模糊PID控制結構分析

徐立軍，何穎

(新疆工業高等?？茖W校，新疆 烏魯木齊，830091)

盡管已經進行了大量的研究并提出了大量的解決方案，大多的工業控制系統仍然使用傳統PID控制，據估計，PID控制器的使用率在90% －99%之間。然而，因為工業控制過程普遍具有綜合性、復雜性，隨時間而變化、延遲，且是非線性及無規律動態性的特點，PID控制器不可能為所有控制問題提供一個總的解決方案。當這個控制過程太過復雜，甚至無法用分析模型進行描述時，傳統的方法很可能就失效了［1]。因此，經典控制理論能夠簡化工廠模式，卻不能保證控制效果。工廠仍然需要控制操作人員。但是，人的控制能力并不穩定，易受操作員經驗和職業技能的影響，因此，在許多實際應用中，傳統PID控制不能對系統進行有效的調節，而運用人工智能技術則能夠將操作者的工作自動化。介于人工智能和控制工程技術之間的模糊控制理論，其有效性已被工程實踐證明。根據《日本儀器控制工程協會》對日本控制技術行業的調查，模糊控制(FC)與神經網絡控制(NNC)是控制工程技術中發展最快的領域之一［2]。作為過程控制的方法，模糊控制的吸引力在于:模糊控制有效地支持了編碼轉換，即將一個有經驗的操作工所積累的知識和控制程序，轉換為十進制數字。在一個典型的PID工業控制系統設計中，控制參數被提前設定，然后為了達到理想的響應，這些參數被手動調節。在Copeland和Rattan所描述的方法中，人工調節可被由FC監控的調節過程取代。通過在線對FC參數進行調節，控制系統的響應得以改善［3]。

1 模糊控制器的設計方法

FC設計至今仍然類似一門藝術而未形成一項技術，因而設計者的能力扮演著至關重要的角色。究其原因如下:

模糊控制理論，特別是模糊設計理論仍遠不夠完善，也未被深入研究。C.－C.Lee在他的研究中指出:“缺乏FC設計的系統性設計步驟”。Brehm認為:“設計方法仍處于雛形，在某些方面仍靠直覺”［4]。最近Patryra等人的研究及國外多篇專門針對模糊PID設計的論文證實了FC設計分析中數據可靠性的缺乏。Verbruggen和Bruijn對當前的模糊控制研究狀況及其與傳統PID控制的關系進行了卓有成效的研究［5]。

模糊控制設計是一種邊緣技術，許多學科及工程設計方法如人工智能(專家系統)、控制工程和優化理論都牽涉其中，將這些不同的方法結合運用，能夠極大地豐富模糊控制技術，并帶來嶄新與令人矚目的成果。然而，隱藏在這些不同方法背后的，是不同的研究群體、不同的技術以及各自的評價標準，并且各研究群體之間彼此缺少了解(甚至有時可能會產生誤解)。

FC設計方法大致可分為專家法、控制工程法、中介法、整合法和同步法。

第一種方法來源于專家系統法。它將FC視為一個問題解決型的專家系統。在該方法中，用模糊集來代表控制人員的知識和行為，可僅憑模糊集進行操作，人工智能和認知科學的所有理論性和實踐性方法在專家系統中得以應用。應該注意到，通過使用語言變量，模糊規則為人類思維和語言提供了一個自然的框架結構，許多技術人員發現，使用模糊控制規則可以方便地表達他們的專業知識。因此對一個知識豐富的工程師來說，使用專家法會使設計工作變得更加容易。這種方法在FC初期設計非常流行。

在一個純粹的專家法中，結構、輸入、輸出和其他FC系統參數的選擇僅僅是專家的職責。而且，該方法的支持者們反對過細的參數調節，他們認為，這樣調節會破壞專家的指令。例如，改變控制參數或隸屬函數，可能會導致模糊規則表中數據意義喪失或混亂，從而導致系統無法識別那些經過調節的規則，進而無法制定新規則。

控制工程法的支持者反駁上述方法太過主觀，易于出錯，并嘗試建立一些可供選擇的客觀標準。該方法提出，FC的設計應該基于研究各種表征值的穩定性和表現，從而決定不同的FC參數，因此，該方法確定FC的分析是FC設計的重要程序之一。該方法采用模糊綜合評價法對FC控制質量進行評價。

中介法認為應該由專家設置參數，并用控制系統法確立其他規則。其方法包括FC結構和參數的初始選擇，進一步的調節由控制工程法進行。這些方法的發展促進了計算機輔助模型的應用，通過計算機輔助工具，模型整合了專家系統、神經網絡和模糊邏輯的特性。ARTMAP［6]即是這樣一個例子，通過有機體的神經網絡，能夠快速學習辨識，測試假設，預測趨勢非平穩時間序列的計算機模擬量或數字量輸入的響應。

上述模糊控制方式已混合運用到了控制工程實踐領域。當設計一個工業用傳統PID控制器時，設計者要首先設定好控制其參數，然后手動調節參數使系統響應接近期待值，如果用模糊控制來代替手動調節過程，通過模糊控制參數的在線調節可以顯著改善系統響應。在這里需要特別強調的是，直到現在，在設計的初期階段，專家控制法仍然被普遍采用并不斷被改進。

結合AI(人工智能)和控制工程的特點，在模糊控制器設計中，AI可以使工程師經驗模糊化，并用自然語言來構建設計框架，這使得模糊控制的作用變得越來越重要，尤其是在控制器設計過程中，模糊控制的設計方法變得越來越容易掌握并日臻成熟，而對于設計人員來說相對傳統PID控制也更加具有吸引力。

控制工程領域傳統標準仍然適用于模糊控制的設計，包括對與超調、積分和穩態誤差等參數的調節設計方法也在進一步發展當中，而加強模糊控制的易學易用性將會顯著的提高模糊控制的控制品質，提高其魯棒性并擴展其應用領域。

2 模糊PID控制系統的基本結構

為了在特定的工作條件下獲得更高的控制質量(首先必須保證在惡劣工作環境中的穩定性和魯棒性)，在模糊控制設計中廣泛用兩種基本結構:包括上位機控制的層次結構和自適應控制。

層次控制通常包括一個通常被稱為上位控制器的高階控制器和一些低階控制器，各層次之間的轉換由模糊控制器來控制。它將整個組織系統按照一定的方式分解為若干個子系統，賦予其局部范圍內的控制目標和功能，并考慮各個子系統之間的內在聯系，通過協調和規定各子系統的目標、任務、利益等，使它們相互配合、相互制約，在行為目標上和整個組織的總目標協調一致，以實現組織總體最優控制。

這種結構的典型應用實例之一就是用來對感應電機進行高精度監控的多層模糊控制器(MLFC)［7]，該控制器分兩層，第一層是執行層，由眾多輔助控制器構成，第二層是管理層，作用是協調各輔助控制器使之聯合實現系統總目標，由于使用了多層拓撲結構，整個控制器的設計變得簡單易行。

低階控制器一般使用傳統的PID控制器(如圖1)，這樣高階的模糊控制器就可以根據下層的參數調節需要制定相應的模糊規則從而直接進行操作，模糊控制器可以對參數進行在線和離線的調節，這意味著模糊控制器可以和傳統PID控制器同步工作。在某些案例中，使用模糊控制只是用來預防控制過程中可能出現的一些危險情況。

新興的有自動學習功能的模糊神經網絡控制可以實現各個PID控制器之間的暫態和穩態切換操作。在這種結構的控制器中，PD控制一般用在大偏差情況下以加快響應速度，而PI控制一般用在小偏差情況下以消除靜差。在控制算法中，S型神經元可以在系統結構改變時進行預賦值運算，同時依照實際情況自動改變控制參數，用以構建控制器參數和實際操作條件之間的非線性關系，可以利用傳感器技術將基于專家的經驗數據轉換為數值數據，再利用神經網絡的有效學習算法，從這些數據中學習控制規則和隸屬函數，從而彌補模糊控制的缺點，并較好解決系統穩態誤差和快速性之間的矛盾。在某些情況下，將模糊控制用于PID控制和神經網絡控制之間的轉換(如圖2)［8]。

在Palm和Rdhfuess做的一項對于模糊控制和PID控制相似性的研究中，將模糊控制器視為了一種近似增益調節器，模糊增益調節器通過權衡不同隸屬函數和相應計算的中值建立模糊規則，另一方面，PID增益系數和模糊控制縮放因子之間的這種相似性可以用在模糊控制器的設計和整定中［9]。

另一種將模糊神經網絡PID結合起來的方法就是在同一層次同時放置模糊、神經網絡和PID控制器，在一個串行連接中，模糊控制器同時接收PID控制器的輸入信號(如圖3)。在大多數情況下，基于專家控制的模糊控制可以代替人工操作，這種控制方式由Tzafestas和Papanikolopoulos等提出并已被廣泛采用［10]。在另一種并行結構中，模糊控制器接受偏差信號并給PID控制器提供輸入信號，或者一個傳統控制器的輸入被模糊控制取代(如圖4)，這種結構對于非線性設備控制及具有較強干擾的工作場所控制效果較好。

上述的模糊控制結構在大量的工程實踐中被證明是行之有效的，能夠滿足控制系統需要的穩定性以及快速性等性能，同傳統PID控制相比具有適應性強、魯棒性高、糾錯能力強等諸多優點［11]。

3 結語

當前一些研究成果表明，神經網絡技術模糊控制技術的結合，是模糊控制的一個重要發展趨勢，而模糊邏輯、專家系統、神經網絡以及正在引起國際廣泛關注的混沌控制這些當代智能技術的新四部正在互相滲透、緊密結合，將是促進高度智能化模糊研究的關鍵。

［1] L X WANG.A supervisory controller for fuzzy control systems that guarantees stability［J] .IEEE Transactions on Automatic Control，1994，39(9):1845 －1847.

［2] LEE C C.Fuzzy logic in control systems:fuzzy logic controller［J] .IEEE Transactions on Systems，Man，and Cyber netics，1990，20(2):404 － 435.

［3] MUDI R K，PAL N T.A robust self－tuning schee for PI－ and PD － type fuzzy controllers［J] .IEEE Transactions on Fuzzy Systems，1999，7(1):2－16.

［4] BREHM T，RATTAN K S.Hybrid fuzzy logic PID controller.Proceedings［A] .National Aerospace and Electronics Conference［C] .New York，1993(2):807 －813.

［5] VERBRUGGEN H B，BRUIJN P M.Fuzzy control and conventional control:what is(and can be)the real contribution of fuzzy systems?［J] .Fuzzy sets and systems，1997(90):151－160.

［6] CARPENTER G A，GROSSBERG S.Learning，categorization，rule formulation，and prediction by fuzzy neural networks.Chen，C.H.(Ed.)［A] .Fuzzy logic and Neural Network Handbook［C] .New York，1996.

［7] HUANG T C，E1－SHARKAWI M A.High performance speed and position tracking of inuction motors using multi－ layer fuzzy control［J] .IEEE Transactions on Energy Conversion，1996，11(2):353－358.

［8] CAVALCANTI J H F.Intelligent control system using PID and neural controllers［A] .Proceedings of 38th Midwest Syosium on Circuits and Systems［C] .New York，1996(1):425 －428.

［9] PALM R，REHFUESS U.Fuzzy controller as gain scheduling approximators［J] .Fuzzy Sets and Systems，1995，85:233－246.

［10] TZAFESTAS S，PAPANIKOLOPOULOS N.Incremental fuzzy expert PID control［J] .IEEE.Transactions on Industrial Electronics，1990，37:365 －371.

［11] 葛新成，胡永霞.模糊控制的現狀與發展概述［J] .現代防御技術，2008，36(3):51 －55.