專利名稱：模糊控制用的方法和裝置的制作方法
模糊控制的意義越來越大，這是因為用它來解決復(fù)雜的控制技術(shù)問題要比用常規(guī)的方法經(jīng)常要簡單的多。但是在實踐中經(jīng)常會遇到控制差不是一個確定量，而是一個受到噪聲影響的量。如果對這樣的量不進(jìn)行濾波處理，就送給控制器，那么就會對模糊控制器的控制特性產(chǎn)生負(fù)影響。在涉及到模糊控制(FC)的著名理論和實際應(yīng)用中，是使用控制器的確定輸入量(Mamdani-控制器
)進(jìn)行運(yùn)算的。這個量在模糊控制器中先要經(jīng)過定標(biāo)處理，然后進(jìn)行模糊化處理
。這里所說的“模糊化處理”是指將一個經(jīng)過標(biāo)定處理的確定輸入量根據(jù)預(yù)先規(guī)定的輸入基準(zhǔn)模糊集進(jìn)行相應(yīng)的隸屬度排序。然后再采用公認(rèn)的方法，根據(jù)輸出基準(zhǔn)模糊集進(jìn)行處理，執(zhí)行模糊控制器的“若-則”規(guī)則，結(jié)果形成一個輸出模糊集。再利用這個輸出模糊集，通過非模糊化處理(例如，采用重心法)就可以形成一個確定的輸出量。先將這個量進(jìn)行非標(biāo)定化處理，然后將其作為物理調(diào)節(jié)量送入受控對象。如果在這個有用信號上疊加一個噪聲信號，那么對于這個隨機(jī)信號值就要在模糊控制器中再進(jìn)一步地進(jìn)行處理或者就要對該信號進(jìn)行預(yù)濾波處理。
對于未經(jīng)濾波的信號進(jìn)行處理的缺點是在一般情況下，模糊控制器是靜態(tài)的非線性傳輸部件，會使噪聲直接疊加在調(diào)節(jié)量上。如果受控對象具有低通特性，它本身就會起到濾波器的作用。然而通過采用上述的辦法會使調(diào)節(jié)設(shè)備和受控對象受到太強(qiáng)載荷的作用，所以在一般情況下就必須對信號進(jìn)行預(yù)濾波處理?？墒穷A(yù)先進(jìn)行濾波也有缺點，那就是縱然濾波會產(chǎn)生一個滑動平均值，然而通過信號的和其他統(tǒng)計因素分散性的影響，會丟失信息。而這些信息既有對某些測量值置信度進(jìn)行判斷的信息，還有對可能出現(xiàn)的這些值的概率分布密度不對稱性進(jìn)行判斷的信息，后者可提供測量系統(tǒng)中的不對稱現(xiàn)象的信息，還能提示漂移一類的系統(tǒng)誤差。
本發(fā)明提出的任務(wù)是提供一種使用模糊控制器進(jìn)行控制的方法和裝置，使其能以對模糊控制器在輸入端出現(xiàn)的噪聲連同本來的有用信號共同進(jìn)行處理，在處理時，要通過對“有用信號-噪聲”的混合信息進(jìn)行統(tǒng)計，并在計算調(diào)節(jié)量時加以考慮。
這個任務(wù)在第1項權(quán)利要求的特征中解決了關(guān)于方法方面的問題，在第8項權(quán)利要求的特征中解決了關(guān)于裝置方面的問題。
本發(fā)明的其他內(nèi)容可以從一些從屬的權(quán)利要求中得以了解。
采用本發(fā)明的方法一個優(yōu)點是向模糊控制器輸入的不是一個作為控制差的平均值的確定值而是一個附加了一個概率分布密度的值。如果在這個值中出現(xiàn)了不對稱概率分布密度，接著那么這種非對稱密度就會導(dǎo)致在推理程序中對模糊規(guī)則進(jìn)行不同的加權(quán)處理，而且統(tǒng)計信息對于通過模糊控制器進(jìn)行處理的調(diào)節(jié)量會產(chǎn)生影響。
采用本發(fā)明的方法，能夠?qū)τ诰哂懈郊咏y(tǒng)計噪聲的量作為控制差進(jìn)行處理，其優(yōu)點在于能夠按照一個規(guī)定的時間間隔，求出這個量的概率分布密度。
除此以外，采用本發(fā)明還能夠?qū)τ谠诳臻g離散分布的測量值進(jìn)行處理，處理時，把一個測量值作為在一個空間范圍內(nèi)的測量值的概率分布密度來對待，并將其作為控制差，輸入模糊控制器。
另外一個特有的優(yōu)點是求取與控制器的時間常數(shù)相對應(yīng)的時間范圍內(nèi)的概率分布密度。
采用本發(fā)明方法的優(yōu)點在于將一個時間間隔劃分成小塊的時間間隔，并在這些小塊時間間隔內(nèi)求取信號的測量值。通過對產(chǎn)生的測量值的頻度進(jìn)行計數(shù)，就可以使用簡單的辦法術(shù)取信號的概率分布密度。
另一個優(yōu)點是當(dāng)在一個Mamdani控制法中采用本發(fā)明的方法時，利用至少一組基準(zhǔn)輸入模糊集，與概率分布密度形成交點，作為隸屬函數(shù)，并在推理程序的結(jié)論部分中對所有交點中的最大隸屬值進(jìn)一步處理，從而求出并在其中最佳地計入該統(tǒng)計信息的一個調(diào)節(jié)量。
另一個優(yōu)點是當(dāng)采用一個使用Takagi-Sugeno法的模糊控制器時，雖然求出模糊規(guī)則的控制加權(quán)的方法可以完全和使用Mamdani控制器的方法完全相同，但是卻需要將這個權(quán)重值乘以概率分布密度的重心值或者控制差的隸屬函數(shù)，用來求取一個確定的輸出量。
最好是在一模糊控制裝置中裝設(shè)一個分類器，用來從一個控制差信號求取一個概率分布密度，在這個過程中，每隔一定的時間間隔，檢測一個測量值，并且對這些測量值的頻度進(jìn)行計數(shù)處理。
最好是在采用本發(fā)明的裝置中裝設(shè)一個推理部件，按照Mamdani或者Takagi-Sugeno的原理進(jìn)行運(yùn)作，因為這兩種方法都是最經(jīng)常采用的模糊控制方法。
以下利用附圖對本發(fā)明作進(jìn)一步的說明。


圖1所示是使用本發(fā)明的一個模糊控制器的一個控制對象的框圖，圖2所示是一個概率分布密度求算圖，圖3所示是Mamdani控制器的推理過程，圖4所示是按照本發(fā)明的方法運(yùn)作的模糊控制器的控制特性，圖5所示是Takagi-Sugeno控制器的框圖，圖6所示是一個Takagi-Sugeno控制器所用的推理程序。
圖1所示是一個控制電路的示例。電路中設(shè)有一個Mamdani-模糊控制器FR。在電路中導(dǎo)入控制變數(shù)xd，并通過與輸入的一個反饋y相結(jié)合，形成一個控制差e。這個控制差在一個標(biāo)定部件Sc中例如通過與一標(biāo)定因子相乘變換到某一范圍內(nèi)(論域)，并隨后輸送給一個分類器KL，在一個時間間隔T期間生成一個頻度分布，然后再經(jīng)過參照例如最大頻度值的標(biāo)定處理，生成輸入隸屬函數(shù)。將此函數(shù)輸入到一個推理部件R。以后，就在一個非模糊化處理器Defuzz中經(jīng)過非模糊化處理形成非模糊值，并將其在Den中進(jìn)行非定標(biāo)化處理。由SC，KL，R，Defuzz，Den構(gòu)成的模糊控制器FR輸出的就是調(diào)節(jié)量u，將其輸至受控對象Pl，在這里被變換成控制量x，再加上一個干擾量d，兩者相結(jié)合形成反饋值y。
正如在評價現(xiàn)有技術(shù)背景時所說的那樣，在這樣的模糊控制器FR的推理部件的控制電路中不得引入確定量e作為控制差。更確切地說，要輸入一個模糊量，例如，以這個量的一個隨時間變化的值的概率分布密度的形式，或者是輸入一個將這個量的值的概率分布密度除以空間范圍得出的空間分布量。但是，這樣做時要注意的一點是這個量的模糊度可能一方面例如來源于受噪聲影響的控制變數(shù)xd，也可能是由于在該模糊控制差中增加了一個具有模糊干擾信號d的反饋量產(chǎn)生的結(jié)果。因而可以采用一種新辦法，那就是在控制電路中不輸入一個確定值，更確切地說，輸入一個概率分布密度，作為控制差e，以便在模糊控制器FR的推理過程中對其進(jìn)行處理。在推理處理器R中，例如，這種經(jīng)過定標(biāo)處理的概率分布密度就可以作為控制差的隸屬函數(shù)看待。
這就是說，既可以在推理處理器R的條件部分中，也可以在其結(jié)論部分中不是處理控制差的一個確定值，而是處理一個控制差的隸屬函數(shù)的輸入值。這樣就和過去的方法不一樣，算出的不只是和一個基準(zhǔn)隸屬函數(shù)的一個交點，而是與基準(zhǔn)隸屬函數(shù)曲線的多個交點，于是可以從其中選出具有最大的隸屬度的那個交點，借以進(jìn)一步運(yùn)算。另外還有一點與過去方法不同的地方，那就是能夠采用明確輸入量(crisp-inputs)的辦法，取基準(zhǔn)隸屬函數(shù)的一個覆蓋比為1(交點比＝1，交點等級＝0.5[4])，可以同時交叉兩個以上的基準(zhǔn)隸屬函數(shù)。例如，采用本發(fā)明的優(yōu)點在于當(dāng)遇到控制差隸屬函數(shù)的變化不對稱時，可以對兩個以上的不同輸入基準(zhǔn)模糊集進(jìn)行不同的加權(quán)處理。求出作為隸屬值用的交點，還能夠在推理處理器R的理論部分中依據(jù)有明確定義的模糊規(guī)則和輸出基準(zhǔn)模糊集相交。自此以后，例如，通過利用普通的重心法在非模糊化處理器Defuzz中進(jìn)行非模糊化處理，然后在Den中進(jìn)行非定標(biāo)化處理，生成一個輸出量u的確定值。這與迄今所用的模糊控制法的不同之處在于這個數(shù)值是取決于對給定控制差的統(tǒng)計。其結(jié)果是，例如，導(dǎo)致改善了模糊控制器對于受噪聲影響的信號的響應(yīng)，更進(jìn)一步顯示了它的優(yōu)點可以徹底免除對于給定的控制差再進(jìn)行濾波；同時也可以避免由于濾波產(chǎn)生的那些缺點。
圖2所示是表示如何能夠從一個與時間成依賴關(guān)系的信號求出概率分布密度的示例。首先，例如，要在模糊控制器的分類器中檢出在一個給定的時間間隙T中的一個輸入信號，在這個示例中檢測到的控制差eN是在經(jīng)過一定的時間間隔T進(jìn)行多次測量檢測到的。然后對檢測到的各種不同的測量值進(jìn)行計數(shù)。于是得出每個數(shù)值eN1至eNn的頻度值。這些數(shù)值就可以作為概率分布密度p(eN)，繪制成圖。一個這樣的概率分布密度示例如圖2a中WD的繪制圖。
圖2b所示是表示如何能夠從概率分布密度WD推導(dǎo)出一個有說明力的控制差信號eN的隸屬函數(shù)ZG。圖中是以每個eN值與隸屬值的相互關(guān)系μ(eN)繪成的。所繪的隸屬函數(shù)ZG是以直方圖表示。為了從概率分布密度WD推導(dǎo)出一個隸屬函數(shù)ZG，例如取概率分布密度的最大值p(eN)作為標(biāo)定量。例如，可以將概率分布密度WD標(biāo)定為1，從而求出ZG。
具體做法如下所示按照本發(fā)明的范圍，在一個規(guī)定的時間T內(nèi)，經(jīng)過k次檢測，求出概率分布密度p，繪成直方圖.為了達(dá)到這個目的，要將該物理信號(例如誤差信號e)使用一個預(yù)先規(guī)定的換算因數(shù)Ne進(jìn)行換算，使標(biāo)定信號eN按照一個既定的概率，進(jìn)入一個預(yù)先規(guī)定的分成n-1類的標(biāo)定論域Ie＝(e1，en)中eN＝Nee(1)然后利用一個分類器分配給eN標(biāo)定論域Ie＝(e1，en)內(nèi)的一個同樣預(yù)先規(guī)定的區(qū)間eN∈[ei，ei＋1]。經(jīng)過k次檢測，將頻度分布eN在論域Ie＝(e1，en)中分成n-1類，繪成直方圖。利用這個直方圖，通過以最大值p(eN)max為基準(zhǔn)的對所有的頻度值p(eN)的定標(biāo)處理形成一隸屬函數(shù)μ(eN)，其含義如下所列e＝eN(p(eN)max)(2)利用此式，求出在p(eN)＝p(eN)max條件下的eN值的隸屬值μ(eN)＝1。
如果一個模糊控制器只有一個輸入端，就可以將求出的隸屬函數(shù)μ(eN)納入控制句中。圖3a所示就是這種定理的一個示例。
如果是一個Mamdani推理方案，就可以使各組輸入基準(zhǔn)模糊集eN＝NB，……，PB與輸入模糊集形成交點(最小值)，并且構(gòu)成最大隸屬值μ1max…μ5max。利用這些最大值，就可以獲得輸出基準(zhǔn)模糊集uN＝NB，……，PB(取截面)。
利用輸出模糊集，求出重心，就能使非模糊化處理得以簡化。
采用上述的方法進(jìn)行定標(biāo)時，能夠?qū)⑵錁?biāo)定為1，因為在一個模糊控制器的一個用來作為求算用的推理程序中，模糊集一般都標(biāo)定為1。
但是對于采用本發(fā)明的方法來說，不論是標(biāo)定為什么樣的量完全都沒有什么關(guān)系。僅需注意的是用來定標(biāo)概率分布密度用的那種標(biāo)定量，也就是在輸入基準(zhǔn)模糊集和輸出基準(zhǔn)模糊集中所用的標(biāo)定量，因為，否則將這些量進(jìn)行對比也就毫無意義。
圖3所示是舉例說明采用本發(fā)明的方法，結(jié)合一個Mamdani推理過程，所經(jīng)過的各種不同的過程。在a的部分中可以了解到作為推理基礎(chǔ)的模糊規(guī)則。在b的部分所示，是在上述的推理過程中的條件部分，在c的部分所示，是在結(jié)論部分中對求出的隸屬值的評估過程。
圖3a本身基本上就能說明問題。但是卻要注意該規(guī)則是從R1到R5順序編號列出的，該標(biāo)定量是基準(zhǔn)量，這就是說，eN是作為標(biāo)定控制差使用，uN是作為標(biāo)定調(diào)節(jié)量使用。除此以外，NB表示負(fù)大，NS表示負(fù)小，Z為0，PS表示正小，PB表示正大。
圖3b所示是控制差隸屬函數(shù)eN和輸入基準(zhǔn)模糊集的相交圖。由圖可見，通過與控制差隸屬函數(shù)的相交，產(chǎn)生了隸屬值μ1max至μ5max。以上所示函數(shù)的邏輯連接方式，此處就是指函數(shù)的相交，是由根據(jù)在模糊規(guī)則R1至R5中規(guī)定的語言變量的邏輯連接產(chǎn)生的。具體地說，μ1max是eN和NS交點的值；μ3max是eN和Z的隸屬值，μ1max是eN對NB的隸屬值，μ4max是eN對PS的隸屬值。μ5max是eN對PB的隸屬值。從這些示例可以很清楚的看出，一個非均勻分布的隸屬函數(shù)與其他方法相比，就會得出不同的隸屬值μ。按照本發(fā)明的方法與現(xiàn)有的方法不同之處在于后者僅只使用一個確定值，該值也可以看作與具有一個高斯分布均勻的分布的隸屬函數(shù)。
現(xiàn)在舉例說明在條件部分中求算最大隸屬的方法。這雖然要取決于模糊規(guī)則R1至R5和所選定的邏輯結(jié)合方式之間的相互關(guān)系，卻仍然可以不受限制地設(shè)想用其他隸屬值代替函數(shù)交點的最大值當(dāng)作隸屬值使用。
圖3c所示是將Mamdani模糊控制器的結(jié)論部分的操作過程作為采用本發(fā)明的一個示例。在圖3b和圖3c之間利用箭頭進(jìn)行互相連接，并且標(biāo)上具體的模糊規(guī)則，也就是在結(jié)論部分中相關(guān)的位置上所用的規(guī)則。輸出基準(zhǔn)模糊集的隸屬值要在模糊控制器的條件部分的隸屬值中查找。這在圖3c中在線圖的左邊界線上標(biāo)出。在一般情況下，結(jié)論部分中的確定輸出值uN要通過在結(jié)論中找到的面積形成的重心求出。
當(dāng)控制器處理變量s=λ·e+e·]]>時(滑動模式模糊控制器[2])，要進(jìn)行例如以下的步驟1.檢測出 ，然后求出 。接著將理論值與實際值對比。
2.定標(biāo)eeN＝Ne·e3.檢測出 ，然后求出 接著將理論值與實際值對比。
4.定標(biāo) e·N=Ne··e·]]>5.建立SN=eN+e·N]]>6，根據(jù)在論域Is＝(S1，Sn)中的n-1個給定的等級，對SN進(jìn)行分類7.通過對步6中求出的頻度分布進(jìn)行定標(biāo)處理，形成模糊集 8.利用輸出基準(zhǔn)模糊集的結(jié)果執(zhí)行下列規(guī)則若sN＝NB則uN＝PB若SN＝NS則uN＝PS若SN＝Z則uN＝Z若sN＝PS則uN＝NS若SN＝PB則uN＝NB9.借助于形成重心的方法，對uN進(jìn)行非模糊化處理。
10.對uN進(jìn)行非定標(biāo)化處理u＝Nu·uN11.將調(diào)節(jié)量u輸入控制對象。
一個用模糊輸入和確定輸出的模糊控制器，不能象用確定輸入和確定輸出的控制器那樣，采用同樣簡單的方式來規(guī)定該傳輸特征。其原因是它在輸入與輸出之間不能產(chǎn)生點對點的映射，另外，要描繪這樣的一種特性，就非要借助于輸入模糊集的選定參數(shù)不可。對于一個鐘型輸入模糊集(標(biāo)定高斯曲線)來說，只要有兩個參數(shù)一個平均值eN和一個標(biāo)準(zhǔn)偏差)σeN就足夠了。
由于一個滑動式模糊控制器就和一個與狀態(tài)相關(guān)的濾波器那樣工作，模糊輸入會表現(xiàn)以下所述的結(jié)果離散度較強(qiáng)的信號(標(biāo)準(zhǔn)偏差σeN)要比離散度較弱的信號需要較強(qiáng)的濾波處理，此外，高(低)離散度的信號會減慢(加快)沿相位平面源點方向近似過程的速度。這點可以相應(yīng)的濾波公式容易看出。這最好以帶界面層BL的滑動式控制為例加以說明。
這種控制方式是一種非線性控制方式，和該模糊控制器非常近似。圖7所示，是該帶界面層BL的滑動式控制的相位平面中的模糊狀態(tài)e和 的平均值e和 的特性。
圖中K-控制器的最大輸出λ-控制直線上升的絕對值G(t)-模型非安全性，非模型化頻度，參數(shù)波動的平均值。此外，s-=λ·e-+e-.(4)]]>沿相位平面源點方向的狀態(tài)矢量e-→=(e,-e-·)T]]>的近似過程通過下列濾波公式求出控制直線法線方向e-.+λ·e-=0(5)]]>控制直線方向s-.+kΦ·s-=G(t)(6)]]>上述滑動式模糊控制器有類似的動態(tài)特性，因為這樣的控制器是該帶界面層BL的滑動式控制器的通用類型。如果在較大離散度的條件下產(chǎn)生一個較小的uN，在濾波公式(6)中會產(chǎn)生一個較小的K，此公式(6)描述沿著控制直線方向的近似過程。因此，針對這種模型的非安全度的，非模型化頻度的，和參數(shù)波動的平均值就要進(jìn)行較強(qiáng)的濾波處理(較弱的權(quán)重處理)。
圖4所示是采用本發(fā)明的方法時一個控制過程進(jìn)行情況的一個示例圖。制圖方法與其他圖所用的方法相同。所要注意的是圖4a中的時間劃分方法在圖4b中也同樣適用。具體地說，在圖4a中從左向右的概率分布密度或控制差的相應(yīng)隸屬函數(shù)是在規(guī)定恒等時間間隔中繪制的。在該圖中的這些時間間隔是位于正100ms和負(fù)100ms范圍內(nèi)的值，這些值，在圖的下方橫軸線上按標(biāo)定的時間標(biāo)注，但是也可以用其他的值。由此明顯可見，求算出的隸屬函數(shù)不屬于一個高斯分布。這一點在時間64處的數(shù)值表現(xiàn)最明顯。
在圖4b中所繪的控制變數(shù)xd是作為時間的正弦函數(shù)繪制的。同時還可以看到采用本發(fā)明的方法求出的控制量x。除此以外。在圖中還繪出了一個受噪聲影響的，作為反饋的量y。由于這個受噪聲影響的或附加有概率統(tǒng)計值的量，用來計入控制差中，所以在圖4a中繪出了概率分布密度或者控制差隸屬函數(shù)。特別是在時間64左右地方的正弦曲線的回轉(zhuǎn)點處可以發(fā)現(xiàn)，引入統(tǒng)計法可以提供較好的控制量X。
圖5所示是一個Takagi-Sugeno控制器的控制器結(jié)構(gòu)圖。具體地說，圖中所示的結(jié)構(gòu)包括一個定標(biāo)部件Sc，一個分類器KL，一個控制基準(zhǔn)和結(jié)論部件Rekon和一個非定標(biāo)化部件Den。在圖示的TaKagi-Sugeno控制器中標(biāo)定部件Sc中輸入由x1到xn的n個確定值，這些值是按照規(guī)定時間在控制電路中取得的。在分類器KI，經(jīng)過一個時間間隔T，繪出一個直方圖，并由此圖通過(例如)用最大頻度值進(jìn)行定標(biāo)處理，從而構(gòu)成相應(yīng)的輸入隸屬函數(shù)。圖中的推理部分Rekon也包括一個條件部分和一個結(jié)論部分。其中的條件部分的工作方式完全和一個Mamdni控制器中的相同，但是在結(jié)論部分中卻是根據(jù)所求得的隸屬值產(chǎn)生的一個函數(shù)，不用再經(jīng)過非模糊化處理部件直接形成一個調(diào)節(jié)量的確定值uN。經(jīng)過在Den中進(jìn)行非定標(biāo)化處理，形成一個確定的調(diào)節(jié)量u。
圖6所示是一個Tagaki-Sugeno控制器中的條件部分的工作方式示例。按圖中示例所示，該控制差隸屬函數(shù)RZ應(yīng)該與一個規(guī)則Ri作邏輯連接。Ri中包含n個語言變數(shù)x1至xn的n個“與”邏輯連接。以采用本發(fā)明的方法為例，在此處發(fā)生的過程是控制差隸屬函數(shù)Rz和語言變數(shù)的輸入基準(zhǔn)模糊集相交，從而分別算出每個語言變數(shù)xi1至xin的一個隸屬值 至 。取為規(guī)則R1算出的隸屬值的最小MW作為Takagi-Sugeno控制器的結(jié)論部分中的控制加權(quán)值。為了求算供Takagi-Sugeno控制器使用的確定輸入值x1至xn的等效值，已經(jīng)證明采用本發(fā)明的方法有利于求算一輸入值的相應(yīng)控制差隸屬函數(shù)x1(t)的重心SP為x1(t)或者求算xn(t)的重心SP為xn(t)。
從控制結(jié)構(gòu)方面看，Takagi-Sugeno模糊控制器的結(jié)構(gòu)與慣用的Mamdani模糊控制器的不同。[3]Mamdani模糊控制器不但在一個規(guī)則的條件部分中而且在其結(jié)論部分中都要出現(xiàn)模糊集，然而在Takagi-Sugeno模糊控制器中雖然只在規(guī)則的條件部分中有一個模糊集，可是在結(jié)論部分中卻有一個公式，該式在輸入變數(shù)和輸出變數(shù)之間建立一代數(shù)關(guān)系。這類規(guī)則的形式的一個示例如下所列規(guī)則R1若(x1＝Xi1)與…與(xn＝Xin)則ui＝fi(x1，…，xn)這個規(guī)則的計算方法是首先為在一個規(guī)定時間t測出的n個確定值x1，………，xn，確定隸屬于模糊值Xi1，…，Xin的隸屬度 ,…， 根據(jù)這些隸屬度，通過最小化法求出控制加權(quán)值μi=min(μx1i,···,μxni)]]>然后算出下式ui＝fi(x1，…，xn)并將其乘以控制加權(quán)值μi=min(μx-1l,···,μx-1n)]]>根據(jù)m個規(guī)則，就能求出m個ui的值，經(jīng)過對全部規(guī)則進(jìn)行處理之后，按照下式疊加，求出一個共用的控制器輸出值u=Σi=1mμi·uiΣi=1mμj]]>由于控制器輸出值已經(jīng)是一個確定值(Crisp-Wert)，所以在Takagi-Sugeno控制器的結(jié)構(gòu)中沒有非模糊化處理部件。
按照Takagi-Sugeno控制器處理模糊輸入的工作方式，在遇到要用一個規(guī)則的條件程序處理時就要依靠Mamdani控制器的工作方式進(jìn)行處理1.利用模糊輸入集與規(guī)則Ri中處理過的格基準(zhǔn)模糊，的交叉建立交點組合X1(t)＝(μx1(x1(t))，x1(t)……Xn(t)＝(μxn(xn(t))，xn(t))
2.求算各交點組合的所有隸屬值的最大值μikmax(K＝1…n，基準(zhǔn)模糊集編號)X1(t)＝(μx1(x1t))，x1t))……Xn(t)＝(μxn(xn(t))，xn(t))(參閱圖12.).
3.求算所有μikmax的最小值μi＝min(μi1max，…，μinmax)。
這個公式表示第i個規(guī)則Ri的控制加權(quán)。
為了表示使用確定輸入的工作方式的不同之處，列出作為模糊集使用的Xk(t)。但是，結(jié)論公式的結(jié)果應(yīng)該是一個確定值。所以最好是在第i個規(guī)則的原始的結(jié)論公式ui＝fi(x1，…，xn)中的確定值x1，……，xn，用模糊值X1，……，Xn的重心x1，……，xn代替，這些模糊值是予期值，它應(yīng)能足夠好地代表模糊輸入值。于是結(jié)論公式如下所列ui＝fi(x1……xn)總值的公式又如下所列u=Σi=1mμi·uiΣi=1mμi.]]>
參考文獻(xiàn)
E.H.Mamdani(Apllication of fuzzy algorithms for control of asimple dynamic plant.)《簡單動態(tài)工廠控制的模糊算法應(yīng)用》Proc.IEEE，121，S.；1585-1588；1974[1]D.Driankov，H.Hellendoorn，M.Reinfrank(1993)(An Introduction toFuzzy Control.)《模糊控制引論》Springer-Verlag Berlin，Heidelberg，New York[2]R.Palm(Sliding Mode Fussy Control)，1st FUZZ-IEEE｀92Sandigo，pp.519-526《滑動式模糊控制》[3]T.Tagaki，M.Sugeno(Fuzzy identification of systems and itsapplication to modeling and control.)《模糊識別系統(tǒng)及其在樣本和控制上的應(yīng)用》IEEE Trans.on Syst.，Man，and Cyb.，Vol.SMC-15，No.11985[4]D.Driankov，H.Hellendoorn，M.Reinfrank(1993)(AnIntroductionto Fuzzy Control)《模糊控制引論》Springer-Verlag Berlin，Heidelberg，New York，S.119.
權(quán)利要求
1.一種用作模糊控制的方法，a)采用這種方法，至少向一個模糊控制器(FR)輸入一個非確定量，并且連同該值的一個概率分布密度，b)采用這種方法，該概率分布密度要依照一個預(yù)先給定的值進(jìn)行定標(biāo)(Sc)處理，c)采用這種方法，利用模糊控制器(FR)的一個推理程序(R，Rekon)，處理一個作為控制差隸屬函數(shù)(RZ)使用的，代替確定值的，標(biāo)定概率分布密度(WD)，形成一個調(diào)節(jié)量(u)
2.權(quán)利要求1中的方法，采用這種方法，在一個規(guī)定的時間內(nèi)至少求出該控制電路中的一個隨時間變化的量的一個數(shù)值的概率分布密度(WD)，然后用于形成控制差(e)。
3.權(quán)利要求2中的方法，采用這種方法，取控制誤差和控制誤差的時間導(dǎo)函數(shù)的差值作為控制差(e)輸入。
4.權(quán)利要求1中的方法，采用這種方法，至少求出控制電路中產(chǎn)生的一個空間量所在具體空間范圍內(nèi)的若干數(shù)值的一空間分布情況，并且作為僅只一個數(shù)值的概率分布密度(WD)，用于構(gòu)成控制差(e)。
5.權(quán)利要求2中的方法，采用這種方法，求出在一控制過程中的概率分布密度(P)。
6.權(quán)利要求5中的方法，采用這種方法，通過對于一控制過程中的控制差的多次分析，并對所分析數(shù)值的計數(shù)，求出概率分布密度(p)。
7.權(quán)利要求1至6中的任一方法，a)采用這種方法，在Mamdani法的推理程序內(nèi)的一個條件部分中，控制差隸屬的數(shù)與至少由一組輸入基準(zhǔn)模糊集，形成交點，從而求出交點的隸屬，作為交點值。b)采用這種方法，在推理程序內(nèi)的一個結(jié)論部分中把交點值，用于求出調(diào)節(jié)量。
8.權(quán)利要求1至6中的任一方法。a)采用這種方法，在Tagaki-Sugeno法的推理程序內(nèi)的一個條件部分中，控制差隸屬函數(shù)與一個規(guī)則的至少兩組輸入基準(zhǔn)模糊集，形成交點，求出相關(guān)交點的隸屬值，作為交點值組合。b)采用這種方法，求出控制差隸屬函數(shù)的重心，作為在Takagi-Sugeno法的推理程序內(nèi)的一個結(jié)論部分中的確定輸入值使用。c)采用這種方法，利用輸入值和交點值組合的最小值的乘積形成一個調(diào)節(jié)量。
9.用于模糊控制的裝置，a)在該裝置中至少設(shè)置一個分類器(KL)和一個推理部件(R，Rekon)，b)在該裝置中將一個隨時間變化的控制差信號(e)輸入到分類器(KL)中，從而產(chǎn)生一個控制差信號值的概率分布密度信號，c)采用此法時，向推理部件輸入概率分布密度信號，在推理部件中將其轉(zhuǎn)換成控制差隸屬函數(shù)，再將其至少與另一個隸屬函數(shù)作邏輯連接，借此形成一個調(diào)節(jié)量。
10.權(quán)利要求9中的模糊控制裝置，采用此裝置時，裝設(shè)一個Mamdani-推理部件(R)
11.權(quán)利要求9中的模糊控制裝置，采用此裝置時，設(shè)置一個Takagi-Sugeno推理部件(Rekon)
12.權(quán)利要求9中的模糊控制裝置，采用此裝置時，設(shè)置一個附有邊界層(BL)的滑動式模糊控制器。
全文摘要
本發(fā)明提供用于進(jìn)行模糊控制的新式方法和新型裝置，它不是如同在過去流行的方法和裝置中利用確定量作為模糊控制器的輸入量進(jìn)行處理的那樣，而是輸入一個附加一個概率分布密度的輸入量。在模糊控制器的推理程序中，也不使用確定值，而是以本發(fā)明的一個輸入值的概率分布密度作為該數(shù)值的從隸屬函數(shù)進(jìn)行處理，上述的這種方法，在不對稱的概率分布密度情況下優(yōu)越性特別顯著。這樣做，第1是能夠獲得一個優(yōu)越響應(yīng)特性的控制器，第2不會象使用信號預(yù)先濾波出現(xiàn)的那種缺點，例如，能夠避免丟失信息。
文檔編號G05B13/02GK1147872SQ95192969
公開日1997年4月16日 申請日期1995年3月2日 優(yōu)先權(quán)日1994年3月17日
發(fā)明者R·帕爾姆 申請人:西門子公司