1.3 模糊控制技术
1.3.1 模糊控制技术的诞生
自动控制是关于受控系统的分析、设计和运行的理论及技术。自动控制理论是以控制论、信息论、系统论为其方法论基础的，自动控制技术是自动控制理论在工程系统中的具体体现。20世纪40年代出现的经典控制理论以系统的频率域描述和分析设计方法为基础。20世纪60年代，出现了以状态空间法为基础的现代控制理论，通过深入到对系统内部状态的描述，从信息层面上更深刻地刻画了系统的特征，同时在控制中开始渗入优化的概念，为实现高质量的自动化技术提供了有力的手段。经典控制和现代控制统称为传统控制，其主要特征是建立在被控对象的数学模型基础上，基于精确模型对系统进行定量分析和处理，从而完成控制策略的设计。
随着科学技术的飞速发展，出现了越来越多的存在不确定性信息的复杂系统，传统控制理论和方法越来越显示出其局限性。首先，难以对复杂系统的特性进行精确的描述，无法获得被控对象的精确数学模型，对于某些复杂对象，甚至根本无法建立数学模型，因此不能实现有效控制。其次，若采用传统控制理论和方法解决这类系统的控制问题，就必须提出并遵循一些比较苛刻的假设，而这些假设往往与实际情况不吻合。另外，增加检测设备或者改进执行机构，也是提高复杂系统控制性能的一个措施，然而其结果会使控制系统变得更复杂。这样，不仅增加了初始投资和维修费用，而且还降低了系统的可靠性。
实际工业过程中，针对存在不确定性信息的复杂系统，专家可以不依赖信息的精确数值，用自然语言描述系统性能，确定控制策略，从而取得满意的控制效果。例如：用于火法炼锌的沸腾炉是一个复杂系统，难于用传统方法实现基于精确数学模型的控制，然而，技术人员可以根据经验有效地调节沸腾炉的炉温。这些经验可以用自然语言来表述，如：“炉温低”则“调高加热电压”等，表现出控制策略选取中隐含的模糊性。
随着向信息时代的迈进，人类知识变得日益重要。如何将人类知识和其他信息（实际测量数据和根据自然法则推导出的数学模型）有效地整合到控制系统设计中是至关重要的。人类知识通过自然语言表述，而自然语言中含有大量的模糊信息。继Zadeh1965年提出模糊集合后，20世纪60年代末至70年代初，Zadeh又在模糊映射、模糊推理和模糊控制原理等方面进行了一系列的研究，特别是提出并完善了模糊知识表示、语义变量、模糊规则以及模糊图等概念，包括1968年提出模糊算法的概念，1970年提出模糊决策，1973年发表《分析复杂系统和决策过程的新方法纲要》，文中引入了语言变量的概念，提出了IF-THEN规则来量化人类知识，提供了由专家构造语言信息，并将其转化为控制策略的一种理论体系方法。IF-THEN规则是用模糊逻辑表述和处理建立在模糊逻辑基础上的控制策略，能够解决许多无法建立精确数学模型的复杂系统的控制问题，是处理控制系统中不确定性信息的一种有效方法。这些成果为模糊建模和模糊控制的发展提供了理论基础。
1974年，英国伦敦大学教授E.H.Mamdani首先用模糊控制语句组成模糊控制器，并把它成功地应用于蒸汽机的控制。这项成果是在模糊理论研究的基础上，实现了应用模糊控制器处理实际系统的控制问题，标志着模糊控制技术的诞生。
1.3.2 模糊控制技术的特点
模糊控制是模糊数学与控制理论相结合的产物。其主要特点是：
（1）不依赖被控对象的精确数学模型，只需根据专家经验或现场操作人员的经验知识及操作数据确定控制规则，因此，能够对难以建立精确数学模型的复杂对象实现有效控制；
（2）控制行为用语言变量表示，而不是传统的数学变量，因为语言变量具有一定的模糊性，用于描述控制规则，易于将专家“知识”融入控制系统的设计中；
（3）控制系统采用“不精确推理”，推理过程模拟人的思维过程，易于介入人的经验，能够处理复杂甚至“病态”系统的控制问题；
（4）控制系统的鲁棒性强，对过程参数的变化不敏感，适于解决传统控制方法难以奏效的非线性、时变及大滞后等问题。
1.3.3 模糊控制技术的发展
自1965年Zadeh发表《模糊集合》（Fuzzy sets）至今，模糊控制不论从理论上还是技术上都有了极大的进步，已经成为智能控制领域中一个非常重要的分支。
继Mamdani在蒸汽机上应用模糊控制并取得成功以后，1975年，丹麦首先在工业上建立了模糊控制水泥窑。1987年，日本将模糊控制技术成功地应用于地铁系统，使启动和制动极为平稳，而且停车位置能精确到10cm以内，在科技界引起了轰动。发展至今，模糊控制的典型应用已经十分广泛，从家用电器设备中的模糊洗衣机、空调、微波炉、吸尘器、照相机和摄像机等；到工业控制领域中的水净化处理、发酵过程、化学反应釜、水泥窑炉等的模糊控制；在专用系统和其他方面有地铁靠站停车、汽车驾驶、电梯、自动扶梯、蒸汽引擎以及机器人的模糊控制等。模糊控制技术的应用还涉及信息工程、图像识别、人工智能、空间飞行、卫星与导弹的控制等领域，取得了显著的效果。
模糊控制系统是一种计算机控制系统，模糊控制策略主要用软件实现。随着嵌入式技术的发展，基于单片机的模糊控制器以及模糊芯片等模糊型产品的研制成绩斐然。同时，大型PLC和DCS都开发了模糊控制模块，进一步促进了模糊控制的工业应用。
模糊控制的发展根据其结构特点可大致分成3个阶段：第一阶段（1965—1974）为萌芽阶段，主要是模糊数学的发展和成形时期。第二阶段（1974—1979）为简单的模糊控制器阶段，这种控制器的模糊控制表通过离线算好，在线调试完成后一直不变，因此其自适应能力和鲁棒性有限。第三阶段（1979年至今）为高性能模糊控制器阶段，人们在使用过程中针对简单模糊控制器的不足，提出了很多高性能的模糊控制策略。
1984年7月，模糊理论及其应用的国际性学术组织“国际模糊系统协会”（International Fuzzy Systems Association，IFSA）在美国夏威夷筹建，1985年7月，该协会在西班牙马约卡岛成立，并举行IFSA第一届大会，旨在交流和促进模糊理论及其应用在世界各国的发展。国际模糊系统协会的会刊为《Fuzzy Sets and Systems》。1992年，第一届IEEE模糊系统国际会议在美国召开。模糊理论方面的国际性专业学术期刊还有《IEEE Transactions on Fuzzy Systems》等，为世界各国的模糊控制理论研究提供交流平台。
模糊控制理论的研究大致有以下几方面。
（1）自学习、自适应模糊控制理论的研究
模糊控制的实质是将相关领域的专家知识和熟练操作人员的经验，转换成模糊化后的语言规则，通过模糊推理与模糊决策，实现对复杂系统的控制。然而，一个复杂受控系统往往具有非线性、大时滞、不确定性和时变性，单纯依靠基于人为信息的有限多条模糊规则，很难进行完善的描述和适应受控对象的多变性，如何在控制过程中自动地修改、调整和完善模糊控制规则，来提高模糊系统的控制性能，逐步达到良好的控制效果，成为自学习自适应模糊控制理论研究的主要内容。
具有自适应功能模糊控制器的杰出代表是自组织模糊控制器（Self-Organizing Fuzzy Controller），它是在基本的模糊控制器基础上增加了调整控制机构，将控制器分为面向对象的控制级和面向控制器的规则调整级，规则调整级通过计算系统的性能指标来校正控制规则的关系矩阵，建立修改规则库，从而大大提高了系统性能。量化因子和比例因子的自调整是自适应模糊控制应用于实时控制中最有效的手段。
自学习模糊控制器运用模糊推理的手段，在其运行过程中可逐步获得受控对象及环境的非预知信息，积累控制经验。并在一定的评价标准下进行估值、分类和决策，从而不断改善系统的品质。
（2）模糊推理策略的研究
模糊推理策略对模糊控制器的设计和模糊控制系统的性能起着重要作用。目前采用的模糊推理策略有：Mamdani推理、Tsukamoto推理、Larsen推理和Takagi推理等。它们的共同点是其模糊性能都取决于模糊规则的前提条件和结论部分的语言描述，不同点是模糊模型与推理算子的选择。
（3）模糊模型辨识的研究
所谓的模糊模型，是指描述受控系统性能的一组模糊规则，它属于非线性模型。美国的Berenji.H.R总结了四种获取规则的方法：基于专家的经验和知识、建立操作者的控制行为模型、建立被控对象的模型和自组织学习。
当被控过程复杂时，有可能存在任何操作人员不能够很好地控制对象，那么通过建立过程的数学模型，进而从理论上推导出一组控制规则是一种可行的方法。基于模糊推理的建模方法大概分为三类：基于模糊关系模型的建模方法、基于模糊神经网络的模糊建模方法和基于Takagi-sugeno的模糊线性函数模型的建模方法。
（4）模糊系统稳定性的研究
稳定性是非线性模糊控制系统的重要指标之一，因为只有对模糊控制系统建立有效的稳定性标准，才能从理论角度设计基于模型的模糊控制器。基于语言模型的稳定性分析，特别是日本学者Takagi和sugeno提出的T-S模型给模糊控制理论研究及应用带来了深刻的影响，使模糊系统稳定性分析上升到新的理论高度。目前，模糊控制系统稳定性分析方法主要有李亚普诺夫方法、基于滑模变结构系统的稳定性分析方法、描述函数方法和圆稳定性判据方法等。模糊控制系统的稳定性分析和系统化设计仍然是模糊控制的研究前沿，如何更有效地将传统控制系统稳定分析方法运用到模糊系统稳定判别中，稳定判据所依赖的条件、适用范围以及稳定性算法的简化，都是值得进一步研究的问题。
（5）模糊控制与其他先进控制理论的结合
随着现代技术的发展，20世纪中后期出现了很多先进的控制方法，如神经网络、遗传算法等，控制界的学者将这些方法与模糊控制结合起来，以弥补模糊控制结构简单、自适应能力有限的缺点，取得了良好的控制效果。
①模糊预测控制
模糊预测控制是指把各种预测控制的典型算法与模糊控制理论相结合的一种集成控制策略，包括模糊控制和预测控制的集成、基于模糊模型的预测控制、基于优化目标的模糊预测控制和模糊内模控制等。
②模糊神经网络控制
模糊控制技术和神经网络技术同属于人工智能技术，各自具有对方恰恰不具备的优点，具有互补性。模糊技术的特长在于逻辑推理能力，可以模拟人类判断和决策的能力，但它不具备学习功能。人工神经网络具备非线性映射能力、学习能力、并行处理能力和容错能力，而对处理和描述模糊信息却无能为力。因此，将神经网络引入模糊控制中，可以大大提高模糊控制技术的学习能力。
③基于遗传算法的模糊控制
遗传算法是一种全局搜索算法。它的主要特点是群体搜索和群体中个体之间的信息交换，搜索不依赖梯度信息，因而它可以高效率地找到全局最优或接近最优解。目前这方面的研究有：采用遗传算法对模糊控制器的隶属度函数参数进行调整、采用遗传算法对模糊控制器的规则进行寻优与调整以及采用遗传算法对模糊模型建模与学习寻优等。
目前，模糊控制正向着复杂大系统、智能系统、人与社会系统及生态系统等领域拓展。模糊计算机的研制是模糊控制技术在硬件方面的一个发展趋势，它包括模糊计算机体系结构的硬件、操作系统与语言理解等项目。在理论上，最优模糊控制器设计、模糊系统稳定性理论以及与其他控制策略相结合等方面的研究，将使模糊控制成为更为强大和完善的控制技术。