模糊PID控制的MATLAB仿真代码

合集下载

PID控制算法及MATLAB仿真分析

题目：以PID控制进行系统仿真学院自动化学院专业班级工业自动化111班学生姓名黄熙晴目录1 引言 (1)1.1本论文研究内容 (1)2 PID控制算法 (1)2.1模拟PID控制算法 (1)2.2数字式PID控制算法 (3)2.3PID控制算法的改进 (5)2.3.1微分项的改进 (5)2.3.2积分项的改进 (9)2.4模糊PID控制算法 (11)2.4.1模糊推理的系统结构 (12)2.4.2 PID参数在线整定原则 (12)2.5PID控制器研究面临的主要问题 .................................. 错误！未定义书签。

3 MATLAB编程和仿真 (13)3.1PID控制算法分析 (13)3.2MATLAB仿真 (15)4结语 (20)参考文献...................................................................................... 错误！未定义书签。

1 引言PID控制器以其结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。

光学表面等离子共振生物传感技术受温度影响很大，因此设计高精度的温度控制器对于生物分析仪十分重要。

研究PID的控制算法是PID控制器整定参数优化和设定的关键技术之一。

在工业过程控制中，目前采用最多的控制方式依然是PID方式。

它具有容易实现、控制效果好、鲁棒性强等特点，同时它原理简单，参数物理意义明确，理论分析体系完整，并为工程界所熟悉，因而在工业过程控制中得到了广泛应用。

在实际的应用中，许多被控过程机理复杂，具有高度非线性、时变不确定性和纯滞后等特点，特别是在噪声、负载扰动等因素的影响下，参数复杂烦琐的整定过程一直困扰着工程技术人员。

为了减少参数整定的工作量，克服因环境变化或扰动作用造成系统性能的降低，就要提出一种PID控制参数的自动整定。

1.2本论文研究内容本文在介绍传统的PID控制算法，并对传统算法改进后，在学习的基础上提出一种模糊参数自整定方法，这种模糊控制的PID算法必须精确地确定对象模型。

matlab实现pid仿真

左图表示了本步骤的内容，以图片内容为准。
sum的下面的符号变成了-，反馈回来的信号相减，系统变成负反馈。
点击执行按钮，然后双击Scope，切换到显示界面，出现熟悉的pid输出波形。
双击pid控件可以调整PID的三个基本参数，Proportional（比例常数）， Integral（积分常数），Derivative （微分常数）。
谢谢观看
《先进模糊智能复合经典PID控制理论与应用及其Matlab实现》是2019年7月首都经济贸易大学出版社出版的图书，作者是刘经纬、朱敏玲、周瑞。
《过程控制系统的MATLAB仿真》是2009年机械工业出版社出版的图书，作者是刘文定。
《MATLAB控制系统仿真与设计》是2010年11月1日机械工业出版社出版的图书，作者是赵景波。
打开matlab2009，新建一个模型文件，点击“开始”->"Simulink">“Library Browser”，打开 simulink库。
左图表示了本步骤的内容，以图片内容为准。
在“Simulink Library Browser” 的库列表中找到“Simulink Extras”，点击右侧的“Additional Linear”。
我们试试将积分常数改为100，然后再次运行，在Scope中点击 “Autoscale”，可以看到输出由平滑变得震荡起来了。
左图表示了本步骤的内容，以图片内容为准。
可以试着自己调整下PID的各个参数，看看效果，加深理解。
用step信号做pid的输入信号效果会更明显些。
MATLAB/Simulink与控制系统仿真（第3版）是2012-01-01电子工业出版社出版的图书，由王正林,王胜开,陈国顺等编著。

模糊控制的Matlab仿真实例

其他例子
模型Shower.mdl―淋浴温度调节模糊控制系统仿真；模型slcp.mdl―单级小车倒摆模糊控制系统仿真；模型 slcp1.mdl―变长度倒摆小车模糊控制系统仿
真；模型 slcpp1.mdl—定长、变长二倒摆模糊控制系
统仿真；模型slbb.mdl―球棒模糊控制系统仿真；模型sltbu.mdl―卡车智能模糊控制倒车系统仿真；模型sltank2.mdl ― 用子系统封装的水箱控制仿
为简单起见，我们直接利用系统里已经编辑好的模糊推理系统，在它的基础上进行修改。这里我们采用与tank . fis中输入输出变量模糊集合完全相同的集合隶属度函数定义，只是对模糊规则进行一些改动，来学习模糊工具箱与仿真工具的结合运用。对于这个问题，根据经验和直觉很显然可以得到如下的模糊度示波器
冷水阀子系统
这个仿真模型的输出是用示波器来表示的，如图所示。通过示波器上的图形我们可以清楚地看到温度和水流量跟踪目标要求的性能。
水温示波器
水流示波器
水温偏差区间模糊划分及隶属度函数
水流量偏差区间模糊划分及隶属度函数
输出对冷水阀控制策略的模糊化分及隶属度函数
选Edit菜单，选择Rules, 弹出一新界面Rule Editor. 在底部的选择框内，选择相应的 IF…AND…THEN 规则，点击Add rule 键，上部框内将显示相应的规则。本例中用9条左右的规则，依次加入。如下图所示：
模糊逻辑工具箱仿真结果
模糊规则浏览器用于显示各条模糊控制规则对应的输入量和输出量的隶属度函数。通过指定输入量，可以直接的显示所采用的控制规则，以及通过模糊推理得到相应输出量的全过程，以便对模糊规则进行修改和优化。
这样的结果与实际情况还是有些不符。通常顾客都是给15％的小费，只有服务特别好或特别不好的时候才有改变，也就是说，希望在图形中间部分的响应平坦些，而在两端（服务好或坏）有凸起或凹陷。这时服务与小费是分段线性的关系。例如，用下面 MATLAB 语句绘出的下图的情况。

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。

模糊自适应整定PID控制matlab仿真程序(刘金锟-先进PID控制及其MATLAB仿真)

模糊自适应整定PID控制matlab仿真程序(刘金锟-先进PID控制及其MATLAB仿真)2这个例子的程序百度文库里有很多版本，但我下了很多都有错误，运行不了。

以下程序我一字一字的敲出来的，已经成功运行，绝对无误。

仿真实例，被控对象为p G (s)=ss s 1047035.8752350023++ 采样时间为1ms ，采用模糊PID 控制进行阶跃响应，在第300个采样时间时控制器输出加1.0的干扰，相应的运行结果如图1~13所示。

仿真程序如下：将以下程序保存为fuzzypid.m 文件，即可得到仿真结果。

%fuzzy tunning PID controlclear all ;clear all ;a=newfis('fuzzpid');a=addvar(a,'input','e',[-3,3]); %parameter ea=addmf(a,'input',1,'NB','zmf',[-3,-1]);a=addmf(a,'input',1,'NM','trimf',[-3,-2,0]);a=addmf(a,'input',1,'NS','trimf',[-3,-1,1]);a=addmf(a,'input',1,'Z','trimf',[-2,0,2]);a=addmf(a,'input',1,'PS','trimf',[-1,1,3]);a=addmf(a,'input',1,'PM','trimf',[0,2,3]);a=addmf(a,'input',1,'PB','smf',[1,3]);a=addvar(a,'input','ec',[-3,3]); %parameter eca=addmf(a,'input',2,'NB','zmf',[-3,-1]);a=addmf(a,'input',2,'NM','trimf',[-3,-2,0]);a=addmf(a,'input',2,'NS','trimf',[-3,-1,1]);a=addmf(a,'input',2,'Z','trimf',[-2,0,2]);a=addmf(a,'input',2,'PS','trimf',[-1,1,3]);a=addmf(a,'input',2,'PM','trimf',[0,2,3]);a=addmf(a,'input',2,'PB','smf',[1,3]);a=addvar(a,'output','kp',[-0.3,0.3]); %parameter kpa=addmf(a,'output',1,'NB','zmf',[-0.3,-0.1]);a=addmf(a,'output',1,'NM','trimf',[-0.3,-0.2,0]);a=addmf(a,'output',1,'NS','trimf',[-0.3,-0.1,0.1]);a=addmf(a,'output',1,'Z','trimf',[-0.2,0,0.2]);a=addmf(a,'output',1,'PS','trimf',[-0.1,0.1,0.3]);a=addmf(a,'output',1,'PM','trimf',[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 ki a=addmf(a,'output',2,'NB','zmf',[-0.06,-0.02]);a=addmf(a,'output',2,'NM','trimf',[-0.06,-0.04,0]);a=addmf(a,'output',2,'NS','trimf',[-0.06,-0.02,0.02]); a=addmf(a,'output',2,'Z','trimf',[-0.04,0,0.04]);a=addmf(a,'output',2,'PS','trimf',[-0.02,0.02,0.06]);a=addmf(a,'output',2,'PM','trimf',[0,0.04,0.06]);a=addmf(a,'output',2,'PB','smf',[0.02,0.06]);a=addvar(a,'output','kd',[-3,3]); %parameter kda=addmf(a,'output',3,'NB','zmf',[-3,-1]);a=addmf(a,'output',3,'NM','trimf',[-3,-2,0]);a=addmf(a,'output',3,'NS','trimf',[-3,-1,1]);a=addmf(a,'output',3,'Z','trimf',[-2,0,2]);a=addmf(a,'output',3,'PS','trimf',[-1,1,3]);a=addmf(a,'output',3,'PM','trimf',[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 62 1 1 1;1 4 62 1 1 1;1 5 5 3 1 1 1;1 6 4 42 1 1;1 7 4 4 5 1 1;2 1 7 1 5 1 1;2 2 7 13 1 1;2 3 6 2 1 1 1;2 4 53 2 1 1;2 5 53 2 1 1;2 6 4 43 1 1;2 734 4 1 1;3 1 6 14 1 1;3 2 6 2 3 1 1;3 3 6 3 2 1 1;3 4 5 3 2 1 1;3 54 4 3 1 1;3 6 3 5 3 1 1;3 7 3 54 1 1;4 1 6 2 4 1 1;4 2 6 2 3 1 1;4 35 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;35 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 47 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','mom');writefis(a,'fuzzpid');a=readfis('fuzzpid');%PID controllerts=0.001;sys=tf(5.235e005,[1,87.35,1.047e004,0]); dsys=c2d(sys,ts,'tustin');[num,den]=tfdata(dsys,'v');u_1=0.0;u_2=0.0;u_3=0.0;y_1=0;y_2=0;y_3=0;x=[0,0,0]';4error_1=0;e_1=0.0;ec_1=0.0;kp0=0.40;kd0=1.0;ki0=0.0;for k=1:1:500time(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 k==300 %adding disturbance(1.0v at time 0.3s)u(k)=u(k)+1.0;endif u(k)>=10u(k)=10;endif u(k)<=-10u(k)=-10;endyout(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(1)*u(k)+num(2)*u_1+num(3)*u_2+num(4)*u_3;error(k)=rin(k)-yout(k);%%%%%%%%%%%%%%%%%%%%%%%%%return of pid parameters%%%%%%%%%%%%%%%%%%%%%%%% u_3=u_2;u_2=u_1;u_1=u(k);y_3=y_2;y_2=y_1;y_1=yout(k);5x(1)=error(k); %calculating Px(2)=error(k)-error_1; %calculating Dx(3)=x(3)+error(k); %calculating De_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 ');figure(4);plot(time,kp,'r');xlabel('time(s)');ylabel( 'kp ');figure(5);plot(time,ki,'r');xlabel('time(s)');ylabel( 'ki ');figure(6);plot(time,kd,'r');xlabel('time(s)');ylabel( 'kd ');figure(7);plotmf(a,'input',1);figure(8);plotmf(a,'input',2);figure(9);plotmf(a,'output',1);figure(10);plotmf(a,'output',2);figure(11);plotmf(a,'output',3);plotfis(a);fuzzy fuzzpid.fis6仿真运行结果：789。

模糊PID控制器设计及MATLAB仿真_李健

图 1 模糊 PID 控制结构图
PID 参数模糊自整定是先找出 PID 控制器的 3 个参数 Kp、 Ki 和 Kd 与偏差 e 和偏差变化率 ec 之间的模糊关系，在运行中通过不断检测 e 和 ec，根据模糊控制规则来对 3 个参量进行在
线修改，以满足不同 e 和 ec 对控制器参数的不同要求，从而使
起较大的超调。微分系数 Kd 影响系统的动态特性，Kd 越大，越
能抑制偏差变化，但过大会延长调节时间，降低抗干扰能力。
根据参数 Kp、Ki、Kd 对系统输出特性的影响情况，可归纳出系统在被控过程中对于不同的偏差和偏差变化率，参数 Kp、Ki、 Kd 的自整定原则：
摘要将模糊控制器和 PID 控制器结合在一起，构造了一个模糊 PID 控制器，利用模糊推理的方法调整 PID 控制器的参数，并利用 MATLAB 的 SUMLINK 工具箱，对系统进行仿真，仿真结果表明模糊 PID 控制器能使系统达到满意的控制效果。关键词：PID 控制器，模糊控制，MATLAB，SIMULINK，系统仿真
1．3 模糊控制算法的确立
PID 参数的整定必须考虑到在不同时刻 3 个参数的作用以
及相互之间的互联关系。模糊自整定 PID 是在 PID 算法的基础
上通过计算当前系统误差 e 和误差变化 ec，利用模糊规则进行
模糊推理，查询模糊矩阵表进行参数调整。参数修正公式：
＇
Kp ＝Kp ＋（e，ec）p
被控对象具有良好的动、静态性能。
1．2 PID 控制器的确立
通常，PID 控制器的控制算式为：

基于MATLAB的自适应模糊PID控制系统计算机仿真

储岳中K 陶永华（安徽工业大学电气信息学院，安徽马鞍山 %/C..%）
摘要：在分析自适应模糊控制及 HIJ 参数变化对系统性能影响的基础上 K 提出在动态过程中对 HIJ 参数进行整定。仿真研究表明 K 控制质量得到了提高。关键词：模糊 HIJ 控制；自适应；仿真 E19F1G；中图分类号： 9HCB&$ B 文献标识码： 1
&
E19F1G 简介
E19F1G 软件于 &B?/ 年由美国的 E)82W",X7 公司推出 K 该软件使用简单、方便。自 &BBC 年以来 K E)82W",X7 公司相继推出了 E19F1G /$ . 、 E19F1G /$ %、 E19F1GD$ %、 E19F1G <$ . 等版本。本文在 E19Z F1G<$ . 基础上 K 介绍如何利用 RIE4FI’[ 和 \4]]^ 工具箱构造某模糊控制系统的结构框图和进行仿真研究的方法及步骤。 &$ & 模糊逻辑工具箱模糊逻辑工具箱 @ 0+PP-#";3:8""#Q"_ A 提供了模糊逻辑控制器及系统设计的各种途径。工具箱提供了生成和编辑模糊推理系统 @ \IR A 常用的工具函数 K 如 *6W037， )OO5),， )OOM0， )OO,+##6， 768037， W,386037 等 K 它包括了产
!"#$ %& ()*+),-
’"$ & %../
安徽工业大学学报 ($ "0 1*2+3 4*356,738- "0 96:2*"#";-
第 %& 卷第 & 期 %../ 年 &月

基于模糊PID控制的交流励磁调节系统的MATLAB建模与仿真

Ａｂｔａｔｓｒｃ：ＡＣ－ｘｉｄｇｎｒｔｒｃｎａｈｉｖａｉｂｅｓｅｄｃｎｔｎｒｑｅｃｏｓａｔｖｌａｅｐｗｅｕｐｉｇ，ｈｓｇｏｅｃｔｅｅａｏａｃｅｅｖｒａｌｐｅｏｓａｔｅｕｎｙｃｎｔｎｏｔｇｏｒｓｐｌｅｆｎａｏｄｓｅｄａａｔｔｏ．ＴｈｅｅａｏｓａｐｉｄｔｌａｙｖｈｃｅｕｄｂｂｅｔｕｐｙｅｕｐｎｔｔｂｅｐｗｅｅｐｅｄｐａｉｎｅｇｎｒｔｒｉｐｌｏｍｉｉｒｅｉｌｓｗｏｌｅａｌｏｓｐｌｑｉｍｅｔｗｉｈｓａｌｏｒｗｈｎｅｔｔｅｉｌｏｉｇＥｘｓｉｇｌｉｔｎｎａａｙｉｇｎｏｌｅｙｔｍｓｔｅｔａｉｉｎｌＰＩｃｎｒ１ｉｉｆｕｔｔｅｔｈｅｖｈｃｅｍｖｎ．ｉｔｎｉｔｉｓｉｎｌｓｎｎｉｒｓｓｅｍａｏｎ。ｈｒｄｔａＤｏｔｏｓｄｆｉｌｏｍｅｏｃ
己Ｉ年Ｉ口口口月第己卷第Ｊ９口期
ＭＡＴＬＡＢ
岳夕彪杨润生
（械工程学院石家庄军
０００）５０３
摘
要：流励磁发电机能够实现变速恒频恒压发电，有良好的速度适应能力。将该发电机应用到军用车辆上，可以使交具便
ｏｔｓｍｅｅｐｒｍｅｔｎｅｉｅｅｔｓｅｄａｄｌａ．ＴｈｅｒｓｌｓｐｏｅｆｚｙＰＩｃｎｒｌｃｎａｑｉｅｓａｌｏｔｇｕｏｘｅｉｎｓｕｄｒｄｆｒｎｐｅｎｏｄｆｅｕｔｒｖｕｚＤｏｔｏａｃｕｒｔｂｅｖｌａｅ

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pidmatlab(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。

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。

PID控制算法的MATLAB仿真应用

PID控制算法的MATLAB仿真应用首先，我们需要了解PID控制算法的原理。

PID控制算法由比例控制、积分控制和微分控制三部分组成。

比例控制是根据误差信号的大小与输出信号的差异来调节控制器输出信号的增益。

积分控制是根据误差信号的累积值来调节控制器输出信号的增益。

微分控制是根据误差信号的变化率来调节控制器输出信号的增益。

PID控制算法的输出信号可以表示为：u(t) = Kp * e(t) + Ki * ∫e(t) dt + Kd * de(t)/dt其中，e(t)是系统输入与目标值之间的误差信号，u(t)是控制器的输出信号，Kp、Ki和Kd分别是比例增益、积分增益和微分增益。

在MATLAB中使用PID控制算法进行仿真应用，可以按照以下步骤进行：1. 创建一个Simulink模型，可以通过在命令窗口中输入simulink打开Simulink库，然后从库中选择合适的模块进行建模。

在模型中，需要包括被控对象、PID控制器和反馈信号。

2. 配置PID控制器的参数。

在Simulink模型中，可以使用PID Controller模块配置PID控制器的参数，包括比例增益、积分增益和微分增益。

3. 配置被控对象的模型。

在Simulink模型中，可以使用Transfer Fcn模块来建立被控对象的传递函数模型，包括系统的输入和输出端口，以及系统的传递函数。

4. 配置反馈信号。

在Simulink模型中，可以使用Sum模块将被控对象的输出信号和控制器的输出信号相加，作为反馈信号传递给PID控制器。

5. 运行Simulink模型进行仿真。

在Simulink中，可以选择仿真的时间范围和时间步长，然后点击运行按钮开始仿真。

仿真结果可以在模型中的Scope或To Workspace模块中查看和分析。

6.通过调整PID控制器的参数来优化系统的稳定性和响应速度。

根据仿真结果，可以逐步调整PID控制器的比例增益、积分增益和微分增益，以达到期望的控制效果。

基于Matlab的模糊自整定PID控制器仿真研究

２０，（６）４Ｏ — ００９１２：１８４１１１
［］４基于．Ｔ的远程教育短信系统的研究与实现［］南师范大学学ＮＥＪ．河报，０９３３）２ — ２２０，（７：９３［］Ｓ数据采集软件的实现［］全球定位系统，０８１：５３５ＧＰＪ．２０（）２ — ０
它们的模糊集为：
ｅｅ＝ＮＮＮ，Ｐ，Ｍ，Ｂ，模糊集中元素分别代表，ｃ｛Ｂ，Ｍ，ＳＯ，ＳＰＰｌ
负大、中、小、、小、中、大。根据ｋ、．ｋ三个参负负零正正正。ｋ和ｄ数模糊规则表构造一个两输入（ｅ）输出（。△ ｋ △ｋ）ｅ，ｃ三 △ｋ、ｉｄ、的模糊控制器，名为ｆｚｐｄｆ。见图３取ｕｚｉ．ｉｓ。
ＧＦｚｙＴｏｂｘ工具箱构造ｅｅｕｚｏｌｏ、ｃ双输入，ｐｋ和ｋｋ，．ｄ
三输出的模糊控制系统。利用上面分析的参数自整定原理和所建的隶属函数和控制规划在Ｍａｌｂ环境中实现仿真研究，过ｔａ通
的论域。
ｅｅ＝－，，３一，１０１２３４５，｛５－一．２一，，，，，，｝ｃ４
糊矩阵表进行参数调整，方法实现简单、便易用，实际控该方对制有重要指导意义。能够发挥两种控制方式的优点，服两者它克的缺点，高控制质量。方面模糊控制具有动态响应快和超调提一

PID控制算法的MATLAB仿真分析

PID的MATLAB仿真程序：%PID Controler 不完全微分clear all;close all;ts=20;sys=tf([1],[60,1],'inputdelay',80);dsys=c2d(sys,ts,'zoh');[num,den]=tfdata(dsys,'v');u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;ud_1=0;y_1=0;y_2=0;y_3=0;error_1=0;ei=0;for k=1:1:100time(k)=k*ts;rin(k)=1.0;%Linear modelyout(k)=-den(2)*y_1+num(2)*u_5;D(k)=0.01*rands(1);yout(k)=yout(k)+D(k);error(k)=rin(k)-yout(k);%PID Controller with partly differential ei=ei+error(k)*ts;kc=0.30;ki=0.0055;TD=140;kd=kc*TD/ts; Tf=180;Q=tf([1],[Tf,1]); %Low Freq Signal FilterM=2; %M=1不完全微分，%M=2普通Pid控制！！if M==1%Using PID with Partial differentialalfa=Tf/(ts+Tf);ud(k)=kd*(1-alfa)*(error(k)-error_1)+alf a*ud_1;u(k)=kc*error(k)+ud(k)+ki*ei;ud_1=ud(k);elseif M==2 %Using Simple PIDu(k)=kc*error(k)+kd*(error(k)-error_1)+ ki*ei;end%Restricting the output of controllerif u(k)>=10u(k)=10;endif u(k)<=-10u(k)=-10;endu_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_1=error(k);endfigure(1);plot(time,rin,'b',time,yout,'r');xlabel('time(s)');ylabel('rin,yout');由仿真结果可以看出，采用不完全微分型PID算法，引入不完全微分后能有效克服普通PID的不足，尽管不完全微分算法比普通PID控制算法要复杂的多，但由于其良好的控制特性，近年来越来越广泛的应用。

模糊控制在matlab中的实例

模糊控制在matlab中的实例模糊控制是一种应用广泛的控制方法，它可以处理那些难以精确建立数学模型的系统。

在Matlab中，使用Fuzzy Logic Toolbox工具箱可以方便地实现模糊控制系统。

以下是一个简单的模糊控制器示例，控制一个小车的速度和方向，使得其能够沿着预设的轨迹行驶。

1. 首先，定义输入和输出变量。

这里我们需要控制小车的速度和转向角度。

代码如下：```speed = newfis("speed");speed = addvar(speed,"input","distance",[0 10]);speed = addmf(speed,"input",1,"slow","trimf",[0 0 5]);speed = addmf(speed,"input",1,"fast","trimf",[5 10 10]); speed = addvar(speed,"output","velocity",[-10 10]);speed = addmf(speed,"output",1,"reverse","trimf",[-10-10 -2]);speed = addmf(speed,"output",1,"stop","trimf",[-3 0 3]); speed = addmf(speed,"output",1,"forward","trimf",[2 10 10]);angle = newfis("angle");angle = addvar(angle,"input","position",[-1 1]);angle = addmf(angle,"input",1,"left","trimf",[-1 -1 0]);angle = addmf(angle,"input",1,"right","trimf",[0 1 1]); angle = addvar(angle,"output","steering",[-1 1]);angle = addmf(angle,"output",1,"hard_left","trimf",[-1 -1 -0.5]);angle = addmf(angle,"output",1,"soft_left","trimf",[-1 -0.5 0]);angle = addmf(angle,"output",1,"straight","trimf",[-0.5 0.5 0.5]);angle = addmf(angle,"output",1,"soft_right","trimf",[0 0.5 1]);angle = addmf(angle,"output",1,"hard_right","trimf",[0.5 1 1]);```2. 然后，定义模糊规则。

matlab模糊pid实例

matlab模糊pid实例在MATLAB中，模糊PID控制器是一种使用模糊逻辑来调节PID控制器参数的方法。

模糊PID控制器可以在系统具有非线性、时变或难以建模的特性时发挥作用。

下面我将给出一个简单的模糊PID控制器实例。

假设我们有一个以模糊PID控制器来控制的直流电机系统。

首先，我们需要定义模糊逻辑系统。

在MATLAB中，可以使用Fuzzy Logic Toolbox来创建模糊逻辑系统。

我们可以定义输入和输出的模糊集合，以及模糊化、规则和解模糊化过程。

接下来，我们需要定义PID控制器。

在MATLAB中，可以使用pid函数来创建PID控制器对象。

我们可以设置PID控制器的比例增益、积分时间和微分时间等参数。

然后，我们将模糊逻辑系统和PID控制器结合起来。

在MATLAB 中，可以使用fuzzyPIDController函数来创建模糊PID控制器对象。

这个函数将模糊逻辑系统和PID控制器进行整合，从而实现模糊PID控制器。

接着，我们可以使用模糊PID控制器来控制直流电机系统。

在MATLAB中，可以使用sim函数来模拟系统的响应。

我们可以将模糊PID控制器作为系统的控制器，并将系统的模型传递给sim函数，从而得到系统的响应结果。

最后，我们可以对模糊PID控制器进行调参优化。

在MATLAB中，可以使用fuzzyPIDControllerTuner函数来进行模糊PID控制器的参数调节。

这个函数可以根据系统的性能指标自动调节模糊PID控制器的参数，从而使系统达到更好的控制效果。

总的来说，使用MATLAB实现模糊PID控制器需要以下步骤，定义模糊逻辑系统、创建PID控制器、整合模糊逻辑系统和PID控制器、模拟系统响应以及调参优化。

通过这些步骤，我们可以实现模糊PID控制器，并将其应用于实际控制系统中。

模糊控制在matlab中的实例

模糊控制在matlab中的实例以下是一个简单的模糊控制实例，使用Matlab进行实现：假设有一辆小车，需要通过模糊控制来控制它的速度。

1. 首先，我们需要定义输入（error）和输出（delta），并且规定它们的范围：```inputRange = [-2 2];outputRange = [-1 1];```其中，inputRange表示error的范围为-2到2，outputRange表示delta的范围为-1到1。

2. 接下来，我们需要定义模糊变量：```error = fisvar("input", "error", "range", inputRange); delta = fisvar("output", "delta", "range", outputRange); ```这里我们定义了两个模糊变量：输入变量error和输出变量delta。

3. 然后，我们需要用隶属函数来描述模糊变量：```errorFuncs = [fisGaussmf(error, -1, 0.5) % NBfisGaussmf(error, 0, 0.5) % ZOfisGaussmf(error, 1, 0.5) % PB];deltaFuncs = [fisGaussmf(delta, -1, 0.25) % NBfisGaussmf(delta, 0, 0.25) % ZOfisGaussmf(delta, 1, 0.25) % PB];```在这个例子中，我们使用了高斯隶属函数来描述模糊变量。

NB 表示“negative big”（负大），ZO表示“zero”（零），PB表示“positive big”（正大）。

4. 接下来，我们需要定义规则：```ruleList = [1 1 1 3 % NB -> PB2 1 1 2 % ZO -> NB3 1 1 1 % PB -> ZO];```这个规则表达式的意思是：如果error是NB，则delta是PB；如果error是ZO，则delta是NB；如果error是PB，则delta是ZO。

模糊pid控制matlab程序

模糊pid控制matlab程序
模糊PID控制是一种结合模糊控制和PID控制的方法，它可以
在控制系统中应对非线性和不确定性。

在MATLAB中，实现模糊PID
控制可以分为以下几个步骤：
1. 定义模糊系统，首先，需要使用MATLAB中的Fuzzy Logic Toolbox来定义模糊系统。

可以使用fuzzy函数来创建一个模糊系
统对象，并定义输入、输出和隶属函数等参数。

2. 设计模糊控制器，接下来，需要设计模糊控制器。

可以使用fisedit函数来打开模糊逻辑编辑器，通过编辑器来定义模糊控制
器的输入、输出和规则等。

3. 整合PID控制器，在MATLAB中，可以使用pid函数来创建
一个PID控制器对象。

然后，将模糊控制器和PID控制器整合在一起，可以通过串联、并联或级联的方式来实现模糊PID控制。

4. 闭环控制，最后，将设计好的模糊PID控制器应用于闭环控
制系统中。

可以使用sim函数来进行仿真，观察系统的响应和性能。

需要注意的是，模糊PID控制的设计涉及到模糊集合的定义、隶属函数的选择、规则的设置等，需要根据具体的控制对象和要求来进行调整和优化。

同时，对于PID控制器的参数调节也需要谨慎处理，可以使用MATLAB中的工具箱来进行参数整定和性能分析。

总的来说，实现模糊PID控制的MATLAB程序需要综合运用模糊逻辑工具箱和控制系统工具箱，通过适当的建模和调节来实现模糊PID控制器的设计和应用。

模糊控制器的matlab设计步骤

模糊PID控制器设计和仿真步骤：各变量隶属度函数的确定第一步：各变量隶属度函数的确定1、用于PID 参数调整的模糊控制器采用二输入三输出的形式。

该控制器是以误差E 和误差变化率EC 作为输入，PID 控制器的三个参数P、I、D 的修正△KP、△KI、△KD 作为输出，如图1；2、取输入E 和EC 和输出△KP、 △KI、△KD 模糊子集为{NB,NM,NS,ZO,PS,PM,PB}，其论域为[-6,6],量化等级为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}；如图23、在模糊逻辑工具箱的隶属度函数编辑器中，选择输入量E，EC 隶属函数为高斯型（gaussmf）,输出△KP、△KI、△KD 的隶属函数为三角形（trimf），如图2和3。

图1图2图3第二步：根据图4规则建立模糊规则表，如图5：图4图5第三步：设置参数：与方式与方式 (And method)为min ；或方式（Or method)为max ；推理推理 (Implication)为min ；合成；合成 (Aggregation)为max ；去模糊（Defuzzification)为重心平均法（centroid ）。

）。

第四步：保存该FIS 文件，取名为FuzzyPID.fis第五步：在MA MATLABTLAB 的M 文件编辑器里建立一个名为FuzzyPID.m 的文件，其内容为：martrix=readfis （‘Fuzzypid.fis ’），并运行。

，并运行。

第六步：打开SIMULINK ，新建一个Model ，选择一个Subsystem ，在其中编辑模块，如图6，并设置模糊化因子KE=KEC=0.01，解模糊因子KP=0.5，KI=KD=0.01，并在Fuzzy Logic Controller 模块的Parameters 中输入readfis('FuzzyPID.fis')：图6第七步：返回到新建的Model 中，按照如图7所示建立模糊PID 控制器，其中，控制器，其中，PID PID 初始值为KP0=20，KI0=1.35，KD0=3.7，传递函数为：图7第八步：保存为FuzzyPID.mdl 并运行。

模糊PID控制系统设计及MATLAB仿真

相比传统的PID控制系统，基于Matlab的模糊PID控制系统具有更好的适应性和鲁棒性。在面对具有非线性、时变等特点的被控对象时，模糊PID控制系统可以更好地实现精确控制。仿真结果表明，该方法在改善系统的动态性能和稳态精度方面均具有显著的优势。
然而，基于Matlab的模糊PID控制系统仍然存在一些问题需要进一步研究和解决。例如，针对不同的被控对象，如何自适应地调整模糊PID控制器的参数仍然是一个亟待解决的问题。此外，如何进一步提高模糊PID控制系统的鲁棒性和自适应性也是未来研究的重要方向。
模糊PID控制系统设计及MATLAB仿真
01 引言
03 参考内容
目录
02
模糊PID控制系统设计
摘要：本次演示主要介绍了模糊PID控制系统的设计方法及其在MATLAB环境下的仿真过程。首先，阐述了模糊PID控制系统的基本原理和设计流程，并通过一个实际案例加以说明。接下来，介绍了MATLAB仿真的基本原理和实施步骤，并展示了仿真结果。最后，总结了本次演示的主要内容，并指出了未来的研究方向。
（4）设计控制表：根据模糊规则和控制要求，计算出各模糊变量的控制表。
（5）设计去模糊化器：去模糊化器的作用是将模糊量转换为精确量，以便输出到被控对象。
3、设计案例
以一个简单的温度控制系统为例，介绍模糊PID控制系统的设计应用。该系统的输入为温度误差和温度变化率，输出为加热器的控制信号。首先，确定输入输出变量，定义相应的模糊变量。然后，根据控制要求和系统特性制定模糊规则，并计算出各模糊变量的控制表。最后，设计去模糊化器，将模糊量转换为精确量，输出加热器的控制信号。通过这样的设计流程，可以实现对该温度控制系统的数学计算软件，它可以用于各种控制系统仿真的工具。在MATLAB中，可以使用Simulink模块进行系统建模和仿真。Simulink提供了丰富的库和工具箱，可以方便地构建各种类型的控制系统模型，并对系统进行仿真和分析。

PID控制算法的MATLAB仿真

PID控制算法的MATLAB仿真假设我们现在要设计一个PID控制器来控制一个被控对象，该对象的传递函数为G(s)。

首先，我们需要确定PID控制器的参数。

这些参数包括比例增益Kp、积分时间Ti和微分时间Td。

在Simulink中，我们可以使用以下步骤来进行PID控制的仿真：1. 打开MATLAB，并在工具栏上选择Simulink模块。

2. 在Simulink模块中，选择一个PID控制器模块，并将其拖放到工作区域中。

4.将被控对象的传递函数G(s)添加到工作区域中，并将其与PID控制器模块连接起来。

5.添加一个把期望值作为输入的信号源，并将其连接到PID控制器模块的输入端口上。

6.添加一个作为输出的信号源，并将其与被控对象的输出端口连接起来。

7. 在Simulink模块中运行仿真。

下面以一个简单的例子来说明PID控制的仿真过程。

假设我们要控制一个小车的速度，将其速度控制在一个期望值上。

小车的动力学方程可以表示为：m * V_dot = F - B * V其中，m为小车的质量，V为小车的速度，F为施加在小车上的力，B 为摩擦系数。

首先，我们需要将动力学方程转化为传递函数的形式。

假设小车的传递函数为：G(s)=1/(m*s+B)在Simulink中，可以通过使用Transfer Fcn模块来表示传递函数。

在工作区域中添加该模块，并设置其参数为1 / (m * s + B)。

接下来，我们需要添加PID控制器模块，并设置其参数。

假设我们选择Kp=1,Ti=0.5,Td=0.1作为PID控制器的参数。

将信号源（期望值）和输出信号（小车速度）连接到PID控制器模块。

然后，将PID控制器的输出连接到小车动力学方程的输入端口。

最后，点击Simulink模块中的“运行”按钮，即可开始仿真。

在进行仿真时，可以观察小车速度是否能够达到期望值，并调整PID控制器的参数以获得更好的控制效果。

通过以上步骤，在MATLAB中可以很方便地进行PID控制的仿真。

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)。

%Using fuzzy inference to tunning PID
k_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);
a=addmf(a,'output',2,'Z','trimf',[-0.04,0,0.04]);
a=addmf(a,'output',2,'PS','trimf',[-0.02,0.02,0.06]);
a=addmf(a,'output',2,'PM','trimf',[0,0.04,0.06]);
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;
3 2 6 2 3 1 1;
3 3 6 3 2 1 1;
3 4 5 3 2 1 1;
3 5 4 4 3 1 1;
3 6 3 5 3 1 1;
3 7 3 5 4 1 1;
xlabel('time(s)');ylabel('kp');
figure(5);plot(time,ki,'r');
xlabel('time(s)');ylabel('ki');
figure(6);plot(time,kd,'r');
xlabel('time(s)');ylabel('kd');
a=addmf(a,'output',3,'NM','trimf',[-3,-2,0]);
a=addmf(a,'output',3,'NS','trimf',[-3,-1,1]);
a=addmf(a,'output',3,'Z','trimf',[-2,0,2]);
a=addmf(a,'output',3,'PS','trimf',[-1,1,3]);
a=addmf(a,'input',2,'NB','zmf',[-3,-1]);
a=addmf(a,'input',2,'NM','trimf',[-3,-2,0]);
a=addmf(a,'input',2,'NS','trimf',[-3,-1,1]);
a=addmf(a,'input',2,'Z','trimf',[-2,0,2]);
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','mom');
a=addmf(a,'output',2,'PB','smf',[0.02,0.06]);
a=addvar(a,'output','kd',[-3,3]); %Parameter kp
a=addmf(a,'output',3,'NB','zmf',[-3,-1]);
a=addmf(a,'output',2,'NB','zmf',[-0.06,-0.02]);
a=addmf(a,'output',2,'NM','trimf',[-0.06,-0.04,0]);
a=addmf(a,'output',2,'NS','trimf',[-0.06,-0.02,0.02]);
u_1=0.0;u_2=0.0;u_3=0.0;
y_1=0;y_2=பைடு நூலகம்;y_3=0;
x=[0,0,0]';
error_1=0;
e_1=0.0;
ec_1=0.0;
kp0=0.40;
kd0=1.0;
ki0=0.0;
for k=1:1:500
time(k)=k*ts;
rin(k)=1;
if k==300 % Adding disturbance(1.0v at time 0.3s)
u(k)=u(k)+1.0;
end
if u(k)>=10
u(k)=10;
end
if u(k)<=-10
u(k)=-10;
end
yout(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(1)*u(k)+num(2)*u_1+num(3)*u_2+num(4)*u_3;
error(k)=rin(k)-yout(k);
%%%%%%%%%%%%%%Return of PID parameters%%%%%%%%%%%%%%%
u_3=u_2;
u_2=u_1;
u_1=u(k);
y_3=y_2;
y_2=y_1;
y_1=yout(k);
a=addmf(a,'output',3,'PM','trimf',[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;
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;
6 5 2 6 5 1 1;
6 6 2 7 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;
a=addmf(a,'input',2,'PS','trimf',[-1,1,3]);
a=addmf(a,'input',2,'PM','trimf',[0,2,3]);
a=addmf(a,'input',2,'PB','smf',[1,3]);
a=addvar(a,'output','kp',[-0.3,0.3]); %Parameter kp
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;
x(1)=error(k); % Calculating P
x(2)=error(k)-error_1; % Calculating D
x(3)=x(3)+error(k); % Calculating I
a=addmf(a,'output',1,'PS','trimf',[-0.1,0.1,0.3]);
a=addmf(a,'output',1,'PM','trimf',[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 ki
a=addmf(a,'input',1,'PM','trimf',[0,2,3]);
a=addmf(a,'input',1,'PB','smf',[1,3]);
a=addvar(a,'input','ec',[-3,3]); %Parameter ec
e_1=x(1);
ec_1=x(2);
error_2=error_1;
error_1=error(k);
end
showrule(a)
figure(1);plot(time,rin,'b',time,yout,'r');