一个很好的起点是确定梯形逻辑是否与模糊逻辑兼容。梯形逻辑是一种常用的基于规则的方法，用于在需要时序逻辑时对 PLC（可编程逻辑控制器）进行编程。梯形逻辑程序中的每个梯级都代表一个逻辑方程，该逻辑方程可以是二进制的，也可以是离散的。
请记住，梯形图逻辑是从左到右、从上到下读取的，然后梯级的右侧代表输出条件。该梯级的输出条件取决于输出左侧梯形逻辑符号的结果。
以图 2 中所示的单梯级为例。请注意，A/C（空调）仅在 Switch 处于活动状态且 HighTemp 或 Humid 处于活动状态时才处于活动状态。
图2.用于控制 A/C 系统的梯形逻辑梯级。使用的信息由维基百科提供
通常，此梯级将采用以下形式：
A/C = 开关 AND（高温或潮湿）
由于梯形逻辑可以表示为规则，因此它很容易被纳入模糊逻辑控制。另一种思考方式是，结果取决于左侧梯形逻辑符号表示的 IF 条件，而输出表示 THEN 结果。
IF （开关和 [高温或潮湿]） 则 A/C
图3.表示模糊逻辑系统的框图。
这种方法当然可以使用模糊逻辑规则来实现。在这种情况下，清晰的输入将是温度和相对湿度。传感器读取的这些值将通过模糊器转换为模糊输入。除其他规则外，推理引擎将包含上述规则。根据推理引擎的规则，将向去模糊化器呈现一个模糊输出集。从那里，将向控制系统提供清晰的输出。
简而言之，梯形逻辑可以使用模糊逻辑来实现。
设计模糊逻辑控制器的基本步骤
模糊逻辑控制系统（通常缩写为 FLC）是开发和实现控制系统的另一种方法。
图4.简单的反馈控制系统，实现模糊控制。图片由 Boffy b 提供
认识到所涉及的假设
在开始设计 FLC 之前，有一些关键假设。
控制问题存在解决方案。
“足够好”的解决方案代替“解决方案”是可以接受的。
可以观察输入、输出和状态变量并用于控制。
知识体系以以下形式存在：
语言规则，和/或
一组输入输出数据，可以从中提取规则。
FLC的设计必须达到可接受的精度范围。
稳定性和性没有明确解决，而是开放的。
识别并配置用于模糊化的变量
设计 FLC 的步是确定所涉及的输入、输出和状态变量。接下来，确定变量的模糊子集。例如，温度输入可以分为五个子集，每个子集都有一个描述性语言标签：{'cold'、'cool'、'nominal'、'warm'、'hot'}。
图5.使用隶属函数表示温度的示例。
一旦为变量选择了子集，就应该配置隶属函数来表示这些子集。隶属函数的选项包括三角形、梯形、S 形和高斯。这构成了模糊器，将清晰的输入转换为模糊值。请注意，还需要为推理引擎的输出配置模糊子集和关联的隶属函数。
生成模糊逻辑规则
将传统的梯形逻辑控制器转换为模糊逻辑控制器，首先要生成模糊逻辑规则。
在假设中提到，这可能采取已经存在的语言规则的形式，或者可以采取可以在主题的帮助下制定的语言规则的形式。也可以在给定一组输入输出数据的情况下生成规则。而且，在梯形图逻辑的情况下，模糊逻辑规则可以直接从梯形图中读取。
结果是模糊系统的规则库。
实现推理引擎和去模糊化器
有几种不同的方法可以实现推理引擎。在对照中，两种的方法是 Mamdani 和 Sugeno。这两种类型的推理引擎都使用 OR 运算符将规则库的模糊输出组合在一起，然后对该输出进行去模糊化以获得清晰的值。
模糊逻辑控制器的应用
模糊逻辑控制器已经得到了极其广泛的应用。例如，电梯通常具有模糊逻辑控制器，可以减少等待时间，限度地减少楼层之间的旅行，并减少能源使用。限度地减少楼层之间行程的另一个好处是减少了关键部件的磨损并延长了使用寿命。
模糊控制系统的另一个引人入胜的例子涉及数字摄像机和摄像机。在拍摄一致的镜头时，操作员可以移动或摇晃相机，但模糊逻辑控制可以自动补偿。
在工业环境中，模糊逻辑通常用于控制工业过程和系统。例如，模糊逻辑适用于温度控制器和过程控制器，例如用于金属热处理的控制器。典型的热处理涉及高度的升温和均热循环，以实现正确的冶金性能。
受益于 FLC 的类似应用包括固化橡胶或在涂漆表面上干燥溶剂。此外，所有这些都是通常使用 PID（比例积分微分）控制器的控制过程示例。CNC（计算机数控）加工通常依赖于模糊逻辑控制器，许多自主机器人、机器视觉和遥感也是如此。
图6.模糊PID控制器的框图。图片由 Mathworks 提供
模糊逻辑控制的优点和缺点
当面对系统中的不数据和非线性时，模糊逻辑控制仍然可以发挥作用。它还允许将人类的经验和知识集成到控制系统中，并且具有高度可定制性。与更传统的方法相比，模糊逻辑控制系统的开发成本通常更低，并且往往更高效、更鲁棒、更可靠。
具体而言，在控制方面，FLC不需要像更传统的控制系统方法那样以的术语制定模型和/或目标。此外，模糊控制可以很容易地与其他控制系统混合。
当然，使用模糊控制系统也有缺点。虽然模糊逻辑是人工智能 （AI） 的一个子集，但它不是一种机器学习，因此无法适应和学习。市面上有自适应模糊逻辑控制器，但它们的设计和复杂性远远超出了所讨论的模糊控制器类型。
此外，终需要对控制器所依赖的规则进行更新，而模糊逻辑控制器需要进行大量的测试和验证，然后才能被认为可以实施。
什么时候应该使用模糊逻辑控制器？对于极其复杂且难以使用的模型和物镜表示的控制问题，它们是极好的选择。当涉及不的数据和非线性行为时，它们效果很好。
