模糊逻辑 - 控制系统
模糊逻辑在各种控制应用中得到了巨大成功的应用。几乎所有的消费品都有模糊控制。其中一些例子包括借助空调控制室温、车辆使用的防制动系统、交通灯控制、洗衣机、大型经济系统等。
为什么在控制系统中使用模糊逻辑
控制系统是物理组件的排列，旨在改变另一个物理系统，以便该系统表现出某些所需的特性。以下是在控制系统中使用模糊逻辑的一些原因 -
在应用传统控制时，需要了解模型和精确表述的目标函数。这使得在很多情况下应用起来非常困难。
通过应用模糊逻辑进行控制，我们可以利用人类的专业知识和经验来设计控制器。
模糊控制规则，基本上是 IF-THEN 规则，可以在设计控制器时得到最好的利用。
模糊逻辑控制 (FLC) 设计中的假设
在设计模糊控制系统时，应做出以下六个基本假设 -
该设备是可观察和可控的- 必须假设输入、输出以及状态变量可用于观察和控制目的。
知识体的存在- 必须假设存在一个具有语言规则的知识体和一组可以从中提取规则的输入输出数据集。
解的存在性- 必须假设存在解。
“足够好”的解决方案就足够了- 控制工程必须寻找“足够好”的解决方案，而不是最佳的解决方案。
精度范围- 模糊逻辑控制器必须设计在可接受的精度范围内。
关于稳定性和最优性的问题 - 在设计模糊逻辑控制器时必须公开稳定性和最优性问题，而不是明确解决。
模糊逻辑控制的体系结构
下图显示了模糊逻辑控制（FLC）的架构。
FLC的主要组成部分
以下是 FLC 的主要组件，如上图所示 -
模糊器- 模糊器的作用是将清晰的输入值转换为模糊值。
模糊知识库- 它存储有关所有输入输出模糊关系的知识。它还具有定义模糊规则库的输入变量和受控对象的输出变量的隶属函数。
模糊规则库- 它存储有关域过程操作的知识。
推理引擎- 它充当任何 FLC 的内核。基本上，它通过执行近似推理来模拟人类决策。
去模糊器- 去模糊器的作用是将模糊值转换为从模糊推理引擎获得的清晰值。
FLC 设计步骤
以下是设计 FLC 所涉及的步骤 -
变量识别- 此处，必须识别所考虑的工厂的输入、输出和状态变量。
模糊子集配置- 信息域被划分为多个模糊子集，每个子集都分配有一个语言标签。始终确保这些模糊子集包含宇宙的所有元素。
获取隶属函数- 现在获取我们在上述步骤中获得的每个模糊子集的隶属函数。
模糊规则库配置- 现在通过分配模糊输入和输出之间的关系来制定模糊规则库。
模糊化- 模糊化过程在此步骤中启动。
组合模糊输出- 通过应用模糊近似推理，找到模糊输出并将它们合并。
去模糊化- 最后，启动去模糊化过程以形成清晰的输出。
模糊逻辑控制的优点
现在让我们讨论模糊逻辑控制的优点。
更便宜- 就性能而言，开发 FLC 比开发基于模型的控制器或其他控制器相对便宜。
稳健- FLC 比 PID 控制器更稳健，因为它们能够覆盖大范围的操作条件。
可定制- FLC 是可定制的。
模拟人类演绎思维- 基本上，FLC 旨在模拟人类演绎思维，即人们根据已知信息推断结论的过程。
可靠性- FLC 比传统控制系统更可靠。
效率- 模糊逻辑在控制系统中应用时可提供更高的效率。
模糊逻辑控制的缺点
现在我们将讨论模糊逻辑控制的缺点。
需要大量数据- FLC 需要应用大量数据。
在历史数据中等的情况下有用- FLC 对于比历史数据小或大得多的程序没有用。
需要较高的人类专业知识-这是一个缺点，因为系统的准确性取决于人类的知识和专业知识。
需要定期更新规则- 规则必须随时间更新。