模糊控制——基本原理（附MATLAB程序）

leon625

已于 2024-08-21 11:39:35 修改

阅读量1k

点赞数 16

分类专栏：算法类文章标签：算法

于 2024-08-20 09:23:08 首次发布

本文链接：https://blog.csdn.net/qq_35623594/article/details/141343149

版权

算法类专栏收录该内容

21 篇文章 1 订阅

订阅专栏

模糊控制的基本原理包括模糊逻辑、规则库、推理机制和去模糊化等几个关键部分。下面详细介绍这些基本原理：

一、基本原理

1.1. 模糊逻辑

模糊逻辑是一种处理模糊性和不确定性的数学逻辑。它与传统的布尔逻辑不同，允许变量在0到1之间的任意值，表示其在某个模糊集合中的隶属度。这种方法适用于处理那些无法用精确数值来描述的情况。

1.2. 模糊集合

模糊集合是模糊逻辑的基础，它允许元素具有不同的隶属度。隶属度函数用于定义元素与模糊集合的关系。例如，温度可以用“高温”来描述，而“高温”是一个模糊集合，温度值从0到1的隶属度表示不同程度的“高温”。

1.3. 隶属函数

隶属函数（Membership Function）用于量化模糊集合中的元素隶属度。常见的隶属函数类型包括三角形、梯形和高斯函数等。它们将输入变量映射到[0, 1]之间的隶属度值。例如，在温度控制系统中，温度值的隶属度函数可以表示“低”、“中”、“高”等不同的温度级别。

1.4. 规则库

模糊控制系统通过规则库来定义控制策略。规则库由一系列“如果-那么”规则组成，规则形式类似于自然语言描述。例如：

如果温度高且湿度高，那么风扇速度快。
如果温度低且湿度低，那么风扇速度慢。

这些规则描述了如何根据输入变量的模糊值来生成控制输出。

1.5. 推理机

推理机（Inference Engine）利用规则库和输入变量的隶属度值进行推理。推理机通常包括以下步骤：

模糊化：将输入变量的具体数值转换为模糊隶属度值。
规则匹配：根据输入的隶属度值匹配规则库中的“如果-那么”规则。
推理：根据规则库的匹配结果，生成模糊输出。常用的推理方法有Mamdani推理和Sugeno推理。

1.6. 去模糊化

去模糊化（Defuzzification）是将模糊推理结果转换为具体控制信号的过程。常见的去模糊化方法包括：

质心法（Center of Gravity, CoG）：计算模糊输出的质心来确定最终控制值。
最大隶属度法：选择隶属度最大的控制值作为最终输出。

二、基本公式推导

2.1. 模糊化

模糊化过程将实际输入值转换为模糊集合的隶属度值。假设有一个输入变量 $x$ ，其可以取值为 $x_{i}$ ，模糊集合 $A$ 的隶属函数为，其形式取决于模糊集合的定义。常见的隶属函数有三角形、梯形和高斯函数等。

例如，对于一个温度 $x$ ，可以有模糊集合“低温” $A_{1}$ 和“高温” $A_{2}$ ，其隶属函数可能分别为：

其中， $T_{low}$ 和 $T_{high}$ 分别是温度的低值和高值， $T_{mid}$ 是中间值。

2.2. 规则库

规则库由一系列“如果-那么”规则组成。每条规则将模糊输入映射到模糊输出。例如，一条规则可能是：

如果 $x$ 是“低温”，那么输出 $y$ 是“高风速”。

每条规则的输出通常是模糊集合，这些模糊集合的隶属度值通过规则推理进行计算。

2.3. 推理机制

推理机制根据规则库生成模糊控制信号。常用的推理方法有Mamdani和Sugeno两种。这里以Mamdani推理为例：

2.3.1. 规则的模糊化

每条规则的模糊输出通常是通过对输入隶属度值的运算来计算的。例如，对于规则“如果 $x$ 是‘低温’，那么 $y$ 是‘高风速’”，我们可以用“最小值”操作来表示规则的模糊化：

规则的隶属度值

这里，我们使用了最小操作，因为模糊推理中的“如果-那么”规则中，输出值的确定性由输入值的隶属度决定。

2.3.2. 模糊集合的合成

将所有规则的模糊输出合成，得到一个综合的模糊集合。例如，如果有多个规则产生的模糊输出，我们可以将它们合并成一个模糊输出集合，通常使用“并集”操作：

模糊输出集合:

2.4. 去模糊化

去模糊化将模糊输出集合转换为具体的控制值。常用的去模糊化方法有质心法（Center of Gravity, CoG）和最大隶属度法等。

2.4.1. 质心法（CoG）

质心法通过计算模糊输出集合的质心来确定控制值。公式为：

这里， $y_{defuzzy}$ 是最终的控制值，是模糊输出集合的隶属度函数。

2.4.2. 最大隶属度法

最大隶属度法选择模糊输出集合中隶属度最大的值作为最终的控制值：

三、MATLAB仿真程序

3.1 创建模糊控制器

首先，我们需要创建一个模糊控制器（FIS）。在MATLAB中，可以使用fuzzy函数来创建一个模糊控制器，并定义输入、输出和规则。

% 创建模糊控制系统
fis = newfis('FuzzyController');

% 添加输入变量 'error'
fis = addvar(fis, 'input', 'error', [-10 10]);
fis = addmf(fis, 'input', 1, 'Negative', 'trapmf', [-10 -10 -5 0]);
fis = addmf(fis, 'input', 1, 'Zero', 'trimf', [-5 0 5]);
fis = addmf(fis, 'input', 1, 'Positive', 'trapmf', [0 5 10 10]);

% 添加输入变量 'error_dot' (误差变化率)
fis = addvar(fis, 'input', 'error_dot', [-5 5]);
fis = addmf(fis, 'input', 2, 'Negative', 'trapmf', [-5 -5 -2 0]);
fis = addmf(fis, 'input', 2, 'Zero', 'trimf', [-2 0 2]);
fis = addmf(fis, 'input', 2, 'Positive', 'trapmf', [0 2 5 5]);

% 添加输出变量 'control_signal'
fis = addvar(fis, 'output', 'control_signal', [-10 10]);
fis = addmf(fis, 'output', 1, 'Negative', 'trapmf', [-10 -10 -5 0]);
fis = addmf(fis, 'output', 1, 'Zero', 'trimf', [-5 0 5]);
fis = addmf(fis, 'output', 1, 'Positive', 'trapmf', [0 5 10 10]);

% 定义规则
rules = [1 1 1 1;
         1 2 1 1;
         1 3 1 1;
         2 1 1 1;
         2 2 1 1;
         2 3 1 1;
         3 1 1 1;
         3 2 1 1;
         3 3 1 1];

% 添加规则到FIS
fis = addrule(fis, rules);

% 画出模糊控制器的成员函数
figure;
subplot(3,1,1);
plotmf(fis, 'input', 1);
title('Input: error');

subplot(3,1,2);
plotmf(fis, 'input', 2);
title('Input: error\_dot');

subplot(3,1,3);
plotmf(fis, 'output', 1);
title('Output: control\_signal');

3.2 仿真模糊控制系统

我们将使用模糊控制器控制一个一阶惯性系统，并进行仿真。

% 一阶惯性系统参数
a = 0.1; % 系统的时间常数
b = 1; % 系统增益
dt = 0.01; % 仿真时间步长
T = 10; % 仿真总时间
time = 0:dt:T; % 时间向量

% 初始化变量
y = zeros(size(time)); % 系统输出
e = zeros(size(time)); % 误差
u = zeros(size(time)); % 控制输入
prev_error = 0; % 上一个误差

% 设定点
setpoint = 1;

% 仿真
for i = 2:length(time)
    % 计算误差
    e(i) = setpoint - y(i-1);
    e_dot = (e(i) - prev_error) / dt;
    
    % 使用模糊控制器计算控制输入
    u(i) = evalfis([e(i) e_dot], fis);
    
    % 系统更新（Euler方法）
    y(i) = y(i-1) + dt * (-a * y(i-1) + b * u(i));
    
    % 更新误差
    prev_error = e(i);
end

% 绘制结果
figure;
subplot(3,1,1);
plot(time, y, 'b', time, setpoint*ones(size(time)), 'r--');
title('System Output');
xlabel('Time (s)');
ylabel('Output');
legend('Output', 'Setpoint');

subplot(3,1,2);
plot(time, e, 'g');
title('Error');
xlabel('Time (s)');
ylabel('Error');

subplot(3,1,3);
plot(time, u, 'k');
title('Control Input');
xlabel('Time (s)');
ylabel('Control Input');