智能控制作业报告-基于遗传算法的模糊控制器最优设计

西安理工大学

研究生课程论文/研究报告

课程名称：智能控制

任课教师：

论文/研究报告题目：

基于遗传算法的模糊控制器最优设计

完成日期：2016 年8 月27 日学科：电力电子与电力传动

学号：

姓名：

1. 基于遗传算法的模糊控制MATLAB程序：

clear all

close all

clc

T=0.1; %控制系统采样时间

TM=200; %控制系统运行次数

time=zeros(1,TM);

kp=0.2;ki=0.002;kd=20;

tr=0;

%定义初始种群参数

N=10; %初始种群数目

M=3; %遗传代数

varb=3; %语言值个数

yout1=zeros(N,TM);

yout=zeros(M,TM);

fitness=zeros(1,N);

%产生初始种群

n=varb^2;

n1=varb^2+varb*2; %每条染色体的长度

mfpara1=randint(N,n,[1,varb]); %控制规则表

mfpara2=-1*rand(N,varb); %mfpara2(1),mfpara2(2),mfpara2(3)分别为an，bn，cn

mfpara3=rand(N,varb); %mfpara3(1),mfpara3(2),mfpara3(3)分别为ap，bp，cp

init=[mfpara1,mfpara2,mfpara3];

%离散化被控对象

num=[1];

den=conv(conv([1,0.1],[1,0.2]),[1,0.7]);

g=tf(num,den);

yn=c2d(g,T,'zoh');

[tt,ff]=tfdata(yn,'v');

%开始循环

p=1

while p<=M %循环代数从1到3

q=1

while q<=N %染色体数从1到10

y=zeros(1,TM);

u=zeros(1,TM);

er=zeros(1,TM);

yr=zeros(1,TM);

e1=0;e2=0;E1=0;

y1=0;y2=0;y3=0;

u1=0;u2=0;u3=0;

e=zeros(1,TM);

E=zeros(1,TM);

for k=1:TM %运行系统

yr(k)=1;

y(k)=-ff(2)*y1-ff(3)*y2-ff(4)*y3+tt(2)*u1+tt(3)*u2+tt(4)*u3;

y3=y2;y2=y1;y1=y(k);

u3=u2;u2=u1;

e(k)=yr(k)-y(k);

er(k)=(e(k)-e1)/T;

detae=fu_zzy(init(q,:),e(k),er(k),varb); %调用模糊控制规则程序

E(k)=e(k)+detae;

u(k)=kp*E(k)+ki*sum(E)+kd*(E(k)-E1);

E1=E(k);

u1=u(k);

e2=e1;e1=e(k);

end

for k=1:TM

if abs(y(k)-1)<=0.1

tr=k*T; %上升时间tr

break

end

ymax=0;

for k=1:TM

if ymax

ymax=y(k); %最大输出ymax

end

for k=1:TM

era(k)=abs(e(k)); %计算误差绝对值era

end

accer=sum(era); %累积误差accer

overshoot=(ymax-1)/1; %超调量overshoot

overshoot

accer

%计算适配值，归一化0—100

if (tr>2)|(overshoot>1)|(accer>50)

fitness2=0;

else tr1=tr*50;

overshoot1=overshoot*100;

accer1=accer*2;

index=[tr1,abs(overshoot1),accer1];

fitness1=(0.6*index(1)+1.2*index(2)+1.2*index(3))/3;

fitness2=100-fitness1;

end

fitness(q)=fitness2;

yout1(q,:)=y;

q=q+1

end%一代种群运行完毕

fitness

[maxfit1,h]=max(fitness);

maxfit(p)=maxfit1 %每代的最大适配值存入maxfit

yout(p,:)=yout1(h,:); %每一代当适配值最大时，系统的阶跃响应输出

init=gene_tic(init,fitness,p,N,varb,n,n1); %调用遗传算法优化，得到新的种群

p=p+1

end%运行3代后结束

for k=1:TM

time(k)=k*T;

end

plot(time,yout(1,:),'r-',time,yout(2,:),'g-',time,yout(3,:),'b-') legend('遗传第1代','遗传第2代','遗传第3代')

grid on

best=max(maxfit)

e1=1;

y=[];e=[];

e1=0;

y1=0;y2=0;y3=0;

u1=0;u2=0;u3=0;

for k=1:TM %运行系统

yr(k)=1;

y(k)=-ff(2)*y1-ff(3)*y2-ff(4)*y3+tt(2)*u1+tt(3)*u2+tt(4)*u3;

y3=y2;y2=y1;y1=y(k);

u3=u2;u2=u1;

e(k)=yr(k)-y(k);

er(k)=(e(k)-e1)/T;

u(k)=kp*e(k)+ki*sum(e)+kd*(e(k)-e1);

u1=u(k);

e1=e(k);

end

figure(2)

opt=find(maxfit==best);

plot(time,y,'--',time,yout(opt(1),':'))

legend('PID控制器','GA优化的模糊PID控制器')

grid on

各子函数MATLAB程序：

1）模糊控制子程序fu_zzy.m

function detae=fu_zzy(init,F,L,varb)

if F<=-1 %将系统误差e设定在【-1，1】之间

F=-1;

elseif F>=1

F=1;

end

if L<=-1 %将系统误差变化er设定在【-1，1】之间

L=-1;

elseif L>=1

L=1;

end

%模糊控制规则

an=init(10);bn=init(11);cn=init(12);ap=init(13);bp=init(14);cp=init(1 5);

a=newfis('fuzzf'); %建立隶属度函数

a=addvar(a,'input','F',[-1,1]);

a=addmf(a,'input',1,'NL','zmf',[-1,an]);

a=addmf(a,'input',1,'ZR','trimf',[an,0,ap]);

a=addmf(a,'input',1,'PL','smf',[ap,1]);

a=addvar(a,'input','L',[-1,1]);

a=addmf(a,'input',2,'NL','zmf',[-1,bn]);

a=addmf(a,'input',2,'ZR','trimf',[bn,0,bp]);

a=addmf(a,'input',2,'PL','smf',[bp,1]);

a=addvar(a,'output','detae',[-1,1]);

a=addmf(a,'output',1,'NL','zmf',[-1,cn]);

a=addmf(a,'output',1,'ZR','trimf',[cn,0,cp]);

a=addmf(a,'output',1,'PL','smf',[cp,1]);

%建立控制规则表

rulelist=[1 1 init(1) 1 1;1 2 init(2) 1 1;1 3 init(3) 1 1;

2 1 init(4) 1 1;2 2 init(5) 1 1;2

3 init(6) 1 1;

3 1 init(7) 1 1;3 2 init(8) 1 1;3 3 init(9) 1 1];

a=addrule(a,rulelist);

a1=setfis(a,'DefuzzMethod','mom');

writefis(a1,'fuzzf');

a2=readfis('fuzzf');

%模糊控制器输出

detae=evalfis([F,L],a2);

2）遗传算法子程序gene_tic.m

function init=gene_tic(init,fitness,k,N,varb,n,n1)

fitness=fitness;

N=N;

varb=varb;

init=init;

%复制

sumfit=sum(fitness); %sumfit为每一代总的适应值

zongfit(k)=sumfit; %保存每一代总的适应值到zongfit

sumfit1(1)=fitness(1);

for i=2:N

sumfit1(i)=sumfit1(i-1)+fitness(i);

end

lunpan=round(sumfit*rand(1,N));

A=zeros(N,n1);

for i=1:N

for j=1:(N-1)

if (lunpan(i)>=0)&(lunpan(i)<=sumfit1(1))

A(i,:)=init(1,:);

elseif (lunpan(i)>sumfit1(j))&(lunpan(i)<=sumfit1(j+1)) A(i,:)=init(j+1,:);

end

init=A;

%交叉

pc=0.6; %交叉概率选为0.7

Q=rand(1);

place=round((n1-1)*rand(1)+1); %产生交叉位

match=randperm(N); %产生匹配对的随机序列

B=zeros(N,n1);

if Q

for i=1:place

B(:,i)=init(:,i);

for i=place:n1

for j=1:(N/2)

B(match((j-1)*2+1),i)=init(match(j*2),i);

B(match(j*2),i)=init(match((j-1)*2+1),i);

end

init=B;

%变异

pm=0.01; %变异概率选为0.01

d=round(N*n1*pm); %计算变异位个数

if d==0

init=init;

elseif d==1

i=round(N*rand(1)+1);

j=round(n1*rand(1)+1);

if j<=n

init(i,j)=round((varb-1)*rand(1)+1); %如果是前n位数，则变异为1至VN中的一个

elseif j<=n+varb

init(i,j)=-1*randint(1,1,[1,16])*1/16; %如果是n+1至n+3位数，则变异为-1至0之间中的一个

elseif j<=n1

init(i,j)=randint(1,1,[1,16])*1/16; %如果是n+3至n2位数，则变异为0至1之间中的一个

end

elseif d>1

C=zeros(1,N*n1);

x=randint(1,d,[1,N*n1]); %随机产生d个变异位置，存入x中

C=reshape(init,[1,N*n1]); %将N行n1列的矩阵init转换为1行N*n1列的矩阵C

for i=1:d

if C(x(i))<0

C(x(i))=-1*rand(1); %若变异位为负数，则随机选取（-1，0）之间的小数赋值

elseif (C(x(i))>=0)&(C(x(i))<1)

C(x(i))=rand(1); %若变异位为小于1的正数，则随机选取（0，1）之间的小数赋值

elseif C(x(i))>=1

C(x(i))=randint(1,1,[1,varb]); %若变异位大于等于1，则随机选取（1，varb）之间的整数赋值

end

init=reshape(C,[N,n1]); %将变异后的1行N*n1列的矩阵C，转换为N行n1列的矩阵init

end

init=init;

2.程序运行结果

程序运行过程中遗传各代的每条染色体的阶跃响应性能指标如下表1,2,3所示。

表1 遗传第一代各染色体阶跃响应的性能指标

染色体第1条第2条第3条第4条第5条第6条第7条第8条第9条第10

条上升时间0 1.3000 1.1000 1.1000 1.1000 1.1000 1.1000 1.4000 1.8000 1.4000

超调量-0.267

3 1.646

4 0.9836 -0.580

-0.762

-0.767

0.9678 1.9844 0.3188 0.6170

累计误差118.43

11 162.24

172.29

139.09

189.34

195.73

166.95

215.31

18.971

124.32

适应度值0 0 0 0 0 0 0 0 54.069

表2 遗传第二代各染色体阶跃响应的性能指标

染色体第1条第2条第3条第4条第5条第6条第7条第8条第9条第10

条上升时间 1.8000 1.8000 1.8000 1.8000 1.8000 1.8000 1.8000 1.8000 1.8000 1.8000 超调量0.3188 0.3188 0.3188 0.3188 0.2811 0.3188 0.3188 0.3188 0.3188 0.3188

累计误差18.971

1 18.971

18.971

17.992

18.971

19.373

适应度值54.069

7 54.069

54.069

56.363

54.069

53.7478

表3 遗传第三代各染色体阶跃响应的性能指标

染色体第1条第2条第3条第4条第5条第6条第7条第8条第9条第10

条上升时间 1.8000 1.8000 1.8000 1.8000 1.8000 1.8000 1.8000 1.8000 1.8000 1.8000 超调量0.3188 0.3188 0.3188 0.3188 0.3188 0.3188 0.3188 0.2022 0.3188 0.3188

累计误差18.971

1 18.971

19.373

19.508

18.971

19.623

18.971

19.373

适应度值54.069

7 54.069

53.747

53.639

54.069

58.214

54.069

53.7478

程序运行的各代最大适应度值为：maxfit =

54.0697 56.3633 58.2145

程序运行的最佳适应度值为： best =

58.2145

Kp=0.2，ki=0.002，kd=10时系统运行结果如图1所示，优化后的控制器输出平稳但存在稳态误差，此时系统调节时间为1.8s ，超调为2.1%，误差为21.2，优化后系统的阶跃响应性能得到明显改善。

2468101214161820

00.2

0.4

0.6

0.8

1.2

1.4

PID 控制器

GA 优化的模糊PID 控制器

图1 PID 控制器和优化模糊PID 控制器的阶跃响应比较

Kp=0.2，ki=0.002，kd=20时系统运行结果如图2所示，优化后的控制器输出累积误差减少，但超调增大，此时系统调节时间为1.4s ，超调为37.7%，误差为20.2。

2468101214161820

00.2

0.4

0.6

0.8

1.2

1.4

PID 控制器

GA 优化的模糊PID 控制器

图2 PID 控制器和优化模糊PID 控制器的阶跃响应比较

Kp=0.2，ki=0.002，kd=20时遗传三代系统阶跃响应程序运行结果如图3所示，可见系统阶跃响应的各项指标随着遗传代数的增加逐渐趋于最优。

2468101214161820

00.2

0.4

0.6

0.8

1.2

1.4

遗传第1代遗传第2代遗传第3代

图3 遗传三代系统阶跃响应程序运行结果

3. 运行结果分析及总结

遗传算法作为一种模拟生物进化的全局优化方法，具有很强的鲁棒性和适应能力，能够在复杂空间进行有效的搜索。将模糊控制和遗传算法相结合，对隶属函数和控制规则进行寻优，从而可获得全局最优的模糊控制器。

通过遗传算法对控制器参数寻优，有效地提高了遗传算法的全局搜索能力和收敛速度。通过在适应度函数中引入表示超调量、上升时间和稳态误差的指标项，并对指标项进行适当加权，可使优化后的模糊逻辑控制器的综合性能达到满意程度。由程序运行结果可知，经遗传算法求得的参数所组成的模糊控制器取得了满意的控制效果，且用遗传算法设计的模糊控制器的性能优于常规设计的模糊控制器。

由此可知，遗传算法可应用于模糊逻辑控制器参数的寻优过程，能较有效的确定出模糊逻辑控制器的结构和参数，进而设计出最优的模糊逻辑控制器，得到良好的系统输出。

智能控制技术作业

3-1 模糊逻辑控制器由哪几部分组成？各完成什么功能？答：模糊控制系统的主要部件是模糊化过程、知识库（数据库和规则库）、推理决策和精确化计算。 1、模糊化过程模糊化过程主要完成：测量输入变量的值，并将数字表示形式的输入量转化为通常用语言值表示的某一限定码的序数。 2、知识库知识库包括数据库和规则库。 1）、数据库数据库提供必要的定义，包含了语言控制规则论域的离散化、量化和正规化以及输入空间的分区、隶属度函数的定义等。 2）、规则库规则库根据控制目的和控制策略给出了一套由语言变量描述的并由专家或自学习产生的控制规则的集合。它包括：过程状态输入变量和控制输出变量的选择，模糊控制系统的建立。 3、推理决策逻辑推理决策逻辑是利用知识库的信息模拟人类的推理决策过程，给出适合的控制量。（它是模糊控制的核心）。 4、精确化过程在推理得到的模糊集合中取一个能最佳代表这个模糊推理结果可能性的精确值的过程称为精确化过程。

{模糊控制器采用数字计算机。它具有三个重要功能： 1）把系统的偏差从数字量转化为模糊量（模糊化过程、数据库两块）； 2）对模糊量由给定的规则进行模糊推理（规则库、推理决策完成）； 3）把推理结果的模糊输出量转化为实际系统能够接受的精确数字量或模拟量（精确化接口）。} 3-2 模糊逻辑控制器常规设计的步骤怎样？应该注意哪些问题？答：常规设计方法设计步骤如下： 1、确定模糊控制器的输入、输出变量 2、确定各输入、输出变量的变化范围、量化等级和量化因子 3、在各输入和输出语言变量的量化域内定义模糊子集。 4、模糊控制规则的确定 5、求模糊控制表 3-3 已知由极大极小推理法得到输出模糊集为：0.30.810.50.112345 C = ++++-----.试用重心法计算出此推理结果的精确值z 。重心法重心法是取模糊隶属度函数的曲线与横坐标围城面积的重心为模糊推理最终输出值。连续：0()()v V v V v v dv v v dv μμ=??

智能家居控制系统课程设计报告20

XXXXXXXXXXXXXX 嵌入式系统原理及应用实践 —智能家居控制系统（无操作系统）学生姓名XXX 学号XXXXXXXXXX 所在学院XXXXXXXXXXX 专业名称XXXXXXXXXXX 班级XXXXXXXXXXXXXXXXX 指导教师XXXXXXXXXXXX 成绩 XXXXXXXXXXXXX 二○XX年XX月

综合实训任务书

目录前言 (1) 1 硬件设计 (1) 1.1 ADC转换 (3) 1.2 SSI控制数码管显示 (3) 1.3 按键和LED模块 (5) 1.4 PWM驱动蜂鸣器 (6) 2 软件设计 (7) 2.1 ADC模块 (7) 2.1.1 ADC模块原理描述 (7) 2.1.2 ADC模块程序设计流程图 (8) 2.2 SSI 模块 (8) 2.2.1 SSI模块原理描述 (9) 2.2.2 SSI模块程序设计流程图 (10) 2.3 定时器模块 (10) 2.3.1 定时器模块原理描述 (10) 2.3.2 定时器模块流程图 (11) 2.4 DS18B20模块 (11) 2.4.1 DS18B20模块原理描述 (11) 2.4.2 DS18B20模块程序设计流程图 (12) 2.5 按键模块 (13) 2.5.1 按键模块原理描述 (13) 2.5.2 按键模块程序设计流程图 (13) 2.6 PWM模块 (13) 2.6.1 PWM模块原理描述 (14) 2.6.2 PWM模块程序设计流程图 (14) 2.6 主函数模块 (14) 2.6.1 主函数模块原理描述 (14) 2.6.2主函数模块程序设计流程图 (15)

作业空间设计

第八章作业空间设计第一节作业空间设计得基本原则作业空间设计时,一般应遵守以下原则: 1.根据生产任务与人得作业要求,首先应总体考虑生产现场得适当布局,避免在某个局部得空间范围内,把机器、设备、工具与人员等安排得过于密集,造成空间劳动负荷过大。然后再进行各局部之间得协调。在作业空间设计时,总体与局部得关系就是相互依存与相互制约得。若总体布局不好,就不能保证每个局部都有适当得作业空间。而只保证个别局部有适当得作业空间,也不能保证整个工作系统得安全、高效、舒适与方便得人机工程学要求。因此,必须正确协调总体设计与局部设计相互之间得关系。 2.作业空间设计要着眼于人,落实于设备。即结合操作任务要求,以人员为主体进行作业空间得设计。也就就是首先要考虑人得需要,为操作者创造舒适得作业条件,再把有关得作业对象(机器、设备与工具等)进行合理得排列布置。否则往往会使操作者承受额外得心理上得与体力上得负担,其结果不仅降低工作效率,而且往往不经济、也不安全。考虑人得活动特性时,必须考虑人得认知特点与人体动作得自然性、同时性、对称性、节奏性、规律性、经济性与安全性。在应用有关人体测量数据设计作业空间时,必须合格证至少在 90%得操作者中具有适应性、兼容性、操纵性与可达性。第二节工作空间人体尺寸及应用原则 1．工作空间立姿人体尺寸(6 项) 2.工作空间坐姿人体尺寸(5 项) 2．工作空间跪姿、俯卧姿、爬姿人体尺寸(6 项) 第三节工作空间设计一、工作空间设计得一般原则在 GB／T 16251--1996《工作系统设计得人类工效学原则》中,给出了工作空间设计得以下一般性原则: 1)操作高度应适合于操作者得身体尺寸及工作类型,座位、工作面(工作台)应保证适宜得身体姿势,即身体躯干自然直立,身体重量能得到适当支撑,两肘置于身体两侧,前臂呈水平状。2)座位调节到适合于人得解剖、生理特点。 3)为身体得活动,特别就是头、手臂、手、腿、脚得活动提供足够得空间。 4)操纵装置设置在肌体功能易达或可及得空间范围内,显示装置按功能重要性与使用频度依次布置在最佳或有效视区内。5)把手与手柄适合于手功能得解剖学特性。第四节工作岗位设计

19春北理工《智能控制基础》在线作业答案

(单选题)1: 一般认为，人工神经网络适用于（） A: 线性系统 B: 多变量系统 C: 多输入多输出系统 D: 非线性系统正确答案: (单选题)2: 递阶控制系统的结构是根据下列原理设计的（） A: 精度随智能降低而提高 B: 精度随智能提高而提高 C: 精度随智能降低而降低 D: 精度与智能无关正确答案: (单选题)3: 智能控制成为国际上独立新学科的时间为20世纪（） A: 60年代 B: 70年代 C: 80年代 D: 90年代正确答案: (单选题)4: 基于模式识别的控制系统属于（） A: 学习控制系统 B: 专家控制系统 C: 进化控制系统 D: 模糊控制系统正确答案: (单选题)5: 能够在系统运行过程中估计未知信息，并据之进行优化与控制，以便逐步改进系统性能的控制叫做（） A: 最优控制 B: 反馈控制 C: 随机控制 D: 学习控制正确答案: (单选题)6: 最早提出人工神经网络思想的学者是（） A: McCulloch-Pitts B: Hebb C: Widrow-Hoff D: Rosenblatt 正确答案: (单选题)7: 解决自动控制面临问题的一条有效途径就是把人工智能等技术用于自动控制系统，其核心是（） A: 控制算法 B: 控制结构 C: 控制器智能化 D: 控制系统仿真正确答案: (单选题)8: 智能控制的“四元交集结构”的四元，指的是（） A: 计算机科学、自动控制、人工智能、神经网络 B: 人工智能、自动控制、信息论、系统论 C: 人工智能、自动控制、信息论、机器学习 D: 自动控制、人工智能、信息论、运筹学正确答案: (单选题)9: 模糊控制是以模糊集合为基础的，提出模糊集合的科学家是（）

智能控制课程设计(报告)

HUNAN UNIVERSITY 智能控制课程设计(报告) 课程设计题目：基于模糊控制光伏并网发电系统的研究学生姓名：学生学号：专业班级：学院名称：指导老师： 2017年5月30 日

目录第1章绪论 (1) 第2章光伏并网发电系统MPPT的研究进展 (2) 2.1 光伏发电系统最大功率跟踪控制 (2) 2.2 几种最大功率点跟踪方法的比较 (3) 第3章光伏并网发电系统MPPT模糊控制器 (7) 3.1 模糊化 (7) 3.2 模糊控制规则库的建立 (7) 3.3 解模糊 (7) 第4章 MPPT模糊控制器设计 (8) 4.1选择观测量和控制量 (8) 4.2 输入量和输出量的模糊化 (8) 4.3 制定模糊规则 (9) 4.4 求解模糊关系 (9) 4.5进行模糊决策 (10) 4.6 控制量的反模糊化 (10) 第5章模糊控制光伏并网发电系统仿真 (11) 附录 (15)

第1章绪论在应对全球能源危机和保护环境的双重要求下，开发利用清洁可再生的太阳能越来越受到人们的关注。伴随着太阳能光电转换技术的不断发展，大规模的利用太阳能成为可能。光伏并网发电系统将成为太阳能利用的主要形式。目前，转换效率低是光伏并网发电系统面临的主要问题，这成为阻碍光伏并网发电系统广泛应用的一个重点问题。智能控制是这门新兴的理论和技术，它是传统控制发展的高级阶段，主要用来解决那些用传统方法难以解决的复杂系统的控制。智能控制包括专家系统、神经网络和模糊控制，而模糊控制是目前在控制领域中所采用的三种智能控制方法中最具实际意义的一种方法。在光伏系统MPPT控制中，由于外界光照强度和温度变化的不确定性以及并网逆变器的非线性特性，则使用模糊逻辑的MPPT控制方法进行控制，有望获得理想的控制效果。随着近年智能控制的不断发展和完善，模糊控制技术也日趋成熟，被人们广泛接受。模糊控制的优点很多，例如：模糊控制器设计简单，不需要依赖被控对象的精确数学模型；模糊规则用自然语言表述，易于被操作人员接受；模糊控制规则可以转换成数学函数，易与其他物理规律结合，便于用计算机软件实现；模糊控制抗干扰能力强，且响应快，对复杂的被控对象能有效控制，鲁棒性和适应性都易达到要求。模糊控制以其适应面广泛和易于普及等特点，成为智能控制领域最重要，最活跃和最实用的分支之一。目前，模糊控制已经在工业控制领域、经济系统、人文系统以及医学系统中解决了传统控制方法难以解决甚至无法解决的实际控制问题。本文正是基于光伏发电系统存在的处理复杂，外界不确定因素多等特点，将模糊控制理论应用于光伏发电最大功率跟踪系统中，跟踪系统最大功率工作点，提高光电转换效率，充分利用太阳能资源。本文以光伏并网发电系统最大功率点跟踪为研究对象，将模糊控制理论应用于光伏并网系统最大功率跟踪控制中，从光伏阵列的原理和特性、光伏并网系统的结构设计、最大功率点跟踪的原理和模糊控制理论等方面进行详细的分析和探讨。本设计报告比较多种最大功率点跟踪控制技术，实现光伏并网发电系统的研究，根据其不同的优缺点，然后选用模糊控制方法来实现最大功率跟踪。通过对模糊论域、隶属度函数计算，制定处模糊规则，设计出模糊控制器。最后建立光伏并网发电系统仿真模型，并对仿真结果进行了分析。

模糊控制器的设计

模糊控制器的设计 PID控制器的设计的PID控制方法设计控制器时，由于被控对象为零型系统，因此我们必须加入积分环节保证其稳态误差为0。首先，我们搭建simulink模型，如图1。图1 simulink仿真模型由于不知道Kp，Kd, Ki，的值的大致范围，我们采用signal constraints 模块进行自整定，输入要求的指标，找到一组Kp, Kd, Ki的参数值，然后在其基础上根据经验进行调整。当选定Kp=2, Kd=0.95, Ki=0.8时，可以得到比较好的响应曲线。调节时间较短，同时超调量很小。响应曲线如图2所示。将数据输出到工作空间，调节时间ts=2.04s,超调量% 0。可以看出, PID控制器的调节作用已经相当好。我们选定的被控对象的开环传递函数为G(s)厂中，采用经典图2 PID控制响应曲线

模糊控制器的设计 1、模糊控制器的结构为：图3模糊控制器的结构 2、控制参数模糊化控制系统的输入为偏差e和偏差的变化率ec，输出为控制信号u。首先对他们进行模糊化处理。量化因子的计算k X max X min * x max*X min 比例因子的计算k * u max * u min u max u min 其中，X；ax，X；in为输入信号实际变化范围的最大最小值；X max，X min为输入信号论域的最大最小值。U；ax，为控制输出信号实际变化范围的最大最小值， U max，U min输出信号论域的最大最小值。表1被控参数的模糊化相应的语言值为NB, NM，NS, ZO, PS PM，PB分别表示负大、负中、负小、零、正小、正中、正大。 3、确定各模糊变量的隶属函数类型语言值的隶属度函数就是语言值的语义规则，可分为连续式隶属度函数和离散化的隶属度函数。本系统论域进行了离散化处理，所以选用离散量化的隶属度函数。

智能控制作业

1、已知某一炉温控制系统，要求温度保持在600 度恒定。针对该控制系统有以下控制经验：（1）若炉温低于600 度，则升压；低的越多升压越高。（2）若炉温高于600 度，则降压；高的越多降压越低。（3）若炉温等于600 度，则保持电压不变。设模糊控制器为一维控制器，输入语言变量为误差，输出为控制电压。输入、输出变量的量化等级为7 级，取5 个模糊集。试设计隶属度函数误差变化划分表、控制电压变化划分表和模糊控制规则表。解：1）确定变量定义理想温度为600 C,实际温度为T,则温度误差为 E=600-T。将温度误差E 作为输入变量 2）输入量和输出量的模糊化将偏差E分为5个模糊集：NB、NS、ZO、PS、PB,分别为负小、负大、零、正小、正大。将偏差E 的变化分为7 个等级：-3 -2 -1 0 1 2 3，从而得到温度模糊表如表1 所示。

表1温度变化E划分表控制电压也分为个模糊集：、、、、,分别为负小、负大、零、正小、正大。将电压u的变化分为7 个等级：-3 -2 -1 0 1 2 3，从而得到电压变化模糊表如表2所示。表2电压变化u划分表

表3 模糊控制规则表 E PB PS ZO NS NB u PB PS ZO NS NB Edit or: Un+ it 1 e J. 歼cw OptigT

叮叮小文库

叮叮小文库 2、利用MATLAB,为下列两个系统设计模糊控制器使其稳态误差为零，超调量不大于 1%，输出上升时间w 0.3s 。假定被控对象的传递函数分别为： Gg e 0亦 (s 1)2 G2(S ) 4.228 (s 0.5)( s 2 1.64 s 8.456) 解：在matlab 窗口命令中键入 fuzzy ，得到如下键面: 设e 的论域范围为［-1 1］ , de 的论域范围为［-0.1 0.1］ , u 的论域范围为［ 0 2］。将e 分为8个模糊集，分别为 NB ,NM, NS, NZ, PZ, PS, PM, PB; de 分为7个模糊集，分别为NB ,NM ,NS, Z ,PS ,PM ,PB; u 分为7个模糊集，分别为 NB ,NM ,NS, Z ,PS ,PM ,PB;

智能控制课程设计报告书

《智能控制》课程设计报告题目：采用BP网络进行模式识别院系：专业：姓名：学号：指导老师：日期：年月日

目录 1、课程设计的目的和要求 (3) 2、问题描述 (3) 3、源程序 (3) 4、运行结果 (6) 5、总结 (7)

课程设计的目的和要求目的：1、通过本次课程设计进一步了解BP网络模式识别的基本原理，掌握BP网络的学习算法 2、熟悉matlab语言在智能控制中的运用，并提高学生有关智能控制系统的程序设计能力要求：充分理解设计容，并独立完成实验和课程设计报告问题描述采用BP网络进行模式识别。训练样本为3对两输入单输出样本，见表7-3。是采用BP网络对训练样本进行训练，并针对一组实际样本进行测试。用于测试的3组样本输入分别为1,0.1；0.5,0.5和 0.1,0.1。表7-3 训练样本说明：该BP网络可看做2-6-1结构，设权值wij，wjl的初始值取【-1，+1】之间的随机值，学习参数η=0.5，α=0.05.取网络训练的最终指标E=10^（-20），在仿真程序中用w1,w2代表wij，wjl，用Iout代表 x＇ｊ。源程序 %网络训练程序

clear all; close all; xite=0.50; alfa=0.05; w2=rands(6,1); w2_1=w2;w2_2=w2; w1=rands(2,6); w1_1=w1;w1_2=w1; dw1=0*w1; I=[0,0,0,0,0,0]'; Iout=[0,0,0,0,0,0]'; FI=[0,0,0,0,0,0]'; k=0; E=1.0; NS=3; while E>=1e-020 k=k+1; times(k)=k; for s=1:1:NS xs=[1,0; 0,0; 0,1]; ys=[1,0,-1]'; x=xs(s,:); for j=1:1:6 I(j)=x*w1(:,j); Iout(j)=1/(1+exp(-I(j))); end y1=w2'*Iout;

模糊控制器的设计

模糊控制器的设计一、 PID 控制器的设计我们选定的被控对象的开环传递函数为3 27 ()(1)(3)G s s s = ++，采用经典的PID 控制方法设计控制器时，由于被控对象为零型系统，因此我们必须加入积分环节保证其稳态误差为0。首先，我们搭建simulink 模型，如图1。图1simulink 仿真模型由于不知道Kp ，Kd ，Ki ，的值的大致范围，我们采用signal constraints 模块进行自整定，输入要求的指标，找到一组Kp ，Kd ，Ki 的参数值，然后在其基础上根据经验进行调整。当选定Kp=2，Kd=，Ki=时，可以得到比较好的响应曲线。调节时间较短，同时超调量很小。响应曲线如图2所示。图2 PID 控制响应曲线

将数据输出到工作空间，调节时间ts =，超调量%0σ=。可以看出，PID 控制器的调节作用已经相当好。模糊控制器的设计 1、模糊控制器的结构为：图3 模糊控制器的结构 2、控制参数模糊化控制系统的输入为偏差e 和偏差的变化率ec ，输出为控制信号u 。首先对他们进行模糊化处理。量化因子的计算max min ** max min x x k x x -= - 比例因子的计算**max min max min u u k u u -=- 其中，*max x ，* min x 为输入信号实际变化范围的最大最小值；max x ，min x 为输入信号论域的最大最小值。*max u ，*min u 为控制输出信号实际变化范围的最大最小值， max u ，min u 输出信号论域的最大最小值。被控变量基本论域论域量化/比例因子 e [-1,1] {-3,-2,-1,0,1,2,3} 3e k = ec [-1,1] {-3,-2,-1,0,1,2,3} 3ec k = u [-2,2] {-6,-4,-2,0,2,4,6} 1/3u k = 相应的语言值为NB ，NM ，NS ，ZO ，PS ，PM ，PB 。分别表示负大、负中、负小、零、正小、正中、正大。 3、确定各模糊变量的隶属函数类型语言值的隶属度函数就是语言值的语义规则，可分为连续式隶属度函数和离散化的隶属度函数。本系统论域进行了离散化处理，所以选用离散量化的隶属度函数。

智能控制系统课程设计

目录有害气体的检测、报警、抽排.................. . (2) 1 意义与要求 (2) 1.1 意义 (2) 1.2 设计要求 (2) 2 设计总体方案 (2) 2.1 设计思路 (2) 2.2 总体设计方框图 2.3 完整原理图 (4) 2.4 PCB制图 (5) 3设计原理分析 (6) 3.1 气敏传感器工作原理 (7) 3.2 声光报警控制电路 (7) 3.3 排气电路工作原理 (8) 3.4 整体工作原理说明 (9) 4 所用芯片及其他器件说明 (10) 4.1 IC555定时器构成多谐振荡电路图 (11) 5 附表一：有害气体的检测、报警、抽排电路所用元件 (12) 6.设计体会和小结 (13)

有害气体的检测、报警、抽排 1 意义与要求 1.1.1 意义日常生活中经常发生煤气或者其他有毒气体泄漏的事故，给人们的生命财产安全带来了极大的危害。因此，及时检测出人们生活环境中存在的有害气体并将其排除是保障人们正常生活的关键。本人运用所学的电子技术知识，联系实际，设计出一套有毒气体的检测电路，可以在有毒气体超标时及时抽排出有害气体，使人们的生命健康有一个保障。 1.2 设计要求当检测到有毒气体意外排时，发出警笛报警声和灯光间歇闪烁的光报警提示。当有毒气体浓度超标时能自行启动抽排系统，排出有毒气体，更换空气以保障人们的生命财产安全。抽排完毕后，系统自动回到实时检测状态。 2 设计总体方案 2.1 设计思路利用QM—N5气敏传感器检测有毒气体，根据其工作原理构成一种气敏控制自动排气电路。电路由气体检测电路、电子开关电路、报警电路、和气体排放电路构成。当有害气体达到一定浓度时，QM—N5检测到有毒气体，元件两极电阻变的很小，继电器开关闭合，使得555芯片组成的多谐电路产生方波信号，驱动发光二极管间歇发光；同时LC179工作，驱使蜂鸣器间断发出声音；此时排气系统会开始抽排有毒气体。当气体被排出，浓度低于气敏传感器所能感应的范围时，电路回复到自动检测状态。

智能控制课程设计(报告)(DOC)

智能控制作业

1、已知某一炉温控制系统，要求温度保持在600度恒定。针对该控制系统有以下控制经验：（1）若炉温低于600度，则升压；低的越多升压越高。（2）若炉温高于600度，则降压；高的越多降压越低。（3）若炉温等于600度，则保持电压不变。设模糊控制器为一维控制器，输入语言变量为误差，输出为控制电压。输入、输出变量的量化等级为7级，取5个模糊集。试设计隶属度函数误差变化划分表、控制电压变化划分表和模糊控制规则表。解：1）确定变量定义理想温度为600℃，实际温度为T，则温度误差为E=600-T。将温度误差E作为输入变量 2）输入量和输出量的模糊化将偏差E分为5个模糊集：NB、NS、ZO、PS、PB，分别为负小、负大、零、正小、正大。将偏差E的变化分为7个等级：-3 -2 -1 0 1 2 3，从而得到温度模糊表如表1所示。

表1 温度变化E划分表控制电压u也分为5个模糊集：NB、NS、ZO、PS、PB，分别为负小、负大、零、正小、正大。将电压u的变化分为7个等级：-3 -2 -1 0 1 2 3，从而得到电压变化模糊表如表2所示。表2 电压变化u划分表

表3 模糊控制规则表 E PB PS ZO NS NB u PB PS ZO NS NB

2、利用MATLAB,为下列两个系统设计模糊控制器使其稳态误差为零，超调量不大于1%，输出上升时间≤0.3s 。假定被控对象的传递函数分别为： 2 55 .01)1()(+=-s e s G s ) 456.864.1)(5.0(228 .4)(22+++= s s s s G 解：在matlab 窗口命令中键入fuzzy ，得到如下键面：设e 的论域范围为[-1 1]，de 的论域范围为[-0.1 0.1]，u 的论域范围为[0 2]。将e 分为8个模糊集，分别为NB ,NM, NS, NZ, PZ, PS, PM, PB; de 分为7个模糊集，分别为NB ,NM ,NS, Z ,PS ,PM ,PB; u 分为7个模糊集，分别为NB ,NM ,NS, Z ,PS ,PM ,PB;

简易模糊控制器设计及MATLAB仿真

简易模糊控制器的设计及仿真摘要：模糊控制（Fuzzy Control ）是以模糊集理论、模糊语言和模糊逻辑推理为基础的一种控制方法，它从行为上模仿人的模糊推理和决策过程。本文利用MATLAB/SIMULINK 与FUZZY TOOLBOX 对给定的二阶动态系统，确定模糊控制器的结构，输入和输出语言变量、语言值及隶属函数，模糊控制规则，比较其与常规控制器的控制效果，用MATLAB 实现模糊控制的仿真。关键词：模糊控制参数整定 MATLAB 仿真二阶动态系统模型： ()()1140130120 ++s s 采用simulink 图库，实现常规PID 和模糊自整定PID 。一．确定模糊控制器结构模糊自整定PID 为2输入3输出的模糊控制器。在MATLAB 的命令窗口中键入fuzzy 即可打开FIS 编辑器，其界面如下图所示。此时编辑器里面还没有FIS 系统，其文件名为Untitled ，且被默认为Mandani 型系统。默认的有一个输入，一个输出，还有中间的规则处理器。在FIS 编辑器界面上需要做一下几步工作。首先，模糊自整定PID 为2输入3输出的模糊控制器，因此需要增加一个输入两个输出，进行的操作为：选择Edit 菜单下的Add Variable/Input 菜单项。

如下图。其次，给输入输出变量命名。单击各个输入和输出框，在Current Variable 选项区域的Name文本框中修改变量名。如下图最后，保存系统。单击File菜单，选择Export下的To Disk项。这里将创建的系统命名为PID_auot.fi。二．定义输入、输出模糊集及隶属函数

智能控制(神经网络)-作业

智能控制作业学生：学号：专业班级： 7-2 采用BP 网路、RBF 网路、DRNN 网路逼近线性对象 2) 1(1)1(9.0)1()(-+-?--=k y k y k u k y ，分别进行matlab 仿真。（一）采用BP 网络仿真网络结构为2-6-1。采样时间1ms ，输入信号)6sin(5.0)(t k u ?=π，权值21,W W 的初值随机取值，05.0,05.0==αη。仿真m 文件程序为： %BP simulation clear all; clear all; xite=0.5; alfa=0.5; w1=rands(2,6); % value of w1,initially by random w1_1=w1;w1_2=w1; w2=rands(6,1); % value of w2,initially by random w2_1=w2;w2_2=w2_1; dw1=0*w1; x=[0,0]'; u_1=0; y_1=0; I=[0,0,0,0,0,0]'; % input of yinhanceng cell Iout=[0,0,0,0,0,0]'; % output of yinhanceng cell FI=[0,0,0,0,0,0]'; ts=0.001; for k=1:1:1000 time(k)=k*ts;

u(k)=0.5*sin(3*2*pi*k*ts); y(k)=(u_1-0.9*y_1)/(1+y_1^2); for j=1:1:6 I(j)=x'*w1(:,j); Iout(j)=1/(1+exp(-I(j))); end yn(k)=w2'*Iout; %output of network e(k)=y(k)-yn(k); % error calculation w2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); % rectify of w2 for j=1:1:6 FI(j)=exp(-I(j))/(1+exp(-I(j))^2); end for i=1:1:2 for j=1:1:6 dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i); % dw1 calculation end end w1=w1_1+dw1+alfa*(w1_1-w1_2); % rectify of w1 % jacobian information yu=0; for j=1:1:6 yu=yu+w2(j)*w1(1,j)*FI(j); end dyu(k)=yu; x(1)=u(k); x(2)=y(k); w1_2=w1_1;w1_1=w1; w2_2=w2_1;w2_1=w2; u_1=u(k); y_1=y(k); end figure(1); plot(time,y,'r',time,yn,'b'); xlabel('times');ylabel('y and yn');

智能控制课程设计报告书

《智能控制》课程设计报告题目：采用BP网络进行模式识别院系：专业：姓名：学号：指导老师：

日期：年月日目录 1、课程设计的目的和要求 (3) 2、问题描述 (3) 3、源程序 (3) 4、运行结果 (6) 5、总结 (7)

课程设计的目的和要求目的：1、通过本次课程设计进一步了解BP网络模式识别的基本原理，掌握BP网络的学习算法 2、熟悉matlab语言在智能控制中的运用，并提高学生有关智能控制系统的程序设计能力要求：充分理解设计内容，并独立完成实验和课程设计报告问题描述采用BP网络进行模式识别。训练样本为3对两输入单输出样本，见表7-3。是采用BP网络对训练样本进行训练，并针对一组实际样本进行测试。用于测试的3组样本输入分别为1,0.1；0.5,0.5和 0.1,0.1。输入输出 1 0 1

0 0 0 0 1 -1 表7-3 训练样本说明：该BP网络可看做2-6-1结构，设权值wij，wjl的初始值取【-1，+1】之间的随机值，学习参数η=0.5，α=0.05.取网络训练的最终指标E=10^（-20），在仿真程序中用w1,w2代表wij，wjl，用Iout代表 x＇ｊ。源程序 %网络训练程序 clear all; close all; xite=0.50; alfa=0.05; w2=rands(6,1);

w2_1=w2;w2_2=w2; w1=rands(2,6); w1_1=w1;w1_2=w1; dw1=0*w1; I=[0,0,0,0,0,0]'; Iout=[0,0,0,0,0,0]'; FI=[0,0,0,0,0,0]'; k=0; E=1.0; NS=3; while E>=1e-020 k=k+1; times(k)=k; for s=1:1:NS xs=[1,0;

智能控制题目及解答

智能控制题目及解答第一章绪论作业作业内容 1.什么就是智能、智能系统、智能控制？ 2.智能控制系统有哪几种类型,各自的特点就是什么？ 3.比较智能控制与传统控制的特点。 4.把智能控制瞧作就是AI(人工智能)、OR(运筹学)、AC(自动控制)与 IT(信息论)的交集,其根据与内涵就是什么? 5.智能控制有哪些应用领域？试举出一个应用实例,并说明其工作原理与控制性能。 1 答:智能:能够自主的或者交互的执行通常与人类智能有关的智能行为,如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习等一系列活动的能力,即像人类那样工作与思维。智能系统:就是指具有一定智能行为的系统,对于一定的输入,它能产生合适的问题求解相应。智能控制:智能控制就是控制理论、计算机科学、心理学、生物学与运筹学等多方面综合而成的交叉学科,它具有模仿人进行诸如规划、学习、逻辑推理与自适应的能力。就是将传统的控制理论与神经网络、模糊逻辑、人工智能与遗传算法等实现手段融合而成的一种新的控制方法。 2 答:(1)人作为控制器的控制系统:人作为控制器的控制系统具有自学习、自适应与自组织的功能。 (2)人-机结合作为作为控制器的控制系统:机器完成需要连续进行的并需快速计算的常规控制任务,人则完成任务分配、决策、监控等任务。 (3)无人参与的自组控制系统:为多层的智能控制系统,需要完成问题求解与规划、环境建模、传感器信息分析与低层的反馈控制任务。 3 答:在应用领域方面,传统控制着重解决不太复杂的过程控制与大系统的控制问题;而智能控制主要解决高度非线性、不确定性与复杂系统控制问题。在理论方法上,传统控制理论通常采用定量方法进行处理,而智能控制系统大多采用符号加工的方法;传统控制通常捕获精确知识来满足控制指标,而智能控制通常就是学习积累非精确知识;传统控制通常就是用数学模型来描述系统,而智能控制系统则就是通过经验、规则用符号来描述系统。在性能指标方面,传统控制有着严格的性能指标要求,智能控制没有统一的性能指标,而主要关注其目的与行为就是否达到。但就是,智能控制与传统的或常规的控制有密切的关系,互相取长补短,而并非互相排斥。基于智能控制与传统控制在应用领域方面、理论方法上与性能指标等方面的差异,往往将常规控制包含在智能控制之中,智能控制也利用常规控制的方法来解决“低级”的控制问题,力图扩充常规控制方法并建立一系列新的理论与方法来解决更具有挑战性的复杂控制问题。 4 答:人工只能(AI)就是一个用来模拟人思维的知识处理系统,具有学习、记忆、信息处理、形式语言、启发推理等功能;自动控制(AC)描述系统的动力学特性,就是一种动态反馈;运筹学(OR)就是一种定量优化方法,如线性规划、网络规划、调度、管理、优化决策与多目标优化方法等;信息论(IT)信息论就是运用概率论与树立统计的方法研究信息、通信系统、数据传输、密码学、数据压缩等问题的应用数学学科。早期产生的的二元结构被发现就是很大程度上局限于符号主义的人工智能,无助于智能控制的

关于智能窗帘的课程设计

课程设计机电一体化系统设计课程设计教学单位: 机电工程学院专业: 机械设计制造及其自动化班级: 10机械C（机电一体化） 1.学号:2010100203013学生姓名: 谢伟军 2.学号:2010100203027学生姓名: 李伟雄 3.学号:2010100203067学生姓名: 吴海富指导教师: 何伟完成时间: 2013 年11 月10 日电子科技大学中山学院机电工程学院

前言如今伴随着信息时代的到来，人们的生活水平日益提高，方便、快捷、自动、智能成为时代的主题，在现代家庭生活环境中，居家环境早已不仅仅局限在物理空间上，人们更为关注的是一个安全、方便、舒适的环境，自动化的电子产品自然成为人们追求的目标。窗是人心灵的眼睛，窗帘则是眼睛上的睫毛，窗帘在防止强光射入，帮助人们合理的安排时间，美化室内环境，保证个人隐私，增强居家环境方面有重要作用。随着人们生活节奏的加快，窗帘的自动化随之产生。本产品是在学习机械原理及设计和电工学等知识，通过实践，观察，思考的基础上设计而成的，且人性化的思想理念也体现了科学技术在人们生活中的作用。通过几个月的努力，使我们深刻感受到了电学，力学，加工工艺，理论知识与实践相结合在机械设计中的重要性。加强和拓展这些方面的知识对机械学子们是很有必要的。由于我们能力、经验以及一些方面的知识有限，许多地方未能深入的研究，如有误漏之处，敬请评委老师批评指正。

课程设计任务书目录 1课题分析 (1) 1.1设计目的 (1) 1.2设计达到的功能和要求 (1) 1.3 设计内容和主要步骤 (2) 1.4 小组成员及其分工 (2) 2机械结构设计 (3) 2.1 设计参数计算 (3) 2.2 机械部件的选择 (3) 2.3 机械结构的设计 (4) 2.4 机械结构装配图 (5) 3控制电路设计 (6) 3.1 电机的选择 (6) 3.2 传感器的选择 (7) 3.3 PLC的选择 (9) 3.4 控制系统电路图 (11) 4 控制系统设计 (12) 4.1 控制系统工作原理 (12) 4.2 控制系统框图 (13) 4.3. 控制过程流程图。 (13)

智能控制技术实验报告

《智能控制技术》实验报告书学院：专业：学号：姓名：

实验一：模糊控制与传统PID控制的性能比较一、实验目的通过本实验的学习，使学生了解传统PID控制、模糊控制等基本知识，掌握传统PID控制器设计、模糊控制器设计等知识，训练学生设计控制器的能力，培养他们利用MATLAB进行仿真的技能，为今后继续模糊控制理论研究以及控制仿真等学习奠定基础。二、实验内容本实验主要是设计一个典型环节的传统PID控制器以及模糊控制器，并对他们的控制性能进行比较。主要涉及自控原理、计算机仿真、智能控制、模糊控制等知识。通常的工业过程可以等效成二阶系统加上一些典型的非线性环节，如死区、饱和、纯延迟等。这里，我们假设系统为：H(s)=20e0.02s/(1.6s2+4.4s+1) 控制执行机构具有0.07的死区和0.7的饱和区，取样时间间隔T=0.01。设计系统的模糊控制，并与传统的PID控制的性能进行比较。三、实验原理、方法和手段 1.实验原理： 1)对典型二阶环节，根据传统PID控制，设计PID控制器，选择合适的PID 控制器参数k p、k i、k d； 2)根据模糊控制规则，编写模糊控制器。 2.实验方法和手段： 1)在PID控制仿真中，经过仔细选择，我们取k p=5，k i=0.1，k d=0.001； 2)在模糊控制仿真中，我们取k e=60，k i=0.01，k d=2.5，k u=0.8； 3)模糊控制器的输出为：u= k u×fuzzy(k e×e, k d×e’)－k i×∫edt 其中积分项用于消除控制系统的稳态误差。 4)模糊控制规则如表1-1所示：在MATLAB程序中，Nd用于表示系统的纯延迟（Nd=t d/T）,umin用于表示控制的死区电平，umax用于表示饱和电平。当Nd=0时，表示系统不存在纯延迟。 5)根据上述给定内容，编写PID控制器、模糊控制器的MATLAB仿真程序，

模糊控制器设计的基本方法

第5章模糊控制器设计的基本方法 5.1 模糊控制器的结构设计结构设计：确定输入、输出变量的个数（几入几出）。 5.2 模糊控制规则设计 1. 语言变量词集 {}PB PM PS O NS NM NB ,,,,,, 2. 确立模糊集隶属函数（赋值表） 3. 建立模糊控制规则，几种基本语句形式：若A 则B c R A B A E =?+? 若A 则B 否则C c R A B A C =?+? 若A 或B 且C 或D 则E ()()R A B E C D E =+?+????????? 4. 建立控制规则表 5.3 模糊化方法及解模糊化方法模糊化方法 1. 将[]b a ,内精确量离散化为[]n n +-,内的模糊量 2. 将其区间精确量x 模糊化为一个单点集，即0)(,1)(==x x μμ 模糊推理及非模糊化方法 1. MIN-MAX ——重心法 11112222n 00R and R and R and and '? n n n A B C A B C A B C x y c →→→→= 三步曲：取最小 1111'()()()()c A o B o C z x y z μμμμ=∧∧ 取最大 12''''()()()()n c c c c z z z z μμμμ=∨∨∨ 2. 最大隶属度法例： 10.3 0.80.5 0.511234 5 C =+----- ＋＋＋，选3-=*u

20.30.80.40.21101234 5 C =+ ＋＋＋＋，选 5.12 21=+=*u 5.4 论域、量化因子及比例因子选择论域：模糊变量的取值范围基本论域：精确量的取值范围误差量化因子：e e x n k /= 比例因子：e y k u u /= 误差变化量化因子：c c x m k /= 5.5 模糊控制算法的流程 m j n i C u B EC A E ij j i ,,2,1;,,2,1 then then if ===== 其中 i A 、 j B 、ij C 是定义在误差、误差变化和控制量论域X 、Y 、Z 上的模糊集合，则该语句所表示的模糊关系为 j i ij j i C B A R ,??= m j n i j i C B A R z y x z y x ij j i ===== ,1 ,1)()()(),,(μμμ μ 根据模糊推理合成规则可得：R B A U )(?= Y y X x B A R U y x z y x z ∈∈=)()(),,()(μμμμ 设论域{}{}{}l m n z z z Z y y y x x x X ,,,,,,,Y ,,,,212121 ===，则X ，Y ，Z 上的模糊集合分别为一个n ，m 和l 元的模糊向量，而描述控制规则的模糊关系R 为一个m n ?行l 列矩阵。由i x 及i y 可算出ij u ，对所有X ，Y 中元素所有组合全部计算出相应的控制量变化值，可写成矩阵()ij n m u ?，制成的表即为查询表或称为模糊控制表。 * 模糊控制器设计举例（二维模糊控制器） 1. 结构设计：二维模糊控制器，即二输入一输出。 2. 模糊控制规则：共21条语句，其中第一条规则为 t h e n o r and or if :1 PB u NM NB EC NM NB E R === 3. 对模糊变量E ，EC ，u 赋值（见教材中的表）