PID控制;模糊控制;模糊PID控制器

合集下载

模糊pid原理

模糊pid原理

模糊pid原理
模糊PID原理
PID控制是一种常用的控制算法,可以实现对系统的自动控制。

PID控制器由比例(P)、积分(I)和微分(D)三个控制项
组成,通过计算这三个控制项的值来调节系统的输出,以达到期望的状态。

比例控制项(P)根据系统的误差信号来调整输出。

它与误差
成正比,误差越大,输出也会越大。

比例控制项的作用是使系统的响应快速且精确,但在某些情况下可能会引发超调或振荡的问题。

积分控制项(I)是对误差信号进行累积运算,并与积分时间
相乘。

积分控制项的作用是消除系统的静差,使系统的输出能够达到期望的状态。

但如果积分时间设置不当,可能会导致系统的响应速度变慢或产生超调。

微分控制项(D)是对误差信号的变化率进行计算,并与微分
时间相乘。

微分控制项的作用是抑制系统的振荡或超调,使系统的输出更加稳定。

但如果微分时间设置过大,可能会引发系统的抖动或震荡。

模糊控制则是在PID控制的基础上引入了模糊逻辑来调整PID 各个参数的权重。

模糊控制根据系统的输入和输出,通过模糊化、规则库匹配和去模糊化的过程,确定PID各个参数的取值,从而实现对系统的自适应控制。

模糊控制可以有效地应对
非线性、复杂的系统,具有较强的鲁棒性和适应性。

总之,模糊PID控制通过模糊化逻辑来调整PID各个参数的权重,从而实现对系统的自适应控制。

它在处理非线性、复杂系统时表现出较好的鲁棒性和适应性。

自适应模糊PID控制器的设计与仿真

自适应模糊PID控制器的设计与仿真

自适应模糊PID控制器的设计与仿真自适应模糊PID控制器是一种结合了模糊控制和PID控制的自适应控制器,它能够在系统的不同工况下根据实际需求对PID参数进行自适应调整,从而使得系统具有更好的动态性能和稳定性。

本文将介绍自适应模糊PID控制器的设计思路和仿真过程。

1.设计思路1.1系统建模首先需要对待控制的系统进行建模,得到系统的数学模型。

这可以通过实验数据或者理论分析来完成。

一般情况下,系统的数学模型可以表示为:$G(s)=\frac{Y(s)}{U(s)}=\frac{K}{s(Ts+1)}$其中,K是系统的增益,T是系统的时间常数。

1.2设计模糊控制器接下来需要设计模糊控制器,包括模糊规则、模糊集和模糊运算等。

模糊控制器的输入是系统的误差和误差的变化率,输出是PID参数的调整量。

1.3设计PID控制器在模糊控制器的基础上,设计PID控制器。

PID控制器的输入是模糊控制器的输出,输出是控制信号。

1.4设计自适应机制引入自适应机制,根据系统的性能指标对PID参数进行自适应调整。

一般可以采用Lyapunov函数进行系统性能的分析和优化。

2.仿真过程在仿真中,可以使用常见的控制系统仿真软件,如MATLAB/Simulink 等。

具体的仿真过程如下:2.1设置仿真模型根据系统的数学模型,在仿真软件中设置仿真模型。

包括系统的输入、输出、误差计算、控制信号计算等。

2.2设置模糊控制器根据设计思路中的模糊控制器设计,设置模糊控制器的输入和输出,并设置模糊规则、模糊集和模糊运算等参数。

2.3设置PID控制器在模糊控制器的基础上,设置PID控制器的输入和输出,并设置PID参数的初始值。

2.4设置自适应机制设置自适应机制,根据系统的性能指标进行PID参数的自适应调整。

2.5运行仿真运行仿真,观察系统的响应特性和PID参数的变化情况。

根据仿真结果可以对设计进行调整和优化。

3.结果分析根据仿真结果,可以分析系统的稳定性、动态性能和鲁棒性等指标,并对设计进行调整和改进。

模糊 pid控制策略

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

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。

PID模糊控制器

PID模糊控制器

PD,PI,PID型的模糊控制器PID(propotional integral differential)控制是最常用的经典控制方法,控制作用由偏差的比例、积分、微分三项之和给出,如果控制作用中只包含比例和积分两项,则为PI控制,如果控制作用中只包含比例和微分两项,则为PD控制。

PID控制中的比例增益、积分增益和微分增益均为常数,一旦控制器设计好以后,在控制中不再改变,因此PID控制属于线性定常控制。

模糊控制本质上是非线性的,但是其输入变量也包括和,输出变量也有(位置输出)和(增量输出)两种形式,与PID控制的输入输出变量是完全相同的。

类比传统的PD,PI,PID控制,可将模糊控制器分为以下三种类型。

1.PD型的模糊控制器前面讲的模糊控制器,输入都是和,输出是,模糊控制器的功能可看作是一个非线性函数,这种模糊控制器的输入输出信号与PD控制器相同,控制特性也和PD控制器类似,故称为PD型的模糊控制器。

2.PI型的模糊控制器如果输入仍为和,但输出改为控制的增量,则模糊控制器可表示为上式两边对t积分可得可见此时的模糊控制器与PI控制器类似,故称为PI型的模糊控制器。

3.PID型的模糊控制器同样的道理,PID型的模糊控制器有两种实现方法,即4.模糊控制与PID控制的结合模糊控制的出现使一些单独使用PID控制方法难以实现的控制任务得到解决. 一个典型的PID闭环控制系统,其中K1D(S)表示控制器,K2G(S)表示广义对象。

在控制器的输入E(S)和输出U(S)之间,可以用下列传递函数表示。

U(S)=Kp (1+1/TiS+TdS)E(S)这里Kp是比例增益,Ti是积分时间,Td是微分时间。

此式给出按偏差的比例,积分和微分的线性组合构成控制量的控制方式,就是人们所熟知的PID控制器。

PID控制的最大优点是控制系统的稳态精度高,这是因为PID控制存在积分的作用。

然而要确定PID控制器的参数,必须首先建立受控系统的精确的数学模型,而这一模型在一些实际问题中却难以得到。

模糊pid控制-python实现

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。

PID控制和模糊、神经元PID控制比较研究与仿真

PID控制和模糊、神经元PID控制比较研究与仿真

《) W ( 1十 《) jl 是 i k~ 1 《 奄
K K + K + p : P : {
磊 七 尺 十 , ; 墨 ?{8
十 : {, J + e c
() 1
本文采用一阶大滞后惯性环节作 为仿真对象 ,将传递 函数 写为 传 统 形 式 锨 I e” () 8
P D控 制 和 模 糊 经 元 P 制 比 究 与 仿 真 I 、 神 I D控 较研
孟 志达 பைடு நூலகம்( 机电 技术学院) 天津 职业
摘要 : 工业控 制过程 中存在很多复杂 的非线性过程 、 以建立精确 的数 难 图中 :nk为设 定值 ,o t ) r () i y u( 为输 出值 ,1X,s k x ,2x 是经 转换器转 学模 型, 统控 制方法很难 实现 精度要求 。本 文将传统 PD控制 、 传 I 模糊 PD 换成 为神经 元的输入量 , , , 为对应于 x ,2× 输入 的加权 系 I W W W3 ,X 3 控 制 和 神 经 元 PD控 制 方 法 进行 比 较 分 析 , 行 了仿 真 结 果 比较 , 以看 出 数 ,为 神 经 元 的 比例 系 数 : I 进 可 智能 PD控制具有较大的优 势。 I 焉 ) ek (》 关键词 : I 制 模糊控 制 神经 元 P D 仿真 PD控 l
蚤 () ( ” k一 : () #k ~e
( 3)
“ ) 惫 1 { 一) ∑ ) 蠢 幸 ≮

w女 "盎∑ ) 1 》 》il 《 t 是

( 7)
此 模 糊 控 制器 为 2输 入 , 3输 出 系 统 , 义 误 差 e 误 差 变 化 e 定 、 C 和 K ,. d 。K, 的模糊 子集 均 为{ B, M, S,0, S P , B}物理 K N N N Z P ,M P , 蠢 j 一1+t ( )() 《 ) tzkukx晴) 蠢 :《 意义 为: 负大 , { 负中 , 负小 , , 零 正小 , 中 , 大 } 正 正 。误差 e的基本论 w《) 《 1丰 如: 1() 是 { 繁一 》 《 缸 《》 k 域 定 为I6 6、 差 变 化 e 一 ,】误 c的 基 本 论 域 为 I3 3 , 量 化 因 子 K: . 一 ,】取 。0 使用 Malb编程语言进行神经元控制程序设计 ,对其中比例系 t a 5 K = , 。K,d三 个 参 数 的 比例 因子 分 别 为 : , 00 1 数 K和学 习速率 T.T ,1 分别采用试探方法进行离线调整 , , 1 K ,. K K =1 K= .0 , 1,1 T。 经过综 K= , 1 采用最大隶属度法。 d 合 比较 , 最终确定 K O1 = .2和学 习速率 TIO 0 TP O 5 TD 0 0 1 . ,1= _ ,1o= . 4 3 : 4 根据模糊控制器在 线修 正 K ,. 修正公式为 : 。K, , K 3 仿 真 分 析

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。

三种典型控制方法

三种典型控制方法

三种典型控制方法三种典型控制方法:PID控制、模糊控制和自适应控制一、PID控制PID控制是一种经典的控制方法,它通过对系统的误差进行测量和调整,使系统的输出与期望值尽可能接近。

PID控制系统由比例(P)、积分(I)和微分(D)三个控制器组成。

1. 比例控制器(P):比例控制器根据误差的大小来调整输出的大小,使其与误差成正比。

当误差增大时,输出也增大,从而使系统更快地趋向期望值。

但是比例控制器容易产生超调现象,即输出超过期望值后再回归。

2. 积分控制器(I):积分控制器通过累积误差的大小来调整输出的大小,使其与误差的积分成正比。

积分控制器能够消除系统的稳态误差,但是容易引起系统的超调和震荡。

3. 微分控制器(D):微分控制器根据误差的变化率来调整输出的大小,使其与误差的微分成正比。

微分控制器能够提前预测系统的变化趋势,从而减小超调和震荡。

但是微分控制器对噪声和干扰比较敏感。

PID控制通过调整比例、积分和微分参数的大小,使系统的输出逐渐趋向期望值。

PID控制方法简单易行,广泛应用于工业控制领域。

二、模糊控制模糊控制是一种基于模糊逻辑的控制方法,它模拟人类的思维方式,通过语言化的规则来描述系统的行为。

模糊控制将输入和输出变量进行模糊化处理,然后通过模糊推理和模糊规则来确定输出的大小。

模糊控制的核心是模糊推理系统,它包括模糊化、模糊推理和解模糊三个过程。

1. 模糊化:将输入变量通过隶属函数转化为模糊集合,用来表示变量的模糊程度。

模糊化可以将连续的输入变量转化为离散的模糊集合,便于进行模糊推理。

2. 模糊推理:根据模糊规则和输入的模糊集合来确定输出的模糊集合。

模糊推理通过匹配模糊规则中的前提部分与输入的模糊集合,然后根据规则的结论部分来确定输出的模糊集合。

3. 解模糊:将输出的模糊集合通过隶属函数转化为实际的输出值。

解模糊可以根据不同的解模糊方法来确定输出的大小,常用的方法有最大隶属度法和加权平均法。

模糊控制方法适用于那些难以建立精确数学模型的系统,具有较强的鲁棒性和适应性。

PID控制与模糊控制比较

PID控制与模糊控制比较

PID控制与模糊控制的比较专业:控制理论与控制工程班级:级班姓名:X X X学号:xxxxxxxxxxxxxx摘要:介绍了PID控制系统和模糊控制系统的工作原理。

PID控制器结构简单,实现简单,控制效果良好,已经得到了广泛的应用。

而模糊控制器相对复杂,但在许多的智能化家用电器中也得到了大量应用。

但对于一个简单的系统来讲,哪一种控制方法更好,是不是越智能的控制就能得到越好的效果。

关键词:PID控制,模糊控制,比较Abstract: Introduced the working principle of PID control system and fuzzy control system. PID controller structure is simple, implementation is simple, the control effect is good, has been widely used. And fuzzy controller is relatively complicated, but in a lot of intelligent household appliances also received a large number of applications. But for a simple system, which kind of control method is better, is weather the intelligent control can obtain the good effect.Key words: PID control, fuzzy control, compare目录一、问题的提出 (1)二、PID控制器的设计 (2)1.PID控制原理图: (2)2.PID控制器传递函数的一般表达式 (2)三、模糊控制器的设计 (3)1.模糊控制原理图 (3)2.模糊控制器传递函数一般表达形式 (4)四、系统仿真 (4)五、总结 (14)参考文献: (15)一、问题的提出当今的自动控制技术都是基于反馈的概念。

模糊pid控制原理

模糊pid控制原理

模糊pid控制原理模糊控制是一种经典的控制方法,它可以在一些模糊和不确定系统中实现非线性控制。

模糊控制结合了模式识别和控制理论,通过模糊逻辑来处理模糊输入和输出的关系,以实现对复杂系统的精确控制。

模糊控制的核心思想是将模糊逻辑运用于控制系统中。

在传统的控制理论中,控制器接收连续的输入信号和给定的期望输出值,然后计算输出控制信号来驱动被控制对象。

而在模糊控制中,控制器通过将输入和输出模糊化,将模糊量化的过程交给模糊推理系统来处理。

模糊推理系统根据事先设定的规则和模糊化的输入信号,计算得出模糊化的输出信号,然后通过去模糊化的方法将输出信号转化为模糊控制量,最后传递给被控制器。

模糊控制系统的核心是模糊推理。

在模糊推理中,模糊逻辑通过定义一系列的规则来描述输入变量和输出变量之间的关系。

这些规则通常是基于经验和专家知识得出的,例如“如果温度较高,则加热器功率减小”。

通过使用这些规则,模糊控制器可以处理非线性和不确定的系统行为。

在模糊控制系统中,模糊化是将输入和输出变量转化为隶属函数的过程。

隶属函数描述了各个输入和输出的隶属度,常用的隶属函数类型包括三角形、梯形和高斯等。

通过模糊化,系统可以将连续的输入和输出变量转化为离散的模糊集,便于用模糊逻辑进行处理。

去模糊化是将模糊输出信号转化为实际的控制量的过程。

去模糊化方法有很多种,常见的方法包括最大隶属度法、中心平均法和面积平均法等。

这些方法可以通过取模糊输出信号的最大值、计算模糊输出信号的平均值或计算模糊输出信号的加权平均值来获得实际的控制量。

模糊PID控制是将模糊控制方法与传统的PID控制相结合的一种控制方式。

PID控制是一种在工程领域广泛使用的控制方法,它通过比较实际输出和期望输出来计算控制信号,并通过调节比例、积分和微分参数来实现控制系统的稳定性和响应速度。

而模糊PID控制是在PID控制的基础上引入了模糊逻辑和模糊推理的方法,来处理非线性和不确定的系统行为。

模糊PID控制算法

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。

模糊PID控制中模糊控制规则的获取方法

模糊PID控制中模糊控制规则的获取方法

模糊PID控制中模糊控制规则的获取方法一、概述随着工业自动化程度的不断提高,控制系统对于精确性和鲁棒性的要求也日益增强。

传统的PID控制方法虽然在实际应用中得到了广泛运用,但在处理非线性、时变以及具有不确定性的系统时,其控制效果往往不尽如人意。

模糊PID控制作为一种结合了模糊控制理论与PID控制优点的先进控制方法,逐渐受到了人们的关注。

模糊PID控制的核心在于通过模糊控制规则对PID控制器的参数进行在线调整,以适应系统特性的变化。

而模糊控制规则的获取则是实现模糊PID控制的关键步骤之一。

一个好的模糊控制规则不仅能够提高控制系统的性能,还能够降低系统的复杂度,使其更加易于实现和维护。

模糊控制规则的获取方法主要包括基于经验的方法、基于优化的方法以及基于学习的方法等。

基于经验的方法主要依赖于专家知识或实际操作经验,虽然简单易行,但往往缺乏足够的理论依据和普适性。

基于优化的方法则通过数学优化算法来寻找最优的模糊控制规则,虽然能够得到较为精确的结果,但计算复杂度较高,且对于复杂系统的优化问题可能难以求解。

而基于学习的方法则利用机器学习或深度学习等技术,通过大量数据的学习来获取模糊控制规则,这种方法具有更强的自适应性和泛化能力,但也需要足够的数据支持。

针对模糊PID控制中模糊控制规则的获取方法进行研究,具有重要的理论意义和实际应用价值。

本文旨在探讨各种模糊控制规则获取方法的优缺点及适用范围,为模糊PID控制的实际应用提供有益的参考。

1. 模糊PID控制的基本概念及特点模糊PID控制是一种结合模糊逻辑与PID控制算法的高级控制策略。

PID控制,即比例积分微分控制,是工业控制领域中应用最为广泛的控制方法之一。

传统的PID控制方法在面对复杂、非线性或时变系统时,往往难以取得理想的控制效果。

引入模糊逻辑对PID控制进行改进和优化,以提高其适应性和控制性能,成为了一种重要的研究方向。

模糊PID控制的核心思想是利用模糊逻辑对PID控制器的三个关键参数——比例系数Kp、积分系数Ki和微分系数Kd进行动态调整。

模糊控制与传统PID控制比较

模糊控制与传统PID控制比较

模糊控制与传统PID控制比较引言:模糊控制不需要确定系统的精确数学模型,是一种基于规则的控制;模糊控制在智能控制领域由于理论研究比较成熟、实现相对比较简单、适应面宽而得到广泛的应用;不论是对复杂的水泥回转窑的控制,还是在智能化家用电器中的应用,模糊控制都充当着重要的角色;一个典型工业过程通常可以等效为二阶系统加上一个非线性环节如纯滞后,给出如下典型控制对象传递函数的一般形式:Gps=Ke-τs/T1s+1T2s+1PID控制:PID控制是自动控制领域产生最早、应用最广的一种控制方法;PID控制原理图:PID控制器传递函数的一般表达式为:Gcs=kp+ki/s+kdskp为比例增益;ki为积分增益;kd为微分增益控制器的关键是确定三个增益值,在simulink中搭建PID系统控制模型如下图示:PID仿真结果:模糊控制是运用语言归纳操作人员的控制策略,运用变量和模糊集合理论形成控制算法的一种控制;模糊控制原理框图:一个基本模糊控制器主要有三个功能:(1)模糊化:把精确量如偏差e和偏差变化ec转化为相应的模糊量E、EC;(2)模糊推理:按总结的语言规则模糊控制规则表进行模糊推理;(3)模糊判决:把推理结果U从模糊量转化为可以用于实际控制的精确量u模糊控制器的基本机构设计模糊控制器主要步骤:1.选择偏差e、偏差变化ec和控制量u的模糊语言变量为E、EC和U;根据e、ec和u实际的基本论域,设定E、EC和U论域都为-6,6,可以确定出量化因子Ke、Kc和比例因子Ku;;2.选取E、EC和U的各语言变量直,正大PB,正中PM,正小PS,零ZE,负小NS,负中NM,负大NB,它们各自在论域上的模糊子集隶属度函数均为三角形,3.根据总结的人工操作策略设计出模糊控制策略表:ek=yr-yk △ek=ek-ek-13.选择一种模糊判决方法,将控制量由模糊量变为精确量,这个过程叫做“去模糊化”,这里采用“面积平分法”仿真结果:总结:设给定r为单位阶跃输入,通过改变控制对象象的参数,在同一坐标内观察它们的输出y响应曲线对两种控制方案的性能进行对比分析,模糊控制器比PID控制器,动态性能很好,上升速度快,基本没有超调;。

PID控制与模糊PID控制

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控制器应用于恒温恒湿控制系统

模糊PID控制器应用于恒温恒湿控制系统

模糊PID控制器应用于恒温恒湿控制系统恒温恒湿控制系统是一种常见的控制系统。

在领域中,这种系统通常用于控制温度和湿度,例如实验室、电子仪器房等。

恒温恒湿控制系统的稳定性和精度直接影响到其应用效果。

因此,利用PID控制器来控制恒温恒湿控制系统一直是研究的重点。

但是,在一些非线性、耦合的系统中,PID控制器存在着一些不足之处。

为了克服这些不足,研究人员开始应用模糊PID控制器来控制恒温恒湿控制系统。

一、PID控制器的不足PID控制器广泛应用于许多领域中。

它们通过计算误差的比例、积分和微分,将一个物理变量的实际值与设定值相比较,来实现对控制系统的控制。

但是,在非线性或者耦合系统中,PID控制器存在一些不足。

例如,当控制器出现模型误差时,PID控制器的效果会受到影响;当系统存在过冲或者振荡时,PID控制器也会出现困难。

二、模糊PID控制器的优点模糊PID控制器是指将模糊控制与PID控制相结合的一种控制方式。

在模糊PID控制器中,模糊控制器负责对系统的非线性或者耦合特性进行处理,而PID控制器负责保持系统稳定。

模糊PID控制器的优点主要体现在以下几方面:(1)鲁棒性强。

模糊PID控制器不需要对系统的动态方程建立严格的数学模型,因此具有较好的鲁棒性,可以应对模型误差等问题。

(2)处理非线性问题。

模糊控制器是一种基于经验的控制方式,可以处理非线性问题。

因此,模糊PID控制器比PID控制器更适合处理一些非线性或者耦合系统。

(3)控制效果更好。

在一些非线性或者耦合系统中,模糊PID控制器比PID控制器更能保持系统稳定,控制效果更好。

三、模糊PID控制器在恒温恒湿控制系统中的应用恒温恒湿控制系统通常包括温度和湿度两个物理变量。

在恒温恒湿控制系统中,PID控制器广泛应用于控制温度和湿度。

然而,在一些非线性或者耦合系统中,PID控制器的效果并不理想。

因此,在最近的研究中,模糊PID控制器开始被应用于恒温恒湿控制系统中。

用模糊控制器调节PID控制器的参数

用模糊控制器调节PID控制器的参数

4.4.3 用模糊控制器调节PID 控制器的参数1.P I D 控制器的参数常规PID 控制器具有算法简单、稳定性好、可靠性高的特点,加之设计容易、适应面宽,是过程控制中应用最广泛的一类基本控制器,它对于各种线性定常系统的控制,都能够获得满意的控制效果,尤其适用于被控对象参数固定、非线性不很严重的系统。

但是,工业生产过程中被控对象的负荷多变、干扰因素复杂,要获得满意的控制效果,就需要对PID 的参数不断地进行在线调整。

有时由于这些参数的变化无常,往往没有确定不变的数学模型和规律可循,利用模糊控制器调节它们不失为一种实用、简便、可行的选择。

模糊控制器能充分利用操作人员进行实时非线性调节的成功实践操作经验,充分发挥PID 控制器的优良控制作用,使整个系统达到最佳控制效果。

设PID 控制(调节)器的输出量为()u t ,输入为()e t ,它们间的关系是:p I 0()()()()tDde t u t K e t K e dx K dtτ=++⎰ 式中KP 为比例增益,KI 为积分增益,KD 为微分增益。

为获得满意的控制效果,这三个参数需要根据系统状态进行实时调节。

在知道被控对象数学模型的情况下,常常通过在线辨识方法完成这一任务。

但是,对于干扰多变、负荷变化无常的系统,很难用在线辨识的方法进行实时调整。

不过用模糊控制器调节它们,却是方便可行的实用办法。

通过积累的大量操作经验知道,这三个系数与输入控制器的偏差e(t)、偏差变化率de(t)/dt 之间,存在着一种非线性关系。

这些关系虽然无法用清晰的数学表达式描述,却可以用模糊语言表述。

2.调节P I D 控制器三个参数的模糊规则通过多次操作的经验总结或多次操作的数据处理,结合理论分析可以归纳出偏差e 、偏差变化率ec 跟PID 调节器的三个参数KP 、KI 、KD 间,存在如下关系。

e t较大时,为加快系统的响应速度,应取较大的KP,这样可以使系①当()统的时间常数和阻尼系数减小。

神经pid,模糊pid,常规pid的matlab比较

神经pid,模糊pid,常规pid的matlab比较

图4.BP神经网络PID系统输出响应曲线图6. PID 参数自适应模糊控制器系统框图图7.e,ec,Kp,Ki,Kd的隶属度函数通过不断进行仿真实验和借鉴专家经验可以得到如下的49条规则:图8.模糊PID控制系统输出曲线图9.模糊PID控制系统误差曲线图中1为常规整定PID 阶跃响应曲线,2为BP 神经网络PID 阶跃响应曲线,3为模糊自适应整定PID 阶跃响应曲线。

从曲线中以看出,三种PID控制方式中模糊PID几乎没有超调,调节时间短,控制效果最好;BP 网络PID效果次之;都比常规PID 效果好。

比较图5神经PID与图9模糊PID的误差曲线可以看出,模糊PID具有更短的学习时间。

仿真和实验结果均证明了神经网络PID 控制算法能有效地控制大时滞大惯性的温控系统,将神经网络与PID控制相结合,可以在线调整PID控制器的各个参数,减少了凭经验整定参数带来的误差,提高了温控系统的鲁棒性和自适应性。

此外,神经网络PID控制器还能有效的抑制干扰,而且对对象模型要求不高,具有较好的抗干扰性。

同时也可以进一步优化BP神经网络的结构和算法,使温度控制最终趋于最优,更好地满足实际生产对温度控制的要求。

但是由于该控制器的初始权值是随机值,控制输出在开始时波动很大,随着网络的自学习,不断调整权值控制输出来跟踪输入。

由于神经网络收敛速度慢,回到稳定状态所需时间较长,这个问题有待进一步研究解决。

,模糊PID控制响应几乎没有超调,但是响应速度较慢;在模型失配的情况下,模糊PID虽然产生了震荡,超调量也有所增加,但总体来说还能够保持稳定;在添加干扰后,系统持续产生小幅震荡,但超调量很小,系统整体还是稳定的,抗干扰能力强。

参考文献:1、陶永华.新型PID控制及其应用(第二版) [ M].北京:机械工业出版社,2002.2、杨智,朱海锋,黄以华.PID控制器设计与参数整定方法综述[ J ].化工自动化及仪表,2 005,32 ( 5 ):1-7 .3、杨智.工业自整定P ID调节器关键设计技术综述[J].化工自动化及仪表,2000,27 ( 2 ):5-10.4、王伟,张晶涛,柴天佑.PID参数先进整定方法综述[ J ].自动化学报,2000,26 (5):347-355.5、何宏源,徐进学,金妮.PID继电自整定技术的发展综述[ J ].沈阳工业大学学报,2005,27 (4):4 09-413.6、叶岚.基于继电反馈的PI D控制器的参数整定[ D].上海:上海交通大学自动化系,2007.7、李少远.基于继电反馈的PID控制器的参数整定[D].上海:上海交通大学自动化系,2007.8、吴泽宁等.BP神经网络的改进及应用[J ].河南科学,2003-4:202 -2069、李遵基编著.热工自动控制系统[M].中国电力出版社,1997.1010、俞海斌,褚健.CFB锅炉汽包水位的专家PID控制[J].机电工程,2000(3):103~10611、潘祥高等.模糊PID控制在工业锅炉控制系统中的应用[J].工业出版社,200412、刘金琨.先进PID 控制MA TLAB仿真M7.2 版.北京电子工业出版社,200413、薛定宇.控制系统计算机辅助设计MA TLAB 语言与应用M7.2 版.北京清华大学出版社,2006常规PID实现程序:clear all;close all;ts=10;sys=tf([1],[150,1],'inputdelay',50);dsys=c2d(sys,ts,'z oh');[num,den]=tfdata(dsys,'v');u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;u_6=0;y_1=0;y_2=0;y_3=0;error_1=0;error_2=0;ei=0;for k=1:1:1000time(k)=k*ts;yout(k)=-den(2)*y_1+num(2)*u_6;rin(k)=1;error(k)=rin(k)-yout(k);ei=ei+error(k)*ts;kp=0.03;kd=1;ki=0.004;u(k)=kp*error(k)+kd*(error(k)-error_1)/ts+ki*ei; if u(k)>=10u(k)=10;endif u(k)<=-10u(k)=-10;endif k==200u(k)=u(k)+1;endu_6=u_5;u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k); y_3=y_2;y_2=y_1;y_1=yout(k);error_2=error_1;error_1=error(k);endfigure(1);plot(time,rin,'b',time,yout,'r');xlabel('time(s)');ylabel('rin,yout');figure(2);plot(time,u,'r');xlabel('time(s)');ylabel('u');BP神经网络PID程序:%BP based PID Controlclear all;close all;xite=0.9;IN=4;H=5;Out=3; %NN Structurewi=[-0.6394 -0.2696 -0.3756 -0.7023;-0.8603 -0.2013 -0.5024 -0.2596;-1.0749 0.5543 -1.6820 -0.5437;-0.3625 -0.0724 -0.6463 -0.2859;0.1425 0.0279 -0.5406 -0.7660];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325;-0.1146 0.2949 0.8352 0.2205 0.4508;0.7201 0.4566 0.7672 0.4962 0.3632];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;x=[0,0,0];du_1=0;u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;u_6=0;y_1=0;y_2=0;Oh=zeros(H,1); %Output from NN middle layerI=Oh; %Input to NN middle layererror_2=0;error_1=0;ts=10;for k=1:1:1000time(k)=k*ts;rin(k)=1.0;%Unlinear modelyout(k)=0.9355*y_1+0.0645*u_6;error(k)=rin(k)-yout(k);xi=[rin(k),yout(k),error(k),1];x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;epid=[x(1);x(2);x(3)];I=xi*wi';for j=1:1:HOh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle Layer endK=wo*Oh; %Output Layerfor l=1:1:OutK(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %Getting kp,ki,kd endkp(k)=K(1);ki(k)=K(2);kd(k)=K(3);Kpid=[kp(k),ki(k),kd(k)];du(k)=Kpid*epid;u(k)=u_1+du(k);dyu(k)=sign((yout(k)-y_1)/(du(k)-du_1+0.0001));%Output layerfor j=1:1:OutdK(j)=2/(exp(K(j))+exp(-K(j)))^2;endfor l=1:1:Outdelta3(l)=error(k)*dyu(k)*epid(l)*dK(l);endfor l=1:1:Outfor i=1:1:Hd_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);endendwo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hidden layerfor i=1:1:HdO(i)=4/(exp(I(i))+exp(-I(i)))^2;endsegma=delta3*wo;for i=1:1:Hdelta2(i)=dO(i)*segma(i);endif k==200u(k)=u(k)+1;endd_wi=xite*delta2'*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2);%Parameters Updatedu_1=du(k);u_6=u_5;u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);y_2=y_1;y_1=yout(k);wo_3=wo_2;wo_2=wo_1;wo_1=wo;wi_3=wi_2;wi_2=wi_1;wi_1=wi;error_2=error_1;error_1=error(k);endfigure(1);plot(time,rin,'r',time,yout,'b');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);subplot(311);plot(time,kp,'r');xlabel('time(s)');ylabel('kp');subplot(312);plot(time,ki,'g');xlabel('time(s)');ylabel('ki');subplot(313);plot(time,kd,'b');xlabel('time(s)');ylabel('kd');模糊PID程序:clear all;close all;a=newfis('fuzzpid');a=addvar(a,'input','e',[-3,3]); %Parameter e a=addmf(a,'input',1,'NB','zmf',[-3,-1]);a=addmf(a,'input',1,'NM','t rimf',[-3,-2,0]);a=addmf(a,'input',1,'NS','trimf',[-3,-1,1]);a=addmf(a,'input',1,'Z','t rimf',[-2,0,2]);a=addmf(a,'input',1,'PS','trimf',[-1,1,3]);a=addmf(a,'input',1,'PM','t rimf',[0,2,3]);a=addmf(a,'input',1,'PB','smf',[1,3]);a=addvar(a,'input','ec',[-3,3]); %Parameter ec a=addmf(a,'input',2,'NB','zmf',[-3,-1]);a=addmf(a,'input',2,'NM','t rimf',[-3,-2,0]);a=addmf(a,'input',2,'NS','trimf',[-3,-1,1]);a=addmf(a,'input',2,'Z','t rimf',[-2,0,2]);a=addmf(a,'input',2,'PS','trimf',[-1,1,3]);a=addmf(a,'input',2,'PM','t rimf',[0,2,3]);a=addmf(a,'input',2,'PB','smf',[1,3]);a=addvar(a,'output','kp',[-0.3,0.3]); %Parameter kp a=addmf(a,'output',1,'NB','zmf',[-0.3,-0.1]);a=addmf(a,'output',1,'NM','t rimf',[-0.3,-0.2,0]);a=addmf(a,'output',1,'NS','trimf',[-0.3,-0.1,0.1]);a=addmf(a,'output',1,'Z','t rimf',[-0.2,0,0.2]);a=addmf(a,'output',1,'PS','trimf',[-0.1,0.1,0.3]);a=addmf(a,'output',1,'PM','t rimf',[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 kia=addmf(a,'output',2,'NB','zmf',[-0.06,-0.02]);a=addmf(a,'output',2,'NM','t rimf',[-0.06,-0.04,0]);a=addmf(a,'output',2,'NS','trimf',[-0.06,-0.02,0.02]);a=addmf(a,'output',2,'Z','t rimf',[-0.04,0,0.04]);a=addmf(a,'output',2,'PS','trimf',[-0.02,0.02,0.06]);a=addmf(a,'output',2,'PM','t rimf',[0,0.04,0.06]);a=addmf(a,'output',2,'PB','smf',[0.02,0.06]);a=addvar(a,'output','kd',[-3,3]); %Parameter kpa=addmf(a,'output',3,'NB','zmf',[-3,-1]);a=addmf(a,'output',3,'NM','t rimf',[-3,-2,0]);a=addmf(a,'output',3,'NS','trimf',[-3,-1,1]);a=addmf(a,'output',3,'Z','t rimf',[-2,0,2]);a=addmf(a,'output',3,'PS','trimf',[-1,1,3]);a=addmf(a,'output',3,'PM','t rimf',[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 6 2 1 1 1;1 4 6 2 1 1 1;1 5 5 3 1 1 1;1 6 4 4 2 1 1;1 7 4 4 5 1 1;2 1 7 1 5 1 1;2 2 7 1 3 1 1;2 3 6 2 1 1 1;2 4 5 3 2 1 1;2 5 5 3 2 1 1;2 6 4 43 1 1;2 7 34 4 1 1;3 1 6 1 4 1 1;3 2 6 2 3 1 1;3 3 6 3 2 1 1;3 45 3 2 1 1;3 5 4 4 3 1 1;36 3 5 3 1 1;37 3 5 4 1 1;4 1 6 2 4 1 1;4 2 6 2 3 1 1;4 3 5 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;5 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 4 7 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','centroid');writefis(a,'fuzzpid');a=readfis('fuzzpid');%PID Controllerts=10;sys=tf([1],[150,1],'inputdelay',50);dsys=c2d(sys,ts,'t ustin');[num,den]=tfdata(dsys,'v');u_1=0.0;u_2=0.0;u_3=0.0;u_4=0.0;u_5=0.0;u_6=0.0;y_1=0;y_2=0;x=[0,0,0]';error_2=0;error_1=0;e_1=0.0;ec_1=0.0;kp0=0.0929;kd0=0.0078;ki0=0.0518;for k=1:1:1000time(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 u(k)>=10u(k)=10;endif u(k)<=-10u(k)=-10;endif k==200u(k)=u(k)+1;endyout(k)=-den(2)*y_1+num(2)*u_6;error(k)=rin(k)-yout(k);%%%%%%%%%%%%%%Return of PID parameters%%%%%%%%%%%%%%% u_6=u_5;u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);y_2=y_1;y_1=yout(k);x(1)=error(k); % Calculating Px(2)=error(k)-error_1; % Calculating Dx(3)=x(3)+error(k); % Calculating Ie_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');。

  1. 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. 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. 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)。

摘要交流伺服电机现广泛应用于机械结构的驱动部件和各种数控机床。

PID控制是伺服系统中使用最多的控制模式之一。

尽管传统的PID控制系统构造简单、运转稳定,但交流伺服电机存在非线性的、强耦合。

当参数变动或非线性因素的影响发生变化时,控制不能实时改动,不能满足系统高性能、高精度的要求。

结合模糊控制和传统PID控制成一种新的控制方法--模糊PID控制是解决上述问题的一种很好的途径。

模糊控制器不需要被控对象的数学模型,而是根据之前人为设定的控制要求设计用来控制的决策算法,使用此方式确定控制量。

模糊控制和传统PID控制融合的结果,不单具有模糊控制的高性能,还具备传统PID控制精准度高的长处。

本文对PID控制算法的原理和模糊控制算法作了简要的描述和比较。

指出模糊PID混合控制法,在误差很大时使用模糊控制,在不大时使用PID控制,在MATLAB软件中,对交流伺服系统的位置控制进行了仿真。

结果表明,该控制系统仿真结果与理论上差距较小。

关键词:PID控制;模糊控制;模糊PID控制器;MATLAB第1章绪论1.1 研究课题的任务本课题的任务是了解交流伺服系统,比较并结合两种控制的优点,结合成一种新的控制方式--模糊PID控制。

该控制法在系统输出差距大时采用模糊控制,而在差距较小时采用PID控制。

文章最后给出了模糊PID位置控制的MATLAB响应图,同时给出了常规PID控制下的效果图,并比较分析。

1.3 交流伺服系统工作原理相对单一的系统,其一般是根据位置检测反馈组成闭环位置伺服系统。

其组成框图参考图1-1内容[14]。

此类系统主要原理是对比输入的目标位置信号和位置检测设备测试的真实位置信号统计其偏差且使用功率变换器的输入端弱化误差。

控制量被信号转换和功率放大驱动,驱动伺服组织,促使误差不断缩减少,一直到最佳值。

(1)位置检测装置是此类系统的关键构成方面,完整系统的动态功能是否可以满足需求,关键的是位置检测传感器的科学选择以及精度。

当前普遍使用的位置传感器主要是接触式,接近式,曲轴位置,节气门位置等多种类型的传感器。

(2)在此类系统中,功率变换器是完成此类电机高性能调速的关键。

此外,它应该具备较稳定的输出功率和较高的调频电压精度,而且还需要在有温差是稳定运行的能力、较强的电磁抗干扰能力、系统异常保护的功能。

(3)伺服电机是伺服系统的主要组成部分。

伺服电机具有良好的低速特性是伺服电机具有高精度的关键。

伺服系统的快速响应(急停,启动)也指出此类电机需要具备更小的转动惯量、较高加速转矩(过载转矩)、相对平稳性等。

当前被普遍使用的主要是感应式交流异步电动机等类型。

(4)控制器其一般包含微处理芯片,比如微处理器以及数字信号处理器(DSP)等部分。

一般闭环控制系统的功能更加完善,具备方位、速度与电流反馈等功能。

参考图1-2可知。

图1-2 交流伺服系统的三闭环结构电流环和速度环全部是内环。

前者的功能是:提升内环控制主体的传递函数的精准性,促进系统的平稳运作。

避免电流环内部的干扰;防止发生电路内电流超出额定数值的问题,保证系统的安全运行。

速度环的作用是减小负载扰动对系统的作用以及弱化电机转速变化。

位置环的功能是确保当前静态与动态跟踪功能,是交流伺服系统的平稳性与功能齐全的关键基础,是最主要的反馈环节。

多回路控制系统调节器要从内而外逐个设计。

对于三环位置伺服系统,首先设计电流调节器,而后将电流环作为速度环中的一个环节,在其他环节中生成速度调节器的被控对象,并设计速度调节器。

最后,把所有速度环当做位置环中的重要部分来设定位置调节器。

依次设计可确保所有环的平稳性,这使得整个控制系统的稳定性都能得到保障。

位置伺服系统的控制量是电机的转子的角位移。

当目标要求位置任意变化时,系统关键工作是让输出量高效且精准的被传达。

位置伺服系统现实特点:1)此系统现实作用是让目标高效的从起始位置到预期位置2)需要具备精准度高的位置传感器,进而传递位移误差的电信号。

3)电压与功率放大器、拖曳系统全部可逆。

4)控制系统需要尽量达到稳态精度与动态高效响应的标准。

第2章PID位置控制2.1 PID控制的特点在PID控制器内,比例控制可以高效反映误差,进而减低稳态误差。

但是,此控制无法去除稳态误差。

因此在参数调整中,增加比例放大系数会造成不稳定问题。

积分控制主要作用是,在系统出现误差,积分控制器接连累计,输出控制量,去除误差。

所以,只需要充足时间,积分控制就可以全面去除误差,促使系统误差变成零,进而去除稳态误差。

然而积分功能强大,导致系统超调,乃至造成振荡问题。

差分控制可弱化超调问题,处理振荡,提升综合平稳性,提升系统动态反映效率,减少调节时间,强化综合动态功能。

因此,当采用PID控制时,必须适当调整比例放大系数Kp、积分时间TI和差分时间TD,使整个控制系统获得良好的性能。

2.1.1 PID控制的优点1.原理浅显,应用便利2。

适应性强,可普遍使用在化工、热工、冶金、造纸、建材等相关组织。

PID控制的自动调节器逐渐完成商业化目标。

在当前执行部分,也逐渐研发出机械、液压、电子等发展阶段,但它们从未与PID分离。

即使在最新的最先进的计算机中,它的基本控制功能仍然是PID控制〔15〕。

三。

它是鲁棒的,也就是说,它的控制质量对受控对象的变化不敏感。

由于这些优点,PID控制始终是过程控制的第一指导。

大型现代生产装置的控制回路可以大到1200个以上,其中大部分由PID控制。

然而生产环节持续增多,控制问题频繁出现,对精度的要求更加严苛。

之前的PID控制无法全面满足现实需求,换句话说,需要持续改善与优化PID控制模式,进而满足持续变化的现实需求。

2.1.2 PID控制的局限性PID控制器的主要不足是其对受控主体的依赖性。

主要以受控主体的精确数学模型为前提,在系统内一般不会发生类似问题:大部分系统,尤其是工业过程相对繁琐,所以无法精准叙述上述PR的传递函数或状态方程。

闭锁。

因为对控制器质量的标准更加严苛,控制主体更加复杂。

只使用一般PID控制器无法顺利完成目标。

2.2 位置环数字PID控制&nbsp;首先,交流伺服系统要求具备高效跟踪功能,也就是要求对输入信号的高效响应,较少误差,较短过渡时间,不存在过冲或者微弱振荡。

其次,稳态精度高,也就是稳态误差不大,定位精准度高。

但是,某些PID控制出现超调量大、调整时间长、控制效率不高等问题,因此参数选择相对复杂。

在一般数字PID控制系统内,积分部分的主要目标是弱化静态差,提升精度,然而在开始、完结或明显增加、设定值下降的时候,系统输出偏差很大。

其会造成积分积累,造成过冲乃至振荡问题,是伺服系统。

电动机运作运行不顺利。

为了弱化积分修正对电机运作时期控制系统动态性能的影响,使用积分分离PID控制算法。

在电动机真实位置与确定位置的误差低于相应数值的时候,增加积分校正程序,进而减少综合稳态误差〔16〕。

2.2.1 积分分离PID控制算法此算法也要设定积分分离阈值E。

使用仿真来明确上述阀值E。

在ûe(k)û&gt;E时,也就是偏差值很大的时候,使用PD控制,进而防止因积分累积造成太大的超调量,促使伺服系统高效响应;在ûe(k)û≤E时,也就是偏差值相对小时,使用PID控制,进而减低系统误差,确保此类电机的位置控制精准性。

位置式PID算式写成积分分离方式是:(2-1)其中: u(k) ——控制量;e(k) ——误差值;K -采样序列号,K=0,1, 2, ……;T ——采样周期;K p——比例系数;T i ——积分时间常数;T d——微分时间常数;β——积分项的开关系数2.2.2 积分分离PID控制算法流程依照(2-1)式可编写出具体的控制程序,算法流程图参考图2-1。

2.3 控制系统参数的整定PID参数的初值根据预整定得出,参数整定的现实工作是明确KP、TI、TD与采样周期T。

在比值系数Kp变大时,系统操作敏锐,效率高,而总成造成振荡,调节时间久,积分时间常数Ti高,综合稳态误差可去除,然而平稳性好。

差分控制可优化动态特性,避免过冲,减少调整时间。

普遍使用的参数整定方式主要是扩展临界比例法、扩展响应曲线法以及归一化参数整定法。

上述方式是从Ziegler Nichols(Ziegler Nichols)〔17〕规则延伸出来。

通常指出,交流伺服系统模型是具备延迟部分的一阶模型(滞后的第一步):(2-2)其中, K、L 与Tc 主要是被控主体的放大系数、纯延迟时间与常数。

利用MATLAB中的Simulink仿真系统,开展阶跃输入激励, 得出响应曲线参考图2-2,之后依照曲线得出其特征参数。

所以,其能利用Ziegler Nichols设置规则获得。

Kp= 1.2Tc/KL, Ti= 2L , Td= 0.5L 。

图2-1 PID控制流程图图2-2 阶跃响应曲线第3章模糊控制理论基础3.1 概述美国加利福尼亚学校L.A.Zadah专家在1965年撰写《Fuzzy Set》[18]开启模糊数学发展历史,此后,模糊数学开始得到关注。

此类数学用在控制部分的最早时间是1973年,此后模糊控制被普遍重视,大量分析汇聚在:模糊逻辑:模糊控制器设计;模糊逻辑硬件设计;应用研究等部分。

模糊控制是使用语言来诱导算子的控制方式,且使用语言变量与模糊集理论产生控制算法。

突出特征是绕过物体的不明确性、不精准性、噪声、非线性、时间变化与延迟。

其具备强大的鲁棒性,可以被使用在非线性、时变与时滞系统的控制中。

此类逻辑控制设计便利,便于认知,即便是非专业人员也能轻松设计,所以具备较好的商用性与可行性。

之前的自动控制不能处置大众语言内的模糊性,其中模糊集合与逻辑的出现可以妥善处理描述控制规则的条件语句内比如“较大”、“稍小”、“过高”等具备相应模糊性的词汇,使用模糊集合来叙述上述语句,就可以组成模糊控制器。

1974年Mamdani[19]第一次设计出模糊控制器,且将其使用在锅炉与蒸汽机上,得到良好的成就,模糊控制随之出现。

模糊控制和经典控制的主要差异就是其不需要创建被控主体(或过程)的精准数学模型,主要依靠个人的知识积累,通过个人思维与逻辑推理方式来“直接”开展控制。

通常PID控制在原理与方式上并不相同。

模糊逻辑主要使用模糊逻辑与近似推理来对大众知识与经验开展形式化与建模。

其变成计算机可认可的控制模型,促使计算机可以取代大众开展高效的全面控制。

3.2 模糊控制器的基本结构与组成模糊控制主要原理通过图3-1呈现出来,其主要方面是模糊控制器。

此控制器的控制律被计算机程序完成。

其中主要理论是利用微机中断采样来得到受控量的输入量。

把偏差信号E的精准量模糊化成模糊量,使用对应的模糊语言代表偏差e的模糊量,得出偏差e的模糊语言集的子集。

相关文档
最新文档