多。Matlab包含许多功能强大的工具箱,Simulink工具箱就是其中之一。它是实现动态系统仿真的一个集成环境,其主要功能是对动态系统作适当的仿真分析,从而可以在实际系统做出之前预先对系统进行分析,并做出适当的实时修正,以增强系统的性能,减少系统反复修改的时间。Matlab还提供了模糊逻辑工具箱,即Fuzzy工具箱。它是运用图形用户界面(GUI)来设计模糊控制器的,可以直观的完成模糊控制器的设计。同时此工具箱中还提供30多个函数,用户可以通过命令来调用这些函数,完成模糊控制器的设计。
已知受控对象：
G(s)?1e?0.5S10S?1
设计模糊控制器使其具有良好的阶跃响应.系统输入为阶跃输入,系统输出误差为e,误差变化率为ec,控制量为u。选取模糊控制器(FC)的输入e和ec及其控制量u的论域均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6};e,ec及u的语言变量值均选为{NB、NM、NS、ZE、PS、PM、PB}。模糊推理规则可根据经验总结出,如表1所示。
表1 FC的模糊控制规则表
ec e NB NM NS ZE PS PM PB
NB NB NB NM NM NS ZE ZE NM NB NB NM NM NS ZE ZE NS NB NB NM NS ZE PM PM ZE NB NB NM ZE PM PB PB PS NM NM ZE PS PM PB PB PM ZE ZE PS PM PM PB PB PB ZE ZE PS PM PM PB PB 然后就利用Simulink 实现模糊控制器的设计及系统的仿真。
6
图4 模糊控制系统框图
仿真结果如下图所示：
图5 仿真曲线图
六、模糊控制理论现状
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。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。
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Fuzzy-PI或Fuzzy-PID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
7
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。
七、模糊控制的缺点
1.模糊控制的设计尚缺乏系统性，这对复杂系统的控制是难以奏效的。所以如何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、系统化设计方法等一系列问题；
2.如何获得模糊规则及隶属函数即系统的设计办法，这在目前完全凭经验进行；
3.信息简单的模糊处理将导致系统的控制精度降低和动态品质变差。若要提高精度则必然增加量化级数，从而导致规则搜索范围扩大，降低决策速度，甚至不能实时控制；
4.如何保证模糊控制系统的稳定性即如何解决模糊控制中关于稳定性和鲁棒性问题。
8