东北林业大学机电工程学院智能控制大作业1
(完整版)智能控制作业1
(完整版)智能控制作业12013-2014第⼆学期“智能控制”作业1姓名:张春风学号:130******** 专业:机械电⼦⼯程1、模糊性与随机性有哪些异同?答:同:模糊性由于事物类属划分的不分明⽽引起的判断上的不确定性;随机性是由于条件不充分⽽导致的结果的不确定性。
所以,它们都表⽰不确定性。
异:随机性反映了因果律的破缺;模糊性所反映的是排中律的破缺。
随机性现象可⽤概率论的数学⽅法加以处理,模糊性现象则需要运⽤模糊数学。
2、模糊控制的应⽤领域如何?答:航空航天,⽆⼈驾驶车辆,⽣产调度系统,能源⽣产系统,过程控制系统,机器⼈ 3、⽐较模糊集合与普通集合的异同?答:异:(1)普通集合是指具有某种属性的对象的全体。
这种属性所表达的概念应该是清晰的,界限分明的。
因此每个对象对于集合的⾪属关系也是明确的,⾮此即彼。
模糊集合就是指具有某个模糊概念所描述的属性的对象的全体。
由于概念本⾝不是清晰的、界限分明的,因⽽对象对集合的⾪属关系也不是明确的、⾮此即彼的。
(2)普通集合的表⽰法有列举法、描述法、图⽰法、⾃然语⾔。
模糊集合表⽰法有Zadeh 表⽰法、向量表⽰法、序偶表⽰法。
同:都属于集合,同时具备集合的基本性质。
4、设某种商品有8个不同的商标,商标构成的论域为{}821,,,x x x U Λ=,B A ,为论域U 上的两个模糊集,A 表⽰“商誉⾼”,B 表⽰“价格合理”,已知{}3.04.05.06.07.04.06.08.0=A {}7.06.05.04.08.06.04.07.0=B试计算B A I ,B A Y ,CA ,CB答:由交,并,补的定义可得A ∩B={0.7 0.4 0.4 0.7 0.4 0.5 0.4 0.3} A ∪B={0.8 0.6 0.6 0.8 0.6 0.5 0.6 0.7} A C ={0.2 0.4 0.6 0.3 0.4 0.5 0.6 0.7}BC ={0.3 0.6 0.4 0.2 0.6 0.5 0.4 0.3}5、设论域{}54321,,,,x x x x x U =,A 及B 为论域U 上的两个模糊集,已知5432118.06.04.02.0x x x x x A ++++=54313.017.01.0x x x x B +++=试计算:B A I ,B A Y ,C A ,CB ,CB A Y , CA A Y ,CA A I ,B A ?,B A +,B A ⊕,B A ο。
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 NB2、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:255.01)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; MATLAB中的设置界面如下:模糊规则的确定:模糊控制器的输出量在simulink中调用模糊控制器,观察输出结果运行结果为ScopeScope1 Scope23、利用去模糊化策略,分别求出模糊集A 的值。
《智能控制技术大作业》(神经网络控制部分)
基于神经模糊控制的洗衣机设计20世纪90年代初期,日本松下电器公司推出了神经模糊控制全自动洗衣机。
这种洗衣机能够自动判断衣物的质地软硬程度、洗衣量、脏污程度和性质等,应用神经模糊控制技术,自动生成模糊控制规则和隶属度函数,预设洗衣水位、水流强度和洗涤时间,在整个洗衣过程中实时调整这些参数,以达到最佳的洗衣效果。
一、洗衣机的模糊控制洗衣机的主要被控变量为洗涤时间和洗涤时的水流强度,而影响输出变量的主要因子是被洗涤物的浑浊程度和浑浊性质,后者可用浑浊度的变化率来描述。
在洗涤过程中,油污的浑浊度变化率小,泥污的浑浊度变化率大。
因此,浑浊度及其变化率可以作为控制系统的输入变量,而洗涤时间和水流强度可作为控制量,即系统的输出。
实际上,洗衣过程中的这类输入和输出之间很难用数学模型进行描述。
系统运行过程中具有较大的不确定性,控制过程在很大程度上依赖操作者的经验,这样一来,利用常规的方法进行控制难以奏效。
然而,如果利用专家知识进行控制决策,往往容易实现优化控制,这就是在洗衣机中引入模糊控制技术的主要原因之一。
根据上述的洗衣机模糊控制基本原理,可得出确定洗涤时间的模糊推理框图如下:其中,模糊控制器的输入变量为洗涤水的浑浊度及其变化率,输出变量为洗涤时间。
考虑到适当的控制性能需要和简化程序,定义输入量浑浊度的取值为:浑浊度={清,较浊,浊,很浊}定义输入量浑浊度变化率的取值为:浑浊度变化率={零,小,中,大}定义输出量洗涤时间的取值为:洗涤时间={短,较短,标准,长}显然,描述输入/输出变量的词集都具有模糊性,可以用模糊集合来表示。
因此,模糊概念的确定问题就直接转化为求取模糊集合的隶属函数问题。
暂不考虑模糊控制系统的量化因子和比例因子。
对于洗衣机的模糊控制问题,设其模糊控制器的输入变量(浑浊度和浑浊度变化率)隶属函数的论域均为输入变量论域={0,1,2,3,4,5,6}模糊控制器的输出变量(洗涤时间)隶属度函数的论域为输出变量论域={0,1,2,3,4,5,6,7}每个模糊变量属于上述论域的模糊子集如表1所示。
智能控制大作业
南京工程学院自动化学院《智能控制技术》大作业课 程 名 称:院(系、部、中心):业: 级: 名: 号: 智能控制技术 康尼学院自动化K 自动化121 刘爽 240120902课程论文成绩评定:指导教师签字:专班姓学2015 年6 月24 日摘要模糊控制是以模糊集合论作为它的数学基础,用语言规则表示方法和先进的计算机技术,由模糊推理进行决策的一种高级控制策。
模糊控制作为以模糊集合论、模糊语言变量及模糊逻辑推理为基础的一种计算机数字控制,它已成为目前实现智能控制的一种重要而又有效的形式尤其是模糊控制和神经网络、遗传算法及混沌理论等新学科的融合,正在显示出其巨大的应用潜力。
实质上模糊控制是一种非线性控制,从属于智能控制的范畴。
模糊控制的一大特点是既具有系统化的理论,又有着大量实际应用背景。
本文简要回顾了模糊控制理论的发展,详细介绍了模糊控制理论的原理和模糊控制器的设计步骤,分析了模糊控制理论的优缺点以及模糊控制需要完善或继续研究的内容,根据各种模糊控制器的不同特点,对模糊控制的应用进行了分类,并分析了各类模糊控制器的应用效能.最后,展望了模糊控制的发展趋势与动 ^态。
关键词:模糊控制;模糊控制理论;模糊控制系统;模糊控制理论的发展第一节引言1.1模糊控制系统简介模糊控制系统是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术。
自从美国加利福尼亚大学控制论专家L.A.Zadeh教授在1965年提出的《Fuzzy Set》开创了模糊数学的历史,吸引了众多的学者对其进行研究,使其理论和方法日益完善,并且广泛的应用于自然科学和社会科学的各个领域,尤其是第五代计算机的研制和知识工程开发等领域占有特殊重要的地位。
把模糊逻辑应用于控制领域则始于1973年。
1974年英国的E.H.Mamdani成功地将模糊控制应用于锅炉和蒸汽机的控制。
此后20年来,模糊控制不断发展并在许多领域中得到成功应用。
由于模糊逻辑本身提供了由专家构造语言信息并将其转化为控制策略的一种体系理论方法,因而能够解决许多复杂而无法建立精确数学模型系统的控制问题,所以它是处理推理系统和控制系统中不精确和不确定性的一种有效方法。
【免费下载】智能控制大作业
对全部高中资料试卷电气设备,在安装过程中以及安装结束后进行高中资料试卷调整试验;通电检查所有设备高中资料电试力卷保相护互装作置用调与试相技互术关,系电,力根通保据过护生管高产线中工敷资艺设料高技试中术卷资,配料不置试仅技卷可术要以是求解指,决机对吊组电顶在气层进设配行备置继进不电行规保空范护载高与中带资负料荷试下卷高问总中题体资,配料而置试且时卷可,调保需控障要试各在验类最;管大对路限设习度备题内进到来行位确调。保整在机使管组其路高在敷中正设资常过料工程试况中卷下,安与要全过加,度强并工看且作护尽下关可都于能可管地以路缩正高小常中故工资障作料高;试中对卷资于连料继接试电管卷保口破护处坏进理范行高围整中,核资或对料者定试对值卷某,弯些审扁异核度常与固高校定中对盒资图位料纸置试,.卷保编工护写况层复进防杂行腐设自跨备动接与处地装理线置,弯高尤曲中其半资要径料避标试免高卷错等调误,试高要方中求案资技,料术编试交写5、卷底重电保。要气护管设设装线备备置敷4高、调动设中电试作技资气高,术料课中并3中试、件资且包卷管中料拒含试路调试绝线验敷试卷动槽方设技作、案技术,管以术来架及避等系免多统不项启必方动要式方高,案中为;资解对料决整试高套卷中启突语动然文过停电程机气中。课高因件中此中资,管料电壁试力薄卷高、电中接气资口设料不备试严进卷等行保问调护题试装,工置合作调理并试利且技用进术管行,线过要敷关求设运电技行力术高保。中护线资装缆料置敷试做设卷到原技准则术确:指灵在导活分。。线对对盒于于处调差,试动当过保不程护同中装电高置压中高回资中路料资交试料叉卷试时技卷,术调应问试采题技用,术金作是属为指隔调发板试电进人机行员一隔,变开需压处要器理在组;事在同前发一掌生线握内槽图部内 纸故,资障强料时电、,回设需路备要须制进同造行时厂外切家部断出电习具源题高高电中中源资资,料料线试试缆卷卷敷试切设验除完报从毕告而,与采要相用进关高行技中检术资查资料和料试检,卷测并主处且要理了保。解护现装场置设。备高中资料试卷布置情况与有关高中资料试卷电气系统接线等情况,然后根据规范与规程规定,制定设备调试高中资料试卷方案。
智能控制第一次大作业
智能控制第一次作业指导老师李俊民学院数学与统计学院专业数学与应用数学班级071011学号********学生姓名作业题目:假设输入空间X 和Y 都为[-10,10],输出空间Z 等于[-100,100]。
试在X ,Y 和Z 空间中确定五个梯形模糊集合:NB 、NS 、ZE 、PS 、PB 。
假定未知系统转移函数为z =(x 2-y 2)exp(-|xy |),写出准确描述系统行为的五条(至少)模糊规则,利用z =(x 2-y 2)exp(-|xy |),产生数据流,按模糊推理规则和面积中心法去模糊化,将输入数据对(x ,y )映射到输出数据z 。
画出模糊输出F (x ,y )和期望输出z 的曲面,计算均方误差, 画出误差曲面。
解答:一、 五个梯形模糊集合的确定1、X 中的梯形模糊集合{(,())|}A A x x x X μ=∈,其中A 可取NB 、NS 、ZE 、PS 、PB 这五个集合,[10,10]X =-,其中0 -10 () 1 0 10x a b a A d x d cx a a x b x b x c c x d d x μ----≤≤⎧⎪≤≤⎪⎪=≤≤⎨⎪≤≤⎪≤≤⎪⎩ 可以看到梯形模糊集合的隶属度函数由四个参数(a,b,c,d )来确定,所以只要给定不同的五组(a,b,c,d )的值,就可以确定五个不同的梯形模糊集合NB 、NS 、ZE 、PS 、PB 。
下面我们给出X 中NB 、NS 、ZE 、PS 、PB 这五个模糊集合分别对应的(a,b,c,d ):X 中NB 、NS 、ZE 、PS 、PB 的隶属度函数mf1,mf2,mf3,mf4,mf5的图形分别如下:2、 Y 中的梯形模糊集合{(,())|}A A y y y Y μ=∈,其中A 可取NB 、NS 、ZE 、PS 、PB 这五个集合,[10,10]Y =-,其中0 -10 () 1 0 10y a b a A d y d cy a a y b y b y c c y d d y μ----≤≤⎧⎪≤≤⎪⎪=≤≤⎨⎪≤≤⎪≤≤⎪⎩ Y 中的NB 、NS 、ZE 、PS 、PB 这五个模糊集合分别对应的(a,b,c,d )也取表1中的值。
智能控制大作业-神经网络
智能控制大作业-神经网络本页仅作为文档页封面,使用时可以删除This document is for reference only-rar21year.March智能控制与应用实验报告神经网络控制器设计一、实验内容考虑一个单连杆机器人控制系统,其可以描述为:0.5sin()Mq mgl q y qτ+==其中20.5M kgm =为杆的转动惯量,1m kg =为杆的质量,1l m =为杆长,29.8/g m s =,q 为杆的角位置,q 为杆的角速度,q 为杆的角加速度, τ为系统的控制输入。
具体要求:1、设计神经网络控制器,对期望角度进行跟踪。
2、分析神经网络层数和神经元个数对控制性能的影响。
3、分析系统在神经网络控制和PID 控制作用下的抗干扰能力(加噪声干扰、加参数不确定)、抗非线性能力(加死区和饱和特性)、抗时滞的能力(对时滞大小加以改变)。
4、为系统设计神经网络PID 控制器(选作)。
二、 对象模型建立根据公式(1),令状态量121=,x q x x =得到系统状态方程为:121210.5**sin()x x mgl x x My x τ=-==(1)由此建立单连杆机器人的模型如图1所示。
图1 单连杆机器人模型三、 系统结构搭建及神经网络训练1.系统PID 结构如图2所示:图2 系统PID 结构图PID 参数设置为Kp=16,Ki=10,Kd=8得到响应曲线如图3所示:0123456789100.20.40.60.811.21.4t/sa n g l e /r a d图3 PID 控制响应曲线采样PID 控制器的输入和输出进行神经网络训练 p=[a1';a2';a3']; t=b';net=newff([-1 1;-1 1;-1 1],[3 8 16 8 1],{'tansig''tansig''tansig''logsig''purelin'}); net.trainparam.epochs=2500;net.trainparam.goal=0.00001;net=train(net,p,t);gensim(net,-1)产生的神经网络控制器如图4所示:图3 神经网络工具箱训练过程如图4所示:图4 神经网络训练过程图用训练好的神经网络控制器替换原来的PID 控制器,得到仿真系统结构图如图5所示:图5 神经网络控制系统结构图运行系统得到神经网络控制下的响应曲线如图6所示:0123456789100.20.40.60.811.21.4t/sa n g l e /r a d图6 神经网络控制响应曲线图四、 神经网络和PID 控制器的性能比较1.抗干扰能力在神经网络控制器和PID控制器中分别加入相同的随机噪声,系统响应如图7所示:1234567891000.20.40.60.811.21.4t/sa n g l e /r a d图7 加入噪声的系统响应曲线从图7中的响应曲线可以看出,神经网络控制和PID 控制的抗干扰效果相差不大。
智能控制-考核大作业+设计(10)
《智能控制》大作业姓名:徐东班级:自动化103 学号:31002013341、简答题:1.1.根据目前智能控制系统的研究和发展,智能控制系统主要有哪些方面的工作可做进一步的探索和开展?答:1)智能控制的基础理论和方法研究。
2)智能控制系统结构研究。
3)基于知识系统及专家控制。
4)基于模糊系统的智能控制。
5)基于学习及适应性的智能控制。
6)基于神经网络的智能控制系统。
7)基于信息论和进化论的学习控制器研究。
8)其他,如计算机智能集成制造系统、智能计算系统、智能并行控制、智能容错控制、智能机器人等。
1.2.画出模糊控制系统的基本结构图,并简述模糊控制器各组成部分所表示的意思?答:模糊化接口:通过在控制器的输入、输出论域上定义语言变量,来将精确的输入、输出值转换为模糊的语言值。
模糊推理:根据控制规则中蕴涵的输入、输出模糊关系和实际输入的模糊取值,通过模糊推理,得到输出的模糊状态。
规则库:规则库由若干条控制规则组成,这些控制规则根据人类控制专家额经验总结得出,按照IF…is…and…is…THEN…is…的形式表达。
清晰化接口:通过清晰化的方法把由模糊推理得到的模糊输出值转化成精确控制值暑假给对象。
1.3.画出感知器的基本结构模型,并简述其算法过程。
答:x1x2``xn23)计算实际输出4)修正权W5)转到2)直到W 对一切样本均稳定不变或稳定在一个精度范围为止。
1.4.画出三层BP 神经网络的基本结构图,并试写出各层之间的输入输出函数关系?第1层(输入层):(1)(1)i i i Out In x == i=1,2,…,n 第2层(隐层):(2)(1)(1)(2)(2)1,()njij i j j j i Inw Out Out In θφ==-=∑ j=1,2,…,l第3层(输出层): (2)(1)11()l nk jk ij i j j i y w w x φθ===-∑∑1.5.神经网络系统具有哪些基本特性,以及神经网络在控制系统中具有哪些作用?答:神经系统具有的基本特性:1)非线性映射逼近能力。
机电系统智能控制技术综合练习题模板
资料内容仅供您学习参考,如有不当或者侵权,请联系改正或者删除.机电系统智能限制技术综合练习题一、判断题1.智能限制适合处理具有不确定性的问题和非线性系统的限制问题,而处理复杂性问题,还要依靠传统限制方法.〔〕2.智能限制系统具有仿人的智能,有较高的处理复杂性、不确定性问题的水平.〔〕3.智能模糊限制系统的数学模型虽然不够精确,但具有更高的灵活性和应变性,能够胜任对复杂系统的限制.〔〕4.模糊限制只是在一定程度上模仿人的模糊决策和推理,用它解决较复杂问题时,还需要建立数学模型.〔〕5.分层递阶智能限制结构中,执行级的任务是对数值的操作运算它具有较高的限制精度.〔〕6.分层递阶智能限制根据自下而上精确程度渐减、智能程度渐增的原那么进行限制分配.〔〕7.在模糊集合的向量表示法中,隶属度为0的项必须用0代替而不能舍弃.〔〕8.在模糊限制中,隶属度是根据对象的数学模型来确定的.资料内容仅供您学习参考,如有不当或者侵权,请联系改正或者删除.〔〕9.模糊限制只是在一定程度上模仿人的模糊决策和推理,用它解决较复杂问题时,还需要建立数学模型.〔〕10.模糊化算子和判断化算子同为语气算子,前者的作用是减弱语气的肯定程度,而后者的作用那么是增强语气的肯定程度.11.判断化算子的作用是对模糊值进行肯定处理或倾向性判断. 〔〕12.模糊关系是普通关系的推广,它描述元素之间的关联程度. 〔〕13.一般,模糊限制器的输入、输出语言变量分别取为限制系统的误差和误差变化率.〔〕14.模糊限制器的输入语言变量一般取限制系统的误差及其变化率.〔〕15.在模糊限制中,为把输入确实定量模糊化,需要建立语言变量赋值表.〔〕16.反应型神经网络中,每个神经元都能接收所有神经元输出的反馈信息.〔〕17.一般情况下,神经网络系统模型的并联结构能够保证系统辨识收敛.〔〕18.从模糊限制查询表中得到限制量的相应元素后,乘以量化因子即为限制量的变化值.资料内容仅供您学习参考,如有不当或者侵权,请联系改正或者删除.()19.BP神经网络是一种多层全互连型结构的网络.()20.运算效率高,收敛速度快是BP神经网络的主要特点之一.()21.神经元的各种不同数学模型的主要区别在于采用了不同的转移函数,从而使神经元具有不同的信息处理特性.22.知识库和推理机是专家系统的核心局部.()23.在设计专家系统时,知识工程师的任务是模仿人类专家,运用她们解决问题的知识和经验.24.在专家系统中,知识的可用性取决于领域专家,而与专家系统的设计者无关.()25.专家系统实质上是一种智能化的计算机程序.()26.专家系统由知识库、数据库、推理机和专家组成.()27.在专家系统中,数据库是领域知识的存储器,是系统的核心局部之一.()28.在遗传算法中,初始种群的生成经常见随机的方法产生.资料内容仅供您学习参考,如有不当或者侵权,请联系改正或者删除. 29 .在遗传算法中,初始种群的生成不能用随机的方法产生. () 30 .遗传算法的复制操作能够经过随机方法来实现,可使用计算机 也可使用轮盘赌的转盘. ()二、选择题1 .H 人为语气算子,当入为(州寸,H 人为集中化算子. A.=1B.<1 C.>1D.=0 2,假设模糊集合A 表示模糊概念"小〞 乘以模糊算子H ,其中入=(). A.2 C.3 3,假设模糊集合A 表示模糊概念"好〞 于A 乘以模糊算子H ,其中入=(); ,那么模糊概念〞较小〞相当于A B.4 D.3/4 ,那么模糊概念"相当好〞相当 A.1/2 B.5/4 C.2 D.4 4.在模糊语言变量中,“大约“、“近似〞之类的词汇属于(A.集中化算子B,散漫化算子。
智能控制大作业-模糊控制
智能控制与应用实验报告模糊控制器设计一、 实验内容考虑一个单连杆机器人控制系统,其可以描述为:0.5sin()Mqmgl q y qτ+==(1)其中 20.5M kgm =为杆的转动惯量,1m kg =为杆的质量,1l m =为杆长,29.8/g m s =,q 为杆的角位置,q为杆的角速度,q 为杆的角加速度,τ为系统的控制输入。
实验具体要求:1. 分别采用fuzzy 工具箱设计模糊控制器跟踪期望的角位置信号。
2. 分析量化因子和比例因子对模糊控制器控制性能的影响。
3. 分析系统在模糊控制和PID 控制作用下的抗干扰能力(加噪声干扰)和抗非线性能力(加死区和饱和特性)。
4. 为系统设计模糊PID 控制器。
二、 对象模型建立根据公式(1),令状态量121=,x q x x =得到系统状态方程为:121210.5**sin()x x mgl x x My x τ=-==(2)由此建立单连杆机器人的模型如图1所示。
图1 单连杆机器人模型三、模糊控制算法实现及仿真本次实验设计一个二维模糊控制器,令误差*=-,误差变化E q q= ,模糊控制器输出语言变量为U。
EC E1)三个变量E、EC和U的模糊词集为:﹛NB,NM,NS,ZO,PS,PM,PB﹜模糊论域为:E和EC:{-6,-5,-4,-3,-2,-1,0, 1, 2, 3, 4, 5, 6}U:{-7,-6,-5,-4,-3,-2,-1, 0, 1, 2, 3, 4, 5, 6, 7}2)模糊控制规则为:表1 模糊控制规则表3)确定E,EC和U的控制表4)建立模糊控制表5)建立SIMULINK模型在Matlab/Simulink中建立单连杆机器人模糊控制系统模型如图2所示:图2 单连杆机器人控制系统模型6) 仿真结果给定正弦参考信号,取量化因子5,1Ke Kec ==,比例因子50Ku =,得到系统角度跟踪为图3。
51015-1-0.8-0.6-0.4-0.200.20.40.60.81t/sa n g l e /r a d图3 正弦角度跟踪由图3可知,该模糊控制器能使得单连杆机器人控制系统实现很好的角度跟踪。
自动化智能控制大作业
⾃动化智能控制⼤作业《智能控制》⼤作业1、简答题:1.1.根据⽬前智能控制系统的研究和发展,智能控制系统有哪些类型以及智能控制系统主要有哪些⽅⾯的⼯作可做进⼀步的探索和开展?答: 智能控制系统的类型:①基于信息论的分级递阶智能控制②以模糊系统理论为基础的模糊逻辑控制③基于脑模型的神经⽹络控制④基于知识⼯程的专家控制⑤基于规则的仿⼈智能控制⑥各种⽅法的综合集成智能控制系统的探索和开展:①离散事件和连续时间混杂系统的分析与设计;②基于故障诊断的系统组态理论和容错控制⽅法;③基于实时信息学习的规则⾃动⽣成与修改⽅法;④基于模糊逻辑和神经⽹络以及软计算的智能控制⽅法;⑤基于推理的系统优化⽅法;⑥在⼀定结构模式条件下,系统有关性质(如稳定性等)的分析⽅法等。
1.2.⽐较智能控制与传统控制的特点?答:智能控制与传统控制的特点。
传统控制:经典反馈控制和现代理论控制。
它们的主要特征是基于精确的系统数学模型的控制。
适于解决线性、时不变等相对简单的控制问题。
智能控制:以上问题⽤智能的⽅法同样可以解决。
智能控制是对传统控制理论的发展,传统控制是智能控制的⼀个组成部分,在这个意义下,两者可以统⼀在智能控制的框架下。
1.3.简述模糊集合的基本定义以及与⾪属函数之间的相互关系。
答:模糊集合:模糊集合是⽤从0 到1 之间连续变化的值描述某元素属于特定集合的程度,是描述和处理概念模糊或界限不清事物的数学⼯具。
相互关系:表⽰⾪属度函数的模糊集合必须是凸模糊集合;模糊集合是由其⾪属函数刻画的1.4.画出模糊控制系统的基本结构图,并简述模糊控制器各组成部分所表⽰的意思?答:基本结构图:(1) 模糊化接⼝:模糊化接⼝就是通过在控制器的输⼊、输出论域上定义语⾔变量,来将精确的输⼊、输出值转换为模糊的语⾔值。
(2) 规则库:由数据库和语⾔(模糊)控制规则库组成。
数据库为语⾔控制规则的论域离散化和⾪属函数提供必要的定义。
语⾔控制规则标记控制⽬标和领域专家的控制策略。
东北林业大学机电工程学院智能控制大作业2
东北林业大学机电工程学院智能控制大作业2智能控制导论大作业机电工程学院电气工程及其自动化_班**2010____设计神经网络控制系统基于单神经元自适应PID电加热炉炉温控制系统系统分析:用于力学性能实验的电加热炉主要用来测试合金钢在一定压力和温度下的力学性能。
把被测的合金钢放在一定温度的炉子中,然后通过杠杆和砝码给试样施加一定的压力,观察需要多长时间拉断。
拉断时间越长,说明试样力学性能越好,反之亦然。
这种设备称作高温力学试样机。
它由平台、杠杆、砝码、试样和电加热炉组成。
电加热炉本身由上下两组炉丝进行加热,炉温由改变上下段炉丝供热功率来调节,用上下两组热电偶检测炉内温度,因此,电加热炉为一双输入双输出的受控对象。
工业电加热炉的简化结构如图1所示。
图中(b),U1、U2为上下两组炉丝的输入电压,y1、y2为热电偶检测的温度值。
由于电加热炉内部的热量流动及工艺、结构等方面的原因,造成上部y1—U1与下部y2—U2之间具有较强的耦合作用。
该加热过程是一个2×2的带时间滞后的多变量强耦合系统,在某一工况下,经简化的模型可以表示为y1(k)=0.368y1(k—1)+0.1y1(k—2)+0.1U1(k—1)+0.632U1(k—2)+0.05U2(k—1)+0.2U2(k—2)y2(k)=0.368y2(k—1)+0.26y2(k—2)+0.1U2(k—1)+0.632U2(k—2)+0.03U2(k—1)+U1(k—2)图1 电热炉简化结构(a)结构(b)简化结构为消除给定值扰动时对其他回路被调量的影响,必须对系统进行解耦控制。
由前馈补偿解耦法原理(如图2所示)可得G21(s)+D2G22(s)=0G12(s)+D1G11(s)=0由以上两式可以分解出解耦补偿器的数学模型为图2前馈补偿器解耦原理图D2=—G21(s)/G22(s) D1=—G12(s)/G11(s)采用了前馈矩阵补偿以后,系统的传递矩阵变成了对角阵。
智能控制模糊控制仿真大作业
智能控制模糊控制仿真大作业一、前言智能控制模糊控制仿真大作业是在智能控制课程中的一项重要任务,旨在让学生通过实践来深入理解模糊控制的原理和应用。
本文将从以下几个方面详细介绍智能控制模糊控制仿真大作业的相关内容。
二、作业背景智能控制是一种基于人工智能技术的自动化控制方法,它可以通过对系统进行学习和优化来提高系统的性能和鲁棒性。
而模糊控制则是智能控制中的一种重要方法,它可以通过对输入输出之间的关系进行建模来实现对系统的控制。
因此,深入了解模糊控制的原理和应用对于学习智能控制具有重要意义。
三、作业要求本次大作业要求学生使用MATLAB/Simulink软件来设计一个基于模糊逻辑的温度调节系统,并进行仿真验证。
具体要求如下:1. 设计一个基于PID算法和模糊逻辑的温度调节系统;2. 利用Simulink软件构建该系统,并进行仿真验证;3. 对比分析PID算法和模糊逻辑在温度调节系统中的控制效果;4. 撰写实验报告,详细介绍设计思路、仿真结果以及分析结论。
四、作业流程1. 确定系统需求和参数首先,需要确定温度调节系统的需求和参数。
例如,设定目标温度为25摄氏度,系统初始温度为20摄氏度,采样时间为0.1秒等。
2. 设计PID控制器接下来,设计PID控制器。
PID控制器是一种经典的控制方法,在工业自动化控制中得到广泛应用。
其基本原理是通过对误差信号、误差积分和误差微分进行加权组合来得到输出信号。
3. 设计模糊逻辑控制器然后,设计模糊逻辑控制器。
模糊逻辑控制器是一种基于模糊集合和模糊推理的控制方法。
其基本原理是将输入变量映射到一个或多个模糊集合上,并通过一系列规则来推导出输出变量的值。
4. 构建Simulink模型并进行仿真验证接下来,利用Simulink软件构建温度调节系统,并将PID控制器和模糊逻辑控制器分别加入到系统中。
然后,进行仿真验证,比较两种控制方法的控制效果。
5. 分析结果并撰写实验报告最后,对比分析PID算法和模糊逻辑在温度调节系统中的控制效果,并撰写实验报告,详细介绍设计思路、仿真结果以及分析结论。
模糊控制大作业
Harbin Institute of Technology课程大作业课程名称:机电系统智能控制技术及其MATLAB实现(双语)院系:机电学院班级:姓名:学号:日期:哈尔滨工业大学Problem: Consider a fuzzy controller composed of the following rules:If E is A1 and DE is B1, then U is C1,If E is A2 and DE is B2, then U is C2,Where the membership functions are triangular shaped and defined by A1 (2,5,8), A2 (3,6,9),B1 (5,8,11), B2 (4,7,10), C1 (1,4,7), C2 (3,6,9). Suppose that sensor readings provide exact numerical measurements e=4 and de=8. Assume the sup-min rule of inference and interpret the connective and as the min operator and the rule relations as conjunctions via the min t-norm. Find the fuzzy controls suggested by each rule. Determine the control signal that should be applied to a process considering both the mean-of maxima and center-of-gravity. Sketch the successive steps you performed to get your results.Solutions:To meet with the teacher’s requests, here we used two methods to solve this problem, and tried to display the process of how to finish a fuzzy inference. The two methods are given as follows.(I)Theoretical calculation:Although the fuzzy set presented above is continuous, we can use a discrete fuzzy set to describe it, so long as we choose enough points in the universe of discourse to describe it. In fact, in many practical engineering problems, we usually use discrete methods to describe continuous problems, and when the isolation quantities are plenty enough, the results are always acceptable.In this problem, we can see that there are two input variables: E and DE, with a single output variable U. Here we can allocate a certain universe of discourse to each variable, E[2,10], DE[4,12], U[0 12]. So we can take the integers in each universe of discourse to form the fuzzy set, and the result is given as follows:A1=0/2+0.33/3+0.67/4+1/5+0.67/6+0.33/7+0/8+0/9+0/10;A2=0/2+0/3+0.33/4+0.67/5+1/6+0.67/7+0.33/8+0/9+0/10;B1=0/4+0/5+0.33/6+0.67/7+1/8+0.67/9+0.33/10+0/11+0/12;B2=0/4+0.33/5+0.67/6+1/7+0.67/8+0.33/9+0/10+0/11+0/12;C1=0/0+0/1+0.33/2+0.67/3+1/4+0.67/5+0.33/6+0/7+0/8+0/9+0/10+0/11+0/12;C2=0/0+0/1+0/2+0/3+0.33/4+0.67/5+1/6+0.67/7+0.33/8+0/9+0/10+0/11+0/12;Since we have built the discrete fuzzy sets, we can use the fuzzy vectors to describe the fuzzy sets. And the fuzzy relationships of the rules can be expressed as: Rii=(Ai and Bi)→Ci (i=1,2).And here we use cap to solve (Ai and Bi), so we can first calculate the relationship matrixes of input variables Rii:Here we use matlab to help me with the calculation and the results are shoId as follows:The first rule of input variables A1 and B1:The second rule of input variables A2 and B2:Next, we need to build the relationships between input variables and output variables, and here we use the Mamdani method to build the relationship. To use the Mamdani method, we first need to reshape the matrixes R11 and R22 into vectors Rv11 and Rv22, and then we can use the rule of Mamdani method to get the fuzzy relationship matrixes R1、R2. And the calculation rule is given as follows:Ri =Rvii ∧Ci⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=∧= •00 0 0 0 0 0 0 00 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 00 0 0.3300 0.3300 0.3300 0.3300 0.3300 0 00 0 0.3300 0.6700 0.6700 0.6700 0.3300 0 00 0 0.3300 0.6700 1.0000 0.6700 0.3300 0 00 0 0.3300 0.6700 0.6700 0.6700 0.3300 0 00 0 0.3300 0.3300 0.3300 0.3300 0.3300 0 00 0 0 0 0 0 0 0 011R11B A T ⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=∧=0 •00 0 0 0 0 0 00 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 00 0 0 0.3300 0.3300 0.3300 0.3300 0.3300 00 0 0 0.3300 0.6700 0.6700 0.6700 0.3300 00 0 0 0.3300 0.6700 1.0000 0.6700 0.3300 00 0 0 0.3300 0.6700 0.6700 0.6700 0.3300 00 0 0 0.3300 0.3300 0.3300 0.3300 0.3300 00 0 0 0 0 0 0 0 022R22B A TAfter getting the two matrixes R1 and R2, we need to combine the two matrixes into a final relationship matrixes R by using the function:R=R1∪R2Here we also use the matlab to help us with our calculations and the results can be gotten by running the matlab code provided in the attachment1.Since we need to calculate the result with the input variable E=4 and DE=8, so we first can write the input fuzzy sets E and DE as follows:E=0/2+0/3+1/4+0/5+0/6+0/7+0/8+0/9+0/10;DE=0/4+0/5+0/6+0/7+1/8+0/9+0/10+0/11+0/12;Then we can get the input fuzzy vectors A3 and B3 as follows:A3=[0 0 1 0 0 0 0 0 0];B3=[0 0 0 0 1 0 0 0 0];And use the same methods as mentioned above, we can easily to get the relationship matrixes of input variables R33.Then we can use the function C3=R33•R to calculate the output vectors and the result obtained from matlab is showed as follows:C3=[0 0 0.33 0.67 0.67 0.67 0.33 0.33 0.33 0 0 0 0]And the fuzzy set can write as:C3={0/0+0/1+0.33/2+0.67/3+0.67/4+0.67/5+0.33/6+0.33/7+0.33/8+0/9+0/10+0/11+0/12};According to the requests of the problem, here we use two methods ‘mom’ and‘centroid’ to realize the defuzzification.‘MOM’:From the output fuzzy sets we can see there are three maximum values 3、4、5, the average value is 4. So 4 is the real output value with the input E=4 and DE=8.‘CENTROID’:U=(0.33×2+0.67×3+0.67×4+0.67×5+0.33×6+0.33×7+0.33×8)/(0.33+0.67+0.67+0.67+0.33+0.33+0.33)=4.6937So the final output value is 4.6973 by using the ‘centroid’ method.(II)Matlab Simulink:In this portion of the article, we used the fuzzy toolbox of matlab to help me to solve this problem. And the process of using matlab is showed as follows:(1)Open the matlab fuzzy toolbox by typing the code ‘fuzzy’ in matlab’s command window.(2)Choose the parameters for the fuzzy inference system as showed in the figure as follows:(3)Set the input and output variables and define the universe for each variable.Input variable A Input variable BOutput variable C The rules of the FIS(4)The results of the FIS with the input E=4 and DE=8.The ’Centroid’ method result u=4.7 The ’Mom’ method result u=3.96(III) GainsFrom the results of the two methods we can see that the results gained with different methods are almost the same. So the method of theoretic calculation above is proved to be correct.By practicing this work, it makes me to get a clear understanding of the fuzzy inference system. And we also gained the ability to complete a process of fuzzy inference by myself. By solving the problems that puzzled me during the work, we gained the ability to solve problems by myself which really matters in the further future of my study and also obtained the self-confidence.Attachment1: calculation code of matlabfunction z=cap(x,y)for i=1:size(x,1)for j=1:size(y,2)z(i,j)=max(min(x(i,:),y(:,j)'));endendz;clearclc%define input and output vectorsA1=[0 0.33 0.67 1 0.67 0.33 0 0 0];A2=[0 0 0.33 0.67 1 0.67 0.33 0 0];B1=[0 0 0.33 0.67 1 0.67 0.33 0 0];B2=[0 0.33 0.67 1 0.67 0.33 0 0 0];C1=[0 0 0.33 0.67 1 0.67 0.33 0 0 0 0 0 0];C2=[0 0 0 0 0.33 0.67 1 0.67 0.33 0 0 0 0];%feedback input vectors A3=4;B3=8A3=[0 0 1 0 0 0 0 0 0];B3=[0 0 0 0 1 0 0 0 0];%calcualte (Ai and Bi)R11=cap(A1',B1);R22=cap(A2',B2);%reshape the maxtrixes into vectorsRv11=reshape(R11',1,size(R11,1)*size(R11,2));Rv22=reshape(R22',1,size(R22,1)*size(R22,2));%use Mamdani method to build the relationship of each ruleR1=cap(Rv11',C1);R2=cap(Rv22',C2);%calculate the final fuzzy relationship matrixR=max(R1,R2);%calculate the output vector associated with the input variables R33=cap(A3',B3);R33=reshape(R33',1,size(R33,1)*size(R33,2));C3=cap(R33,R)%'mom' valueC=0:(size(C1,2)-1);num=find(C3==max(C3));total=0;for i=1:size(num,2)total=total+C(num(i));endmom=total/size(num,2)%'centroid' valuecentroid=sum(C3.*C)/sum(C3)。
- 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)。
图(b)RBF 神经网络 PID 控制器仿真结构图
II
控制器的输出参数如图 e 所示:
图(e)控制器输出参数变化曲线 基于 RBF 网络的 PID 控制器 S 函数如下: %基于 RBF 网络的 PID 控制器 S 函数 function [sys,x0,str,ts]=nnrbf_pid(t,x,u,flag,T,nn,K_pid,… eta_pid,xite,alfa,beta0,w0) switch flag, case 0,[sys,x0,ste,ts]=mdlInitializeSizes(T,nn); case 2,sys=mdlUpdates(u); case 3,sys=mdlOutputs(t,x,u,T,nn,K_pid,xite,alfa,beta0,w0); case {1,4,9},sys=[]; otherwise,error([‘Unhandled flag=’,num2str(flag)]); end %初始化函数 function [sys,x0,str,ts]=mdlInitializeSizes(T,nn) sizes=simsizes; %读入模块,得出默认的控制量 sizes.NumContStates=0;sizes.NumDiscStates=3; sizes.NumOutputs=4+5*nn;sizes.NumInputs=9+15*nn; sizes.DirFeedthrough=1;sizes.NumSampleTimes=1; sys=simsizes(sizes);x0=zero(3,1);str=[];ts=[T O]; %离散状态变量更新函数 function sys=mdlUpdates(u) sys=[u(1)-u(2);u(1);u(1)+u(3)-2*u(2)]; %输出量计算函数 functionsy=mdlOutputs(t,x,u,T,nn,K_pid,xite,alfa,beta0,w0) ci_3=reshape(u(7:6+3*nn),3,nn);ci_2=reshape(u(7+5*nn:6+8*nn),3,nn ); ci_1=reshape(u(7+10*nn:6+13*nn),3,nn); bi_3=u(7+3*nn:6+4*nn);bi_2=u(7+8*nn:6+9*nn); bi_1=u(7+13*nn:6+14*nn);w_3=u(7+4*nn:6+5*nn); w_2=u(7+9*nn:6+10*nn);w_1=u(7+14*nn:6+15*nn);xx=u([6;4;5]); if t==0
������������
1+������ 2)输入为多阶梯信号,在时间[0,0.2,0.3,0.5,0.7,0.8,1,1.2]对应的阶跃幅值 为[0.7,-0.8,0.9,-1,1,0.7,-0.7,0.5],如图 d 所示:
图(d)系统输入输出变化曲线 在此图中, 还有系统输出跟踪给定输入的响应。 多阶梯输入信号的 S 函数为: %多阶梯给定输入信号 function[sys,x0,str,ts]=multi_step(t,x,u,flag,tTime,yStep) switch flag, case 0 %调用初始化过程 [sysm,x0,str,ts]=mdlInitializeSizes; case 3 %计算输出信号,生成多阶跃信号 sys=mdlOutputs(t,tTime,yStep); case{1,2,4,9} %未使用 flag 值 sys=[]; otherwise %错误信息处理 error([‘Unhandled flag=’,num2str(flag)]; end; %when flag=0 时,进行初始化处理 function[sys,x0,str,ts]=mdlIntializeSizes
I
sizes=simsizes; %调入初始化的模板 sizes.NumContStates=0;sizes.NumDiscStates=0; %无连续、离散状态 sizes.NumOutputs=1;sizes.NumInputs=0; %系统的输入和输出路数 sizes.DirFeedthrough=0; %输入信号不直接传输到输出 sizes.NumSampleTimes=1; %单个采样周期 sys=simsizes(sizes); %初始化 x0=[];str=[]; %系统的初始状态为空向量 ts=[0,0]; %假设模块为连续模块 % flag=3 时,计算输出信号 function sys=mdlOutputs(t,tTime,yStep) (2)神经网络的结构为 3-6-1,即输入层 3 个节点,隐层 6 个节点,输出层 1 个 节 点 。 有 关 参 量 设 置 : η =0.25 , α =0.05 , PID 的 初 值 =[0.03;0.01;0.03],[ ������������ ;������������ ;������������ ]=[0.2 ; 0.2 ; 0.2],权重的初值 =[30 40 10], 采样周期=0.001,为了提高计算精度,做出如下调整: ������������ (������)=������������ (������ − 1)+η [������(������)-������������ (������)]ℎ������ +α [������������ (������ − 1)-������������ (������ − 2)] +β ������������ ������ − 2 -������������ (������ − 3) △������������ =[������(������)-������������ (������)]������������ ℎ������
������−������������ ������ ������ 3
2
������������ ������ =������������ (������ − 1)+η △������������ +α [������������ (������ − 1)-������������ (������ − 2)] +β ������������ ������ − 2 -������������ (������ − 3) △������������������ =[������(������)-������������ (������)]������������ ℎ������
������ ������ −������ ������������ ������ ������ 2
������������������ ������ =������������������ (������ − 1)+η △������������������ +α [������������������ (������ − 1)-������������������ (������ − 2)] +β ������������������ ������ − 2 -������������������ (������ − 3) 式中,β 为记忆因子,可取β =0.01。 RBF 神经网络 PID 控制器仿真结构图图如图 b 所示:
III
ci_1=w0(1)*ones(3,nn);bi_1=w0(2)*ones(nn,1); w_1=w0(3)*ones(nn,1);K_pid0=K_pid; else,K_pid0=u(end-2;end);end for j=1:nn %Gaussian basis h h(j,1)=exp(-norm(xx-ci_1(:,j))^2/(2*bi_1(j))); end dym=u(4)-w_1’*h;w=w_1+xite*dym*h+alfa*(w_1+w_2)+bera0*(w_2-w_3); for j=1:nn d_bi(j,1)=xite*dym*w_1(j)*h(j)*(bi_1(j)^(-3)*norm(xx-ci_1(:,j) )^2; d_ci(:,j)=xite*dym*w_1(j)*h(j)*(xx-ci_1(:,j))*(bi_1(j)^(-2)); end bi=bi_1+d_bi+alfa*(bi_1-bi_2)+beta0*(bi_2-bi_3); ci=ci_1+d_ci+alfa*(ci_1-ci_2)+beta0*(ci_2-ci_3); dJac=sum(w.*h.*(-xx(1)+ci(1,:)’)./bi.^2;%Jacobian KK=K_pid0+u(1)*dJac*eta_pid.*x;sys=[u(6)+KK’x;KK;ci(:);bi(:);w(: )]; (3)非线性控制系统对象仿真结构图如图 c 所示, 其中 a=1, b=0.8, c=0.1。
智能控制导论大作业
机电工程学院 电气工程及其自动化二班 ** 2010****
智能控制大作业:神经网络系统设计:非线性时变对象������(������) = ������(������)的 RBF 神经网络得到 PID 控制。 该仿真情况如图 a 为系统仿真结构图。
− ������ (1−������������ ������ )������ (������−1)
图(c)非线性控制对象结构图
IV