模糊控制器的MATLAB仿真

模糊控制系统的仿真实验实验目的：现有被控对象一：G(s)=1/(s2+2s+1)被控对象二：G(s)=K /【(T1s+1)(T2s+1) 】试设计一个模糊控制系统来实现对它的控制，并完成以下任务：任务一：通过仿真分析模糊控制器的参数的变化（主要讨论控制器解模方法和量化因子的变化）对系统性能的影响。

任务二：在控制器参数一定的情况下改变被控对象的参数，分析对象参数变化时fuzzy controller的适应能力。

任务三：在控制器参数一定的情况下改变被控对象的结构，分析对象结构变化时fuzzy controller的适应能力。

实验分析：要完成以上任务应分两个步骤：一设计模糊控制器，二用matlab的模糊逻辑工具箱建立模糊推理系统，并在simulink中实现对模糊系统的仿真。

接下来就以对象一为例说明模糊控制系统的仿真。

一、模糊控制器的设计模糊控制器的设计步骤为：1、选择控制器的输入输出：选择误差e及误差变化量ec为输入，u作为输出用于控制对象，这样模糊控制器具有二输入一输出的结构。

2、模糊集及论域的定义：z输入e的模糊子集为{NB NM NS NO PO PS PM PB}z输入ec和输出u的模糊子集均为{NB NM NS ZO PS PM PB}z e的论域为{-6 -5 -4 -3 -2 -1 －0 ＋0 1 2 3 4 5 6 }z ec的论域为{-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 }z u的论域为{-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 }我们选择三角形作为隶属度函数的形状，e的隶属度函数如下图所示：图1－1 ec的隶属度函数如下图所示：图1－2 u的隶属度函数如下图所示图1-3表1-14、选择输入输出变量的量化因子：这里暂时选定输入输出的量化因子Ke＝Kc＝Ku＝1，接下来的仿真过程还可以调整。

5、择模糊规则前提交的方法为min，模糊推理方法为min，而反模糊化方法可以在仿真过程中设置。

基于MATLAB的模糊控制器的设计与仿真摘要：本文对模糊控制器进行了主要介绍。

提出了一种模糊控制器的设计与仿真的实现方法，该方法利用MA TLB模糊控制工具箱中模糊控制器的控制规则和隶属度函数，建立模型，并进行模糊控制器设计与仿真。

关键词：模糊控制，隶属度函数，仿真，MA TLAB1 引言模糊控制是一种特别适用于模拟专家对数学模型未知的较复杂系统的控制，是一种对模型要求不高但又有良好控制效果的控制新策略。

与经典控制和现代控制相比，模糊控制器的主要优点是它不需要建立精确的数学模型。

因此，对一些无法建立数学模型或难以建立精确数学模型的被控对象，采用模糊控制方法，往往能获得较满意的控制效果。

模糊控制器的设计比一般的经典控制器如PID控制器要复杂，但如果借助MATLAB则系统动态特性良好并有较高的稳态控制精度，可提高模糊控制器的设计效率。

本文在MATLAB环境下针对某个控制环节对模糊控制系统进行了设计与仿真。

2 模糊控制器简介模糊控制器是一种以模糊集合论，模糊语言变量以及模糊推理为数学基础的新型计算机控制方法。

显然，模糊控制的基础是模糊数学，模糊控制的实现手段是计算机。

本章着重介绍模糊控制的基本思想，模糊控制的基本原理，模糊控制器的基本设计原理和模糊控制系统的性能分析。

随着科学技术的飞速发展，在那些复杂的，多因素影响的严重非线性、不确定性、多变性的大系统中，传统的控制理论和控制方法越来越显示出局限性。

长期以来，人们期望以人类思维的控制方案为基础，创造出一种能反映人类经验的控制过程知识，并可以达到控制目的，能够利用某种形式表现出来。

而且这种形式既能够取代那种精密、反复、有错误倾向的模型建造过程，又能避免精密的估计模型方程中各种方程的过程。

同时还很容易被实现的，简单而灵活的控制方式。

于是模糊控制理论极其技术应运而生。

3 模糊控制的特点模糊控制是以模仿人类人工控制特点而提出的，虽然带有一定的模糊性和主观性，但往往是简单易行，而且是行之有效的。

模糊自适应整定PID控制matlab仿真程序(刘金锟-先进PID控制及其MATLAB仿真)2这个例子的程序百度文库里有很多版本，但我下了很多都有错误，运行不了。

以下程序我一字一字的敲出来的，已经成功运行，绝对无误。

仿真实例，被控对象为p G (s)=ss s 1047035.8752350023++ 采样时间为1ms ，采用模糊PID 控制进行阶跃响应，在第300个采样时间时控制器输出加1.0的干扰，相应的运行结果如图1~13所示。

仿真程序如下：将以下程序保存为fuzzypid.m 文件，即可得到仿真结果。

%fuzzy tunning PID controlclear all ;clear all ;a=newfis('fuzzpid');a=addvar(a,'input','e',[-3,3]); %parameter ea=addmf(a,'input',1,'NB','zmf',[-3,-1]);a=addmf(a,'input',1,'NM','trimf',[-3,-2,0]);a=addmf(a,'input',1,'NS','trimf',[-3,-1,1]);a=addmf(a,'input',1,'Z','trimf',[-2,0,2]);a=addmf(a,'input',1,'PS','trimf',[-1,1,3]);a=addmf(a,'input',1,'PM','trimf',[0,2,3]);a=addmf(a,'input',1,'PB','smf',[1,3]);a=addvar(a,'input','ec',[-3,3]); %parameter eca=addmf(a,'input',2,'NB','zmf',[-3,-1]);a=addmf(a,'input',2,'NM','trimf',[-3,-2,0]);a=addmf(a,'input',2,'NS','trimf',[-3,-1,1]);a=addmf(a,'input',2,'Z','trimf',[-2,0,2]);a=addmf(a,'input',2,'PS','trimf',[-1,1,3]);a=addmf(a,'input',2,'PM','trimf',[0,2,3]);a=addmf(a,'input',2,'PB','smf',[1,3]);a=addvar(a,'output','kp',[-0.3,0.3]); %parameter kpa=addmf(a,'output',1,'NB','zmf',[-0.3,-0.1]);a=addmf(a,'output',1,'NM','trimf',[-0.3,-0.2,0]);a=addmf(a,'output',1,'NS','trimf',[-0.3,-0.1,0.1]);a=addmf(a,'output',1,'Z','trimf',[-0.2,0,0.2]);a=addmf(a,'output',1,'PS','trimf',[-0.1,0.1,0.3]);a=addmf(a,'output',1,'PM','trimf',[0,0.2,0.3]);a=addmf(a,'output',1,'PB','smf',[0.1,0.3]);a=addvar(a,'output','ki',[-0.06,0.06]); %parameter ki a=addmf(a,'output',2,'NB','zmf',[-0.06,-0.02]);a=addmf(a,'output',2,'NM','trimf',[-0.06,-0.04,0]);a=addmf(a,'output',2,'NS','trimf',[-0.06,-0.02,0.02]); a=addmf(a,'output',2,'Z','trimf',[-0.04,0,0.04]);a=addmf(a,'output',2,'PS','trimf',[-0.02,0.02,0.06]);a=addmf(a,'output',2,'PM','trimf',[0,0.04,0.06]);a=addmf(a,'output',2,'PB','smf',[0.02,0.06]);a=addvar(a,'output','kd',[-3,3]); %parameter kda=addmf(a,'output',3,'NB','zmf',[-3,-1]);a=addmf(a,'output',3,'NM','trimf',[-3,-2,0]);a=addmf(a,'output',3,'NS','trimf',[-3,-1,1]);a=addmf(a,'output',3,'Z','trimf',[-2,0,2]);a=addmf(a,'output',3,'PS','trimf',[-1,1,3]);a=addmf(a,'output',3,'PM','trimf',[0,2,3]);a=addmf(a,'output',3,'PB','smf',[1,3]);rulelist=[1 1 7 1 5 1 1;1 2 7 1 3 1 1;1 3 62 1 1 1;1 4 62 1 1 1;1 5 5 3 1 1 1;1 6 4 42 1 1;1 7 4 4 5 1 1;2 1 7 1 5 1 1;2 2 7 13 1 1;2 3 6 2 1 1 1;2 4 53 2 1 1;2 5 53 2 1 1;2 6 4 43 1 1;2 734 4 1 1;3 1 6 14 1 1;3 2 6 2 3 1 1;3 3 6 3 2 1 1;3 4 5 3 2 1 1;3 54 4 3 1 1;3 6 3 5 3 1 1;3 7 3 54 1 1;4 1 6 2 4 1 1;4 2 6 2 3 1 1;4 35 3 3 1 1;4 4 4 4 3 1 1;4 5 3 5 3 1 1;4 6 2 6 3 1 1;4 7 2 6 4 1 1;35 1 5 2 4 1 1;5 2 5 3 4 1 1;5 3 4 4 4 1 1;5 4 3 5 4 1 1;5 5 3 5 4 1 1;5 6 2 6 4 1 1;5 7 2 7 4 1 1;6 1 5 47 1 1;6 2 4 4 5 1 1;6 3 3 5 5 1 1;6 4 2 5 5 1 1;6 5 2 6 5 1 1;6 6 27 5 1 1;6 7 1 7 7 1 1;7 1 4 4 7 1 1;7 2 4 4 6 1 1;7 3 2 5 6 1 1;7 4 2 6 6 1 1;7 5 2 6 5 1 1;7 6 1 7 5 1 1;7 7 1 7 7 1 1];a=addrule(a,rulelist);a=setfis(a,'DefuzzMethod','mom');writefis(a,'fuzzpid');a=readfis('fuzzpid');%PID controllerts=0.001;sys=tf(5.235e005,[1,87.35,1.047e004,0]); dsys=c2d(sys,ts,'tustin');[num,den]=tfdata(dsys,'v');u_1=0.0;u_2=0.0;u_3=0.0;y_1=0;y_2=0;y_3=0;x=[0,0,0]';4error_1=0;e_1=0.0;ec_1=0.0;kp0=0.40;kd0=1.0;ki0=0.0;for k=1:1:500time(k)=k*ts;rin(k)=1;%using fuzzy inference to tunning PIDk_pid=evalfis([e_1,ec_1],a);kp(k)=kp0+k_pid(1);ki(k)=ki0+k_pid(2);kd(k)=kd0+k_pid(3);u(k)=kp(k)*x(1)+kd(k)*x(2)+ki(k)*x(3);if k==300 %adding disturbance(1.0v at time 0.3s)u(k)=u(k)+1.0;endif u(k)>=10u(k)=10;endif u(k)<=-10u(k)=-10;endyout(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(1)*u(k)+num(2)*u_1+num(3)*u_2+num(4)*u_3;error(k)=rin(k)-yout(k);%%%%%%%%%%%%%%%%%%%%%%%%%return of pid parameters%%%%%%%%%%%%%%%%%%%%%%%% u_3=u_2;u_2=u_1;u_1=u(k);y_3=y_2;y_2=y_1;y_1=yout(k);5x(1)=error(k); %calculating Px(2)=error(k)-error_1; %calculating Dx(3)=x(3)+error(k); %calculating De_1=x(1);ec_1=x(2);error_2=error_1;error_1=error(k);endshowrule(a)figure(1);plot(time,rin,'b',time,yout,'r'); xlabel('time(s)');ylabel( 'rin,yout');figure(2);plot(time,error,'r');xlabel('time(s)');ylabel( 'error ');figure(3);plot(time,u,'r');xlabel('time(s)');ylabel( 'u ');figure(4);plot(time,kp,'r');xlabel('time(s)');ylabel( 'kp ');figure(5);plot(time,ki,'r');xlabel('time(s)');ylabel( 'ki ');figure(6);plot(time,kd,'r');xlabel('time(s)');ylabel( 'kd ');figure(7);plotmf(a,'input',1);figure(8);plotmf(a,'input',2);figure(9);plotmf(a,'output',1);figure(10);plotmf(a,'output',2);figure(11);plotmf(a,'output',3);plotfis(a);fuzzy fuzzpid.fis6仿真运行结果：789。

下面用一个简单的例子作介绍：（本例不是特别针对实现什么功能，只是为了介绍方便）第一部分创建一个模糊逻辑（.fis文件）第一步：打开模糊推理系统编辑器步骤：在Commond Window 键入fuzzy回车打开如下窗口，既模糊推理系统编辑器第二步：使用模糊推理系统编辑器本例用到两个输入，两个输出，但默认是一个输人，一个输出步骤：1、添加一个输入添加一个输出得如下图2、选择Input、output(选中为红框)，在Name框里修改各输入的名称并将And method 改为prod，将Or method 改为probor提示：在命名时’_’在显示时为下标，可从上图看出。

第三步：使用隶属函数编辑器该编辑器提供一个友好的人机图形交互环境，用来设计和修改模糊推理系中各语言变量对应的隶属度函数的相关参数，如隶属度函数的形状、范围、论域大小等，系统提供的隶属度函数有三角、梯形、高斯形、钟形等，也可用户自行定义。

步骤：1、双击任何一个输入量（In_x、In_y）或输出量打开隶属度函数编辑器。

2、在左下处Range和Display Range处添加取值范围，本例中In_x和In_y的取值范围均为[0 10], Out_x和Out_y的取值范围均为[0 1]3、默认每个输入输出参数中都只有3个隶属度函数，本例中每个输入输出参数都需要用到五个，其余几个需要自己添加：选中其中一个输入输出参数点击Edit菜单，选Add MFS…打开下列对话框将MF type设置为trimf(三角形隶属度函数曲线，当然你也需要选择其他类型) 将Number of MFs设置为2点击OK按钮同样给其他三个加入隶属度函数4、选中任何一个隶属度函数（选中为红色），在Name中键入名称，在Type 中选择形状，在Params中键入范围，然后回车如下图：5、关闭隶属函数编辑器第四步：使用规则编辑器通过隶规则编辑器来设计和修改“IF...THEN”形式的模糊控制规则。

TAIYUAN UNIVERSITY OF SCIENCE & TECHNOLOGY题目：院（系）：专业：学生姓名：学号：模糊控制在倒立摆中的仿真应用1、倒立摆系统简介倒立摆有许多类型,例如图1-1的a和b所示的分别是轮轨式一级倒立摆系统和二级倒立摆系统的模型。

倒立摆是一个典型的快速、多变量、非线性、本质不稳定系统,它对倒置系统的研究在理论上和方法论上具有深远的意义。

对倒立摆的研究可归结为对非线性多变量本质不稳定系统的研究,其控制方法和思路在处理一般工业过程中也有广泛的用途。

近些年来国内外不少专家学者对一级、二级、三级、甚至四级等倒立摆进行了大量的研究,人们试图寻找不同的控制方法实现对倒立摆的控制,以便检查或说明该方法的严重非线性和本质不稳定系统的控制能力。

2002年8月11日,我国的李洪兴教授在国际上首次成功实现了四级倒立摆实物控制,也标志着我国学者采用自己提出的控制理论完成的一项具有原创性的世界领先水平的重大科研成果。

图1-1 倒立摆模型(a)一级倒立摆模型（b）二级倒立摆模型倒立摆系统可以简单地描述为小车自由地在限定的轨道上左右移动。

小车上的倒立摆一端用铰链安装在小车顶部,另一端可以在小车轨道所在的垂直平面内自由转动,通过电机和皮带传动使小车运动,让倒立摆保持平衡并保持小车不和轨道两端相撞。

在此基础上在摆杆的另一端铰链其它摆杆,可以组成二级、三级倒立摆系统。

该系统是一个多用途的综合性试验装置,它和火箭的飞行及步行机器人的关节运动有许多相似之处,其原理可以用于控制火箭稳定发射、机器人控制等诸多领域。

倒立摆系统控制原理单级倒立摆系统的硬件包括下面几个部分：计算机、运动控制卡、伺服系统、倒立摆和测量元件，由它们组成的一个闭环系统，如图1-2所示，就是单级倒立摆系统的硬件结构图。

图1-2 单级倒立摆硬件结构图通过角度传感器可以测量摆杆的角度，通过位移传感器可以得到小车的位置，然后反馈给运动控制卡，运动控制卡与计算机双向通信。

模糊控制MALTAB系统仿真实验报告可编程控制器智能控制技术仿真实验题目: 模糊控制系统MATLAB仿真实验报告院系名称：电气工程学院专业班级：电气学生姓名：学号：模糊控制系统MATLAB仿真实验报告一、实验目的 1、通过本次设计，了解模糊控制的基本原理、模糊模型的建立和模糊控制系统的设计过程。

2、熟悉在MATLAB下建立模糊控制器的方法，并能利用MATLAB对给定参数的模糊控制系统予以仿真二、实验项目1、实验题目本设计要求设计一个采用模糊控制的加热炉温度控制系统。

被控对象为一热处理工艺过程中的加热炉，加热设备为三相交流调压供电装置，输入控制信号电压为0~5V，输出相电压0~220V，输出最大功率180KW，炉温变化室温~625℃，电加热装置如图所示：图1-1电加热装置示意图3、实验数据：本实验输入变量为偏差e和偏差的变化ec，输出变量为控制电压U，变量模糊集量化论域均为[-6 6]采用的常用的三角形隶属函数。

控制规则表： U 输入变量ec NB NM NS ZO PS PM PB 输入变量 e NB NB NB NB NB NM NS ZO NM NB NB M, M, MS ZO ZO NS NV NM NM NS ZO ZO PS ZO NM NS NS ZO PS PS PM PS NS ZO ZO PS PM PM PB PM ZO ZO PS PM PM PB PB PB ZO PS PM PB PB PB PB 三、实验步骤 1、建立系统仿真图：在MATLAB主窗口单机工具栏中的Simulink快捷图标弹出“Simulink Library Browser”窗口，单击“Create a new model”快捷图标弹出模型编辑窗口。

依次将Signal Generator(信号源)、Subtract(减运算)、Gain（增益）、Derivative（微分）、Mux（合成）、Fuzzy Logic Controller(模糊逻辑控制器)、TransferFcn(传递函数)、Saturation(限幅)、Memory（存储器）、Scope（显示器）模块拖入窗口并连接成系统仿真图如图1-2 图1-2 系统仿真图 2、在模糊推理系统编辑器中设置变量：在MATLAB 命令窗口输入fuzzy并按回车键，启动FISEditor(模糊推理系统编辑器)。

模糊PID基本原理及matlab仿真实现（新⼿！新⼿！新⼿！）有关模糊pid的相关知识就把⾃⼰从刚接触到仿真出结果看到的⼤部分资料总结⼀下，以及⼀些⾃⼰的ps以下未说明的都为转载内容在讲解模糊PID前，我们先要了解PID控制器的原理（本⽂主要介绍模糊PID的运⽤,对PID控制器的原理不做详细介绍）。

PID控制器（⽐例-积分-微分控制器）是⼀个在⼯业控制应⽤中常见的反馈回路部件，由⽐例单元P、积分单元I和微分单元D组成。

PID控制的基础是⽐例控制；积分控制可消除稳态误差，但可能增加超调；微分控制可加快⼤惯性系统响应速度以及减弱超调趋势。

1.1传统PID控制传统PID控制器⾃出现以来，凭借其结构简单、稳定性好、⼯作可靠、调整⽅便等优点成为⼯业控制主要技术。

当被控对象的结构和参数具有⼀定的不确定性，⽆法对其建⽴精确的模型时，采⽤PID控制技术尤为⽅便。

PID控制原理简单、易于实现，但是其参数整定异常⿇烦。

对于⼩车的速度控制系统⽽⾔，由于其为时变⾮线性系统不同时刻需要选⽤不同的PID参数，采⽤传统的PID控制器，很难使整个运⾏过程具有较好的运⾏效果。

1.2模糊PID控制模糊PID控制，即利⽤模糊逻辑并根据⼀定的模糊规则对PID的参数进⾏实时的优化，以克服传统PID参数⽆法实时调整PID参数的缺点。

模糊PID控制包括模糊化，确定模糊规则，解模糊等组成部分。

⼩车通过传感器采集赛道信息，确定当前距赛道中线的偏差E以及当前偏差和上次偏差的变化ec，根据给定的模糊规则进⾏模糊推理，最后对模糊参数进⾏解模糊，输出PID控制参数。

2.1模糊化模糊控制器主要由三个模块组成：模糊化，模糊推理，清晰化。

具体如下图所⽰。

⽽我们将⼀步步讲解如何将模糊PID算法运⽤到智能车上。

（最好⽤笔⼀步步⾃⼰写⼀遍）⾸先我们的智能车会采集到赛道的相关数据，例如摄像头车，其采集到的数据经过算法处理之后会得到与中线的偏差E，以及当前偏差和上次偏差的变化（差值）EC两个值（即此算法为2维输⼊，同理也可以是1维和3维，但2维更适合智能车）。

模糊控制在matlab中的实例模糊控制是一种应用广泛的控制方法，它可以处理那些难以精确建立数学模型的系统。

在Matlab中，使用Fuzzy Logic Toolbox工具箱可以方便地实现模糊控制系统。

以下是一个简单的模糊控制器示例，控制一个小车的速度和方向，使得其能够沿着预设的轨迹行驶。

1. 首先，定义输入和输出变量。

这里我们需要控制小车的速度和转向角度。

代码如下：```speed = newfis("speed");speed = addvar(speed,"input","distance",[0 10]);speed = addmf(speed,"input",1,"slow","trimf",[0 0 5]);speed = addmf(speed,"input",1,"fast","trimf",[5 10 10]); speed = addvar(speed,"output","velocity",[-10 10]);speed = addmf(speed,"output",1,"reverse","trimf",[-10-10 -2]);speed = addmf(speed,"output",1,"stop","trimf",[-3 0 3]); speed = addmf(speed,"output",1,"forward","trimf",[2 10 10]);angle = newfis("angle");angle = addvar(angle,"input","position",[-1 1]);angle = addmf(angle,"input",1,"left","trimf",[-1 -1 0]);angle = addmf(angle,"input",1,"right","trimf",[0 1 1]); angle = addvar(angle,"output","steering",[-1 1]);angle = addmf(angle,"output",1,"hard_left","trimf",[-1 -1 -0.5]);angle = addmf(angle,"output",1,"soft_left","trimf",[-1 -0.5 0]);angle = addmf(angle,"output",1,"straight","trimf",[-0.5 0.5 0.5]);angle = addmf(angle,"output",1,"soft_right","trimf",[0 0.5 1]);angle = addmf(angle,"output",1,"hard_right","trimf",[0.5 1 1]);```2. 然后，定义模糊规则。

洗衣机模糊控制仿真1.模糊控制背景1980年，Sugeno 开创了日本的首次模糊应用——控制一家富士电子水净化厂。

1983年他又开始研究模糊机器人。

随着模糊控制技术的不断发展，模糊控制逐渐被应用到日用家电产品的控制，例如电饭锅﹑照相机﹑吸尘器﹑洗衣机等。

2.仿真目的本次仿真的主要目的是设计一个比较合理的洗衣机模糊控制器，它能够根据被洗涤衣物的污泥多少和油脂多少，综合得到洗涤时间，从而达到最佳的洗涤效果。

3.仿真方法本次仿真借助matlab 中集成的模糊控制工具箱，使用图形界面进行模糊控制器的设计。

最后随意给定几组输入，得到输出并作出简单分析。

4.模糊控制器的设计4.1模糊控制器理论设计方法①选择合适的模糊控制器类型；②确定输入输出变量的实际论域；③确定e ,e ∆,u ∆的模糊集个数及各模糊集的隶属度函数；④输出隶属度函数选为单点，可使解模糊简单；⑤设计模糊控制规则集；⑥选择模糊推理方法；⑦解模糊方法。

4.2实际设计过程①模糊控制器类型：选用两输入单输出模糊控制器，控制器输入为衣物的污泥和油脂，输出为洗涤时间。

②确定输入输出变量的实际论域：输入为Mud(污泥)和Grease （油脂），设置Range=[0 100]（输入变化范围为[0,100]）；输出为Time(洗涤时间)，Range=[0 60]（输出变化范围为[0,60]）。

对应matlab 中模糊控制模块：③确定模糊集个数及各模糊集的隶属度函数：将污泥分为3个模糊集：SD （污泥少）MD （污泥中）LD(污泥多)；将油脂分为三个模糊集：NG （油脂少）MG （油脂中）LG （油脂多）；将洗涤时间非为5个模糊集：VS （很短）S （短）M （中等）L （长）VL （很长）。

输入﹑输出隶属度函数都定为三角形隶属函数。

结合④输出隶属度函数选为单点，可使解模糊简单；定义污泥隶属函数如下50)50()(x x SD -=μ 0≤x ≤5050x 0≤x ≤5050)100(x - 50＜x ≤10050)50()(-=x x LD μ 50＜x ≤100对应matlab 中隶属度函数仿真图如下：由隶属函数设置污泥的3个模糊集参数为[Input1]Name='Mud'NumMFs=3MF1='SD':'trimf',[-50 0 50]MF2='MD':'trimf',[0 50 100]MF3='LD':'trimf',[50 100 150]定义油脂隶属函数如下：50)50()(y x SG -=μ 0≤y ≤5050y 0≤y ≤5050)100(y - 50＜y ≤100 50)50()(-=y x LG μ 50＜y ≤100对应matlab 中隶属度函数仿真图如下：由隶属函数设置油脂3个模糊集参数为[Input2]Name='Grease'NumMFs=3MF1='SG':'trimf',[-50 0 50]MF2='MG':'trimf',[0 50 100]MF3='LG':'trimf',[50 100 150]定义输出时间隶属函数如下：μVS (Z )=(10-Z )/10 0≤Z ≤10Z /10 0≤Z ≤10μS (Z )=(25-Z )/15 10≤Z ≤25(Z -10)/15 10≤Z ≤25μM (Z )= μ洗涤时间=(40-Z )/15 25≤Z ≤40(Z -25)/15 25≤Z ≤40μL (Z )= (60-Z )/20 40≤Z ≤60μVL (Z )=（Z -40）/20 40≤Z ≤60对应matlab 中隶属度函数仿真图如下：由隶属函数设置输出洗涤时间5个模糊集参数为[Output1]Name='Time'NumMFs=5MF1='S':'trimf',[0 10 25]MF2='L':'trimf',[25 40 60]MF3='VS':'trimf',[-10 0 10]MF4='M':'trimf',[10 25 40]MF5='VL':'trimf',[40 60 80]⑤设计模糊控制规则：设计标准为污泥越多，油脂越多，洗涤时间越长；污泥适中，油脂适中，洗涤时间适中；污泥越少，油脂越少，洗涤时间越短。