模糊逻辑 - 控制系统

模糊逻辑在各种控制应用中取得了巨大的成功。几乎所有消费产品都采用了模糊控制。一些例子包括：使用空调控制房间温度、车辆中使用的防抱死制动系统、交通灯控制、洗衣机、大型经济系统等等。

为什么在控制系统中使用模糊逻辑

控制系统是由物理组件组成的系统，旨在改变另一个物理系统，以便该系统表现出某些期望的特性。以下是使用模糊逻辑进行控制的一些原因：

• 在应用传统控制时，需要了解以精确术语制定的模型和目标函数。这使得在许多情况下很难应用。

• 通过应用模糊逻辑进行控制，我们可以利用人类的专业知识和经验来设计控制器。

• 模糊控制规则，基本上是IF-THEN规则，可以最好地用于设计控制器。

模糊逻辑控制 (FLC) 设计中的假设

在设计模糊控制系统时，应做出以下六个基本假设：

• 工厂是可观察的和可控的 -必须假设输入、输出以及状态变量都可用于观察和控制目的。

• 知识体的存在 -必须假设存在一个知识体，其中包含语言规则和一组可以从中提取规则的输入输出数据集。

• 解的存在 -必须假设存在解。

• “足够好”的解就足够了 -控制工程必须寻找“足够好”的解，而不是最优解。

• 精度范围 -模糊逻辑控制器必须在可接受的精度范围内设计。

• 关于稳定性和最优性的问题 -在设计模糊逻辑控制器时，稳定性和最优性的问题必须是开放的，而不是明确地解决。

模糊逻辑控制的架构

下图显示了模糊逻辑控制 (FLC) 的架构。

FLC 的主要组成部分

以下是上图所示 FLC 的主要组成部分：

• 模糊化器 -模糊化器的作用是将清晰的输入值转换为模糊值。

• 模糊知识库 -它存储关于所有输入输出模糊关系的知识。它还具有隶属度函数，该函数将输入变量定义为模糊规则库，将输出变量定义为被控对象。

• 模糊规则库 -它存储关于领域过程操作的知识。

• 推理引擎 -它是任何 FLC 的核心。它基本上通过执行近似推理来模拟人类决策。

• 去模糊化器 -去模糊化器的作用是从模糊推理引擎获取模糊值并将其转换为清晰值。

FLC 设计步骤

以下是 FLC 设计中涉及的步骤：

• 变量识别 -在这里，必须识别正在考虑的工厂的输入、输出和状态变量。

• 模糊子集配置 -信息宇宙被划分为多个模糊子集，每个子集都被赋予一个语言标签。始终确保这些模糊子集包含宇宙的所有元素。

• 获取隶属度函数 -现在为我们在上述步骤中获得的每个模糊子集获取隶属度函数。

• 模糊规则库配置 -现在通过分配模糊输入和输出之间的关系来制定模糊规则库。

• 模糊化 -在此步骤中启动模糊化过程。

• 组合模糊输出 -通过应用模糊近似推理，找到模糊输出并将它们合并。

• 去模糊化 -最后，启动去模糊化过程以形成清晰的输出。

模糊逻辑控制的优点

现在让我们讨论模糊逻辑控制的优点。

• 更便宜 -就性能而言，开发 FLC 比开发基于模型的或其他控制器更便宜。

• 鲁棒性 -由于 FLC 能够覆盖很大的操作条件范围，因此它们比 PID 控制器更鲁棒。

• 可定制性 -FLC 是可定制的。

• 模拟人类演绎思维 -基本上，FLC 的设计是为了模拟人类演绎思维，即人们用来从已知知识中推断结论的过程。

• 可靠性 -FLC 比传统的控制系统更可靠。

• 效率 -模糊逻辑应用于控制系统时效率更高。

模糊逻辑控制的缺点

我们现在将讨论模糊逻辑控制的缺点。

• 需要大量数据 -FLC 需要大量数据才能应用。

• 在中等历史数据的情况下有用 -FLC 对远小于或远大于历史数据的程序无用。

• 需要高度的人类专业知识 -这是一个缺点，因为系统的准确性取决于人类的知识和专业知识。

• 需要定期更新规则 -规则必须随着时间的推移而更新。