智能控制 模糊控制论文

华北电力大学

科技学院

智能控制论文

模糊控制的概述及模糊控制的应用

姓名： 班级： 学号： 日期：

模糊控制的概述及模糊控制在污水处理中的应用

摘要：模糊控制技术对工业自动化的进程有着极大地推动作用，本文简要讲述了模糊控制的定义、特点、原理和应用，简介模糊控制在污水处理中的应用。并讲诉了模糊控制的发展。 关键词：模糊控制；污水处理。

An overview of the fuzzy control and fuzzy control in application of

wastewater treatment

Abstract: Fuzzy control of industrial process automation has greatly promoted the role, the paper briefly describes the definition of fuzzy control, characteristics, principles and applications, Introduction to fuzzy control in wastewater treatment applications. And complaints about the development of fuzzy control.

Keywords: fuzzy control; sewage treatment. 1 引言

传统的自动控制控制器的综合设计都要建立在被控对象准确的数学模型(即传递函数模型或状态空间模型)的基础上，但是在实际中，很多系统的影响因素很多，油气混合过程、缸内燃烧过程等) ，很难找出精确的数学模型。这种情况下，模糊控制的诞生就显得意义重大。因为模糊控制不用建立数学模型不需要预先知道过程精确的数学模型。

2 概述

刘金琨在《智能控制》教材里提到模糊控制的定义和特点： 2.1定义：从广义上，可将模糊控制定义为：“以模糊集合理论、模糊语言变量及模糊推理为基础的一类控制方法”，或定义为：“采用模糊集合理论和模糊逻辑，并同传统的控制理论相结合，模拟人的思维方式，对难以建立数学模型的对象实施所谓一种控制方法”。[1] 2.2模糊控制的特点

（1）模糊控制不需要被控对象的数学模型。模糊控制是以人对被控对象的控制经验为依据而设计的控制器，故无须知道被控对象的数学模型。

（2）模糊控制是反映人类智慧的智能控制方法。模糊控制采用人类思维中的模糊量，如“高”，“中”、“低”、“大”、“小”等,空置量由模糊推理导出。这些模糊量是人类智能活动的体现。

（3）模糊控制已被人们接受。模糊控制的核心是控制规则，模糊规则是用语言来表示的。

（4）构造容易。模糊控制规则易于软件实现。 （5）鲁棒性和适应性好。 2.3模糊控制的原理

程武山编著的《智能控制理论与应用》介绍了模糊控制的原理：模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的一种智能控制方法，它是从行为上模仿人的模糊推理和决策过程的一种智能控制方法。该方法首先将操作人员或专家经验编成模糊规则，[2]

然后将来自传感器的实时信号模糊化，将模糊化后的信号作为模糊规则的输入，完成模糊推理，将推理后得到的输出量加到执行器上。 2.4模糊控制器

模糊控制器一般由模糊化、模糊知识库、模糊推理机和去模糊4部分组成。输入变量为误差e和误差变化率ec，输出变量为实际系统所需要的变量，其控制原理是：首先将实际测得的精确量e和ec通过模糊化变换成模糊量，再根据由大量实验数据和专家经验得出的模糊知识库把模糊输入量进行模糊推理得到相应的模糊控制量，经模糊判决将模糊控制量转化为精确控制量输出，从而实现对控制量的控制。

模糊控制器（Fuzzy Controller—FC）也称为模糊逻辑控制器（Fuzzy Logic Controller—FLC）,由于所采用的模糊控制规则是由模糊理论中模糊条件语句来描述的，因此模糊控制器是一种语言型控制器，故也称为模糊语言控制器（Fuzzy Language Controller—FLC）。在确定性控制系统中，根据输入变量和输出变量的个数，可分为单变量控制系统和多变量控制系统。在模糊控制系统中也可类似地划分为单变量模糊控制和多变量模糊控制。

刘金琨在《智能控制》里介绍模糊控制的结构： （1）单变量模糊控制器

在单变量模糊控制器（Single Variable Fuzzy Controller—SVFC）中，将其输入变量的个数定义为模糊控制的维数。 a、一维模糊控制器

一维模糊控制器的输入变量往往选择为受控量和输入给定的偏差量E。由于仅仅采用偏差值，很难反映过程的动态特性品质，因此，所能获得的系统动态性能是不能令人满意的。这种一维模糊控制器往往被用于一阶被控对象。 ｂ、二维模糊控制器

二维模糊控制器的两个输入变量基本上都选用受控变量和输入给定的偏差E和偏差变化EC，由于它们能够较严格地反映受控过程中输出变量的动态特性，因此，在控制效果上要比一维控制器好得多，也是目前采用较广泛的一类模糊控制器。 C、三维模糊控制器

三维模糊控制器的三个输入变量分别为系统偏差量E、偏差变化量EC和偏差变化的变化率ECC。由于这些模糊控制器结构较复杂，推理运算时间长，因此除非对动态特性的要求特别高的场合，一般较少选用三维模糊控制器。 （2 ）多变量模糊控制器

一个多变量模糊控制器（Multiple Variable Fuzzy Controller）系统所采用的模糊控制器，具有多变量结构，称之为多变量模糊控制器。

要直接设计一个多变量模糊控制器是相当困难的，可利用模糊控制器本身的解耦特点，通过模糊关系方程求解，在控制器结构上实现解耦，即将一个多输入-多输出（MIMO）的模糊控制器，分解成若干个多输入-单输出（MISO）的模糊控制器，这样可采用单变量模控制器方法设计。

3 模糊控制在污水处理中的应用

模糊控制作为智能领域中最具有实际意义的一种控制方法，已经渗入到工业控制领域、家用电器自动化领域和玩具等多个行业。例如：模糊电视机、模糊空调、用模糊控制控制室温、洗衣机、用模糊控制处理污水等。

左堃在《基于模糊推理的智能控制器及其应用》中介绍了模糊控制的基本思想、模糊控制器的基本结构，主要介绍了模糊控制器在全自动洗衣机中的应用。[3]该文章详细的介绍了洗衣机的构成，洗衣机模糊控制的规则，对污渍的处理进行了一个详细的介绍，让我们明白了模糊控制在洗衣机中的应用过程和实现污水处理的原理。

王先路、谢源等在2002年自动化与仪器发表的《模糊控制在污水处理中的应用》中在高纯氧活性淤泥法中采用模糊控制对出水悬浮物进行预测和控制的动态活性淤泥法模糊控制。这种方法，既能防止能量浪费，又能避免DO（溶解氧浓度）不足，以溶解氧作为SBR（序

[4]

批式活性污泥）法模糊控制对象，可以准确地反映污水水质的变化，

合理控制曝气量，节省运行费用。

陈金红、白瑞祥2009年4月在《模糊控制在工业污水处理过程中的应用》中设计了一种模糊控制方法，介绍了模糊控制器的设计，并对此方案进行了Maflab仿真实验，实践表明，该方案能满足污水处理过程中对CAST池含氧量的控制要求，[5]并具有良好的实时性和准确性。

白敏丹、韩红桂、乔俊飞2009年在《基于遗传算法的污水处理模

糊控制》中运用遗传算法结合模糊控制的方法设计出传算法优化模糊控制器用于污水处理溶解氧的控制，并进行计算机仿真，其实验结果表明该算法能够快速、准确地达到期望的要求。[6]

陆绮荣、黄福彦、韩东升2010年在《DCS 模糊控制的污水处理系统研究》中运用DCS（化学需氧量）的SBR污水处理模糊控制系统，能方便、快捷地完成工业及生活污水处理。[7]该系统通过在线检测COD的浓度值来调节曝气量，以保证出水质量，节省运行费用。 王丽娟、张建锋、王斌2009年在《活性污泥水处理模糊控制系统设计》中利用状态反馈方法改善系统的动态性能，面向系统系统设计并实现了一个基于修正因子自寻优的系统模糊控制器。通过仿真，结果表明，和普通的模糊控制器相比，该模糊控制器能够根据被控对象自动调整模糊控制规则，[8]加快活性污泥水处理系统溶氧浓度响应速度，减小调节时间，同时减小超调量，满足控制要求。

戴倩、侯燕洪、刘俊杰、王大为、任超2011年在《模糊控制在SBR污水处理中的应用》中通过对溶解氧的模糊控制，将模糊控制器与PLC相结合，设计出SBR法的模糊控制污水处理系统在经过初步测试与应用中运行良好，[9]并用实践证明采用该系统后不仅满足了污水处理工艺要求，而且污水中COD值比传统的PID控制下的处理效果更加良好，同时降低了操作人员工作强度。

衷卫声、沈淑鸿、王文海2011年在《溶解氧模糊控制器的FPGA设计与实现》中，根据污水处理过程中溶解氧浓度控制和模糊控制的相关原理，设计并实现了基于FPGA的溶解氧模糊控制器，结合FPGA

实时性强和稳定性高的特点，使用VHDL语言，运用查表法的思想，并利用Matlab模糊控制工具箱计算出溶解氧模糊控制表。[10]仿真结果表明，该模糊控制器能够实现对溶解氧浓度的实时控制。

王荣谱、张根宝、王凌燕在2009年《造纸厂污水处理控制系统的设计与实现》[11]中提出了一种基于模糊PID的控制方法，完成了溶解氧自适应模糊PID控制系统的设计。通过实验，表明该控制系统弥补了常规PID和单纯模糊控制系统的不足，获得了更好的控制效果。

赵金宪、张志强在2011年《模糊自适应PID 控制在污水处理溶解氧控制中的应用》中针对污水处理的控制系统的非线性、大惯性、时变和难以建立精确模型等难点。提出将模糊控制的强鲁棒性和传统PID 控制的优稳态特性相结合的思路，设计了模糊自适应PID 控制模型。[12]采用自适应模糊PID控制，通过MATLAB 仿真结果表明，污水中溶解氧控制系统的响应速度加快，超调量减小，具有更好的控制效果，更强的鲁棒性和抗干扰性。

李国厚、张伟、陈艳峰在《模糊控制在金矿选厂污水处理中的应用》中采用基于PLC的模糊控制器对金矿选厂污水处理系统进行改造，根据模糊控制的思想和结合PLC控制的优点，设计出相应的模糊控制器，应用模糊控制方法对污水进行处理，并取得了较好的效果。

[13]

实验表明：污水经处理后可以大幅度减少药剂消耗量，显著降低了

系统的运行费用，而且尾矿库溢流水经过处理后，外观清澈透明，远远低于污水综合排放标准GB8978-1996一级标准。

F.J. Fernandez a, A. Seco b, J. Ferrer ,.A. Rodrigo.在《 Use of

neurofuzzy networks to improve wastewater flow-rate forecasting.》中用模糊控制结合神经网络算法来应用于污水处理。模糊神经网络是一个适宜的方法预测城市污水流动速率。实验结果显示：模糊神经网络只使用两个输入变量和小数量的神经元,平均误差低于10%可以得到城市污水流动速率规划的预见性。最大误差总是低于22%(表示为相对误差)。[14]人工智能模型流动速率无法预测在价值观包含在训练数据集,由于神经网络只能近似连续的功能上这个范围。

Antonio Salaa, Thierry Marie Guerrab, Robert Babuškac在

《Perspectives off uzzy systems and control》中介绍了模糊控制的自适应补偿控制设计方法的知识的基础上操作员保质保量、目前的研究是基于几乎完全致力于模糊控制方法可以保证稳定性和鲁棒性的闭环系统。最新技术识别模糊基于模型和控制器设计进行了评述。[15]概述了国家艺术uzzy转入了技术(从控制点ofvie w),和提出了一些观点对于未来的模糊系统的作用。 4 模糊控制的发展前景

曹伟在《模糊控制理论的发展及应用》中，介绍模糊控制理论与其它控制方法的结合技术，模糊控制器正朝着自适应、自组织、自学习方向发展，使得模糊控制参数、规则在控制过程中自动地调整、修改和完善，从而不断完善系统的控制性能，达到更好的控制效果。[16]而与专家系统、神经网络等其他智能控制技术相融合成为其发展趋势。

国内外众多专家学者围绕着这些问题展开了广泛的研究，取得了

一定的阶段性成果。未来模糊控制的发展大致有以下几个方向：（1）复合模糊控制器。(2)和各种智能优化算法相结合的模糊控制.(3)专家模糊控制.(4)多变量模糊控制.(5)很多公开发表的文献对所设计模糊控制器的稳定性及鲁棒性分析采用仿真实验的方法 ,而采用理论分析的较少。（6）将模糊控制与PID控制、变结构控制、预测控制、最优控制等传统控制方法相结合，发挥各自的优点，也使模糊控制可以继承以往的研究成果，这也是模糊控制发展的重要方向之一。[1718] 5 总结

模糊控制已经广泛引用到各个领域，在工业中的应用越来越广泛，基于模糊控制的原理，将模糊控制与其他方法结合起来一起使用，促进工业的发展。模糊控制系统易于接受，设计简单，维护方便，而且比常规控制系统稳定性好，鲁棒性高。由于它的这些特点，模糊控制的应用将会越来越广泛。如今遗传算法、神经网络和模糊控制相结合的综合优化控制系统等新的智能控制理论和方法在不断涌现和发展之中，智能控制已成为污水处理的研究与应用中的前沿与热点。模糊控制也将会向智能控制发展。我们应当学会模糊控制的理论并将其付诸于实践中，为将来的工作做好铺垫，为自动化事业先出一份力量。

参考文献

[1]

刘金琨.智能控制[M],北京高等精品教材,2009(7).

[2] 程武山.智能控制理论与应用[M],上海交通大学出版社,2006. [3]

左堃.基于模糊推理的智能控制器及其应用.科技探索,2009:4. [4]

王先路,谢源,陈长琦,朱武,千蜀毅,崔村燕.模糊控制在污水处理中的应用.自动化与仪表,2002(1). [5] 陈金红,白瑞祥.模糊控制在工业污水处理过程中的应用.为计算机应用,2009(4):30—4. [6] 白敏丹,韩红桂,乔俊飞.基于遗传算法的污水处理模糊控制.控制工程,2009(1):1—16. [7] 陆绮荣,黄福彦,韩东升.DCS 模糊控制的污水处理系统研究.自动化与仪表,2010(3).

[8] 王丽娟,张建锋,王斌.活性污泥水处理模糊控制系统设计.计算机工程与设计,2009:30-18.

[9] 戴倩,侯燕洪,刘俊杰,王大为,任超.模糊控制在SBR污水处理中的应用.自动化与仪表,2011(7). [10] 衷卫声,沈淑鸿,王文海.溶解氧模糊控制器的FPGA设计与实现.自动化仪表,2011(6):32—6.