒子群算法相结合优化模糊控制规则，小种群遗传算法与分级遗传算法相结合优化模糊控制规则及隶属度函数等。另外，还有神经网络模糊控制器设计方法、专家学习系统控制方法和其他各种混合的优化设计方法[10]。

2.2强耦合多变量问题

多变量控制系统是目前过程控制中常见的控制对象，其不同于单变量控制系统。多变量控制系统中控制对象、控制器、测量元件和执行元件均有可能含有多个输入或输出变量，其结构更为复杂。各变量之间很少存在完全相互独立的可能，都或多或少存在着相互耦合关系。变量之间耦合强度较小时比较容易控制，可以以一种线性独立的系统方式进行控制。各变量之间耦合强度较大时，就不可以忽略耦合对系统控制效果的影响，其严重影响到了控制系统的稳定性[11]。

从模糊控制工程的实践角度来看，强耦合多变量问题是一种常见的问题，解决多变量控制系统中强耦合问题的关键是如何实现解耦控制，目前实现解耦控制的方法有以下4种：

a. 经典的多变量解耦控制。线性代数解耦法及微分几何法等，采用这些解耦方法的难点是需要被控对象准确的数学模型和大量的数据基础，分析过程非常复杂。

b. 工程实际应用中的解耦控制。基于状态和输出反馈的解耦法、基于极点配置的解耦法及基于广义最小误差的解耦法等，采用这些解耦方法的难点是要求被控对象为线性系统且参数已知，对被控对象参数依赖性强，当被控对象参数改变时，会导致解耦效果差或解耦失败。

c. 基于自适应方法的解耦控制。该方法将控制对象的辨识、控制和解耦结合在一起，以实现被控对象参数未知或变化缓慢的自适应解耦控制。

d. 基于神经网络的解耦控制。该方法利用神经网络对被控对象耦合模型的快速逼近能力实现解耦，但缺点是神经网络计算量大，学习时间长，不适合实时在线控制。另外，还有基于补偿的预测函数解耦法、内模解耦法及滑膜变结构解耦法等[12]。

2.3模糊控制稳态精度问题

随着工业过程被控对象的控制品质不断提升，对模糊控制稳态精度的要求也不断提高，由于模糊控制系统稳态精度低、存在余差的问题，高精度的模糊控制技术成为研究重点。模糊控制稳态精度的控制方法有很多[13,14]，一种比较常用的方法是通过增加不同类别的积分器来避免模糊控制系统的稳态误差，以达到提升稳态精度的目的。采用在模糊控制系统中增加前馈积分项的方法，在伺服控制系统中取得了理想的稳态精度；也有采用在模糊控制系统中增加动态积分项的方法，当模糊控制系统的误差在一定范围以内，通过增加动态积分项控制系统输出，从而提高了模糊控制系统的性能。增加积分项虽然有效地解决了模糊控制稳态精度问题，但同时也会带来系统超调量等不利影响。另一种是通过调整模糊控制器的参数来减小稳态精度误差，参数的调整方法分为两种：采用在线自适应的控制方法调整模糊控制器参数；通过优化方案在线或者离线进行模糊控制器参数的优化。其他提高模糊控制稳态精度的方法有高维数值优化方法、遗传优化算法、时变修正函数法、插值法以及各种混合控制方法。

3 模糊控制技术的研究方向

模糊控制技术在智能控制领域发挥着越来越重要的作用，随着科学技术的不断发展，极大地扩展了模糊控制技术在工业控制过程中的应用，同时也推进了模糊控制理论的发展研究。由于模糊控制广泛的适用性[15]，其研究方向除了模糊控制器结构分析、通用逼近性分析和稳定性分析之外，对于模糊控制器的设计、优化、参数及性能等理论研究也在不断发展，如模糊集合论域、模糊推理及隶属度函数等对模糊控制效果的影响。模糊控制技术另一个很重要的发展方向是模糊控制器自组织和自学习能力，以使模糊控制技术可以实现模拟人的功能，对周围环境的变化具有较强的适应学习能力。此外，模糊控制系统自我完善和优化以及多变量模糊控制系统也是很有发展潜力的研究方向。

随着智能控制技术的快速发展，模糊控制与其他智能控制的结合也越来越多，并产生了很多混合新型智能控制方法，增加模糊控制技术的研究方向，以模糊控制技术为主的复合控制成为了一个具有良好发展前景的研究方向，如将模糊控制技术与遗传算法和神经网络相结合，或者将模糊控制技术与预测控制和专家系统相结合，各研究领域之间相互学习和借鉴，为智能控制的研究提供了更多的应用空间，这对智能控制领域的研究发展具有重要的指导意义。

4 结束语

笔者对模糊控制技术的研究现状及其在工程应用中的几个重要问题进行了总结。主要内容是对经典模糊控制、智能模糊控制和复合模糊控制的研究进行了全面的综述，然后指出了模糊控制技术在实际工程应用中的模糊控制规则和参数优化的问题、强耦合多变量问题和模糊控制稳态精度问题，并针对这些问题研究解决方法。模糊控制研究的目的就是将其应用到实际工业控制过程中去，利用模糊控制解决复杂工业控制难题，模糊控制在实际控制中遇到的问题反过来又加强了模糊控制理论的研究，模糊控制技术未来将会具有广泛的应用空间和价值。

[1] 洪奕光,程代展.非线性系统的分析与控制[M].北京:科学出版社,2005:123～128.

[2] 张化光,孟祥萍.智能控制基础理论及应用[M].北京:机械工业出版社,2005:231～233.

[3] 夏长亮,郭培健,史婷娜，等.基于模糊遗传算法的无刷直流电机自适应控制[J].中国电机工程学报,2005,25(11):129～133.

[4] 白连平,陈秀真,赵韶，等.提高模糊控制器稳态精度的研究[J].西安交通大学学报,2001,35(2):119～123.

[5] 时招军,邓辉文，黄笑鹃.基于规则相容性的模糊控制规则GA生成方法[J].控制工程,2006,13(2):145～148.

[6] 王斌,王孙安,杜海峰.基于模糊遗传算法的工业过程控制参数优化研究[J].西安交通大学学报,2004，38(1):56～59.

[7] 黄华,李爱平,林献坤.基于免疫遗传算法优化的模糊控制方法及其应用[J].计算机应用,2007,27(7):1737～1740.

[8] 张兴华.基于递阶遗传算法的模糊控制器的规则生成和参数整定[J].信息与控制,2006,35(3):304～308.

[9] 吕刚,焦留成.多模自适应模糊控制器及其在精密伺服系统中的应用[J].控制理论与应用,2005,22(1):47～51.

[10] 过润秋,赵恒,杜凯.基于模糊预测的MOCVD温度控制方法[J].西安电子科技大学学报,2006,33(2):268～272.

[11] Juang C F, Lu C F.Fuzzy Controller Design by Hybrid Evolutionary Learning Algorithms[C].14th IEEE International Conference on Fuzzy Systems.Reno,NV：IEEE，2005:525～529.

[12] Khan L,Lo K L,Ahmed N.Micro-GA Based Fuzzy Logic Controllers for Co-ordinated FACTS Control[C].7th International Multi Topic Conference.Islamabad：IEEE，2003:269～275.

[13] Zhang J Y, Li Y D.Application of Genetic Algorithm in Optimization of Fuzzy Control Rules[C].6th International Conference on Intelligent Systems Design and Applications.Jinan:IEEE,2006:529～534.

[14] Chai T Y,Wang X,Heng Y.Multivariable Intelligent Decoupling Control System and Its Application[C].Proceedings of the 3rd World Congress on Intelligent Control and Automation.Hefei:IEEE,2000:1527～1533.

[15] Yu Y Q, Huang Y,Zeng T.The Intelligent Fuzzy Controller with Dynamic Integral Term[C].IEEE International Conference on Industrial Technology.Hongkong :IEEE,2005:698～702.

ResearchStatusofFuzzyControlandKeyPointsinEngineeringApplication

SUN Ling-fang, DONG Xue-man, JIANG Qi-feng

(SchoolofAutomationEngineering,NortheastDianliUniversity,Jilin132012,China)

The research status of fuzzy control technology was expounded, including the classic fuzzy control, intelligent fuzzy control and hybrid fuzzy control. Through analyzing the matters bothering fuzzy control technology’s application and fuzzy control rules and parameter optimization and the strong coupling multivariable as well as the fuzzy control’s steady precision, and basing on the present research of fuzzy control technology at home and abroad, the future direction of fuzzy control technology was pointed out.

fuzzy control, intelligent control, compound control, control rule

TP13

A

1000-3932(2016)01-0001-05

2015-03-19(修改稿)