什么是模糊逻辑？
模糊逻辑听起来可能不是实现复杂控制系统的最可靠方法。然而，模糊逻辑系统处理不精确数据和实施专家经验的能力使其成为现代控制应用中的强大工具。
模糊逻辑概述
模糊逻辑是由 Lofti Zada 于 1965 年开发的 AI（人工智能）的一个细分，它使计算机系统能够模仿人类如何解释数据并与数据交互。虽然布尔逻辑仅限于两个结果（真或假，0 或 1），但模糊逻辑处理真实程度。
例如，考虑一个机器视觉系统，使自主机器人系统能够在繁忙的仓库楼层中导航。我们会看到右侧秋千的一扇门迅速打开，并知道障碍物可能即将出现。但是布尔逻辑不处理“可能”——它处理“障碍即将出现”和“障碍不会出现”。
通过模糊逻辑，输入诸如开门的速度（即，非常慢、慢、平均、快、非常快）、门所在的位置以及一天中的时间可以转换为障碍物的概率即将出现（例如，0.8）。
模糊逻辑的基础
在模糊逻辑系统中，存在三种不同类型的值：
- 输入值，采用清晰的数值形式（例如，T =120°C）
- 模糊值，表示清晰值属于一组语言表示类别的概率（例如，低 =0.2，正常 =0.8，高 =0.0）
- 输出值，去模糊化且清晰（优先级 =0.7）
一个模糊逻辑系统有四个部分：
- 模糊化模块
- 知识库
- 推理引擎
- 去模糊化模块
模糊化模块 以清晰的（相对于模糊的）数值形式接收系统输入。清脆值输入信号被分为一组通常由语言值表示的类别（例如，冷、暖、热）。
图 1。 代表差、好和优秀的三个隶属函数的图。图片由 Mathworks 提供
每个类别的模糊值是清晰值落入其中的概率。模糊值也可以被认为是“真实度”：一辆以 95 英里/小时的速度行驶的汽车可能“以 0.75 的真实度快速行驶”。实际的模糊化过程是由一组隶属函数完成的，最常见的是三角函数、梯形函数、高斯函数或 Sigmoid 函数。
知识库 包含一组基于人类推理并由该主题领域的专家告知的 if-then 规则。下面是一个示例：
- 如果温度高且速度低，那么 Alert_Level =中等
- 如果温度高且速度非常高，则警报_级别 =低
- 如果速度低且温度高或加速度高则 Alert_Level =高
推理引擎 以类似于人类主题专家的方式将知识库的规则用于模糊值。结果是另一个模糊值，在这种情况下。
最后，去模糊化模块将推理引擎的输出转换成清晰的值，很像模糊化模块的逆向。在这个例子中，警报级别可能会达到 0.8，这有助于技术人员优先考虑预防性维护任务。
如何使用模糊逻辑
模糊逻辑被广泛使用，许多人在不知不觉中受益于它的功能。使用语音命令与对象交互的自然语言处理是应用模糊逻辑的领域之一。在自然语言处理中，个人所说的内容存在一定程度的不确定性。尽管如此，模糊逻辑可以处理此类嘈杂或不精确的数据，以高度准确地解释所说的内容。
图 2。 模糊逻辑和神经网络可以识别包括海上石油设施在内的卫星图像中的各个区域。
工程师使用模糊逻辑作为他们决策支持系统的一部分，并且可以发现它被整合到营销和广告中。此外，模糊逻辑系统可以与神经网络结合作为机器视觉系统的一部分，用于识别卫星图像中农田、城市地区、森林和水域之间的可能差异。
然而，模糊逻辑得到广泛应用的领域之一是控制系统。
模糊逻辑与控制系统
在汽车中，可能存在控制制动系统的模糊逻辑系统。自动驾驶汽车严重依赖模糊逻辑控制 (FLC) 来控制速度、转向和自适应巡航控制等系统。甚至非自动驾驶汽车也可能将 FLC 用于制动系统。空调系统也经常依赖模糊逻辑作为智能恒温器的一部分，以将室温和风扇速度保持在舒适的水平，同时优化能源消耗。
然而，这些只是其使用的两个例子。 FLC 可以在非常多样化的行业中找到，包括工业自动化、生物医学制造、石化加工、汽车制造和核电。
泵、电机、风扇和传动系统可以使用模糊逻辑进行控制，从传感器阵列接收数据作为输入。使用 FLC 可以实现极其精确的运动控制，因此它可用于计算机数字控制 (CNC) 加工系统。其在依赖高精度温度循环的窑炉和热处理炉中的使用证明了其有效控制温度的能力。 FLC 还可以监督极其复杂的系统交互，例如群机器人中的交互。
图 3。 开发群体机器人系统背后的技术，例如麻省理工学院电子研究实验室开发的，利用模糊控制系统的力量。图片由麻省理工学院提供
FLC 在依赖机器视觉的系统中也非常宝贵，并且在工业自动化、IIoT 和工业 4.0 方面取得了许多可能和有效的进步。
传统的控制系统依赖于非常精确的数据和规则，可能无法考虑到操作员和专家的经验。另一方面，模糊逻辑非常适合数据嘈杂、不精确或部分缺失的应用程序。它的知识库可以利用实际人员的洞察力和经验来模拟他们的决策过程。
工业机器人