模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡的結(jié)合形式隨著研究角度和應用領域不同而有所不同，在這類系統(tǒng)中，系統(tǒng)本質(zhì)上還是模糊邏輯系統(tǒng)結(jié)構(gòu)，但是可以把模糊邏輯系統(tǒng)看作具有網(wǎng)絡化的結(jié)構(gòu)，直接利用神經(jīng)網(wǎng)絡的學習能力與映射能力來獲得模糊邏輯系統(tǒng)的參數(shù)或具體結(jié)構(gòu)，從而使模糊邏輯系統(tǒng)具有自學習和自適應能力，該過程并不改變模糊系統(tǒng)所具有的模糊化、解模糊化和模糊推理的功能，而是利用神經(jīng)網(wǎng)絡實現(xiàn)隸屬函數(shù)、模糊規(guī)則的數(shù)字化處理，實現(xiàn)“模糊化-模糊推理-解模糊化”整個過程的“網(wǎng)絡化”，也可以用神經(jīng)網(wǎng)絡學習或聚類的方法從輸入輸出數(shù)據(jù)中獲取規(guī)則，然后在性能指標指導下，對規(guī)則進行調(diào)整，從而使模糊系統(tǒng)具有規(guī)則的自組織能力。

在另外一個范疇內(nèi)，可以將模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡根據(jù)不同的功能、用途集成在一個系統(tǒng)里，模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡技術(shù)在這類系統(tǒng)中各自發(fā)揮自己的功能，利用各自的優(yōu)勢為實現(xiàn)共同的目標而實現(xiàn)功能結(jié)合與互補，這類模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡結(jié)合的方法稱之為模糊神經(jīng)混合系統(tǒng)FNHS（Fuzzy-Neural Hybrid System）。

1 、基于模糊神經(jīng)混合系統(tǒng)的自適應控制結(jié)構(gòu)

從控制角度而言，神經(jīng)網(wǎng)絡自適應控制包括直接自適應控制和間接自適應控制。間接自適應控制通常由控制器和模型兩部分組成。在線辨識模型，并通過模型在線調(diào)整神經(jīng)網(wǎng)絡控制器間接自適應控制，具有良好的適應性。但是，在線辨識被控對象的模型存在運算量大、控制精度低等問題，對不可重復過程與時變動力學系統(tǒng)訓練困難，在實際工程控制中實用性不大。直接自適應控制是根據(jù)過程的輸出信息來控制優(yōu)化參數(shù)，不需要預先知道系統(tǒng)動力學特征或在線辨識的模型，這也正是傳統(tǒng)的自適應控制所不能解決的問題。這種控制器是直接根據(jù)控制精度設計，不需要經(jīng)過事先訓練，也不依賴于對象的辨識模型，具有良好的動態(tài)響應性能和穩(wěn)態(tài)精度，網(wǎng)絡權(quán)值的調(diào)整是隨時間關(guān)系的自適應收斂過程，常用的基于神經(jīng)網(wǎng)絡的自適應控制方式為直接逆控制、模型網(wǎng)絡參考控制。但是，這2種控制方式都存在著較大的計算量和辨識的問題，而且對于直接逆控制，如果系統(tǒng)的逆不存在了，該方法就會失效。

基于模糊神經(jīng)混合系統(tǒng)的自適應控制（FANNC）結(jié)合了神經(jīng)網(wǎng)絡直接自適應控制的特點，結(jié)構(gòu)如圖1所示。由1個反饋控制器（FC）、1個神經(jīng)網(wǎng)絡控制器（NNC）和模糊推理機（FIE）組成。

2 、基于模糊神經(jīng)混合系統(tǒng)的自適應控制器的設計

分目標學習誤差由模糊推理機的一組模糊規(guī)則給出，如表1所示。表中符號PB、PM、PS、0、NS、NM、NB分別表示正大、正中、正小、零、負小、負中、負大等概念。表中模糊關(guān)系不再是傳統(tǒng)意義上的模糊控制策略，而是每一控制周期中用于NNC訓練的分目標學習誤差。NNC在學習過程中，逐步跟蹤系統(tǒng)的逆動力學，并產(chǎn)生一個自適應控制信號，使系統(tǒng)輸出跟蹤給定的參考信號消除的不再單純是系統(tǒng)的輸出誤差，而是誤差和誤差變化的綜合影響，從而避免了反饋誤差學習法可能造成的NNC的輸出產(chǎn)生振蕩或進入飽和狀態(tài)等問題。

為實現(xiàn)上述模糊推理規(guī)則，必須對模糊推理機FIE的輸入變量進行模糊化處理，即將輸入變量從基本論域轉(zhuǎn)化到相應的模糊論域。為此，引入反饋控制器FC輸出變量μf及其變化變量μf的量化因子Kμf，Kμf。假定變量μf的基本論域為（-nfm，nfm），模糊論域分別為（-nμf，-nμf+1，…0，…，nμf-1，nμf），變量nf的基本論域為（-nfm，nfm），模糊論域分別為（-nμf，-nμf+1，…0，…，nμf-1，nμf），則量化因子Kμf，Kμf可由下式確定：

模糊變量Uf（k）、f（k）的論域、模糊子集及其隸屬函數(shù)的定義如圖2所示。為改善模糊推理機的輸出特性，F(xiàn)IE輸出變量δ論域、模糊子集及其隸屬函數(shù)的定義如圖3所示。當系統(tǒng)偏差較大時，模糊集隸屬函數(shù)分辨率較低，F(xiàn)IE輸出變化比較緩慢可以保證NNC的學習比較平穩(wěn)。

在控制過程中，系統(tǒng)根據(jù)每一采樣時刻FC的輸出信號及其變化，由圖2確定各模糊集的隸屬度，然后利用模糊推理規(guī)則如表1所示，圖3確定輸出變量所有可能的模糊截集。并以重心發(fā)模糊判決，得到分目標學習誤差，式中離散計算步長的取值大小可能影響模糊判決的精度。

3、 仿真實驗

電站鍋爐汽包水位間接的反應了鍋爐負荷與給水平衡的關(guān)系，是鍋爐運行的主要指標之一。水位過高，會破壞汽、水分離裝置的正常工作，嚴重時會導致蒸汽帶水增多，從而增加過熱器管壁上和汽輪機葉上的結(jié)垢；水位過低時，則會破壞水循環(huán)，引起水冷壁的破壞。近年來鍋爐參數(shù)的提高和容量的擴大，對給水系統(tǒng)提出了更高的要求。因此，迫切需要一種魯棒性很好，算法相對簡單的快捷控制方案。

將圖4框內(nèi)的一個廣義對象當一個整體去考慮，可以消除水流量和蒸汽對汽包水位的傳遞函數(shù)不穩(wěn)定環(huán)節(jié)，克服自平衡特性。神經(jīng)網(wǎng)絡具有充分逼近任意復雜系統(tǒng)的能力，同時還能學習和適應不確定性的動態(tài)響應。為檢驗所提出的控制策略的有效性

采用本文提出的基于模糊神經(jīng)混合系統(tǒng)的自適應控制方法，其對比試驗采用PID串聯(lián)控制系統(tǒng)，PID調(diào)節(jié)器參數(shù)是在折中考慮系統(tǒng)的跟蹤性、抗外擾能力和抗內(nèi)擾能力的基礎上，經(jīng)過整定得到的，其外回路KP=1.5，Ki=0.005，內(nèi)回路KP=0.95。

圖5所示為對象模型匹配情況下的輸出響應圖。圖6為給水量信號H=0 mm時，在起始時刻加入蒸汽流量30 %外擾時輸出響應曲線。

圖7所示為對象時間為常數(shù)，增益常數(shù)和延遲時間均增大20%的輸出響應曲線。圖8在模型失配情況下，在給水流量信號H=0 mm時，加入蒸汽流量的30%外擾時輸出響應曲線。

從圖中可以看出，較之串級PID控制，F(xiàn)ANNC控制具有良好的動態(tài)調(diào)節(jié)品質(zhì)和較強的魯棒性，實現(xiàn)了對系統(tǒng)的快速無超調(diào)控制。實驗中將蒸汽流量擾動信號引入到神經(jīng)網(wǎng)絡中，實現(xiàn)了對系統(tǒng)的前饋補償，以快速平穩(wěn)消除蒸汽流量的擾動。魯棒控制器FC的構(gòu)造使系統(tǒng)具有良好的穩(wěn)定性和魯棒性，與常規(guī)PID控制相比，幾乎沒有超調(diào)量。即使在模型失配（參數(shù)增加或減少）的情況下仍然能取得滿意的控制品質(zhì)。仿真結(jié)果表明了該方案的有效性和優(yōu)越性。

本文提出的這種基于模糊神經(jīng)混合系統(tǒng)的自適應控制方法是針對工業(yè)系統(tǒng)中普遍存在的復雜非線性和時變不確定性特性提出的。該方法可以做到無須辨識被控對象的模型，即可進行NNC的在線設計；而且NNC的學習過程和系統(tǒng)的控制過程同時進行，不需要特定的教師信號，避免了離線訓練通常存在的訓練數(shù)據(jù)不足的問題。利用模糊推理機產(chǎn)生的分目標學習誤差對神經(jīng)網(wǎng)絡進行訓練，避免了采用直接反饋誤差進行訓練可能造成的飽和和過調(diào)整問題，并能有效抑制測量噪聲的影響，提高系統(tǒng)的控制品質(zhì)。仿真實驗證明，該方法能有效處理工業(yè)系統(tǒng)中普遍存在的復雜非線性和時變不確定性等特性，為未知不確定非線性系統(tǒng)的智能控制提供了一條有效而可行的新途徑。