模糊PID控制
模糊PID控制
模糊PID控制与传统PID控制有什么区别？？模糊PID是通过模糊逻辑算法整定出来PID三个参数，具有自适应的特性，PID 三个参数会应外界环境变化自动调节，以保证控制系统的稳定性，而传统的PID 三个参数设定后是不变，不具备自适应的特性。
模糊PID是一种智能PID，在工程已经成功应用，效果还比较理想模糊控制就是利用模糊数学的基本思想和理论的控制方法。
在传统的控制领域里，控制系统动态模式的精确与否是影响控制优劣的最主要关键，系统动态的信息越详细，则越能达到精确控制的目的。
然而，对于复杂的系统，由于变量太多，往往难以正确的描述系统的动态，于是工程师便利用各种方法来简化系统动态，以达成控制的目的，但却不尽理想。
换言之，传统的控制理论对于明确系统有强而有力的控制能力，但对于过于复杂或难以精确描述的系统，则显得无能为力了。
因此便尝试着以模糊数学来处理这些控制问题。
什么是自适应性在日常生活中，所谓自适应是指生物能改变自己的习性以适应新的环境的一种特征。
因此，直观地说，自适应控制器应当是这样一种控制器，它能修正自己的特性以适应对象和扰动的动态特性的变化。
什么是自适应系统？你是问的自控中的自适应系统吗？在控制工程中自适应系统就是：假如输入是e(t)，控制器输出是u(t),扰动是d(t)，总输出是c(t)，这四个量又输入进一个叫做“辨识机构”的结构当中，作用就是对当前系统的参数进行辨识，然后此机构的输出与理想值进行比较，该比较的差值来调节“自适应机构”，“自适应机构”的输出给控制器，这样整个控制回路就建立起来了。
在工业控制中，与自适应系统搭配的控制器大多是PID控制器，这样的控制系统在电子产品、工厂等有很多了什么是模糊自适应控制策略美国控制论专家L.A.Zadeh于1965年创立了模糊集理论，为描述、研究和处理模糊性现象提供了有力的数学工具。
1974年，英国的E.H.Mamdani把模糊语言逻辑用于工业过程控制并获成功，标志着模糊控制的诞生。
模糊PID温度控制系统的设计
模糊PID温度控制系统的设计模糊PID控制是一种将模糊逻辑和PID控制相结合的控制方法，它充分利用了PID控制器的优点，同时通过引入模糊逻辑来克服传统PID控制中的一些问题，如参数调整不易、对非线性和时变系统的适应性较差等。
本文将介绍模糊PID温度控制系统的设计。
一、系统结构设计模糊PID温度控制系统的基本结构包括输入端、模糊推理机和输出端。
输入端包括温度传感器和设定温度设备，用于测量被控温度和设定温度。
模糊推理机通过将模糊化的输入转换为模糊化的输出，生成对应的控制量。
输出端包括执行器，将控制量转换为控制信号，使温度回路的输出能够稳定地接近设定值。
二、模糊化模糊化是将连续性的输入（如温度误差和误差变化率）转换为模糊集合的过程。
在模糊化中，需确定输入的模糊集合函数和隶属度函数的形状。
常见的模糊集合函数有三角型、梯形和高斯型函数。
可以根据实际系统的特点和需求选择适合的模糊集合函数，并确定隶属度函数的参数。
三、模糊推理机模糊推理机是模糊PID控制的核心部分，它通过模糊化的输入和事先设定的模糊规则来生成模糊化的输出。
首先，需要确定模糊规则的数量和形式。
常见的模糊规则形式有“IF-THEN”规则和模糊关联规则。
在确定模糊规则时，可以参考专家经验或使用模糊综合评判方法进行推导。
然后，需要设计模糊推理机的推理引擎，常见的方法有最大隶属度法和加权平均法。
四、解模糊化和反馈解模糊化是将模糊化的输出转换为实际的控制量，以便执行器能够产生相应的控制信号。
常见的解模糊化方法有最大隶属度法、面积法和中心平均法等。
在解模糊化的过程中，可以根据系统的需求和性能要求选择合适的解模糊化方法，并确定相应的解模糊化函数和参数。
另外，模糊PID 控制系统通常还会加入反馈环节，用于对控制效果进行调整和修正，提高控制系统的稳定性和鲁棒性。
五、参数调整和性能评价模糊PID控制器的参数调整是控制系统设计中的重要环节。
传统的PID控制器可以通过经验公式或试错法进行参数调整，而模糊PID控制器通常使用专家经验、试验方法或优化算法进行参数调整。
模糊 pid控制策略
模糊 pid控制策略
模糊PID控制策略是将模糊控制和PID控制结合起来的一种
控制策略。
它利用模糊控制的模糊推理能力来对PID控制器
的参数进行调节，以提高控制系统的性能。
在传统的PID控制策略中，控制器的参数需要通过实验或调
整来获得最佳的控制效果。
而模糊PID控制策略则借助于模
糊推理的思想，通过模糊控制器自动调整PID控制器的参数，使得控制系统能够适应不同的工况和系统变化。
具体而言，模糊PID控制策略包括以下步骤：
1. 设计模糊控制器：根据控制系统的输入和输出变量的模糊集合，设计模糊控制器的模糊规则库。
2. 模糊推理：根据当前的输入变量值，利用模糊控制器的模糊规则库进行模糊推理，得到输出变量的模糊集合。
3. 解模糊：通过对输出变量的模糊集合进行解模糊操作，得到具体的输出变量值。
4. 参数调整：根据解模糊得到的输出变量值，调整PID控制
器的参数。
5. 反馈控制：将调整后的PID控制器作为反馈控制器，进行
控制系统的实时控制。
通过模糊PID控制策略，可以在一定程度上克服传统PID控制策略中参数调整的困难，提高控制系统的性能和鲁棒性。
然而，模糊PID控制策略也存在一定的复杂性和计算量较大的问题，需要根据实际情况进行权衡和应用。
模糊控制与PID控制的比较
模糊控制与PID控制的比较自20世纪60年代中期起，模糊控制逐渐崭露头角，其优越性也引起了人们的关注。
除了模糊控制，当今热门的控制算法之一是PID控制。
那么，模糊控制与PID控制之间的区别是什么呢？它们各自的优缺点是什么？在特定的应用场合下，哪种控制算法更适用？一、模糊控制概述模糊控制是一种无需准确模型或参数即可执行复杂控制系统的方法，它仅使用模糊逻辑来描述输入和输出之间的关系。
模糊控制系统的输入和输出都是模糊变量。
与其他控制方法相比，模糊控制系统可以更好地处理不确定性和模糊性，具有更强的容错能力和适应性。
模糊控制系统由四个主要组成部分组成：模糊化、模糊推理、解模糊化和规则库。
模糊化部分将传感器输出信号转换为模糊变量，模糊推理部分使用模糊逻辑基于模糊规则将模糊变量转换为控制信号，解模糊化部分将控制信号转换为精确的控制信号，规则库存储了模糊规则及其权重。
二、PID控制概述比例积分微分（PID）控制是一种经典的控制算法，其控制草图由三个部分组成。
比例项（P）根据当前误差大小进行输出，积分项（I）可以消除稳态误差，微分项（D）可以提高系统的稳定性并抑制系统的震荡。
PID控制器的设计基于系统的数学模型，在许多应用中，这个模型是已知的。
在这些情况下，PID控制器可以通过调整不同部分的增益以进行优化。
三、模糊控制与PID控制的对比1. 精度PID控制器可以实现非常高的精度，特别是在恒定环境下，模糊控制器具有更高的容错能力和适应性，而且围绕控制正常的范围内快速做出反应。
2. 调节PID调节通常是更容易实现的PLC控制器中自动化开发环境的系统。
Fuzzy可能更多地需要手动调整和对规则进行逐步精细的训练，但它也可以被训练自动化。
3. 适应性模糊控制器的好处是可以轻松地处理不确定性和模糊性，因此可以应对复杂环境。
PID控制器则对不确定性和模糊性更加敏感，而且会因不确定性的变化而导致过度响应或不足响应的问题。
4. 实际应用PID控制器广泛应用于许多领域，如化工、制造和机械工程。
模糊PID控制
Fuzzy - simulink有关模糊PID问题概述最近很多人问我关于模糊PID的问题，我就把模糊PID的问题综合了一下，希望对大家有所帮助。
一、模糊PID就是指自适应模糊PID吗？不是，通常模糊控制和PID控制结合的方式有以下几种：1、大误差范围内采用模糊控制，小误差范围内转换成PID控制的模糊PID开关切换控制。
2、PID控制与模糊控制并联而成的混合型模糊PID控制。
3、利用模糊控制器在线整定PID控制器参数的自适应模糊PID控制。
一般用1和3比较多，MATLAB自带的水箱液位控制tank采用的就是开关切换控制。
由于自适应模糊PID控制效果更加良好，而且大多数人选用自适应模糊PID控制器，所以在这里主要指自适应模糊PID控制器。
二、自适应模糊PID的概念根据PID控制器的三个参数与偏差e和偏差的变化ec之间的模糊关系，在运行时不断检测e及ec，通过事先确定的关系，利用模糊推理的方法，在线修改PID控制器的三个参数，让PID参数可自整定。
就我的理解而言，它最终还是一个PID控制器，但是因为参数可自动调整的缘故，所以也能解决不少一般的非线性问题，但是假如系统的非线性、不确定性很严重时，那模糊PID的控制效果就会不理想啦。
三、模糊PID控制规则是怎么定的？这个控制规则当然很重要，一般经验：(1)当e较大时，为使系统具有较好的跟踪性能，应取较大的Kp 与较小的Kd，同时为避免系统响应出现较大的超调，应对积分作用加以限制，通常取Ki=0。
(2)当e处于中等大小时，为使系统响应具有较小的超调，Kp应取得小些。
在这种情况下，Kd的取值对系统响应的影响较大，Ki的取值要适当。
(3)当e较小时，为使系统具有较好的稳定性能，Kp与Ki均应取得大些，同时为避免系统在设定值附近出现振荡，Kd值的选择根据|ec|值较大时，Kd取较小值，通常Kd为中等大小。
另外主要还得根据系统本身的特性和你自己的经验来整定，当然你先得弄明白PID三个参数Kp，Ki，Kd各自的作用，尤其对于你控制的这个系统。
PID及模糊控制算法
PID及模糊控制算法背景介绍PID控制是一种常见的控制方法，它通过不断调整系统的输出使得系统的反馈信号与参考信号趋于一致。
控制器的功能是计算出控制信号使得系统输出与参考信号的差值最小化。
PID控制器可以广泛应用于机械、电子、化工、航空等领域。
虽然在实际控制中，PID控制器的效果非常好，但是在某些场合，PID控制器无法满足要求。
因此，近年来，模糊控制算法得到了广泛发展和应用。
模糊控制算法采用模糊逻辑建立控制系统，能够处理一些非线性、复杂的系统，并且控制效果也非常不错。
PID控制算法PID控制器是由比例环节（P）、积分环节（I）和微分环节（D）组成的。
PID 控制器的原理如下：1.假设系统的输出为y，参考信号为r，控制器的输出为u；2.平衡方程为：u(t) = Kp * e(t) + Ki * ∫e(t)dt + Kd * de(t)/dt；其中e(t)= r(t) - y(t)；3.将u(t)作为系统输入控制器，通过调节Kp、Ki和Kd参数使得系统输出y(t)达到参考信号r(t)；4.在实际应用中，PID控制器常根据具体需要对Kp、Ki和Kd参数进行调整。
虽然PID控制器能够有效地控制系统，提高系统稳定性和精度，但是在一些非线性、时变、复杂的系统中，其控制效果并不理想。
模糊控制算法模糊控制算法是一种基于模糊逻辑的控制算法，它通过建立模糊推理规则，实现输出和输入的模糊化和去模糊化。
模糊控制器的基本结构如下：1.模糊化：将输出和输入变量映射为模糊集合，通过模糊运算得到规则库中的模糊。
2.规则库：建立模糊推理规则，将模糊化的输出和输入变量映射到规则库中，得到模糊。
3.去模糊化：将模糊映射为实际控制信号，并输出到被控制系统。
模糊控制算法能够有效地处理非线性、复杂的控制问题，并且其控制效果也非常优秀。
尤其是在多变量控制、非线性控制、自适应控制等方面得到了广泛应用。
模糊PID控制算法模糊PID控制算法综合了PID控制算法和模糊控制算法的优点，是一种非常优秀的控制方法。
模糊pid控制-python实现
模糊pid控制 python实现模糊PID控制（Fuzzy PID control）是一种基于模糊逻辑的控制方法，它结合了模糊控制和经典PID控制的优点，可以在复杂和不确定的环境中实现精确的控制。
本文将介绍模糊PID控制的原理、实现方法以及在Python中的应用。
一、模糊PID控制的原理PID控制是一种经典的控制方法，它通过比较实际输出与期望输出之间的误差，根据比例、积分和微分三个参数进行调节，使系统输出逐渐趋近于期望值。
然而，传统的PID控制方法在面对非线性、时变和不确定性系统时表现不佳。
模糊PID控制通过引入模糊逻辑来解决传统PID控制的问题。
模糊逻辑是一种能够处理模糊信息的数学方法，它可以将模糊的输入映射到模糊的输出。
模糊PID控制器通过将误差、误差变化率和误差积分三个输入量模糊化，然后根据一组模糊规则进行推理，得到模糊输出。
最后，通过解模糊化的方法将模糊输出转化为具体的控制量。
二、模糊PID控制的实现方法1. 模糊化模糊化是将具体的输入量映射到模糊集合上的过程。
常用的模糊化方法有三角隶属函数、梯形隶属函数和高斯隶属函数等。
根据具体的问题和经验，选择合适的隶属函数进行模糊化。
2. 规则库规则库是模糊PID控制的核心。
它包含了一组模糊规则，用于根据输入量的模糊值推理出输出量的模糊值。
模糊规则一般采用IF-THEN的形式，例如“IF 误差是A1 AND 误差变化率是B2 THEN 输出是C3”。
规则库的设计需要根据具体问题进行，可以基于经验或者专家知识。
3. 推理机制推理机制是根据模糊规则进行推理的过程。
常用的推理方法有最大最小合成、模糊推理和模糊推理和等。
推理机制将模糊输入与规则库进行匹配，然后根据匹配的程度计算出模糊输出的隶属度。
4. 解模糊化解模糊化是将模糊输出转化为具体的控制量的过程。
常用的解模糊化方法有最大隶属度法、面积法和重心法等。
解模糊化方法根据模糊输出的隶属度分布，计算出具体的控制量。
经典PID与模糊PID控制
)4)(3)(1(2)(+++=s s s ss G 经典PID 与模糊PID 控制一、PID 控制规律控制输出由三部分组成：比例环节——根据偏差量成比例的调节系统控制量,以此产生控制作用,减少偏差。
比例系数的作用是加快系统的响应速度,比例系数越大,系统响应速度越快,系统的调节精度越高,但容易产生超调,甚至会导致系统的不稳定;比例系数过小,会降低系统调节精度,系统响应速度变慢,调节时间变长,系统动态、静态特性变坏。
比例控制是最简单的控制结构，然而，它也能使系统满足某一方面的特性要求，如GM 、PM 、稳态误差等。
积分环节——用于消除静差,提高系统的无差度。
积分作用的强弱取决于积分时间常数TI 的大小, TI 越小,积分作用越强。
需要注意的是积分作用过强,可能引起系统的不稳定。
微分环节——根据偏差量的变化趋势调节系统控制量,在偏差信号发生较大的变化以前,提前引入一个早期的校正注意的是微分作用过强,可能引起系统的振荡。
已知被控对象的数学模型：二、经典PID 设计由于在设计PID 控制器中要调整3个参数，根轨迹与波特图设计方法通常不被直接采用。
Ziegler 与Nichols 发展了PID 调节器设计方法。
该方法基于简单的稳定性分析方法。
首先，置0==I D K K ，然后增加比例系数直至系统开始振荡（即闭环系统极点在jw 轴上）。
再将该比例系数乘0.6，其他参数按下式计算：m P K K 6.0= m P D w Pi K K 4= Pi w K K m P I =式中，m K 为系统开始振荡时的K 值；m w 为振荡频率。
然而，该设计方法在设计过程中没有考虑任何特性要求。
但是Ziegler 与Nichols 发现这种设计方法给予过程控制器提供了好的工作性能。
工程师们的多年实践经验证明，这种设计方法的确是一种好的方法。
根据给定传递函数用SIMULINK 搭建结构图如下：起振时m K =391，如图：根据公式计算Kp 、I K 、D K 分别为234.6、276、49.8525 此时对于常数3的响应曲线如图：可见，此时系统振荡，不稳定，继续等比例调节参数得新参数65、77、14，得响应曲线：可见此时系统响应时间过长，而且存在比较大的静态误差，为了减小响应时K，同时调节过程中会因参数变动产生间应增大Kp，为了减小静态误差应增大I超调量，综合以上几点性能决定确定参数为120、300、14。
模糊PID控制原理与设计步骤
模糊PID控制原理与设计步骤模糊PID控制（Fuzzy PID control）是在PID控制基础上引入了模糊逻辑的一种控制方法。
相比传统的PID控制，模糊PID控制能够更好地适应系统的非线性、时变和不确定性等特点，提高系统的性能和鲁棒性。
设计步骤：1.确定系统的模型和控制目标：首先需要对待控制的系统进行建模，确定系统的数学模型，包括系统的输入、输出和动态特性等。
同时，需要明确控制目标，即系统应达到的期望状态或性能指标。
2.设计模糊控制器的输入和输出变量：根据系统的特性和控制目标，确定模糊控制器的输入和输出变量。
输入变量通常为系统的误差、误差变化率和累积误差，输出变量为控制力。
3.确定模糊集和模糊规则：对于每个输入和输出变量，需要确定其模糊集和模糊规则。
模糊集用于将实际变量映射为模糊集合，如“大、中、小”等；模糊规则用于描述输入变量与输出变量之间的关系，通常采用IF-THEN形式，如“IF误差大AND误差变化率中THEN控制力小”。
4.编写模糊推理和模糊控制算法：根据确定的模糊集和模糊规则，编写模糊推理和模糊控制算法。
模糊推理算法用于根据输入变量和模糊规则进行推理，生成模糊的输出变量；模糊控制算法用于将模糊的输出变量转化为具体的控制力。
5.调试和优化：根据系统的实际情况，调试和优化模糊PID控制器的参数。
可以通过试错法或专家经验等方式对模糊集、模糊规则和模糊函数等进行调整，以达到较好的控制效果。
6.实施和验证：将调试完成的模糊PID控制器应用到实际系统中，并进行验证。
通过监控系统的实际输出和期望输出，对模糊PID控制器的性能进行评估和调整。
总结：模糊PID控制是一种将模糊逻辑引入PID控制的方法，能够有效地提高系统的性能和鲁棒性。
设计模糊PID控制器的步骤主要包括确定系统模型和控制目标、设计模糊控制器的输入输出变量、确定模糊集和模糊规则、编写模糊推理和模糊控制算法、调试和优化以及实施和验证。
通过这些步骤，可以设计出较为优化的模糊PID控制器来实现系统的控制。
模糊pid控制实例
模糊pid控制实例
（原创版）
目录
一、模糊 PID 控制的概述
二、模糊 PID 控制的优势
三、模糊 PID 控制的实例分析
四、模糊 PID 控制的应用前景
正文
一、模糊 PID 控制的概述
模糊 PID 控制是一种基于模糊逻辑理论和 PID 控制理论的控制方法，它将 PID 控制器的精度和模糊控制器的智能化相结合，提高了控制的准确性和灵活性。
模糊 PID 控制主要应用于工业控制领域，如电机控制、温度控制等。
二、模糊 PID 控制的优势
相较于传统 PID 控制，模糊 PID 控制具有以下优势：
1.适应性强：模糊 PID 控制可以根据被控对象的特性进行自适应调整，提高了控制的适应性。
2.智能化程度高：模糊 PID 控制利用模糊逻辑理论，可以对控制对象进行智能化识别和控制，提高了控制的准确性。
3.稳定性好：模糊 PID 控制结合了 PID 控制器的稳定性和模糊控制器的智能化，使得控制系统具有较好的稳定性。
三、模糊 PID 控制的实例分析
以电机控制为例，模糊 PID 控制可以根据电机的负载情况和转速变化，自动调整电机的输出功率，实现精确控制。
在实际应用中，模糊 PID
控制可以根据不同的控制需求进行调整，实现对电机的精确控制。
四、模糊 PID 控制的应用前景
随着工业自动化技术的发展，对控制精度和控制速度的要求越来越高。
模糊 PID 控制作为一款具有高精度、高智能化的控制方法，在工业控制
领域具有广泛的应用前景。
26. 如何结合模糊控制和PID控制？
26. 如何结合模糊控制和PID控制？26、如何结合模糊控制和 PID 控制？在现代工业控制领域，模糊控制和 PID 控制是两种常见且重要的控制策略。
它们各自具有独特的优势和适用场景，但在某些复杂的控制系统中，将两者结合起来往往能够实现更出色的控制效果。
那么，如何有效地结合模糊控制和 PID 控制呢？首先，我们来分别了解一下模糊控制和 PID 控制。
PID 控制，即比例积分微分控制，是一种基于误差反馈的经典控制方法。
它通过比例、积分和微分三个环节的组合来调整控制量，以实现对系统的精确控制。
比例环节主要用于快速响应误差，积分环节用于消除稳态误差，而微分环节则用于预测误差的变化趋势，从而提前进行调整，改善系统的动态性能。
PID 控制算法简单易懂，参数调整相对较为直观，在许多工业过程中得到了广泛的应用。
然而，PID 控制对于具有非线性、时变、不确定性等复杂特性的系统，往往难以达到理想的控制效果，因为其参数一旦确定，在整个控制过程中通常是固定不变的。
模糊控制则是一种基于模糊逻辑的智能控制方法。
它不依赖于精确的数学模型，而是通过模糊规则和模糊推理来实现控制。
模糊控制能够较好地处理非线性、时变和不确定性问题，对于那些难以建立精确数学模型的系统具有独特的优势。
但模糊控制的精度相对较低，稳态性能可能不够理想。
接下来，我们探讨一下将模糊控制和 PID 控制结合的方法。
一种常见的结合方式是模糊PID 切换控制。
在这种方法中，根据系统的运行状态和误差大小等条件，在模糊控制和 PID 控制之间进行切换。
例如，当系统处于较大误差或快速变化的阶段，采用模糊控制来快速响应和应对不确定性；而当系统接近稳态，误差较小时，切换到PID 控制，以实现更精确的稳态控制。
切换的时机和条件需要根据具体的系统特性和控制要求进行精心设计。
另一种结合方式是模糊PID 复合控制。
在这种方法中，模糊控制和PID 控制同时作用于系统，两者的输出通过一定的权重进行合成。
49条模糊pid控制规则mandani推理
49条模糊pid控制规则mandani推理模糊PID控制是一种常见的控制方法，用于处理非线性、时变或模糊的系统。
Mandani推理方法是模糊PID控制的一种常用规则。
1.如果误差小且变化趋势向好，那么输出增加的程度应该小，即增益较小。
2.如果误差小且变化趋势向坏，那么输出增加的程度应该大，即增益较大。
3.如果误差大且变化趋势向好，那么输出增加的程度应该大，即增益较大。
4.如果误差大且变化趋势向坏，那么输出增加的程度应该小，即增益较小。
5.如果误差小且变化趋势不确定，那么输出增加的程度应该适中。
6.如果误差大且变化趋势不确定，那么输出增加的程度应该适中。
7.如果偏差小且变化趋势向好，那么积分时间应该增加，即增益较小。
8.如果偏差小且变化趋势向坏，那么积分时间应该减少，即增益较大。
9.如果偏差大且变化趋势向好，那么积分时间应该减少，即增益较大。
10.如果偏差大且变化趋势向坏，那么积分时间应该增加，即增益较小。
11.如果偏差小且变化趋势不确定，那么积分时间应该适中。
12.如果偏差大且变化趋势不确定，那么积分时间应该适中。
13.如果误差小且变化趋势向好，那么微分时间应该减少。
14.如果误差小且变化趋势向坏，那么微分时间应该增加。
15.如果误差大且变化趋势向好，那么微分时间应该增加。
16.如果误差大且变化趋势向坏，那么微分时间应该减少。
17.如果误差小且变化趋势不确定，那么微分时间应该适中。
18.如果误差大且变化趋势不确定，那么微分时间应该适中。
19.如果误差小，那么输出应该增加。
20.如果误差大，那么输出应该减少。
21.如果误差不确定，那么输出应该保持不变。
22.如果偏差小，那么输出应该增加。
23.如果偏差大，那么输出应该减少。
24.如果偏差不确定，那么输出应该保持不变。
25.如果误差小，且误差变化趋势向好且偏差小且偏差变化趋势向好，那么输出增加的程度应该小。
26.如果误差小，且误差变化趋势向好且偏差大且偏差变化趋势向坏，那么输出增加的程度应该大。
plc 模糊pid控制算法 -回复
plc 模糊pid控制算法-回复PLC 模糊PID 控制算法近年来，随着工业自动化技术的发展，PLC（可编程逻辑控制器）在工业生产中扮演着愈加重要的角色。
其中，PID（比例-积分-微分）控制算法作为一种经典的控制算法，在工业自动化领域被广泛应用。
然而，PID 算法在实际应用中往往表现出灵敏度低、容易受到干扰等问题。
为了克服这些问题，研究人员提出了模糊PID 控制算法，本文将对该算法进行详细的介绍和解析。
1. 算法原理模糊PID 控制算法是一种基于模糊逻辑的PID 控制算法。
它利用模糊控制的特点将PID 算法的参数进行动态调整，以适应不同的控制对象和环境。
该算法的主要思想是对于每个输入变量，通过模糊化和模糊推理得到相应的输出变量，再通过去模糊化得到最终的控制量。
具体而言，模糊PID 控制算法由以下几个步骤组成：a. 模糊化：将输入变量进行模糊化处理，将其转化为模糊集合。
b. 模糊推理：利用模糊规则库对模糊集合进行推理，得到相应的输出变量。
c. 去模糊化：将输出变量进行去模糊化处理，得到最终的控制量。
2. 参数调整模糊PID 控制算法相比于传统的PID 控制算法在参数调整方面更为复杂。
传统的PID 控制算法通过手动调整比例系数、积分时间和微分时间来实现控制效果的优化，而模糊PID 控制算法需要对模糊化、模糊规则库以及去模糊化等多个参数进行调整。
a. 模糊化参数：模糊化参数决定了输入变量在模糊集合中的划分方式，通过增加或减少模糊集合的数量和范围，可以改变模糊化的精度和灵敏度。
b. 模糊规则库：模糊规则库是模糊PID 控制算法的核心部分，它由一系列模糊规则组成，每条规则都描述了输入变量和输出变量之间的关系。
通过调整规则库的大小和规则的权重，可以改变控制算法的响应速度和稳定性。
c. 去模糊化参数：去模糊化参数决定了输出变量从模糊集合到实际控制量的映射方式。
通过调整去模糊化参数，可以改变控制算法的输出范围和分辨率。
模糊pid控制实例
模糊pid控制实例【原创实用版】目录一、引言二、模糊 PID 控制的概念和原理三、模糊 PID 控制的实例应用四、模糊 PID 控制的优势和局限性五、结论正文一、引言在工业控制领域，PID 控制器是一种常用的闭环控制系统，它通过比较实际输出值和期望输出值之间的误差，然后对控制量进行调整，以达到期望的输出值。
然而，在面对一些非线性、时变性、不确定性的系统时，传统的 PID 控制器可能无法满足控制需求。
因此，为了解决这些问题，模糊 PID 控制应运而生。
二、模糊 PID 控制的概念和原理模糊 PID 控制结合了传统 PID 控制和模糊控制的优点，它利用模糊控制理论对 PID 控制器进行改进，使其具有更强的适应性和鲁棒性。
模糊 PID 控制的原理主要基于模糊逻辑和 PID 控制算法，通过将连续的输入值转换为模糊集合，然后根据模糊规则进行推理，最后得到模糊输出，再通过模糊 - 清晰转换得到清晰的控制量。
三、模糊 PID 控制的实例应用模糊 PID 控制在许多实际应用中都取得了良好的效果，例如温度控制系统、液位控制系统、速度控制系统等。
以温度控制系统为例，当实际温度与期望温度存在偏差时，模糊 PID 控制器会根据偏差的大小、方向和变化趋势，调整加热器的功率，从而使实际温度逐渐接近期望温度。
四、模糊 PID 控制的优势和局限性模糊 PID 控制相较于传统 PID 控制具有以下优势：1.适应性强：模糊 PID 控制能够适应不同类型的控制系统，尤其适用于非线性、时变性、不确定性的系统。
2.鲁棒性好：模糊 PID 控制具有较强的抗干扰能力，能够有效地抑制外部干扰对控制系统的影响。
3.自适应性：模糊 PID 控制可以根据系统的变化自动调整控制参数，无需人工干预。
然而，模糊 PID 控制也存在一定的局限性：1.模型依赖性强：模糊 PID 控制需要建立相应的数学模型，对于一些复杂的系统，建立准确的模型较为困难。
2.规则设计复杂：模糊 PID 控制需要设计合适的模糊规则，这需要对系统的动态特性有深入的了解，设计过程较为复杂。
模糊pid控制规则表
模糊pid控制规则表引言在控制系统中，PID（比例、积分、微分）控制器是一种常用的控制器，用于调节和稳定系统的输出。
PID控制器根据误差信号的大小和变化率来调节系统的输入，以使系统的输出接近期望值。
然而，有些情况下，系统的模型未知或难以建模，这就需要采用模糊PID控制来处理。
什么是模糊PID控制模糊PID控制是一种基于模糊逻辑的控制方法，它将模糊逻辑与PID控制器相结合，以解决模型不确定或难以建模的问题。
模糊PID控制器通过将输入和输出变量模糊化，将模糊规则与PID控制器相结合，实现对系统的控制。
模糊PID控制规则表的设计模糊PID控制规则表是模糊PID控制器的核心部分，它定义了模糊逻辑和PID控制器之间的映射关系。
规则表由一系列模糊规则组成，每个模糊规则定义了一个输入模糊集合和输出模糊集合之间的映射关系。
输入模糊集合输入模糊集合是将输入变量模糊化后得到的模糊集合，它用来描述输入变量的状态。
输入模糊集合通常由一组模糊集合函数构成，每个模糊集合函数表示输入变量在某个状态下的隶属度。
例如，对于温度控制系统，输入变量可以是温度，输入模糊集合可以包括“冷”、“温暖”和“热”等模糊集合函数。
输出模糊集合输出模糊集合是将输出变量模糊化后得到的模糊集合，它用来描述输出变量的状态。
输出模糊集合通常由一组模糊集合函数构成，每个模糊集合函数表示输出变量在某个状态下的隶属度。
例如，对于温度控制系统，输出变量可以是加热功率，输出模糊集合可以包括“低”、“中”和“高”等模糊集合函数。
模糊规则模糊规则定义了输入模糊集合和输出模糊集合之间的映射关系。
每个模糊规则由一个条件部分和一个结论部分组成。
条件部分由若干输入模糊集合的组合构成，结论部分由一个输出模糊集合表示。
例如，对于温度控制系统，一个模糊规则可以是：“如果温度冷且温度变化率大，则加热功率高”。
模糊PID控制规则表的设计步骤设计模糊PID控制规则表的一般步骤如下：1.确定输入变量和输出变量，以及它们的模糊集合。
模糊PID控制算法
模糊PID控制算法模糊控制是一种基于模糊逻辑的控制策略，可以在一定程度上解决传统PID控制在复杂、非线性系统中的不足。
模糊PID控制算法是将传统PID控制与模糊控制相结合的一种控制方法。
模糊控制通过模糊集合、模糊规则和模糊推理等概念来进行控制决策，将模糊集合表示为隶属度函数的形式。
在模糊PID控制中，输入信号和输出信号被表示为模糊集合，以反映系统的模糊特性。
1.设计模糊控制器的输入和输出变量，以及它们的模糊集合。
输入变量常根据控制系统的误差、误差变化率和积分误差来选取，输出变量为控制器输出。
2.设计模糊规则库。
根据经验和专家知识，建立模糊规则库，其中规则的形式是：“如果...，那么...”。
规则库中的模糊规则由若干模糊规则组成，每条规则都包含一个模糊逻辑表达式。
3.构建模糊推理机制。
模糊推理是模糊控制的核心，它是根据输入信号的隶属度函数和模糊规则库来获得输出信号的过程。
常见的模糊推理方法有最大隶属度法、最小隶属度法和平均隶属度法。
4.确定模糊控制器的输出。
通过模糊推理机制计算出的输出隶属度函数，用去模糊化方法将其转化为实际的控制量。
5.将模糊控制器输出与系统输出进行比较，计算误差，并利用PID控制算法进行调整产生新的控制量。
1.能够处理非线性系统。
由于模糊控制具有非精确性和模糊性，可以更好地适应非线性系统的特性。
2.具有适应性。
模糊PID控制算法具有自适应调节的能力，可以针对不同的系统和工况进行自动调整。
3.具有鲁棒性。
模糊控制通过引入模糊集合和模糊规则来处理噪声和干扰，提高了控制系统的鲁棒性。
4.高效性能。
模糊PID控制算法结合了PID控制的优点，能够在快速响应和稳定控制之间找到一个平衡。
然而，模糊PID控制算法也存在一些不足之处：1.设计复杂度高。
模糊PID控制需要设计模糊集合、模糊规则库和模糊推理机制，设计过程较为复杂，需要专业的知识和经验。
2.性能依赖于模糊规则。
模糊控制的性能很大程度上依赖于模糊规则的设计和选择，不合理的规则设计可能导致控制性能下降。
PID控制与模糊PID控制
目录一、PID整定口诀 (2)二、PID控制与模糊控制比较 (3)三、PID控制方案 (4)四、模糊控制方案 (4)五、PID线性控温法 (4)六、PID控制理论 (5)七、模糊控制原理 (6)1.模糊控制系统的基本概念 (6)2.模糊控制系统的组成 (7)3.模糊控制的基本原理 (8)八、模糊PID复合控制算法 (9)1.模糊PID复合算法 (9)2.模糊PID算法运用 (10)九、MATLAB及其模糊逻辑工具箱和仿真环境 (14)1.模糊逻辑工具箱 (14)2.模糊PID的仿真 (15)3.仿真结果与分析 (19)4.结论 (20)十、基于Labview的模糊控制系统设计 (20)1.模糊控制系统的设计 (20)一、PID整定口诀参数整定找最佳，从小到大顺序查。
先是比例后积分，最后再把微分加。
曲线振荡很频繁，比例度盘要放大。
曲线漂浮绕大弯，比例度盘往小扳。
曲线偏离回复慢，积分时间往下降。
曲线波动周期长，积分时间再加长。
曲线振荡频率快，先把微分降下来。
动差大来波动慢，微分时间应加长。
理想曲线两个波，前高后低四比一。
一看二调多分析，调节质量不会低。
（1）参数调整一般规则由各个参数的控制规律可知，比例P使反应变快，微分D使反应提前，积分I使反应滞后。
在一定范围内，P、D值越大，调节的效果越好。
1.在输出不振荡时，增大比例增益P。
2.在输出不振荡时，减小积分时间常数Ti。
3.在输出不振荡时，增大微分时间常数Td。
（2）PID控制器参数整定的方法1.理论计算整定法它主要是依据系统的数学模型，经过理论计算确定控制器参数。
这种方法所得到的计算数据未必可以直接用，还必须通过工程实际进行调整和修改。
2.工程整定方法它主要依赖工程经验，直接在控制系统的试验中进行，且方法简单、易于掌握，在工程实际终被广泛采用。
PID控制器参数的工程整定方法，主要有临界比例法、反应曲线法和衰减法。
三种方法各有其特点，其共同点都是通过试验，然后按照工程经验公式对控制器参数进行整定。
模糊PID控制
目录0 引言引言 (2)1 传统PID与模糊PID的比较 (2)1.1 PID控制 (2)1.2 模糊PID控制 (2)2 车载天线伺服系统 (3)2.1 车载天线伺服系统的组成 (3)2.2 车载天线伺服系统数学模型的确定 (3)3 模糊PID控制器的设计控制器的设计 (4)4 仿真结果 (7)5 结束语 ........................................................................ 80 引言传统PID PID（比例、积分和微分）控制原理简单，使用方便，适应性强，可以（比例、积分和微分）控制原理简单，使用方便，适应性强，可以广泛应用于各种工业过程控制领域。
但是PID 控制器也存在参数调节需要一定过程，最优参数选取比较麻烦的缺点，对一些系统参数会变化的过程，程，最优参数选取比较麻烦的缺点，对一些系统参数会变化的过程，PID PID 控制就无法有效地对系统进行在线控制。
不能满足在系统参数发生变化时PID 参数随之发生相应改变的要求，严重的影响了控制效果。
本文介绍了基于车载伺服系统的模糊PID 控制，它不需要被控对象的数学模型，能够在线实时修正参数，使控制器适应被控对象参数的任何变化。
器适应被控对象参数的任何变化。
并对其进行仿真验证，并对其进行仿真验证，并对其进行仿真验证，结果表明模糊结果表明模糊PID 控制使系统的性能得到了明显的改善。
使系统的性能得到了明显的改善。
1 传统PID 与模糊PID 的比较 1.1 PID 控制PID 控制器问世至今凭借其结构简单、稳定性好、工作可靠、调整方便等优点成为工业控制的主要技术之一。
点成为工业控制的主要技术之一。
当被控对象的结构和参数不能完全掌握、当被控对象的结构和参数不能完全掌握、当被控对象的结构和参数不能完全掌握、得不得不到精确的数学模型时，采用PID 控制技术最为方便。
控制技术最为方便。
模糊pid控制实例
模糊pid控制实例摘要：I.模糊PID 控制简介A.传统PID 控制概述B.模糊控制的引入C.模糊PID 控制的发展II.模糊PID 控制原理A.模糊控制器的设计B.模糊PID 控制算法C.模糊PID 控制器的参数调整III.模糊PID 控制应用实例A.温度控制B.流量控制C.电机控制IV.模糊PID 控制的优缺点A.优点1.更好的控制性能2.更强的鲁棒性3.更简单的参数调整B.缺点1.计算复杂度较高2.实际应用中可能存在一定的不稳定性正文：模糊PID 控制是一种在传统PID 控制的基础上，引入模糊控制理论的控制方法。
相比传统的PID 控制，模糊PID 控制具有更好的控制性能、更强的鲁棒性以及更简单的参数调整等优点。
近年来，随着模糊控制理论的不断发展，模糊PID 控制在各个领域都得到了广泛的应用。
一、模糊PID 控制简介PID 控制是一种经典的控制方法，其全称为比例- 积分- 微分控制。
传统PID 控制主要依靠比例、积分、微分三个环节的组合来达到控制目的。
尽管传统PID 控制在很多领域都取得了较好的控制效果，但是也存在一些问题，如参数调节困难、对噪声敏感等。
为了克服传统PID 控制的这些缺点，模糊控制理论应运而生。
模糊控制是一种基于模糊逻辑的控制方法，它将连续的输入值转换为模糊集合，从而在一定程度上降低了系统的复杂性。
将模糊控制理论引入PID 控制，便形成了模糊PID 控制。
模糊PID 控制不仅保留了传统PID 控制的优秀特性，而且在一定程度上降低了控制器的计算复杂度，提高了控制性能。
因此，模糊PID 控制在各个领域都得到了广泛的应用。
二、模糊PID 控制原理1.模糊控制器的设计模糊控制器是模糊PID 控制的核心部分，其设计主要包括输入模糊化、模糊规则设计、输出模糊化等步骤。
首先，将连续的输入值转换为模糊集合，以便进行模糊运算；然后，根据实际需求设计模糊规则，从而确定控制器的输出；最后，将输出值转换为实际控制量。
模糊PID控制
2 模糊PID参数自整定方法[1]2.1模糊控制的基本原理模糊控制是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机智能控制，其基本概念是由美国加利福尼亚大学著名教授查德（L.A.Zadeh）首先提出的，经过20多年的发展，在模糊控制理论和应用研究方面均取得重大成功。
模糊控制的基本原理框图如图2-1所示。
它的核心部分是模糊控制器，如图中划线框中部分所示，模糊控制器的控制规律由计算机程序实现。
实现一步模糊控制算法的过程描述如下：微机经中断采样获取被控量的精确值，然后将此量与给定值比较得到误差信号E，一般选误差信号E作为模糊控制器的一个输入量。
把误差信号E的精确量进行模糊变成模糊量。
误差E的模糊量可用相应的模糊语言表示，得到误差E的模糊语言集合的一个子集e，再由e和模糊控制规则R 根据推理合成规则进行模糊决策，得到模糊控制量u。
u=e·R图2-1 模糊控制原理框图2.2 PD参数自整定方法2.2.1 参数自整定模糊PD控制系统结构如图2-2所示图2-2 系统结构框图PD参数自整定是找出PD三个参数与e和ec之间的模糊关系，在运行中通过不断检测e和ec，根据模糊控制原理来对三个参数修改，以满足不同e和ec时对控制参数的不同要求，而使被控对象有良好的动|、静态性能。
2.2.2 PD参数自整定原则从系统的稳定性，响应速度，超调量和稳态精度等各方面来考虑，Kp、Ki、Kd的作用如下：⑴比例系数Kp的作用是加快系统的响应速度，提高系统的调节精度。
Kp越大, 系统的响应速度越快,系统的调节精度越高,但易产生超调,甚至会导致系统不稳定。
Kp取值过小,则会降低调节精度,使响应速度缓慢,从而延长调节时间,使系统静态、动态特性变坏。
⑵积分作用系数Ki的作用是消除系统的稳态误差。
Ki越大,系统静态误差消除越快,但Ki过大,在响应过程的初期会产生积分饱和现象,从而引起响应过程的较大超调。
若Ki过小,将使系统静态误差难以消除,影响系统的调节精度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Fuzzy - simulink有关模糊PID问题概述最近很多人问我关于模糊PID的问题，我就把模糊PID的问题综合了一下，希望对大家有所帮助。
一、模糊PID就是指自适应模糊PID吗？不是，通常模糊控制和PID控制结合的方式有以下几种：1、大误差范围内采用模糊控制，小误差范围内转换成PID控制的模糊PID开关切换控制。
2、PID控制与模糊控制并联而成的混合型模糊PID控制。
3、利用模糊控制器在线整定PID控制器参数的自适应模糊PID控制。
一般用1和3比较多，MATLAB自带的水箱液位控制tank采用的就是开关切换控制。
由于自适应模糊PID控制效果更加良好，而且大多数人选用自适应模糊PID控制器，所以在这里主要指自适应模糊PID控制器。
二、自适应模糊PID的概念根据PID控制器的三个参数与偏差e和偏差的变化ec之间的模糊关系，在运行时不断检测e及ec，通过事先确定的关系，利用模糊推理的方法，在线修改PID控制器的三个参数，让PID参数可自整定。
就我的理解而言，它最终还是一个PID控制器，但是因为参数可自动调整的缘故，所以也能解决不少一般的非线性问题，但是假如系统的非线性、不确定性很严重时，那模糊PID的控制效果就会不理想啦。
三、模糊PID控制规则是怎么定的？这个控制规则当然很重要，一般经验：(1)当e较大时，为使系统具有较好的跟踪性能，应取较大的Kp 与较小的Kd，同时为避免系统响应出现较大的超调，应对积分作用加以限制，通常取Ki=0。
(2)当e处于中等大小时，为使系统响应具有较小的超调，Kp应取得小些。
在这种情况下，Kd的取值对系统响应的影响较大，Ki的取值要适当。
(3)当e较小时，为使系统具有较好的稳定性能，Kp与Ki均应取得大些，同时为避免系统在设定值附近出现振荡，Kd值的选择根据|ec|值较大时，Kd取较小值，通常Kd为中等大小。
另外主要还得根据系统本身的特性和你自己的经验来整定，当然你先得弄明白PID三个参数Kp，Ki，Kd各自的作用，尤其对于你控制的这个系统。
四、量化因子Ke，Kec，Ku该如何确定？有个一般的公式：Ke=n/e(max),Kec=m/ec(max),Ku=u(max)/l。
n,m,l分别为Ke，Kec，Ku的量化等级，一般可取6或7。
e(max),ec(max),u(max)分别为误差，误差变化率，控制输出的论域。
不过通过我实际的调试，有时候这些公式并不好使。
所以我一般都采用凑试法，根据你的经验，先确定Ku ，这个直接关系着你的输出是发散的还是收敛的。
再确定Ke ，这个直接关系着输出的稳态误差响应。
最后确定Kec ，前面两个参数确定好了，这个应该也不会难了。
五、在仿真的时候会出现刚开始仿真的时候时间进度很慢，从e-10次方等等开始，该怎么解决？这时候肯定会有许多人跳出来说是步长的问题，等 你改完步长，能运行了，一看结果，惨不忍睹！我只能说这个情况有可能是你的参数有错误，但如果各项参数是正确的前提下，你可以在方框图里 面加饱和输出模块或者改变阶跃信号的sample time ，让不从0开始或者加 个延迟模块或者加零阶保持器看看…… 六、仿真到一半的时候仿真不动了是 什么原因？仿真图形很有可能发散了，加个零阶保持器，饱和输出模块看看 效果。
改变Ke ，Kec ，Ku 的参数。
七、仿真图形怎么反了？把Ku 里面的参数改变一下符号，比如说从正变为负。
模糊PID 的话改变Kp 的就可 以。
八、还有人问我为什么有的自适应模 糊PID 里有相加的模块 而有的没有？相加的是与PID 的初值相加。
最后出来的各项参数Kp=△Kp+Kp0，Ki=△Ki+Ki0，Kd=△Kd+Kd0。
Kp0，Ki0，Kd0分别为PID 的初 值。
有的系统并没有设定PID 的初值。
九、我照着论文搭建的，什么都是正 确的，为什么最后就是结果不对？ 你修改下参数或者重新搭建一遍。
哪一点出了点小 问题，都有可能导致失败。
……大家还有什么问题就在帖子后面留言哈，如果模型实在是搭建不成功的话可以给我看看，大家有问题一起 解决！附件里面是两个自适应模糊PID 的程序，大家可以参考下！ 所含文件：1． 模糊数学的基本概念集合是指具有某种共同属性且彼此间可以区别的事物的总体。
组成集合的事物称为元或元素，元素与集合之间的关系是属于或不属于的关系，非此即彼。
模糊集合是经典集合的拓展， 事物是否属于它所描述的概念，不能绝对地以“是”或“非”来加以区别。
这里的属于与不属于之间无明显的界限，而是在某种程度上的属于，这是无法用经典集合来描述的，而只能用模糊集合来描述这种模糊概念。
这里首先介绍用模糊集合来描述模糊概念的初步知识。
定义1 设给定域（指被讨论的全体对象）U ，U 到[0，1]闭区间的任一映射:[0,1];()A A U u u μμ→→都确定U 的一个模糊子集A 。
其中，称为模糊子集的隶属函数，称为u 对于的隶属度。
也就是说，论域u 上的模糊子集A 由隶属函数μA (u )来表征， μA (u )的取值范围是［0，1］，μA (u )的大小反映了u 对于A 从属程度的高低。
正确地确定隶属函数是利用模糊集合解决实际问题的基础。
定义2 设A 、B 是论域U 上的两个模糊子集，对于U 上的每一个元素，规定A 与B 的“并”运算A ∪B 、“交”运算A ∩B 及“补”运算 的隶属函数分别如下：定义3 设A 与B 分别是X 和Y 上的模糊集，其隶属函数分别是μA (x )和μB (x )。
模糊条件语句“若A 则B ”表示从X 到Y 的一个模糊关系，即A →B ，它的隶属函数为{}()max min[(),()],[1()]A B A B A x x x x μμμμ→=-2． 基于模糊数学的软测量1） 软测量在粮情测控系统中的应用 （1） 辅助变量的选择。
选择粮食水分、 粮食温度以及空气湿度作为辅助变量， 粮食状态作为主导变量。
（2） 测量的输入数据的预处理。
对粮食状态的预测不是根据粮仓中的某一点粮食的温度、水分以及空气湿度来进行的，因为这样的预测不能全面反映整个粮仓粮食的实际状态。
在这里我们采用复合滤波法，其原理是：先将N 个采样点数据按照从小到大的顺序排列，即x 1≤x 2≤…≤xN (N ≥3)，则可认为测量的数据为1212......N N x x x x x --+++=这样就可比较客观地反映实际的粮食状态， 预测的结果也比较真实。
根据水分传感器、温度传感器及湿度传感器所测得的数据来表示水分、 温度的高低和湿度的大小具有模糊性。
通常用隶属度描述模糊集，通过隶属度的大小来反映模糊事物接近其客观事物的程度。
该系统中三种传感器分别测得的数据范围：水分为10%～16%；温度为-30～50℃；湿度为20%～98%RH 。
水分含量高的隶属度函数为温度高的隶属度函数为湿度大的隶属度函数为0 10 %[]1212%1()0.02x ---+12 % <x ≤16 % f (x )=[]12251()5x ---+ x ≤25f (x )=[]123(20%)1(0.01x ---+0 0 ≤x20 % <x ≤100 %f (x )=由于任意模糊量的隶属度的大小都是在[0,1]之间,因此可将这一区间分为5段:0～0.2;0.2～0.4;0.4～0.6;0.6～0.8;0.8～1.0.凡是隶属度在0～0.2之间的属于“水分含量低/温度低/湿度低”;在0.2～0.4 之间的属于“水分含量较低/温度较低/湿度较低”;在0.4～0.6之间的属于“水分含量正常/温度正常/湿度正常”;在0.6～0.8之间的属于“水分含量较高/温度较高/湿度较高”;在0.8～1.0之间的属于“水分含量高/温度高/湿度高”。
2）软测量模型的建立（1）基于模糊技术的软测量的输入变量和输出变量。
为了表达的方便，将粮食储备中粮食状态出现的所有模糊量表示如下：高=PB；较高=PM；正常=ZR；较低=NM；低=NB安全=D1；较安全=D2；较危险=D3；危险=D4输入模糊量A、B、C分别为粮食水分、粮食温度和空气湿度，其论域都为［-3，3］，模糊子集={PB，PM，ZR，NM，NB}。
其隶属度函数图如图7-19所示。
图7-19 输入模糊量隶属度函数图图7-20 输出模糊变量D（粮食状态）隶属度函数图（2）模糊规则。
根据模型特点最多可抽取125条规则，而实际上由于样本数据所包含的一定规律性和重叠性，再加上对模糊规则的进一步筛选，故抽取出了以下16条可信推理规则：1. If A = PB and B = PB and C = PB then D = D42. If A = PB and B = PM and C = PM then D = D43. If A = PB and B = ZR and C = ZR then D = D34. If A = PB and B = NM and C = NM then D = D25. If A = PB and C = NB and D = NB then D = D16. If A = PM and B = PB and C = PB then D = D37. If A = PM and B = ZR and C = ZR then D = D28. If A = PM and B = NM and C = NM then D = D29. If A = PM and B = NB and C = NB then D = D110. If A = ZR and B = PB and C = PB then D = D211. If A = ZR and B = PM and C = PM then D = D212. If A = ZR and B = ZR and C = ZR then D = D113. If A = NM and B = PB and C = PB then D = D214. If A = NM and B = PM and C = PM then D = D115. If A = NM and B = ZR and C = ZR then D = D116. If A = NB and B = PB and C = PB then D = D13) 模糊推理的实现这里我们利用BP神经网络实现模糊推理。
模糊输入变量A、B、C的论域都为［-3，3］，模糊子集都为{PB，PM，ZR，NM，NB}，而模糊输出变量D的论域为［-2， 3］，模糊子集为{D1， D2， D3， D4}，则输入层神经元的个数为21个，输出层的神经元为6个，隐层神经元的个数为16个。