1. 为什么T-S模糊系统值得单独开一篇笔记T-S模糊系统这个名字我最早是在翻一本老旧的控制论教材时撞见的当时第一反应是这又是哪个缩写黑话。后来做温控项目被非线性折腾得够呛回头再看Takagi和Sugeno在1985年提出的这套模型才发现它是把人的经验语言和能进矩阵运算的数学模型这两件本来不搭界的东西缝在一起的一根针。简单说它让温度偏高一点点就稍微关小阀门这种大白话变成可以写成状态空间、可以算特征值、可以丢进求解器算增益的式子。这篇笔记适合两类人一类是刚接触模糊控制、被Mamdani那套输出也是模糊集、还得再解模糊绕晕的人另一类是做非线性控制手上有分段线性化或者增益调度的活儿想找个更平滑的替代方案的人。我会从规则长什么样讲起一路写到怎么用代码把它跑起来、怎么判断它稳不稳、怎么从一堆采集数据里反推出规则参数中间该踩的坑一个不落。1.1 从经验查表到局部线性的思路转身传统模糊控制Mamdani型的逻辑链条是输入先模糊化规则的前件算隶属度规则的后件也是一堆模糊集最后所有被激活的模糊输出再拼成一个模糊集合还得做一次解模糊重心法、最大隶属度法之类才能拿到一个具体的控制量。这条链路走下来物理含义清楚但有个致命伤——整个系统是个黑箱映射你想对它做稳定性分析几乎无从下手因为解模糊那一步是非线性的、写不出解析式的。T-S的思路换了个方向前件照旧模糊化但后件直接给一个精确的线性函数输出不再是模糊集而是几个线性函数的加权平均。这一刀切下去系统的整体结构立刻变成了若干个线性子系统在凸包里的插值数学上叫凸组合。凸组合这个性质太值钱了——它意味着只要每个局部线性子系统满足某个条件整个非线性系统的性质就能被这些局部条件夹住。这就是T-S能被写进教科书、能在工程里站住脚的根子。我当时琢磨明白这一点之后回头去看自己之前写的分段PID其实就是在做一件粗糙的T-S把误差区间切成几段每段用一组不同的PID参数切换点用硬阈值。硬切换的问题是抖振而T-S做的就是把这些硬切换换成了平滑的隶属度加权本质上是用软切换替掉了硬切换。1.2 一条T-S规则到底长什么样写成标准形式第 i 条规则是这样的R_i: IF x1 is A_i1 AND x2 is A_i2 ... AND xn is A_in THEN y_i a_i0 a_i1*x1 a_i2*x2 ... a_in*xn前半截叫前件antecedent里面的 A_ij 是模糊集比如正大零负小后半截叫后件consequent是一个关于输入变量的仿射函数。注意这里后件的自变量就是输入变量本身不是新的模糊变量这是T-S和Mamdani最本质的区别。把 r 条规则合起来系统的总输出是所有后件的加权平均y Σ (w_i * y_i) / Σ w_i, w_i Π μ_Aij(xj)w_i 是第 i 条规则的激活强度等于前件里每个模糊集隶属度的乘积。用乘积而不是取小是因为乘积可导、性质更好做参数辨识的时候能直接上梯度法。分母那一步归一化很关键它保证输出始终落在各个局部线性输出的凸包里面不会跑到规则之外去。1.3 T-S与Mamdani的取舍对比很多人问到底该用哪个我给个我自己的判断表实际项目里按这个挑基本不会错对比维度Mamdani型T-S型后件形式模糊集线性/常值函数是否需要解模糊需要重心法等不需要加权平均即可可解释性强像人说话稍弱后件是数学式稳定性分析困难可转成LMI求解参数辨识主要靠经验和遗传算法后件可用最小二乘直接拟合计算量解模糊步骤较耗时轻适合嵌入式实时适合场景规则少、人对过程很熟有模型知识或大量数据、要求可分析性我自己的分界线是如果这个系统我要写进论文、要做闭环稳定性证明、或者要长期在线自适应选T-S如果是给一个老设备加个会讲人话的辅助判断层规则不超过二十条选Mamdani更省事。注意T-S的后件是线性函数这意味着它天生适合做控制器或辨识器而不是做分类器。拿它做纯逻辑判断属于用错工具。2. 前件与后件T-S系统的两块积木把T-S拆开来看就是两件事怎么算激活强度怎么定后件参数。这两件事各自都有坑而且坑和坑之间还会互相放大我就分开讲。2.1 前件隶属度是归属程度不是概率新手最容易搞混的一点隶属度不是概率。概率要求同一变量所有取值的概率和为1隶属度没这个约束一个温度值同属于偏热和合适两档各自的隶属度可以是0.7和0.4加起来1.1完全合法。理解这一点很重要因为它决定了你不能拿做贝叶斯那套直觉去调隶属函数。隶属函数的形状工程上常用的是三角形、梯形、高斯型三种。三角形计算最省折点少、参数少嵌入式上首选梯形在平台区有更好的抗噪性适合传感器抖动大的场合高斯型光滑可导做参数自学习的时候梯度好算但指数运算在低端MCU上比较吃力。还有一件事必须提前做论域的确定。别拍脑袋定我吃过这个亏。当时把误差论域设成 [-1, 1]结果实际误差跑到 1.8 就顶格了所有规则里只要涉及正方向的模糊集隶属度全部饱和到同一个值系统在那一侧彻底失去分辨能力表现就是超调之后往回拉得很迟钝。正确做法是先跑一遍开环或者用历史数据统计误差的分布范围取大约 1.2 到 1.5 倍的最大值作为论域边界给动态过程留出余量。2.2 后件线性函数带来的三个好处后件用线性函数看起来只是比常数复杂一点点实际收益很大。第一个好处是局部精度。常值后件相当于在每个模糊子空间里输出一个常数本质上是分段常值逼近线性后件相当于分段线性逼近。同样数量的规则后者逼近同样一条曲线的误差要小一个量级。举个直观例子你要用5个模糊集逼近一条斜线常值后件只能得到阶梯状输出线性后件可以直接重合。第二个好处是能内嵌模型信息。如果你已经知道被控对象在某个工作点附近的线性化模型那这个工作点对应的那条规则的后件就可以直接写成那个线性模型或者它的逆不需要额外调参。这一点在做增益调度的时候特别顺手能把已有的工程经验直接灌进去。第三个好处是参数辨识变成线性问题。这是最实用的一条前件隶属函数参数固定之后输出 y 就是各条规则后件系数 a_ij 的线性组合。这意味着你不用搞遗传算法、粒子群那一套慢吞吞的东西直接构造最小二乘问题就能一次性解出全部后件参数。我在做数据驱动建模的时候八成的时间都花在前件划分上后件拟合基本是几秒钟的事。2.3 权重归一化插值的本质把归一化那一步展开看y Σ (w_i / W) * y_i, W Σ w_i括号里那一项叫归一化权重它满足两条非负、加起来正好等于1。这就是一个凸组合的系数。所以无论输入落在哪个位置输出永远是各个局部线性输出的混合绝不会超出这些局部输出的取值范围——外推被彻底禁止了。这个性质有好有坏。好的一面是安全哪怕某个局部模型在边界外已经发散归一化也会把它拉住。坏的一面是如果所有规则都没被激活W 接近0你就得处理除零。实际代码里我会加一个小阈值W 1e-6 的时候直接取上一次的输出或者退回一个默认安全值。这个细节在很多示例代码里都没写但你一上真实系统就会撞上尤其是启动瞬间或者传感器断线的时候。2.4 隶属函数选型与论域设置的实操经验我整理了几条自己反复验证过的做法相邻模糊集的中心间距保持一致。别搞成中间密两边疏除非你明确知道工作点集中在中间区域。间距不一致会导致权重分布歪斜某些规则几乎永远不被激活白占算力。重叠率控制在 25% 到 50% 之间。重叠太少切换区会有明显的折角输出可能出现抖动重叠太多所有规则都在低强度激活等于把局部模型的区分度抹平了系统退化成一个大号的线性控制器。最外侧的模糊集用半开区间。也就是最左边那个负大在论域左边界外面不要封口否则输入稍微超限隶属度直接归零整个 W 可能变成0。模糊集数量别贪多。每个输入变量5到7个是甜点区。7个以上规则数按维度指数增长两个输入就是49条规则手写规则表基本要崩溃而且标定难度陡增。提示两输入、每个输入5个模糊集一共25条规则这是绝大多数工程项目里最舒服的规模。三维以上强烈建议先降维或者改用其他方法。3. 手把手算一遍水箱液位的T-S控制器理论讲完了我拿一个具体例子从头算到尾你能看到每一个数字是从哪来的。3.1 被控对象与状态变量选择对象是一个单容水箱进水由阀门控制底部有个小孔出水。动态方程大致是dh/dt (q_in - c*sqrt(h)) / Ah 是液位A 是水箱截面积c 是出水系数q_in 是进水流量控制量。这个系统典型非线性——出水流量正比于液位的平方根液位越低出水越慢低液位段好控高液位段反应慢。控制目标是让液位稳定在设定值附近。我选的两个输入是误差 e h_ref - h和误差变化率 ec (e(k) - e(k-1))/Ts控制量是进水阀门的开度增量 Δu。选这两个做输入是标准做法e 反映现在差多少ec 反映差距在扩大还是缩小。如果只用一个 e系统会有明显超调因为阀门动作到液位响应之间有滞后。3.2 划分子空间并写出规则表把 e 和 ec 都归一化到 [-1, 1]各划5个模糊集NB负大、NS负小、ZE零、PS正小、PB正大。用等间距三角形参数如下模糊集三角形参数 (a, b, c)NB(-1.5, -1.0, -0.5)NS(-1.0, -0.5, 0.0)ZE(-0.5, 0.0, 0.5)PS(0.0, 0.5, 1.0)PB(0.5, 1.0, 1.5)规则表是最经典的那种对角结构对角线附近是稳住不动越偏离就越用力e \ ecNBNSZEPSPBNBNBNBNSNSZENSNBNSNSZEPSZENSNSZEPSPSPSNSZEPSPSPBPBZEPSPSPBPB这张表的读法如果误差是正大、误差变化率是负大说明液位偏低但在快速回升那就稍微减小一点开度ZE即不动作避免冲过头。这就是典型的提前减力逻辑靠人拍脑袋也能拍出来关键是它现在能被写成数学。3.3 一次完整的前向计算假设某一时刻归一化后的输入是 e 0.6ec -0.3。先算 e 的隶属度。0.6 落在 PS 区间 (0, 0.5, 1.0) 和 PB 区间 (0.5, 1.0, 1.5)μ_PS(0.6) (1.0 - 0.6) / (1.0 - 0.5) 0.8μ_PB(0.6) (0.6 - 0.5) / (1.0 - 0.5) 0.2再算 ec -0.3 的隶属度。-0.3 落在 NS 区间 (-1.0, -0.5, 0.0) 和 ZE 区间 (-0.5, 0.0, 0.5)μ_NS(-0.3) (0.0 - (-0.3)) / (0.0 - (-0.5)) 0.6μ_ZE(-0.3) (-0.3 - (-0.5)) / (0.0 - (-0.5)) 0.4四个组合的激活强度乘积e 的模糊集ec 的模糊集权重 w对应规则输出PSNS0.8 × 0.6 0.48ZEPSZE0.8 × 0.4 0.32PSPBNS0.2 × 0.6 0.12PSPBZE0.2 × 0.4 0.08PB权重和正好是 1.0因为两个变量的隶属度各自和为1乘积后自然还是1。这两组隶属度和都为1不是巧合只要采用相邻两个模糊集重叠且划分覆盖完整一般输入都会落在两个集合之间和恰好为1。这也是为什么等间距三角形划分这么受欢迎——权重计算有个天然校验。再看后件。给每条规则的后件定一个线性式 Δu_i a_i·e b_i·ec简化起见让同一类后件共用一个参数ZE 类Δu 0PS 类Δu 0.6e 0.2ecPB 类Δu 1.0e 0.3ec代入 e 0.6ec -0.3PS 类0.6 × 0.6 0.2 × (-0.3) 0.30PB 类1.0 × 0.6 0.3 × (-0.3) 0.51加权求和Δu (0.48×0 0.32×0.30 0.12×0.30 0.08×0.51) / 1.0 (0 0.096 0.036 0.0408) 0.1728最终阀门开度增加 0.1728归一化单位。整个过程没有任何玄学每一步都能手工验算。这也是我喜欢T-S的原因——出问题的时候你能定位到是哪一个隶属度算歪了而不是对着一个黑箱发呆。3.4 Python实现从隶属度到输出把上面这套逻辑写成代码二三十行就够import numpy as np # 五个模糊集的三角形参数 (a, b, c) MF_PARAMS { NB: (-1.5, -1.0, -0.5), NS: (-1.0, -0.5, 0.0), ZE: (-0.5, 0.0, 0.5), PS: ( 0.0, 0.5, 1.0), PB: ( 0.5, 1.0, 1.5), } LABELS [NB, NS, ZE, PS, PB] def trimf(x, params): 标准三角形隶属函数左肩和右肩做钳位处理 a, b, c params if x a or x c: return 0.0 if x b: return 1.0 if x b: return (x - a) / (b - a) return (c - x) / (c - b) def membership(x): 返回5个模糊集上的隶属度向量 return np.array([trimf(x, MF_PARAMS[l]) for l in LABELS]) # 规则表行是 e列是 ec值为后件类别 RULE_TABLE [ [NB, NB, NS, NS, ZE], [NB, NS, NS, ZE, PS], [NS, NS, ZE, PS, PS], [NS, ZE, PS, PS, PB], [ZE, PS, PS, PB, PB], ] # 后件线性参数(a, b) 对应 a*e b*ec CONSEQ { NB: (-1.0, -0.3), NS: (-0.6, -0.2), ZE: ( 0.0, 0.0), PS: ( 0.6, 0.2), PB: ( 1.0, 0.3), } def ts_output(e, ec, eps1e-9): mu_e membership(e) mu_ec membership(ec) num, den 0.0, 0.0 for i in range(5): for j in range(5): w mu_e[i] * mu_ec[j] if w eps: continue label RULE_TABLE[i][j] a, b CONSEQ[label] y_i a * e b * ec num w * y_i den w if den eps: return None # 无规则被激活交由上层做安全处理 return num / den print(ts_output(0.6, -0.3)) # 期望输出约 0.1728跑一下输出 0.1728和手算完全对上。这段代码是后面所有事情的地基要做稳定性分析你至少得能把它写成状态空间形式要做参数自学习你至少得能算出权重对参数的偏导。所以先让这段前向代码和手算对齐再往下走能省掉大量调试时间。3.5 调试顺序先看权重再看输出我给自己定过一个排查顺序实测能砍掉一半调试时间单独打印权重矩阵。给一个输入看哪些规则被激活、权重是多少。如果发现有规则权重常年低于 0.01说明它冗余或者位置不对考虑合并或挪移。检查权重和。理论上除了边界情形权重和应该接近1。如果远小于1说明某个变量的论域没覆盖住或者隶属函数之间留有缝隙。冻结后件看输出形状。把所有后件设成常数比如全设成1输入扫描一遍输出应该是一个平缓的曲面。如果出现台阶或者尖角问题出在前件划分上。最后才调后件系数。前件对了之后后件的最小二乘拟合是确定性的不需要反复试。很多人一上来就调后件系数发现怎么调都别扭其实是前件的划分本身就有问题属于治标不治本。4. 稳定性分析入门PDC与LMI前面都是能算这一节讲稳不稳。这也是T-S相对Mamdani的最大优势所在虽然门槛确实高一点。4.1 为什么T-S系统能做稳定性分析关键在于T-S的闭环系统可以写成统一的凸组合形式。假设被控对象在每个工作点附近可以写成线性状态空间x(k1) A_i x(k) B_i u(k) 第 i 个局部模型整个模糊系统就是x(k1) Σ w_i( A_i x B_i u ) / Σ w_i注意这里的 A_i、B_i 是模糊规则自带的——也就是说T-S模型天然自带一组局部线性模型。这一点常被忽略很多人以为T-S只描述控制器其实它同时描述被控对象这就为闭环分析铺好了路。4.2 平行分布补偿的构造PDCParallel Distributed Compensation的思路特别朴素控制器用和被控对象完全相同的权重。也就是对象在第 i 条规则下工作控制器就用第 i 条规则对应的增益去补偿。形式是u - Σ w_i K_i x / Σ w_i这么设计的原因是想让对象和控制器共享前件闭环的每个局部组合项才能写成可分析的形式。如果对象用一套前件、控制器用另一套交叉项的数目会暴涨Lyapunov 条件根本写不出来。闭环代入后x(k1) Σ Σ w_i w_j (A_i - B_i K_j) x / (Σ w_i)^2令 G_ij A_i - B_i K_j闭环就是这些 G_ij 的二次型加权和。要保证对所有可能的权重组合都稳定只需要两个条件对角项 G_ii 稳定交叉项 (G_ij G_ji) 稳定。4.3 用LMI把条件写成可求解的形式把上面的条件展开成线性矩阵不等式用 X P^(-1) 做变量替换M_i K_i X得到这样一组条件对每个 i: A_i X X A_i^T - B_i M_i - M_i^T B_i^T 0 对每对 i j: A_i X X A_j^T - B_i M_j - M_j^T B_i^T A_j X X A_i^T - B_j M_i - M_i^T B_j^T 0这组不等式是关于 X 和 M_i 的线性矩阵不等式可以直接丢给求解器。解出来之后 K_i M_i X^(-1)增益就拿到了。不用去猜、不用去试这是PDC最爽的地方。4.4 实操中容易出问题的几个点说几个我自己撞过的问题求解器报infeasible八成是两个原因一是确实不存在公共的 P 矩阵使所有局部模型同时稳定这时候要么增加规则数重新划分让每个局部模型更温和要么改用分段Lyapunov、模糊Lyapunov这些放宽条件的方法二是数值病态A矩阵量纲差异太大状态变量单位没归一化做个简单的尺度变换常常就好了。解出来的增益大得离谱那通常是约束太少LMI 只保证存在性不保证性能。加衰减率约束、控制量约束、或者干脆加一个 LQR 型的性能指标项能把增益压到合理范围。连续系统和离散系统搞混。对象是连续的就用 Lyapunov 方程 A^T P P A 0离散的就是 A^T P A - P 0这两个差别很大我在早期笔记里就写错过一次后面推了一堆全废。求 LMI 工具的话MATLAB 下 YALMIP 配 SeDuMi 或者 SDPT3 最常用Python 侧用 cvxpy 配 SCSS 也能跑规模不大的问题完全够用。注意LMI 求解得到的是充分条件无解不代表系统真的不稳定只代表这套方法证不出来。别看到 infeasible 就慌先检查建模和尺度。5. 数据驱动建模不会写规则怎么办有模型知识的时候手写规则很轻松但很多场景你就是没有模型——比如一个化工过程的温度响应机理复杂到写不出方程。这时候可以反过来从数据里把T-S模型学出来。5.1 用聚类划分前件空间前件划分本质上是个找数据团簇中心的问题。最常用的是模糊C均值FCM它的做法是给定聚类数 c迭代优化每个样本对每个簇的隶属度让簇内样本更紧凑。跑完之后每个簇心就对应一条规则的前件中心隶属度矩阵可以直接拿来当规则权重。聚类数 c 怎么定我的经验是先用 c 2 到 c 5 各跑一遍看聚类有效性指标如划分熵、Xie-Beni指数的拐点。别一上来就设 c 10那样每个局部模型只有几个样本支撑拟合出来的后件参数毫无统计意义看着训练误差很小一到新数据就崩。还有个细节聚类前一定要做归一化。如果误差和误差变化率两个维度的量纲差了几个数量级欧氏距离会被大数量级那一维完全主导聚类结果就等于只在一个维度上分块另一个维度白给。5.2 后件参数的最小二乘辨识前件定下来之后后件参数的求解就是一个标准的线性最小二乘。把归一化权重记为 φ_i(x)那么y(k) Σ φ_i(x) * (a_i0 a_i1*x1 ... a_in*xn)把所有的 a_ij 排成一个长向量 θ把每个样本的回归项排成矩阵 Φ就得到Y Φ θ直接 θ (Φ^T Φ)^(-1) Φ^T Y 求解或者用带正则的最小二乘防过拟合θ (Φ^T Φ λI)^(-1) Φ^T Y这里的 λ 是我强烈建议加的。规则数多一点的时候Φ 的列之间往往高度相关相邻规则的权重几乎同分布不加正则解出来的参数会非常抖动表现就是模型在训练集上完美、在新数据上乱跳。5.3 完整流程与注意事项我把数据驱动的整个流程串一遍采集输入输出数据尽量覆盖系统的工作范围别只在一个工况附近采几万条。做归一化记录下均值和标准差后面在线使用必须用同一套变换。用 FCM 聚类确定前件中心和隶属函数宽度一般取 c 3 到 5。按聚类结果构造权重矩阵 Φ。带正则最小二乘解后件参数。用独立验证集评估而不是训练集。如果验证误差还大先回头调聚类数和隶属函数宽度不要在同一个划分上死磕后件。几个容易翻车的点数据里的异常值必须在归一化前处理掉不然聚类中心会被拉到天边采样周期要一致混着不同周期的数据训练模型会学出假的相关性如果系统有明显的时滞输入里必须显式把滞后的量作为变量加进去T-S本身不解决时滞问题。6. 常见问题与排查技巧实录这一节是最实用的部分都是我在真实项目里撞出来的。6.1 典型现象速查表现象可能原因处理办法输出有周期性抖动隶属函数重叠太少切换区不平滑加大相邻模糊集重叠或改用高斯型一侧响应明显迟钝论域没覆盖实际输入范围隶属度饱和重估输入分布扩展论域边界启动瞬间输出乱跳权重和为0除零未处理加权重阈值判断返回安全默认值稳态有静差规则表中心区没有积分作用引入误差积分项或加一条带积分的后件训练集误差极小而验证集很差规则数过多或正则系数太小减少聚类数增大正则系数 λLMI 报 infeasible局部模型差异过大或缺公共P矩阵细划分规则或改用分段Lyapunov控制器增益过大导致饱和只求存在性没加性能约束加衰减率或控制量约束参数辨识结果数值抖动回归矩阵列相关严重加正则项或减少重叠规则数6.2 几条踩坑换来的经验第一条永远先做开环验证。把T-S模型当纯函数跑一遍输入扫描观察输出曲面。如果曲面自身就不连续或者有明显折痕说明前件有问题这时候去做闭环控制只会放大问题。我现在养成一个习惯模型训完第一件事就是画三维输出曲面扫一眼心里就有数。第二条规则数的增长要克制的。两个输入、每个5个模糊集是25条规则看着不多但如果你做了三个输入马上变125条参数数量、LMI矩阵维度、训练数据需求全部指数级上升。我遇到多维输入的场合第一反应是先做特征筛选或者PCA降维很多时候真正起作用的就两个维度。第三条注意模糊系统的局部最优陷阱。因为输出是加权平均如果某条规则的后件参数被训歪了它不会像神经网络那样自己调整回来而是会在它负责的那个小区域内持续输出错误靠归一化权重把它掩盖在其他规则里面。表现出来就是整体还行但某个特定工况下总是不对。遇到这种情况把那个工况的数据单独切出来看权重分布往往能发现是哪条规则在捣乱。第四条不要迷信前件学习。很多论文讲前件、后件一起用梯度下降做自学习理论上漂亮但实际工程中前件一动整个规则的结构含义就变了原来正大误差对应强力修正的物理映射可能会被学得面目全非。我现在的做法是前件固定靠经验或聚类一次定死只在线调后件参数稳定性和可解释性都保得住。最后提一个常被忽略的细节采样周期和模糊推理的配合。T-S推理本身是静态映射如果你的控制周期太长误差变化率那一项会很不准噪声被差分放大之后ec 的隶属度会一直剧烈跳动导致输出跟着抖。我一般会在差分前加一个一阶低通滤波器同时适当拉长控制周期这两招配合下来抖动基本能压掉。写到这儿这套T-S的东西差不多把主干铺完了。我个人的体会是它最大的价值不在于模糊这个标签而在于它给了你一个把经验变成可分析结构的接口。规则表是你对过程的理解局部线性模型是你对物理的认知两者通过隶属度权重无缝地拼在一起而且拼完之后还能拿去做严谨的稳定性验证。后面我打算再把自适应T-S、观测器设计和时滞情形的处理补上那是另一个大坑等我把手头的项目收尾了再来填。