基于simulink的模糊PID控制例子

合集下载

模糊控制simulink实例

模糊控制simulink实例

模糊控制simulink实例一、模糊控制概述模糊控制是一种基于人工智能的控制方法,它模拟人类的思维方式进行控制决策。

模糊控制的核心思想是将模糊语言和模糊推理应用于控制系统中,通过建立模糊规则和模糊集合来实现对系统的控制。

模糊控制具有适应性强、处理非线性和复杂系统能力强等优点,在工业控制领域得到了广泛应用。

二、Simulink简介Simulink是MathWorks公司开发的一款基于MATLAB的通用仿真平台。

Simulink提供了一个直观的图形化界面,可以用于设计、模拟和实现各种系统模型。

Simulink 支持多领域的仿真,包括控制系统、信号处理、通信系统等,同时也提供了丰富的库函数和工具箱,方便用户进行系统建模与仿真。

三、模糊控制在Simulink中的应用模糊控制在Simulink中的应用可以通过Fuzzy Logic Toolbox来实现,该工具箱提供了一系列用于模糊控制设计和仿真的函数和模块。

下面介绍一个简单的模糊控制实例来说明模糊控制在Simulink中的应用。

3.1 系统建模首先,我们需要确定模糊控制系统的输入、输出和控制规则。

假设我们要设计一个小型的温度控制系统,系统的输入是环境温度(T),输出是加热器的电压(V)。

根据经验,我们可以定义几个模糊集合来描述温度和电压的状态,例如”冷”、“适中”和”热”。

然后,我们可以根据这些模糊集合定义一些模糊规则,例如”当温度冷时,增加电压”等。

3.2 模糊控制器设计在Simulink中,我们可以使用Fuzzy Logic Controller模块来设计模糊控制器。

该模块提供了一种快速且简单的方法来创建模糊控制器。

首先,我们需要定义输入和输出的模糊集合,以及模糊规则。

然后,我们可以将这些参数传递给Fuzzy Logic Controller模块,并设置输入输出的信号传递方式。

3.3 系统仿真在完成模糊控制器的设计后,我们可以进行系统的仿真。

在Simulink中,我们可以通过连接输入信号和模拟环境来模拟系统的行为。

simulink仿真pid案例

simulink仿真pid案例

simulink仿真pid案例摘要:I.引言- 介绍Simulink软件和PID控制器II.PID控制器原理- PID控制器的基本原理和组成部分- PID控制器在工程中的应用III.Simulink仿真PID案例- 建立PID控制器模型- 设定参数并进行仿真- 分析仿真结果IV.结论- 总结Simulink仿真PID案例的重要性和应用价值正文:I.引言Simulink是一款由MathWorks公司开发的用于模拟和仿真的软件,它可以用于各种领域,如控制系统、信号处理、通信等。

PID控制器是控制系统中常用的一种控制器,它具有结构简单、可靠性高等特点,被广泛应用于工业控制中。

本文将通过一个具体的Simulink仿真PID案例,介绍如何使用Simulink进行PID控制器的仿真。

II.PID控制器原理PID控制器是一种比例-积分-微分(Proportional-Integral-Derivative)控制器,它通过计算控制误差的比例、积分和微分值,得到控制器的输出。

PID控制器由比例单元、积分单元和微分单元三部分组成,其中比例单元用于放大控制误差,积分单元用于消除系统的稳态误差,微分单元用于预测控制误差的变化趋势。

PID控制器在工程中有着广泛的应用,如温度控制、流量控制、位置控制等。

通过调整PID控制器的参数,可以实现对系统的稳定性和响应速度的调节。

III.Simulink仿真PID案例为了演示如何使用Simulink进行PID控制器的仿真,我们建立一个简单的PID控制器模型。

首先,打开Simulink软件,从工具栏中选择“新建模型”,创建一个新的模型。

接下来,从Simulink库中添加以下模块:一个输入模块(用于接收控制信号)、一个比例单元模块、一个积分单元模块和一个微分单元模块。

然后,将这四个模块按照PID控制器的结构连接起来,形成一个完整的PID控制器模型。

在建立好PID控制器模型后,我们需要设定一些参数,如比例系数、积分时间和微分时间等。

基于Simulink模糊PID控制设计与实祥解

基于Simulink模糊PID控制设计与实祥解

哈尔滨商业大学毕业设计(论文)基于Simulink的模糊PID控制器设计与实现学生姓名指导教师李晖专业电子信息工程学院计算机与信息工程学院二〇一四年六月七日Graduation Project (Thesis)Harbin University of CommerceThe Design and Realization of Fuzzy-PID Controller Based on SimulinkStudentSupervisor Li HuiSpecialty Electronic Information EngineeringSchool Computer and Information Engineering2014-6-7毕业设计(论文)任务书毕业设计(论文)审阅评语毕业设计(论文)审阅评语毕业设计(论文)答辩评语摘要科学技术和人工智能的不断发展,促使自动控制向智能控制的方向发展,作为一种新的控制技术,智能控制已经在越来越多的控制领域得到了广泛的应用。

PID控制是最为传统的一种控制技术,自18世纪引入控制领域以来,一直保持着它在工业工程控制的主导地位,被誉为控制领域的常青树,据统计工业控制的控制器中PID类控制器占90%以上。

PID控制器是最早出现的控制器类型,因为其结构简单,各个控制器参数有着明显的物理意义,调整方便,所以这类控制器深受工程技术人员喜爱。

模糊控制是以集合论、模糊语言变量与模糊逻辑推理为基础,以先验知识和专家经验为控制规则的一种智能控制技术。

由于其可以从行为上摸你人的模糊推理和决策过程;不需要对象的数学模型既可以实现比较好的控制;可以实现非线性控制。

在众多领域获得了成功的应用。

关键词:PID控制;模糊控制;MATLAB/SIMULINK;模糊PID控制AbstractScience technology and artificial intelligences develop continuously, which urge the automatic control toward the direction of development that intelligence control, being a kind of new control technique, the intelligence control has already got the extensive application in more and more control realms.The PID control is the most traditional control technique, which has been keeping predominant position at the industry process control since it was led into the control realm in 18 centuries, it was called the evergreen tree of the control realm. According to the covariance, PID controller has 90% above of the controllers in the industry control. To the engineering technical personnel’s fancy, for its structure is simple, each controller parameter has the obvious physics meaning, and adjusting is convenient.The fuzzy control, which is based on the gathering theory, fuzzy language parameters and fuzzy logic theories, with the control rule of checking knowledge and expert’s experiences, is a kind of intelligence control technique. The fuzzy control can imitate the person’s faintness to reason logically and make policy from the behavior, can realize better control without the mathematics model of the object, can carry out no line control, so it has strong vitality.Keywords:PID Control, Fuzzy Control, MATLAB/SIMULINK, Fuzzy PID Control目录摘要 (I)Abstract (II)1绪论 (1)1.1研究目的和意义 (1)1.2国内外研究现状 (1)1.3论文研究内容 (3)2PID控制和模糊控制理论概述 (5)2.1PID控制技术概述 (5)2.1.1 PID控制算法 (5)2.1.2 PID控制器组成 (6)2.1.3 PID控制特点 (8)2.2模糊控制技术概述 (9)2.2.1 模糊逻辑 (9)2.2.2 模糊控制算法 (10)2.3本章小结 (13)3模糊PID控制器设计 (14)3.1模糊PID控制器基本原理 (14)3.2模糊PID控制器结构设计 (16)3.3 本章小结 (19)4模糊PID控制器开发环境 (20)4.1Matlab开发环境简介 (20)4.2Simulink工具箱简介 (20)4.3本章小结 (21)5基于Simulink的模糊PID控制器仿真 (22)5.1Simulink仿真模块 (22)5.2仿真分析 (22)5.3本章小结 (23)结论 (24)参考文献 (25)致谢 (26)附录 (27)1绪论1.1研究目的和意义现在越来越多的新型自动控制技术应用于实践,控制理论的发展也经历了经典控制理论、现代控制理论和智能控制理论三个阶段。

基于simulink的模糊PID控制例子

基于simulink的模糊PID控制例子

1模糊P1D用命令FUZZy翻开模糊控制工具箱。

AnfiSedit翻开自适应神经模糊控制器,它用给定的输入输出数据建个一个模糊推理系统,并用一个反向传播或者与最小二乘法结合的来完成隶属函数的调节。

SUrfVieW(newfis)可以翻开外表视图窗口8.1模糊PID串联型新建一个SimUIink模型同时拖入一个fuzzy1ogiccontro11er模块,双击输入已经保存的fis模糊控制器的名字。

由于这个控制模块只有一个输入端口,需要用到I I1UX模块。

模糊结合PID,当输出误差较大时,用模糊校正,当较小时,用PID校正。

8.2模糊自适应PID[1)PID参数模糊自整定的原那么PID调节器的控制规律为:u(k)=Kpe(k)+Ki∑e(i)+Kdec(k)其中:KP为比例系数;Ki为积分系数;Kd为微分系数;e(k)、ec(k)分别为偏差和偏差变化率.模糊自整定P1D参数的目的是使参数Kp、Ki、Kd随着e和ec的变化而自行调整,故应首先建立它们间的关系.根据实际经验,参数KP、Ki、Kd在不同的e和ec下的自调整要满足如下调整原那么:(1)当e较大时,为加快系统的响应速度,防止因开始时e的瞬间变大可能会引起的微分溢出,应取较大的Kp和较小的Kd,同时由于积分作用太强会使系统超调加大,因而要对积分作用加以限制,通常取较小的Ki值;(2)当e中等大小时,为减小系统的超调量,保证一定的响应速度,Kp应适当减小;同时Kd 和Ki的取值大小要适中;(3)当e较小时,为了减小稳态误差,Kp与Ki应取得大些,为了防止输出响应在设定值附近振荡,同时考虑系统的抗干扰性能,Kd值的选择根据IeC1值较大时,Kd取较小值,通常Kd为中等大小。

同时按照需要,将输入语言变量E和EC分为7个模糊子集,分别用语言值正大(PB)、正中(PM)、正小(PS)、零(Z)、负小(NS)、负中(NM)、负大(NB)来表示,它们的隶属函数为高斯型(gaussmf),输出语言变量Kp/、Ki,、Ker用语言值小正大(PB)、正中(PM)、正小(PS)、零(Z)、负小(NS)、负中(NM)、负大(NB)来表示隶属函数为三角型(trimf),方法二:图-1模糊自适应Simu1ink模型根据各模糊子集的隶属度赋值表和各参数模糊控制模型,应用模糊合成推理设计分数阶PID参数的模糊矩阵表,算出参数代入下式计算:Kp=KpO+(E,EOpjKi=KiO+(E,EC)I;Kd=KdO+(E,EC)d式中:KpO.KiO.KdO为P1D参数的初始设计值,由传统的PID控制器的参数整定方法设计。

基于simulink的模糊自适应pid三闭环控制设计及仿真

基于simulink的模糊自适应pid三闭环控制设计及仿真

0 引言PID控制是目前应用于装备控制和自动化生产中一种比较成熟的控制方法,其具有算法相对简单、稳定性高和鲁棒性好的优点 [1]。

随着工业技术的发展对伺服电机的控制精度要求也在不断提高,单个PID控制器很难满足高精度的指标,目前常采用PID三闭环控制方法,即位置环、速度环、电流环组成的三环负反馈PID控制系统[2],PID 三闭环控制模型如图1所示。

其中内环是电流环,电流环为控制伺服电机输入电流大小的闭环回路,通过检测驱动器的输出电流值对设定电流进行调节,使得伺服电机的输入电流尽量接近设定电流;中间环是速度环,通过检测伺服电机编码器的速度反馈信号进行速度调节,速度环输出为电流环的设定,速度环的控制包含电流环控制;最外环为位置环,通过检测码盘位置信息进行位置控制,其输出为速度环的设定,在位置控制的同时进行速度和电流的控制[3-4]。

在使用PID三闭环控制方式控制伺服电机的过程中,需要对电流、速度、位置三环的PID参数依次进行调节,获得每个环中kp、ki、kd的最优值。

在实际调试中,由于三个PID控制器存在相互影响,需要调试人员具有较为丰富的经验,不断进行试验,以得到最优参数[5]。

当参数选择不合适时,系统容易发生超调现象,当一组最优PID参数选定后,负载变化或外部施加扰动时,伺服电机控制精度会迅速降低。

针对PID三闭环控制的缺点,本研究提出了基于模糊控制原理的模糊自适应PID三闭环控制方法。

1 模糊自适应PID三闭环控制方法设计模糊自适应PID控制以普通PID控制为基础,运用模糊数学的理论及方法,根据现有的工程经验,将相关运算规则用模糊集合表示,把模糊化后的控制规则作为先验知识储存于数据库中,然后根据系统输入信号的变化情况,计算机进行相应的模糊推理,实现对PID参数的自整定调整[6-8]。

在PID三闭环控制中,位置环反馈信号取自电机编码器或外部码盘,位置控制环输出为速度环的设定,在位置环控制模式下系统进行了电流、速度、位置三个环的运算,因此位置环PID控制器性能好坏很大程度上决定了PID三闭环控制的精度 [9]。

模糊pid matlab(simulink)仿真详细步骤

模糊pid matlab(simulink)仿真详细步骤

下面用一个简单的例子作介绍:(本例不是特别针对实现什么功能,只是为了介绍方便)第一部分创建一个模糊逻辑(.fis文件)第一步:打开模糊推理系统编辑器步骤:在Commond Window 键入fuzzy回车打开如下窗口,既模糊推理系统编辑器第二步:使用模糊推理系统编辑器本例用到两个输入,两个输出,但默认是一个输人,一个输出步骤:1、添加一个输入添加一个输出得如下图2、选择Input、output(选中为红框),在Name框里修改各输入的名称并将And method 改为prod,将Or method 改为 probor提示:在命名时’_’在显示时为下标,可从上图看出。

第三步:使用隶属函数编辑器该编辑器提供一个友好的人机图形交互环境,用来设计和修改模糊推理系中各语言变量对应的隶属度函数的相关参数,如隶属度函数的形状、范围、论域大小等,系统提供的隶属度函数有三角、梯形、高斯形、钟形等,也可用户自行定义。

步骤:1、双击任何一个输入量(In_x、In_y)或输出量打开隶属度函数编辑器。

2、在左下处Range和Display Range处添加取值范围,本例中In_x和In_y的取值范围均为[0 10], Out_x和Out_y的取值范围均为[0 1]3、默认每个输入输出参数中都只有3个隶属度函数,本例中每个输入输出参数都需要用到五个,其余几个需要自己添加:选中其中一个输入输出参数点击Edit菜单,选Add MFS…打开下列对话框将MF type设置为trimf(三角形隶属度函数曲线,当然你也需要选择其他类型) 将Number of MFs 设置为2点击OK按钮同样给其他三个加入隶属度函数4、选中任何一个隶属度函数(选中为红色),在Name 中键入名称,在Type中选择形状,在Params中键入范围,然后回车如下图:5、关闭隶属函数编辑器第四步:使用规则编辑器通过隶规则编辑器来设计和修改“IF...THEN”形式的模糊控制规则。

模糊控制实例及simulink仿真实验报告

模糊控制实例及simulink仿真实验报告

模糊控制实例及simulink仿真实验报告
一、背景介绍
模糊控制是一种基于模糊逻辑的控制方法,其优点在于可以很好地处理复杂的非线性和不确定性系统,而且不需要精确的数学模型和计算,能够快速实现控制的优化。

二、实例介绍
本次实例采用一个双轮小车为对象,实现小车在平面上向指定位置运动的控制。

通过小车的速度和转向角两个输入变量,输出一个模糊控制信号,控制小车前进和转向。

三、实验过程
1. 建立模糊控制系统模型
打开Simulink软件,建立一个新模型,模型中包括输入变量、输出变量和控制器。

2. 设计输入变量和输出变量
(1)设计输入变量
本实例选择小车速度和转向角两个输入变量,每个变量包含三个模糊集合,速度变量分别为“慢速”、“中速”、“快速”,转向角变量分别为“左转”、“直行”、“右转”。

(2)设计输出变量
模糊控制信号输出变量选择小车的前进和转向,每个变量包含三个模糊集合,分别为“慢行”、“中行”、“快行”、“左转”、“直行”、“右转”。

3. 建立控制器
建立模糊控制器,包含输入变量和输出变量的关系,建立控制规则库和模糊关系。

4. 仿真实验
在Simulink下进行仿真实验,调整控制器参数,观察小车运动状态,对比试验。

四、实验结果
经过多次试验和调整,得到最优的小车模糊控制参数,可以实现小车的平滑运动
和准确转向。

五、实验结论
本实验通过建立一个小车的模糊控制系统,可以有效实现小车的平滑运动和准确转向,控制效果优于传统的PID控制方法。

模糊控制可以很好地处理非线性、不确定性和模糊性的系统,适合许多需要快速优化控制的场合。

基于Matlabsimlink的模糊PID双闭环直流电机调速

基于Matlabsimlink的模糊PID双闭环直流电机调速
图8模糊双闭环直流调速系统仿真结果 仿真结果验证了模糊PI双闭环直流调
速系统比仅仅使用PI双闭环系统的控制性 能指标有了一定的优化。
3、结论
本文通过对直流调速系统的开环、双 闭环以及模糊PI控制器的双闭环系统进行 了仿真,验证了不同控制系统对于直流电 机调速的控制效果。开环系统冲击电流大, 机械特性差,双闭环控制系统较开环系统 具有明显的硬度,机械特性不易受干扰。采 用带自调整因子的模糊Pl控制器减小了系 统初始的冲击电流,并且响应速度有r明 显的改善,这在工业生产和电力系统自动 控制中具有微高的实用价值。
低于给定转速时,转速调节器的输出增加,
即电流给定上升,并通过电流环调节使电
动机电流增加,从而使电动机获得加速转
矩,电动机转速上升,并通过电流环调节使}
电动机电流下降,电动机将因为电磁转矩
减小而减速。在当转速调节器饱和输出达
到限幅值时,电流环即以最大电流限制实
现电动机的加速,使电动机的启动时间最
短,转速、电流双闭环直流凋速系统的仿真
开环直流调速由于自身的缺点几乎不 能满足生产过程的要求,在应J丰{广泛的双闭 环直流调速系统中,传统PID控制已经得 到了比较成熟的应用。但是受电动机负载 等非线性因素的影响,传统的控制策略在实 际应用中难以保持i殳计时的性能。随着模 糊控制技术应用的日渐成熟,又由于模糊 控制不依赖于被控对象的精确数学模型,能 够克服非线性因素的影响,对调节对象的参 数变化具有较强的鲁棒性,所以将模糊控 制与传统的PID控制结合可以起flltE好的 效果。模糊控制系统中,在当对象参数、 给定或扰动变化过大时,很难获得满意的 控制效果,在此基础提出自调整因子0t.模 糊控制器,根据控制的误差值,通过适当 的调节规则来调整一些关键控制参数值,

基于SIMULINK无刷直流电机模糊PID控制的建模与仿真

基于SIMULINK无刷直流电机模糊PID控制的建模与仿真
mo t or ,c o mb i n e t h e a p pl i c a t i o n o f S f u n c t i o n s ,an d p r o p o s e a f u z z y PI D c o n t r o l me t h o d Bu i l t u p t h e s i mu l a t i o n mo d e l o f t h e s y s t e m a n d p er f or me d a n e x p er i me n t t o t h e s y s t e m
i n s t r u c t i v e t o a c t u al l y b r u s hl e s s DC mo t or s p e e d c on t r ol s y s t em d e s i g n . Ke y wo r ds :B r u s h l e s s DC Mo t o r ; Dou b l e — l o o p Con t r ol ; F u z z y PI D Co n t r o l
a i mi n g a t t h e t y p i c al t wo - - ph a s e c o n du c t i o n s t ar t hr e e - - ph a s e s i x wor k s o f br u s hl es s DC
统的 P I D控 制 方法相 比有 更好 的稳 定性和抗干扰性 。
变量 、强耦合 、非线性的复杂系统 …,
因此 传统 P I D 控 制 器 难 以 获 得 满 意
态 响应 等 优 点 ,基 于无 刷 直 流 电机 具有一系列优点 ,已在交通 、工业、 家 电、航空航天、军工、伺服控制等 领域 都 被 广 泛地 使 用 ,因此 对其 控 制 方 式的研 究可 以更 广 泛的 挖掘 其

实例:MATLABSimulink实现模糊PID控制

实例:MATLABSimulink实现模糊PID控制

实例:MATLABSimulink实现模糊PID控制被控对象:Ts = 0.1;Plant = c2d(zpk([],[-1 -3 -5],1),Ts); %零极点模型,并离散化根据对象Plant,确定PID参数:C0 = pid(1,1,1,'Ts',Ts,'IF','B','DF','B'); % 定义PID结构C = pidtune(Plant,C0) %对PID参数进行优化[Kp, Ki, Kd] = piddata(C); % 输出参数得出PID结构及其参数值:接下来根据求出的PID参数确定GCE、GE 、GCU 和GU的取值:由模糊PID控制结构可得如下等式:Kp = GCU * GCE + GU * GEKi = GCU * GEKd = GU * GCE形式转换如下:GE = 10; %根据模糊控制的论语直接确定GCE = GE*(Kp-sqrt(Kp^2-4*Ki*Kd))/2/Ki=3.4285;GCU = Ki/GE=2.8631;GU = Kd/GCE=2.0138;模糊PID控制系统结构(连续模糊控制器):图中的离散时间积分和微分块直接调用。

模糊控制器输入输出结构:模糊控制器输入输出隶属度函数:模糊控制器规则表:模糊控制器规则曲面图:连续模糊PID控制器,仿真结果:模糊PID控制系统结构(离散模糊控制器):离散模糊控制器查询表:离散模糊PID控制器,仿真结果:主要代码如下:(1)、对象模型:Ts = 0.1;Plant = c2d(zpk([],[-1 -3 -5],1),Ts);(2)、PID参数优化:C0 = pid(1,1,1,'Ts',Ts,'IF','B','DF','B');C = pidtune(Plant,C0)[Kp, Ki, Kd] = piddata(C);(3)、比例因子确定:GE = 10;GCE = GE*(Kp-sqrt(Kp^2-4*Ki*Kd))/2/Ki;GCU = Ki/GE;GU = Kd/GCE;(4)、连续模糊PID控制建立:FIS = newfis('FIS','sugeno');%%% 定义输入E:FIS = addvar(FIS,'input','E',[-10 10]);FIS = addmf(FIS,'input',1,'Negative','gaussmf',[7 -10]); FIS = addmf(FIS,'input',1,'Positive','gaussmf',[7 10]); %%% 定义输入CE:FIS = addvar(FIS,'input','CE',[-10 10]);FIS = addmf(FIS,'input',2,'Negative','gaussmf',[7 -10]); FIS = addmf(FIS,'input',2,'Positive','gaussmf',[7 10]); %%% 定义输出u:FIS = addvar(FIS,'output','u',[-20 20]);FIS = addmf(FIS,'output',1,'Min','constant',-20);FIS = addmf(FIS,'output',1,'Zero','constant',0);FIS = addmf(FIS,'output',1,'Max','constant',20);% 定义规则:%% # If |E| is Negative and |CE| is Negative then |u| is -20 % # If |E| is Negative and |CE| is Positive then |u| is 0% # If |E| is Positive and |CE| is Negative then |u| is 0% # If |E| is Positive and |CE| is Positive then |u| is 20 ruleList = [1 1 1 1 1;... % Rule 11 2 2 1 1;... % Rule 22 1 2 1 1;... % Rule 32 23 1 1]; % Rule 4FIS = addrule(FIS,ruleList);gensurf(FIS) %生成模糊控制器(5)、离散模糊控制器查询表:Step = 2;E = -10:Step:10;CE = -10:Step:10;N = length(E);LookUpTableData = zeros(N);for i=1:Nfor j=1:N% compute output u for each combination of break points LookUpTableData(i,j) = evalfis([E(i) CE(j)],FIS);endend。

模糊控制simulink实例

模糊控制simulink实例

模糊控制simulink实例模糊控制是一种基于人类智能的控制方法,其能够克服传统控制方法中的困难和不足,使得控制系统能够更加稳定和灵活地进行控制。

在模糊控制中,模糊规则和模糊推理是非常关键的,而Simulink正是一款非常适合模拟和控制系统的MATLAB工具箱。

现在,我们就来看一个基于Simulink的模糊控制实例。

假设我们有一个小车可以沿着一条直线上下运动,并且需要通过模糊控制来控制小车的运动。

我们将小车的速度和位置分别作为系统的输入和输出,其中小车的速度可以在0-10m/s之间变化,而小车的位置则可以在0-50m之间变化。

需要注意的是,在这个系统中,小车的速度和位置都是模糊的,我们需要通过模糊规则和推理来确定小车应该如何移动。

首先,我们需要确定一组模糊规则来描述小车的运动。

这里我们设定了三个模糊规则,分别是:1. 如果小车位置很靠近上限,那么小车速度应该减缓。

2. 如果小车位置中间,那么小车速度应该保持不变。

3. 如果小车位置很靠近下限,那么小车速度应该加速。

然后,我们需要建立一组模糊推理机制来根据当前状态来确定小车的下一个状态。

这里我们选择了三个模糊推理机制:模糊最小性、模糊加法和模糊乘法。

其中,模糊最小性是用来确定模糊集合之间的交集,模糊加法是用来确定两个模糊集合之间的并集,而模糊乘法则是用来确定两个模糊集合之间的乘积。

最后,我们需要使用Simulink建立一个模糊控制系统,并将上述规则和推理机制应用到这个系统中。

在Simulink中,我们可以使用Fuzzy Logic Controller来实现这个过程。

首先,我们需要将输入和输出变量添加到Fuzzy Logic Controller中。

然后,我们需要为每个变量设置一个模糊集合,以便能够将当前状态转换为模糊状态。

接下来,我们需要将模糊规则添加到Fuzzy Logic Controller中,并为每个规则设置一些权重,以便能够决定规则的优先级。

(完整版)基于SIMULINK的Fuzzy-PID控制器设计

(完整版)基于SIMULINK的Fuzzy-PID控制器设计

基于SIMULINK的Fuzzy-PID控制器设计一、基本要求设计一种Fuzzy-PID控制算法,利用MATLAB的SIMULINK进行仿真研究,根据实验结果比较Fuzzy-PID控制算法与普通的PID算法的的抗干扰能力和鲁棒性及动、静态控制精度。

提示:已知某典型工业过程的传递函数为:G(s) =120/(4200s2+170s+1)应用模糊集合理论,建立参数与系统误差和误差变化率之间的二元连续函数关系,并用模糊控制器根据不同的Kp、Ki和Kd误差和误差变化率在线自整定PID参数。

二、理论基础传统的PID线性控制器根据被控对象的不同,适当的调整PID参数,可以获得比较满意的控制效果。

然而,传统PID控制器的线性特性只有在工作点附近才能获得较理想的效果,当偏离工作点较远时,由于控制对象的非线性,系统的性能会变差,甚至不稳定。

而模糊控制方法无需建立被控对象的数学模型,在偏离工作点的区域可明显改善控制的动态性能,同时对噪声也有较强的抑制能力,鲁棒性较好。

但模糊控制器的本质上属于非线性控制方法,消除系统误差的性能较差,难以达到较高控制精度。

单纯采用PID控制和Fuzzy控制都不会取得较好的控制效果,二采用Fuzzy-PID 控制方式是一种较好的控制方法。

它能发挥Fuzzy控制鲁棒性强、动态响应好、上升时间快、超调量小的特点,同时又具有PID控制器的动态跟踪品质和稳态精度。

模糊控制器的基本组成,如图1所示。

图1模糊控制器基本组成模糊控制器主要由模糊化接口、模糊推理、清晰化接口和知识库4部分组成。

模糊化接口的作用是将输入的精确量转化为模糊化量,并用相应的模糊集合来表示。

模糊推理是模糊控制器的核心,它具有模拟人的基于模糊概念的推理能力,该推理过程是基于模糊逻辑中的蕴含关系及推理规则来进行的。

清晰化接口的作用是将模糊推理得到的控制量变换为实际用于控制的精确控制量。

知识库中包含了具体应用领域的知识和要求的控制目标,它通常由数据库和模糊控制规则两部分组成。

基于Simulink仿真模糊PID智能车控制算法研究

基于Simulink仿真模糊PID智能车控制算法研究

2020年第11期229基于Simulink 仿真模糊PID 智能车控制算法研究王寅文* WANG Yin-wen摘 要 智能车是结合了传感器系统、计算机处理器系统以及动力驱动系统等综合技术的产物。

如何智能的获取路面信息以及对路况信息进行合适、准确、迅速的判断是智能车急需解决的难题。

本文主要论述了利用PID 算法对智能车进行控制,本文首先介绍了传统PID 算法与智能PID 算法的差异与优缺点,再介绍了模糊PID 算法的原理以及在智能车中的应用,并通过Simulink 进行了模糊PID 算法的仿真,与传统PID 算法进行了分析比较,说明了模糊PID 算法可以动态地调整参数,在实际控制中应用范围更为广阔。

此外本文还讨论了如何将PID 算法运用在智能车的控制中。

最后本文论述了PID 控制算法的运用能够极大地拓展智能车控制的可能性,具有光明的研究前景。

关键词 模糊PID 算法;车速控制;MATLAB 仿真;研究展望doi:10.3969/j.issn.1672-9528.2020.11.072* 哈尔滨商业大学计算机与信息工程学院 黑龙江哈尔滨 150028[基金项目] 黑龙江省哈尔滨商业大学大学生创新创业训练项目省级一般项目《面向青少年的基于STM32的趣味编程教育平台 》(201910240046)0 引言智能车是综合传感器系统,单片机控制系统,电机驱动系统为一体的综合系统,智能小车可用于危险恶劣环境的无人探查和作业,其控制技术可以被应用到车辆导航、自动驾驶、智能物流等领域前景广泛[1]。

现有智能车的自动控制基本在于准确的路径识别,通过路径识别,智能车才能做到正确循迹,现有智能车的最基本的路径识别是基于红外反射式光电传感器,该种传感器硬件电路简单、成本较为低廉、反应速度较快的优点。

通过红外光在路径上的反射将传感器的值离散成“0”与“1”,智能车通过传感器的结果值来判断是否检测到轨迹线,该算法易于实现,但是由于取值离散,小车的方向和速度将会产生阶跃的反应,因此智能车反应将会滞后,动作将会不连贯,影响智能车的速度和稳定性。

基于simulink的模糊PID控制例子06465(谷风软件)

基于simulink的模糊PID控制例子06465(谷风软件)

1模糊PID用命令Fuzzy打开模糊控制工具箱。

Anfisedit打开自适应神经模糊控制器,它用给定的输入输出数据建个一个模糊推理系统,并用一个反向传播或者与最小二乘法结合的来完成隶属函数的调节。

Surfview(newfis)可以打开表面视图窗口8.1 模糊PID 串联型新建一个simulink模型同时拖入一个fuzzy logic controller 模块,双击输入已经保存的fis模糊控制器的名字。

由于这个控制模块只有一个输入端口,需要用到mux模块。

模糊结合PID,当输出误差较大时,用模糊校正,当较小时,用PID校正。

8.2 模糊自适应PID(1)PID 参数模糊自整定的原则PID 调节器的控制规律为: u( k) = Kp e( k) + Ki Σe( i) + Kd ec( k)其中: Kp 为比例系数; Ki 为积分系数; Kd为微分系数; e( k) 、ec( k) 分别为偏差和偏差变化率.模糊自整定PID 参数的目的是使参数Kp 、Ki 、Kd随着e 和ec 的变化而自行调整,故应首先建立它们间的关系. 根据实际经验,参数Kp 、Ki 、Kd在不同的e 和ec 下的自调整要满足如下调整原则:(1) 当e 较大时,为加快系统的响应速度,防止因开始时e 的瞬间变大可能会引起的微分溢出,应取较大的Kp 和较小的Kd ,同时由于积分作用太强会使系统超调加大,因而要对积分作用加以限制,通常取较小的Ki值;(2) 当 e 中等大小时,为减小系统的超调量, 保证一定的响应速度, Kp 应适当减小;同时Kd 和Ki的取值大小要适中;(3) 当e 较小时,为了减小稳态误差, Kp 与Ki 应取得大些,为了避免输出响应在设定值附近振荡,同时考虑系统的抗干扰性能,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。

同时按照需要,将输入语言变量E 和EC 分为7 个模糊子集,分别用语言值正大( PB) 、正中( PM) 、正小( PS) 、零(Z) 、负小(NS) 、负中(NM) 、负大(NB) 来表示,它们的隶属函数为高斯型(gaussmf) ,输出语言变量Kp′、Ki′、Kd′用语言值小正大( PB) 、正中( PM) 、正小( PS) 、零(Z) 、负小(NS) 、负中(NM) 、负大(NB) 来表示隶属函数为三角型(t rimf) ,方法二:图-1模糊自适应simulink模型根据各模糊子集的隶属度赋值表和各参数模糊控制模型,应用模糊合成推理设计分数阶PID参数的模糊矩阵表,算出参数代入下式计算:Kp=Kp0+(E,EC)p;Ki=Ki0+(E,EC)I;Kd=Kd0+(E,EC)d式中:Kp0、Ki0、Kd0为PID参数的初始设计值,由传统的PID控制器的参数整定方法设计。

无刷直流电机模糊pid控制器的simulink设计

无刷直流电机模糊pid控制器的simulink设计

无刷直流电机模糊pid控制器的simulink设计在控制系统中,PID控制器是最常见且广泛应用的控制器之一,它通过调节比例项、积分项和微分项来实现对系统的控制。

而模糊控制器则是一种基于模糊逻辑的控制器,能够处理系统模型非线性、参数变化较大或难以精确建模的情况。

将PID控制器与模糊控制器相结合,可以充分发挥各自的优势,提高系统的控制性能。

在Simulink中设计无刷直流电机模糊PID控制器,首先需要建立电机模型。

电机模型可以通过数学建模或直接使用Simulink中的电机模型来实现。

接下来,需要设计PID控制器和模糊控制器。

PID控制器的参数可以通过经验法则、试错法或自整定法等方法进行调节,以获得合适的控制效果。

模糊控制器的设计需要确定模糊集合、模糊规则库和模糊推理方法,以实现对系统的模糊控制。

设计无刷直流电机模糊PID控制器的Simulink模型时,可以按照以下步骤进行:1. 建立电机模型:选择合适的直流电机模型,包括电机的电气特性、机械特性和控制接口等。

2. 设计PID控制器:设置PID控制器的比例、积分和微分参数,通过模拟和调节,使得系统的响应速度、稳定性和抗干扰能力达到要求。

3. 设计模糊控制器:确定模糊控制器的模糊集合、模糊规则库和模糊推理方法,设置模糊控制器的输入输出变量和模糊规则。

4. 整合PID控制器和模糊控制器:将PID控制器和模糊控制器串联或并联,根据系统的要求和性能指标来设计控制器的整体结构。

5. 仿真验证:在Simulink中进行仿真验证,通过模拟系统的运行情况和控制效果,来评估控制器的性能和稳定性。

通过以上步骤的设计和仿真验证,可以得到一个合理、有效的无刷直流电机模糊PID控制器的Simulink模型。

在实际应用中,可以根据系统的实际情况和性能要求,进一步优化控制器的参数和结构,以实现更好的控制效果。

同时,不断的实验和调试,能够进一步提高控制器的稳定性和鲁棒性,确保系统的可靠性和性能的提升。

模糊pid控制实例

模糊pid控制实例

模糊pid控制实例以下是一个模糊PID控制的简单实例:假设我们要控制一台电机的转速,目标是使电机转速尽可能稳定在设定值附近。

根据模糊PID控制器的工作原理,我们可以进行以下步骤:1. 设定目标值和初始设定值:设定电机转速的目标值,例如1000转/分钟。

同时设置初始的PID参数。

- 设定值(SP,Set Point)= 1000 RPM- 比例增益 (Kp) = 1- 积分时间(Ti) = 1- 微分时间(Td) = 0.12. 测量电机转速:使用传感器或编码器来测量电机当前的转速,得到当前的反馈值。

3. 模糊控制规则建立:基于当前误差(设定值减去反馈值)和误差的变化率,建立一组模糊逻辑规则,例如: - 如果误差为"NB"并且误差变化率为"PB",则输出为"NB"。

- 如果误差为"NB"并且误差变化率为"NM",则输出为"NM"。

- ...4. 模糊推理和模糊输出:根据模糊逻辑规则,进行模糊推理,即将当前的误差和误差变化率映射到模糊输出的隶属度值上。

5. 解模糊:将模糊输出映射回具体的控制量,例如根据模糊输出计算PID控制器的输出量。

6. 更新PID参数:根据误差的变化和模糊输出的结果来更新PID控制器的参数,例如根据误差的大小和变化率来调整PID参数,以使控制更加精确。

7. 反馈控制:将PID控制器的输出量应用于电机,调整电机的转速。

8. 循环控制:循环执行上述步骤,不断更新PID参数和反馈控制,使得电机转速尽可能稳定在设定值附近。

需要注意的是,以上是一个简单的示例,实际的模糊PID控制根据具体的应用情况和系统特点会有所差异。

参数的选择和模糊规则的建立都需要根据具体的控制对象进行优化和调整。

此外,在实际应用中,还需要考虑到系统的鲁棒性、性能指标等因素。

基于simulink的模糊控制仿真

基于simulink的模糊控制仿真

基于simulink的模糊控制仿真已知系统的传递函数为:1/(10+1)某e(-0.5)。

假设系统给定为阶跃值r=30,系统初始值r0=0.试分别设计(1)常规的PID控制器;(2)常规的模糊控制器;(3)比较两种控制器的效果;(4)当通过改变模糊控制器的比例因子时,系统响应有什么变化?一.基于imulink的PID控制器的仿真及其调试:调节后的Kp,Ki,Kd分别为:10,1,0.05。

示波器观察到的波形为:二.基于imulink的模糊控制器的仿真及其调试:(1)启动matlab后,在主窗口中键入fuzzy回车,屏幕上就会显现出如下图所示的“FISEditor”界面,即模糊推理系统编辑器。

(2)双击输入量或输出量模框中的任何一个,都会弹出隶属函数编辑器,简称MF编辑器。

(3)在FISEditor界面顺序单击菜单Editor—Rule出现模糊规则编辑器。

本次设计采用双输入(偏差E和偏差变化量EC)单输出(U)模糊控制器,E的论域是[-6,6],EC的论域是[-6,6],U的论域是[-6,6]。

它们的状态分别是负大(NB)、负中(NM)、负小(NS)、零(ZO)、正小(PS)、正中(PM)、正大(PB)。

语言值的隶属函数选择三角形的隶属度函数。

推理规则选用Mamdani控制规则。

该控制器的控制规则表如图所示:Simulink仿真图如下:在调试过程中发现加入积分调节器有助于消除静差,通过试凑法得出量化因子,比例因子以及积分常数。

Ke,Kec,Ku,Ki分别是:3,2.5,3.5,0.27三.实验心得:通过比较PID控制器和模糊控制器,我们可知两个系统观察到的波形并没有太大的区别。

相对而言,对于给出精确数学模型的控制对象,PID控制器显得更具有优势,其一是操作简单,其二是调节三个参数可以达到满意的效果;对于给出给出精确数学模型的控制对象,模糊控制器并没有展现出太大的优势,其一是操作繁琐,其二是模糊控制器调节参数的难度并不亚于PID控制器。

本科论文--基于MATLAB-Simulink下的模糊自适应PID在锅炉汽包水位控制中的应用

本科论文--基于MATLAB-Simulink下的模糊自适应PID在锅炉汽包水位控制中的应用

基于MATLAB/Simulink下的模糊自适应PID在锅炉汽包水位控制中的应用摘要:基于MATLAB/Simulink平台,建立一种模糊自适应PID系统的仿真模型,应用于锅炉汽包水位的控制过程,给出仿真的具体实现方法,并在系统运行过程中加入干扰信号,结果显示出系统具有良好的动态性能和较强的抗干扰性能,证明了本文方法的有效性。

关键词:PID 模糊自适应锅炉水位 SimulinkApplication of Fuzzy self-tunning PID controller in the boiler drum level based onMATLAB/simulinkGEWei ZHUZhang-qing(.Faculty of Engineering Department,Anhui Agriculture University,Hefei,230036,china)Abstract: Based on MATLAB/Simulink, a emulation model of Fuzzy self-tunning PID s ystem is builded up and applied to control boiler drum level.The detailed method of emul ation is given. The interference signal is added in the operation of system.The result show s good dynamic performance and stronger anti-interference function. It proves the approa ch proposed in this paper is effective.Keywords: PID Fuzzy Self-tunning drum level Simulink1 引言PID控制堪称控制领域的常青树,至今仍占据工业过程控制中90%以上的回路,具有结构简单、适应性强、鲁棒性好等优点,但受其控制参数整定的限制,对于非线性、大滞后系统难以达到满意的控制效果。

基于Matlab_Simulink电动汽车异步电动机模糊PI控制

基于Matlab_Simulink电动汽车异步电动机模糊PI控制
s
2
电动汽车动力学模型
为求得驱动电机的负载转矩 , 须把电动汽车
在行驶过程中所受到的各种负载力或负载力矩等 效到电机轴上 , 因此 , 有如下公式 TL = Tf + T w + T i+ T j CD A 2 r 其中 T f = mgf r r ; T W = va ; !i 21. 5 !i r dva r nr T i = mg t g ∀ ; T j = # m ; v a = 0. 377 . !i d t !i i ( 6)
图7
计算电动机转矩与实际电磁转矩
参考文献 :
[ 1] 孙逢春 , 程夕明 . 电动汽车动力驱动系统及发展 [ J] . 汽车工 程 , 2000, 22( 4) : 220 224. [ 2] 曹秉刚 . 电动汽 车技术进 展和发展 趋势 [ J ] . 西安 交通大 学 学报 , 2004, 38( 1) : 1 5. [ 3] 李永东 . 交流电机 数字控制 系统 [ M ] . 北 京: 机械 工业出 版 社 , 2002. [ 4] 汤东胜 , 吴光强 , 董 华林 . 电动汽车 矢量 控制的 模糊 - PID 复合控制方式 [ J] . 汽车工程 , 2003, 25( 1) : 61 64. 图6 给定汽车车速与实际输出车速 [ 5] 李华德 . 交 流调速 控制 系统 [ M ] . 北京 : 电子 工业 出版 社 , 2003. [ 6] 韩瑞珍 . PID 控制器参数模糊自整定研究 [ D] . 杭州 : 浙江 大 学 , 2001. [ 7] 翟 丽 , 孙逢春 . 电动汽车感应电机矢量控制系统建模仿 真 [ J] . 驱动控制 , 2004, ( 5) : 23 26. [ 8] 毛晓英 , 罗 文广 . 基 于 M A TLA B/ SIM U LINK 的异 步电 动 机矢量控制调速系 统仿真 [ J ] . 东北电 力技 术 , 2004, ( 1 ) : 14 16.

基于Matlab/Simulink的模糊PID控制的异步电机矢量控制系统仿真

基于Matlab/Simulink的模糊PID控制的异步电机矢量控制系统仿真
信 息 技 术
移动 电子 商务模 式下打车软件 的发展 战略探 究
以滴滴打 车为例
张 星 碉
扬州大学商学院 江苏 扬州 2 2 5 0 0 0
摘 要: 随 着移动 电子 商务 的不 断发展 , 出行入 口平 台 已经成 为 了各 大 电子 商务 公 司 争先抢 占的 焦点 。其 中“ 滴 滴打 车” 凭借 其 简易的
关键 词 : 移动 电子 商务 ; 打 车软件 ; 滴车软 件是 一 种智 能手 机 应用 , 乘 客可 以通 过 打 车软 件发 布 打 车 信息 , 同时使 用该 软 件 的司机 在接 收 到乘 客 的打 车信 息 后 可根 据 实 际情 况进行 匹 配并抢 单 。这 样 的形式 既解决 了乘 客 的“ 打 车难 ” 问 题, 也降低了出租车司机的空载率 , 一举 两得 。打车软件于 2 0 1 2年 在 上海 兴起 , 截止 至 2 0 1 4 年l 2月 , 中 国打 车软 件用 户账 户数 达到 了
操作, 精 准 的服 务 以及 持 续的 资本 支持 以 6 8 . 1 % 的 市场份 额稳 居 市场 第一 , 但 是在 其发 展过 程 中也遇 到 了一 些 问题 。 本 文将 从行 业 外部 环境 和 企业核 心 竞争 力 两方面入 手 来分析 滴 滴打 车软件 所 面临 的机 会 与威 胁 以及 它 自身的核 心 能力 , 并 探 究其 未来 的发展 战略 。

1 . 7 2 亿, 并仍在持续增长。经过三年多的平台抢夺战, 滴滴打车软件 以6 8 . 1 %的市场份额抢占了上风, 其用户规模 已经突破 1 亿, 日均订 单 量也 突破 了 5 2 1 . 8 3 万, 并 覆 盖 了包 括 北 、 上、 广、 深 等超 过 1 7 8 家
  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)。

1模糊PID
用命令Fuzzy打开模糊控制工具箱。

Anfisedit打开自适应神经模糊控制器,它用给定的输入输出数据建个一个模糊推理系统,并用一个反向传播或者与最小二乘法结合的来完成隶属函数的调节。

Surfview(newfis)可以打开表面视图窗口
8.1 模糊PID 串联型
新建一个simulink模型同时拖入一个fuzzy logic controller 模块,双击输入已经保存的fis模糊控制器的名字。

由于这个控制模块只有一个输入端口,需要用到mux模块。

模糊结合PID,当输出误差较大时,用模糊校正,当较小时,用PID 校正。

8.2 模糊自适应PID
(1)PID 参数模糊自整定的原则
PID 调节器的控制规律为: u( k) = Kp e( k) + Ki Σe( i) + Kd ec( k)
其中: Kp 为比例系数; Ki 为积分系数; Kd为微分系数; e( k) 、ec( k) 分别为偏差和偏差变化率.模糊自整定PID 参数的目的是使参数Kp 、Ki 、Kd随着e 和ec 的变化而自行调整,故应首先建立它们间的关系. 根据实际经验,参数Kp 、Ki 、Kd在不同的e 和ec 下的自调整要满足如下调整原则:
(1) 当e 较大时,为加快系统的响应速度,防止因开始时e 的瞬间变大可能会引起的微分溢出,应取较大的Kp 和较小的Kd ,同时由于积分作用太强会使系统超调加大,因而要对积分作用加以限制,通常取较小的Ki值;
(2) 当e 中等大小时,为减小系统的超调量, 保证一定的响应速度, Kp 应适当减小;同时Kd 和Ki的取值大小要适中;
(3) 当e 较小时,为了减小稳态误差, Kp 与Ki 应取得大些,为了避免输出响应在设定值附近振荡,同时考虑系统的抗干扰性能,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。

同时按照需要,将输入语言变量E 和EC 分为7 个模糊子集,分别用语言值正大( PB) 、正中( PM) 、正小( PS) 、零(Z) 、负小(NS) 、负中(NM) 、负大(NB) 来表示,它们的隶属函数为高斯型(gaussmf) ,输出语言变量Kp′、Ki′、Kd′用语言值小正大( PB) 、正中( PM) 、正小( PS) 、零(Z) 、负小(NS) 、负中(NM) 、负大(NB) 来表示隶属函数为三角型(t rimf) ,
方法二:
图-1模糊自适应simulink模型根据各模糊子集的隶属度赋值表和各参数模糊控制模型,应用模糊合成推理设计分数阶PID参数的模糊矩阵表,算出参数代入下式计算:
Kp=Kp0+(E,EC)p;Ki=Ki0+(E,EC)I;Kd=Kd0+(E,EC)d
式中:Kp0、Ki0、Kd0为PID参数的初始设计值,由传统的PID控制器的参数整定方法设计。

(E,EC)p、(E,EC)i、(E,EC)d即(ΔKp, ΔKi, ΔKd)为模糊控制器的3个输出,可根据被控对象的状态自动调整PID三个控制参数的取值。

PID控制器部分
例子:下面是一个例子工业控制常见例子二阶惯性加纯滞后环节,传递函数为
)
1)(1(21++=-s T s T e G s
s τ,T1=1,T2=1,τ=0.3,模糊化因子,ke=kec=0.01;解模糊因子k1=0.5,k2=0.05,k3=0.05;PID 初始值Kp0=6.5;Ki0=1;Kd0=3.5;设置采样频率为0.01s 。

建立simulink 系统模型如下。

其中模糊控制器变量论域取[-6 6]. 同时按照需要,将输入语言变量 E 和EC 分为7 个模糊子集,分别用语言值正大( PB) 、正中( PM) 、正小( PS) 、零(Z) 、负小(NS) 、负中(NM) 、负大(NB) 来表示。

对于模糊控制规则按照上面的表选取。

图5-绿色线为fuzzy_pid输出,红色线为常规PID输出
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。

huarongdao 工程师
精华0
积分237
帖子118
水位237
技术分0 问关于单点模糊化和matlab仿真的问题,了!
最近粗学了模糊控制。

对于模糊化很不理解。

书上看到的输入模糊化方法是把输入对应输入隶属度大选取相应的模糊集合。

规则前件的隶属函数是否与输入隶属函数选取应该一样?看到很多地方都谈到输入模糊化用单点模糊的方法,感觉很难理解。

如果每个点对应一个模糊集合,那么不是有无穷多个输入模糊集合?规则前件的隶属函数是否也要选取单点的?matlab里的fis editor 没有选取模糊化的方法,那么默认的方法是单点还是输入对应输入隶属度大选取相应模糊集的方法呢??
大家的回复,不胜感激!!
2007-7-4 01:52 #1
joedahachi
工程师
精华0 积分326 帖子154 水位311 技术分0 单点模糊化只是针对集合的元素只有一个的情况。

一般情况下不用单点模糊化。

在设计以控制器时首先选取控制器的输入变量,然后对输入变量进行模糊划分,比如我们选“速度”作为语言变量,速度有快、慢、合适之分,我们可以把“速度”这个语言变量定义为由快、慢、合适等语言值组成的模糊集合,然后把快慢合适用隶属度函数表示,,规则的前件就是输入语言变量的各个语言值的隶属度函数。

matlab里的fise ditor里有模糊化的方法,模糊化的方法就是选取各个输入语言变量值的隶属度函数,那里边包含的是一些常用的隶属度函数如:gaussmf、gbellmf等函数。

隶属度函数的定义是否是单点模糊化要看相应的集合的元素是一个元素还是多个,或者说是离散的还是连续的,不能一概而论。

2007-7-4 17:00 #2
wnjnan
助理工程师
精华0
积分35 帖子17
水位35
技术分0 楼上答复。

但是很多书在写模糊系统的数学表达式的时候,都是用单点模糊化的方法。

而且有几本书里都说单点模糊化是很常用的方法啊。

2007-7-4 18:30 #3
`
Word 文档 andonchol
工程师
精华 0
积分 300
帖子 149
水位 300
技术分 0
昨晚上细看了下模糊推理过程,对这问题比较清楚了。

我理解matlab 的FIS editor 就是用单点模糊化方法进
行输入模糊化的。

模糊化隶属函数和规则前件的隶属函数没有必然的联系。

相关文档
最新文档