《Energies》：Artificial Intelligence-Driven Fuzzy Logic Control for Electrical Machines: A Systematic Review, Comparative Analysis, and Future Perspectives
编辑推荐：
人工智能（AI）的快速发展为提升电机驱动系统的性能、鲁棒性和效率创造了新的机遇。在基于AI的方法中，模糊逻辑控制（FLC）因其能够在无需精确数学模型的情况下处理非线性动力学、参数不确定性和外部扰动而受到广泛关注。本综述系统性地考察了基于FLC的电机驱动控制策略
人工智能（AI）的快速发展为提升电机驱动系统的性能、鲁棒性和效率创造了新的机遇。在基于AI的方法中，模糊逻辑控制（FLC）因其能够在无需精确数学模型的情况下处理非线性动力学、参数不确定性和外部扰动而受到广泛关注。本综述系统性地考察了基于FLC的电机驱动控制策略，重点涵盖感应电机（IM）、开关磁阻电机（SRM）、永磁同步电机（PMSM）、同步磁阻电机（SynRM）和无刷直流电机（BLDC）。综述遵循PRISMA 2020框架，所选研究按照电机类型、FLC架构、控制策略、优化方法、实现平台和验证方法进行分析。综述证据表明，在文献报道的特定条件下，基于FLC的策略能够改善动态响应、跟踪精度、鲁棒性和转矩调节性能。将FLC与磁场定向控制（FOC）、直接转矩控制（DTC）、滑模控制（SMC）、模型预测控制（MPC）、神经网络（NN）、自适应神经模糊推理系统（ANFIS）及优化算法相结合的混合方法为自适应和参数整定提供了额外机会。然而，所报道的性能强烈依赖于电机拓扑结构、控制器架构、整定方法、计算需求和验证平台。综述还识别了重要局限性，包括缺乏标准化基准测试、计算复杂度高、对专家知识的依赖，以及若干先进方法在硬件在环（HIL）和实验验证方面的不足。新兴方向包括Type-2及更高阶模糊系统、神经模糊与混合AI控制器、数据驱动优化、数字孪生辅助控制、边缘计算和面向硬件的实现。本综述旨在对现有证据进行结构化且批判性的综合，阐明AI驱动FLC方法的演进和实际适用性，并为可靠、计算高效且经实验验证的电机控制确定研究优先事项。
2. 研究方法
2.1 综述方法
本系统综述遵循系统综述和荟萃分析首选报告项目（PRISMA 2020）的原则和报告建议进行，以确保文献识别和筛选过程的透明度、方法学一致性和可重复性。综述分为四个连续阶段：识别、筛选、资格评估和最终纳入相关研究。
综述考察了FLC及相关智能控制策略在电机和电气驱动系统中的应用，特别关注IM、PMSM、BLDC、SRM、SynRM以及与电动汽车和可再生能源电气系统相关的电机驱动应用。涉及混合FLC架构、自适应FLC、Type-2和Type-3 FLC、模糊滑模控制、模糊预测控制、神经模糊方法及优化辅助模糊控制的研究，在直接与电机或驱动控制相关时也被纳入考虑。
文献检索于2025年12月至2026年5月期间进行，各数据库的具体检索日期见补充材料S2。本综述未在系统综述注册库中进行前瞻性注册或预注册。资格和筛选程序在最终研究选择前已定义，并一致应用于检索到的记录。
完整的27项PRISMA 2020检查表见补充材料S1。详细的文献检索策略、信息来源、检索日期、各数据库检索程序和筛选程序见补充材料S2。
研究筛选、数据提取和质量评估。所有检索记录使用Zotero管理，筛选前识别并移除重复记录。标题/摘要和全文筛选由作者团队的三名成员独立进行，分歧通过讨论和共识解决。数据提取由Habib Benbouhenni进行，质量和方法学评估由Nicu Bizon和Adrian Tulbure进行。详细检索策略、筛选程序和评估标准见补充材料S2。
2.2 文献检索策略
为最大限度地识别关于FLC电机和驱动系统的相关同行评审研究，在主要国际科学数据库中进行了全面的电子文献检索。
主要信息来源包括：Scopus、Web of Science核心合集、IEEE Xplore、ScienceDirect和SpringerLink。
系统检索于2025年12月进行。检索策略围绕两个主要概念领域组合展开：（i）模糊与智能控制术语；（ii）电机、电机驱动及相关应用。
代表性检索词包括：“fuzzy logic control”、“fuzzy controller”、“fuzzy control”、“adaptive fuzzy control”、“type-2 fuzzy”、“type-3 fuzzy”、“fuzzy PI”、“fuzzy PID”、“fuzzy sliding mode”、“neuro-fuzzy”、“ANFIS”、“electrical machine”、“electric motor”、“motor drive”、“induction motor”、“permanent magnet synchronous motor”、“PMSM”、“brushless DC motor”、“BLDC”、“switched reluctance motor”、“synchronous reluctance motor”、“direct torque control”、“field-oriented control”、“sensorless control”、“electric vehicle”和“renewable energy systems”。
使用布尔运算符AND和OR来组合和细化检索概念。根据各信息源的语法和检索能力，对检索字符串进行了数据库特定的调整。
综述主要考虑2000-2026年间发表的研究，重点关注电机智能和AI辅助控制的最新发展。因此，最终证据基础聚焦于FLC的最新进展，包括自适应、混合、Type-2/Type-3 FLC、神经模糊、基于优化及其他智能控制架构。
完整的数据库特定检索策略和检索日期记录于补充材料S2，包括表S2（信息来源和检索日期摘要）及相应的数据库检索策略。
为确保可重复性，完整的数据库特定检索字符串、检索字段、检索日期和数据库特定调整在补充材料S2（表S3）中报告。从各信息来源检索到的记录数量及后续筛选和排除过程也在补充材料中记录，并与PRISMA 2020流程图中的数字相对应。
2.3 纳入与排除标准
应用预定义的资格标准来确定检索到的出版物是否与本系统综述的目标相关。
2.3.1 纳入标准
符合以下标准的研究被纳入：发表在同行评审的科学期刊或知名国际会议论文集中；在定义的综述期内发表，主要为2000-2026年；研究了FLC或直接相关的智能/混合FLC策略；控制策略应用于电机、电机驱动、电力推进系统或密切相关的电气驱动应用；研究提供了足够的 methodological 信息以识别控制架构、电机/应用类型和主要性能特征；研究报告了仿真、实验、HIL、比较或其他技术上相关的性能评估；出版物为英文。
2.3.2 排除标准
符合以下一个或多个条件的记录被排除：涉及与电机或电气驱动/控制系统无关的FLC应用；未提供足够的技术或方法学信息以进行有意义评估；从多个信息来源检索到的重复记录；社论、信件、新闻、专利、学位论文或缺乏足够技术内容的会议摘要；非英文；未直接为本系统综述的目标做出贡献。
资格标准在标题/摘要筛选和全文评估中一致应用。
2.4 研究选择与筛选程序
研究选择过程遵循PRISMA 2020推荐的四个主要阶段：识别、筛选、资格和纳入。
在识别阶段，从选定的科学数据库和额外信息来源检索记录。将检索到的记录合并为共同的筛选数据集，然后识别并移除重复记录。
在筛选阶段，根据预定义的资格标准评估剩余记录的标题和摘要。在此阶段排除明显与FLC电机和驱动应用无关的记录。
随后对潜在相关研究进行全文资格评估。当全文文章未能满足预定义的纳入标准、缺乏足够的技术信息或未直接涉及研究目标时，予以排除。
最终符合条件的研宄集构成了本综述中定性综合和比较分析的证据基础。
完整的筛选程序和相应的信息来源细节记录于补充材料S2：文献检索策略与筛选程序。
2.5 数据提取
对每项符合条件的研究，系统提取了相关的书目、方法学和技术信息。提取的变量包括：出版年份；电机或驱动类型；应用领域；FLC架构；模糊推理/控制策略类型；用于比较的常规控制器（如适用）；混合智能控制技术；优化算法；控制目标；仿真、实验或HIL验证；所报道的动态和稳态性能；转矩脉动和/或电能质量性能（如适用）；计算或实现考虑；所报道的优势；所报道的局限性；以及确定的未来研究方向。
提取的信息按电机类型、控制器架构、智能控制方法、应用领域、优化方法和验证水平进行组织。这种分类有助于对所报道的方法进行结构化比较，并促进研究趋势、方法学差距和未来研究机会的识别。
2.6 质量与方法学评估
使用适用于工程导向系统综述的预定义标准评估纳入研究的方法学质量和技术相关性。评估考虑：所提出控制方法的清晰性和原创性；控制架构描述的充分性；仿真和/或实验验证；比较性能评估的存在性；所报道方法的透明度和可重复性；对参数变化和外部扰动的考虑；实时、HIL或实验实施的证据（如适用）；与实际电机和驱动系统的相关性；以及对智能电机控制发展的总体贡献。
引用指标仅作为背景信息考虑，而非作为方法学质量的正式衡量标准。研究质量和相关性主要根据每篇出版物中报道的方法学和技术证据来判断。
采用这种方法是为了避免将高引用频率等同于方法学严谨性，特别是因为近期出版物可能没有足够的时间积累引用。
详细的质量评估标准及其在纳入研究中的应用见补充材料S2（表S5），从而提高了方法学评估的透明度和可重复性。
2.7 PRISMA 2020流程图与报告
完整的文献识别和研究选择过程见图1，该图展示了本综述采用的PRISMA 2020流程图，说明系统的文献识别、筛选、资格评估和研究选择过程。
图1总结了从信息来源识别到的记录数量、去除重复后的剩余记录、筛选的记录、进行资格评估的全文报告、全文排除原因以及最终纳入系统综述的研究数量。
包含全部27个项目的PRISMA 2020报告检查表见补充材料S1。关于数据库、检索日期、检索字符串、检索概念和筛选程序的详细信息见补充材料S2，包括表S2：信息来源和检索日期摘要。
3. 电机FLC的基础与设计原则
3.1 FLC理论的演进
自1965年模糊集合理论引入以来，FLC已成为非线性动态系统最成熟的智能控制方法之一。与变量仅取二值（0或1）的常规布尔逻辑不同，FLC允许变量在[0,1]区间内具有中间隶属度值，从而为表示不确定性、模糊性和近似推理提供了有效的数学框架。
FLC的基本理念是通过语言变量和启发式规则表达系统知识来模拟人类推理，而非依赖精确的数学模型。这一特性使FLC特别适用于电机控制，因为精确系统建模常因非线性磁特性、参数变化、机械不确定性、温度效应和外部扰动而变得复杂。
在过去三十年中，FLC已从常规Type-1控制器演进到更先进的架构，包括区间Type-2、General Type-2以及最近提出的Type-3模糊系统。同时，将FLC与ANN、进化优化算法、SMC、MPC和分数阶控制相结合的混合智能方法已显著扩展了其在现代电气驱动中的适用性。
如今，FLC代表了电机控制中最成熟的AI技术之一，因为它在鲁棒性、计算效率、可解释性和实现简单性之间提供了极佳的折衷。
3.2 FLC架构及其在控制策略中的集成
尽管存在多种结构变体，但电机应用中采用的大多数FLC共享由五个相互连接的模块组成的通用架构：模糊化接口、知识库、规则库、推理引擎和解模糊化接口。
图2展示了集成到电机控制策略中的FLC通用架构。控制器接收速度误差、转矩误差、电流误差或磁链偏差等精确测量值。这些数值变量通过模糊化过程转换为语言变量。随后，推理引擎评估存储在规则库中的预定义IF-THEN规则，生成模糊输出，最终由解模糊化阶段转换为精确控制信号。
与常规PI控制器不同，FLC的性能主要由隶属函数的质量和嵌入规则库中的专家知识决定，而非精确的数学系统模型。
3.3 隶属函数与模糊化策略
模糊化阶段构成FLC的第一个处理层，其目标是将数值输入变量转换为可由推理引擎处理的模糊语言术语。
典型语言变量包括：负大（NL）、负中（NM）、负小（NS）、零（ZE）、正小（PS）、正中（PM）、正大（PL）。
隶属函数的选择对控制器性能有显著影响。不同形状在计算效率和控
