控制算法—模糊控制原理和示例-开发者社区

参考先进控制-模糊控制原理全解析：不用建模也能精准控制

1.什么是模糊控制？

在控制系统中，我们通常需要精确的数学模型，才能通过经典方法（如 PID、LQR）来设计控制器。然而，现实系统往往复杂、多变，建模困难，或者根本没有办法精确描述。

这时，模糊控制（Fuzzy Control）就提供了一种“不依赖精确模型”、完全基于人类经验规则的控制方法。

1.1 模糊控制在做什么？

它的核心思想是：

“与其告诉系统一个精确的数学规则，不如告诉它：如果偏差很大且越来越大，那就赶紧往回拉一点。”

换句话说，模糊控制模仿人类工程师或操作者的直觉与语言，例如：

“车偏得有点厉害了，要快点拉回去”
“温度有点高了，慢慢降一点”
“机器人跑偏了，但趋势在纠正，可以不动”

这些判断背后隐藏的，其实是一种模糊逻辑的推理机制。

1.2 模糊控制的优点

优点	描述
不依赖系统精确数学模型	即使系统复杂、非线性、带有未知扰动，也能构建控制器
规则可视化、逻辑直观	控制行为基于“如果…那么…”形式，便于解释和调试
易于融合专家经验	可直接嵌入人工制定的调节规则或启发式逻辑
可与经典控制互补	模糊控制器可与 PID 控制器结合，构建更鲁棒的复合控制器

2.核心原理

2.1输入

输入通常有两个：误差e和误差变化率Δe。

在输入和输出时可以对其进行限幅和缩放。

2.2模糊化

模糊化就是将输入的具体数值根据定义的隶属函数模糊到隶属度中。

首先要确定隶属度，即模糊子集个数N，一般定义N=7，假设隶属度定义如下：
N B N M N S Z O P S P M P B − 3 − 2 − 1 0 1 2 3 负大负中负小零正小正中正大 \begin{matrix} NB&NM&NS&ZO&PS&PM&PB\\ -3&-2&-1&0&1&2&3\\ 负大&负中&负小&零&正小&正中&正大 \end{matrix}NB−3负大NM−2负中NS−1负小ZO0零PS1正小PM2正中PB3正大
定义隶属函数，例如选择三角形隶属函数：

假设e = 0.1 e=0.1e=0.1，Δ e = 0.01 \Delta e = 0.01Δe=0.01

e = 0.1 → e 1 ( Z O ) = 0.9 , e 2 ( P S ) = 0.1 e=0.1 \rightarrow e_1(ZO)=0.9, e_2(PS) = 0.1e=0.1→e1(ZO)=0.9,e2(PS)=0.1
Δ e = 0.01 → Δ e 1 ( Z O ) = 0.99 , Δ e 2 ( P S ) = 0.01 \Delta e=0.01 \rightarrow \Delta e_1(ZO)=0.99, \Delta e_2(PS) = 0.01Δe=0.01→Δe1(ZO)=0.99,Δe2(PS)=0.01

2.3规则推理

例如定义以下规则表：

e ee\Δ e \Delta eΔe	PB	PM	PS	ZO	NS	NM	NB
PB	PB	PB	PM	PM	PS	ZO	ZO
PM	PB	PM	PM	PS	ZO	NS	NS
PS	PM	PM	PS	ZO	NS	NM	NM
ZO	PM	PS	ZO	ZO	ZO	NS	NM
NS	PS	ZO	NS	ZO	NS	NM	NM
NM	ZO	NS	NM	NM	NM	NB	NB
NB	ZO	ZE	NM	NM	NB	NB	NB

横轴为误差e ee
纵轴为误差变化率Δ e \Delta eΔe
表中元素为输出控制量u uu的模糊语言

下面根据规则表进行模糊推理：

e = Z O ( 0.9 ) e = ZO(0.9)e=ZO(0.9)且Δ e = Z O ( 0.99 ) \Delta e = ZO(0.99)Δe=ZO(0.99)→ rule[3][3]=Z O ZOZO
e = Z O ( 0.9 ) e = ZO(0.9)e=ZO(0.9)且Δ e = P S ( 0.01 ) \Delta e = PS(0.01)Δe=PS(0.01)→ rule[3][2]=Z O ZOZO
e = P S ( 0.1 ) e = PS(0.1)e=PS(0.1)且Δ e = Z O ( 0.99 ) \Delta e = ZO(0.99)Δe=ZO(0.99)→ rule[2][3]=Z O ZOZO
e = P S ( 0.1 ) e = PS(0.1)e=PS(0.1)且Δ e = P S ( 0.01 ) \Delta e = PS(0.01)Δe=PS(0.01)→ rule[2][2]=P S PSPS

其中推导出的rule[3][3]=ZO等称为激活程度μ i \mu_iμi

2.4解模糊

解模糊是将模糊推理得到的、多个可能具有不同权重的输出结果，聚合为一个精确的、可用于实际控制的数值。

解模糊有很多种方法，这里使用加权平均法：

u = ∑ i = 1 N e i Δ e i μ i ∑ i = 1 N e i Δ e i u=\frac{\sum_{i=1}^N e_i \Delta e_i \mu_i}{\sum_{i=1}^N e_i \Delta e_i}u=∑i=1NeiΔei∑i=1NeiΔeiμi

e i e_iei表示根据误差e模糊化出的每一种结果
Δ e i \Delta e_iΔei表示根据误差变化率Δ e \Delta eΔe模糊化出的每一种结果
μ i \mu_iμi表示变量对应的激活程度

n u m = 0.9 × 0.99 × Z O + 0.9 × 0.01 × Z O + 0.1 × 0.99 × Z O + 0.1 × 0.01 × P S num = 0.9×0.99×ZO+0.9×0.01×ZO+0.1×0.99×ZO+0.1×0.01×PSnum=0.9×0.99×ZO+0.9×0.01×ZO+0.1×0.99×ZO+0.1×0.01×PS

d e n = 0.9 × 0.99 + 0.9 × 0.01 + 0.1 × 0.99 + 0.1 × 0.01 den = 0.9×0.99+0.9×0.01+0.1×0.99+0.1×0.01den=0.9×0.99+0.9×0.01+0.1×0.99+0.1×0.01

u = n u m d e n u = \frac{num}{den}u=dennum

可以把这个过程想象成一次**“民主投票”**：

μ i \mu_iμi（规则输出值）：就像是每个“选民”（一条模糊规则）提出的具体提案（例如：“加速1m/s”）
e i Δ e i e_i \Delta e_ieiΔei（隶属度的乘积）：就像是每个选民的“投票权重”。这个权重取决于当前情况与这位选民所代表的条件（误差大小和误差变化趋势）的匹配程度。匹配度越高，他的投票权重就越大。
n u m numnum：是所有选民的“加权提案总和”（每个提案乘以它的权重）
d e n denden：是所有选民的“总权重”
最终结果u = n u m d e n u = \frac{num}{den}u=dennum：就是这次“加权民主投票”的最终决议，一个综合考虑了所有相关规则及其影响力的精确输出值