6. 把已经取得的研究成果应用到工程实际过程中，尽快转化为生产力。因此，需要加快简单、实用的模糊集成芯片和模糊控制装置、通用模糊控制系统的开发与推广应用。
综上所述，模糊控制在工业中的应用是一个相对迅速发展的领域。随着模糊控制理论的不断发展和运用，模糊控制技术将为工业过程控制开辟新的应用途径，前景十分光明[11]。
3．3模糊控制方法的设计步骤
模糊控制理论发展至今天，已形成了比较完善的理论体系，其设计方法也日益成熟。这给工程设计带来了方便，同时也对模糊控制器的设计提出了一些基本要求。模糊控制器的设计实际上有两大部分：
（1） 信号的处理过程的设计。这部分包括测量信号的模糊化，模糊表查询，以及输出控制量的解模糊化。
（2） 模糊控制器核心的设计。这部分包括模糊控制器结构的设计、模糊控制查询表的建立，查询表的建立又包括隶属函数、控制规则和推理方法的确定。 一、模糊控制器的结构设计
模糊控制器的结构设计是指确定模糊控制器的输入变量和输出变量。究竟选择哪些变量作为模糊控制器的信息量，还必须深入研究在手动控制过程中，人如何获取、输出信息，因为模糊控制器的控制规则归根到底还是要模拟人脑的思维决策方式。
通常将模糊控制其输入变量的个数称为模糊控制的维数。一般情况下，一维模糊控制器用于一阶被控对象，由于这种模糊控制器只有误差这一个输入变量，它的动态控制性能不佳。目前被广泛采用的均为二维模糊控制器，这种控制器以误差和误差的变化为输入变量，以控制量的变化为输出变量。从理论上讲，模糊控制器的维数越高，控制越精细。但是维数过高，模糊控制规则变得过于复杂，控制算法的实现相当困难。 二、模糊控制规则的设计
模糊控制器是模拟人类控制特征的一种语言控制器，它在某种程度上体现了人的思维方式。但客观世界上并没有现成的控制规则，它需要设计者根据控制器的结构从大量的观察和实验中提取，经过去伪存真、去粗存精的过程，形成一系列用模糊条件语句描述的语言控制规则。因此，模糊控制器又称模糊语言控制器。在许多
16
情况下模糊规则的提取和选择是一个繁复的过程，往往掺杂着许多设计者的主观思维，而作为设计者本身，应尽量避免或减弱这种主观性的影响。
模糊控制规则是由若干语言变量构成的模糊条件语句，他们反映了人类的某种思维方式。例如，人在描述车速时，常用“快”、“较快”、“很快”、“较慢”等词汇，在描述人的年龄时，常用“老年”、“中年”、“青年”等。一般控制规则的表达方式则是：若“A”则“B”（即if A then B）等形式，而里面的A、B即是“快”“慢”等此类的模糊子集。在控制参数模糊化前，首先要确定其基本语言值，然后根据语言值确定其隶属函数和论域。如在描述误差的大小时，先确定语言变量的三个元值：“正”、“零”、“负”，如果需要的话还可以生成“正大”、“正中”、“正小”、“正零”、“负零”、“负小”、“负中”、“负大”等。一般来说，一个语言变量的语言值越多，对事物的描述就越准确，可能得到的控制效果就越好。但是，过细的划分反而有可能使控制规则变得很复杂。因此，应根据具体情况来定。
控制规则的设计是设计模糊控制器的关键，一般包括三部分设计内容：选择描述输入输出变量的词集，定义各模糊变量的模糊子集及建立模糊控制器的控制规则。
三、精确量的模糊化方法
由于模糊控制器内部的推理和规则表达都是采用模糊语言描述，而系统测量得到的却是精确的数字，所以就存在着一个将精确量（数字量）转换为模糊量的过程。
如图3.1所示：模糊控制器的输入变量的实际变化范围[a，b]（a，b为实数）称为这些变量的基本论域，基本论域内的量为精确量。模糊化则是要将在基本论域[a，b]中的精确量映射为到论域[-n，n]（n为正整数）中。
图3.1 论域模糊化
17
设某精确量的实际变化范围为[a，b]，其相应的论域为[-n，n]，则可知其转化公式为式3.1
e=[n-(-n)][e-(a+b)/2]/(b-a) 式（3.1）
1即
其中，称为量化因子。
四、模糊推理过程和查询表的建立
模糊推理过程首先就要解决一个从论域到模糊子集的转换问题。假定输入的模糊变量为温差量，将在[-6，6]上连续变化的温差量BE分为语言变量的七个档次：
NB——“很低”，-6附近，即炉温比控制目标温度低很多； NM——“比较低”，-4附近，即炉温比控制目标温度低； NS——“有点低”，-2附近，即炉温比控制目标温度有点低； ZO——“正常”，0附近，即炉温比控制目标温度一致； PS——“有点高”，+2附近，即炉温比控制目标温度有点高； PM——“比较高”，+4附近，即炉温比控制目标温度高； PB——“很高”，+6附近，即炉温比控制目标温度高很多；
其中：论域为{-6，-5，-4，-3??4，5，6}，模糊子集为：{负大，负中，负小，零，正小，正中，正大}，英文缩写为{NB，NM，NS，ZO，PS，PM，PB}。
一个精确的测量值通过模糊化，映射到论域中，最终归属到哪个模糊子集，主要就是通过模糊子集的隶属函数。隶属函数就是在一定论域到[0，1]上的映射，用来反映某个对象具有某个模糊子集或属于某个模糊概念的程度。模糊性是在概念外延不明确的前提下，由于客观事物的确存在着过渡状态，因而造成划分上的不确定性。
常见的隶属函数主要有以下几种： （1） 三角形型
这种隶属函数的形状和分布由三个参数来表示，如图3.2，一般可以描述为：
e=[n-(-n)][e-(a+b)/2]/(b-a) 式(3.1)
1 18
图3.2 三角形型
（1） 高斯型
高斯型隶属函数的分布是正态分布，是描述模糊子集一种比较合理的形式，这在概率统计中已得到体现。它用两个参数来描述，如图3.3，一般可表述为式3.2：
式(3.2)
这种隶属函数的特点是连续且点点可求导，比较适合于自适应、自学习模糊控制隶属函数的修正。另外，还有梯形隶属函数、钟型隶属函数等等[12]。
图3.3 高斯型
4 MATLAB模糊工具箱的介绍及应用
4．1 引言
“模糊逻辑”是1965年美国工程师扎得（Lotfi Zadeh），在其改进计算机程序的“模糊集合理论”中提出的一个概念。我们常常把事物划分为有无、难易、长短、高下、前后和阴阳等。传统计算机通常只能按照“是与否”、“对与错”、“0与1”这样的二元逻辑进行识别，而对冷、热、大、小这样的模糊概念无能为力。
在模糊集合中，给定范围内元素对它的隶属关系不一定只有“是”或“否”两种情况，而是用介于0与1之间的实数表示隶属程度，还存在中间过渡状态，这很类似人类对事物的判断。
模糊逻辑和模糊数学虽然只有四十年的历史，但其理论和应用的研究均取得了
19
丰硕的成果，除了在自动控制领域的成功应用外，还应用与聚类分析、故障诊断、图像识别和专家系统等领域。
MATLAB的Fuzzy Logic Toolbox提供了一个简单的基于鼠标操作的图形用户界面，使用户可以容易地完成模糊逻辑的设计过程。它提供了内置的最新模糊逻辑设计方法，例如模糊聚类（Fuzzy Clustering）、模糊自适应神经网络学习（Adaptive Neuro-fuzzy Learning）。交互式的图形界面使用户可以精细的调节系统行为并使之可视化。MATLAB Fuzzy Logic Toolbox以其功能强大和方便易用的特点得到用户的广泛欢迎。
MATLAB的Fuzzy Logic Toolbox提供了以下强大的功能。 1、易于使用。
模糊逻辑工具箱使用户可以快速地构造模糊逻辑并将其应用于实际问题。对于已经熟悉模糊逻辑的用户，模糊逻辑工具箱除了提供高级方法外，还可以灵活地创建自己的解决方案。
2、图形界面。
模糊逻辑工具箱包括了5个图形编辑器，提供了丰富的信息帮助用户完成模糊系统的设计过程。
3、高级技术。
模糊逻辑工具箱提供了高级模糊建模技术，包括：
（1）模糊自适应神经推理系统，用输入数据训练隶属函数。 （2）模糊群用于模式识别应用。
（3）选择广泛应用的Mamdani方法或Sugeno推理方法，用于混杂模糊系统的创建。
4、集成仿真和代码生成。
模糊逻辑工具箱可以与Simulink无缝地协同工作。通过Real-Time Workshop，可以产生标准ANSIC代码。
5、独立模糊机。
可以将用户的模糊系统设计结果保存为ASCⅡ码文本文件格式；利用模糊逻辑工具箱提供的高效模糊推理机，能够实现模糊逻辑系统独立运行或作为其他应用的一部分运行[14]。
4．2 模糊语言变量的隶属函数
20