模糊PID参数自整定
基于参数自整定模糊PID控制的抗生素发酵罐温度控制系统
度 ，℃ 。
器 ， 其 由传 感 器 和 变 送 器 两 部 分 组 成 ， 安 装 于
发 酵 罐 侧 壁 ，输 出 与 温 度 成 正 比 的４ ２ ｍＡ直 ～ ０ 流 电流 信 号 。 根 据 厂 家 的 要 求 ， 发 酵 罐 的 温 度 控 制 偏 差 为 ： ±０５ 。发 酵 罐 温 度 是 通 过 蛇 形 ．℃ 管 间 接 冷 却 控 制 的 ，通 过 控 制 调 节 阀 的 开 度 ，
Ｇｓ＝— （）
ｅ
第３ 卷 ３ 第９ 期 ２ １ ９ 上 ） ［ １ ０１ （ ６１
、 Ｉ
２２ 发 酵罐 温度的参 数 自整 定模糊 Ｐ Ｄ 制算法 的 ． Ｉ控 ＭＡ Ｌ 仿真 Ｔ ＡＢ
在ＭＡ Ｌ Ｂ Ｓｍｕｉｋ 境 中对 该参 数 自整 定 Ｔ Ａ ／ｉ ｌ 环 ｎ
匐 化
如 图３ 所示 。
图３ ＰＤ 制 阶 跃 响 应 和模 糊 ＰＤ 制 阶 跃 响 应 Ｉ控 Ｉ控
分 析仿 真 结 果 ： 由 在单 位 阶跃 信号 下 的 常规 Ｐ Ｄ控 制 与模 糊 自适 应 Ｐ Ｄ控 制 器 的 响应 曲线 可 Ｉ Ｉ 知 ，模糊 自适 应ＰＤ的 控制方 式获 得 的系统动 态 响 Ｉ 应 曲线较 好 ， 响应 时 间 短 、超 调 量 小 ，且 稳 态精 度 高 ， 系统 遇 到干 扰 时 能很 快 恢 复稳 态 ，动 静 态 性能 好 。
的不 同而 不 同 ，因 此 控 制 比 较 困 难 。传 统 的Ｐ Ｄ Ｉ 控 制 已 不 适 用 于 该 控 制 对 象 。 根 据 该 厂 的 控 制 系统 的 现 状 和 抗 生 素 生 产 的工 艺 要 求 ，将 Ｐ Ｄ控 Ｉ 制 和 模 糊 控制 相 结 合起 来 的参 数 自整 定 模 糊 Ｐ Ｄ Ｉ
供热系统模糊自整定PID控制的操作指南
供热系统模糊自整定PID控制的操作指南供热系统模糊自整定PID控制的操作指南供热系统模糊自整定PID控制操作指南供热系统模糊自整定PID控制是一种常用的控制方法，可以根据实时的供热需求自动调整控制参数，以实现系统的稳定运行和节能优化。
下面将介绍一种逐步思考和实施的操作指南。
1. 确定控制目标：首先，需要明确控制目标，例如保持供热温度稳定在设定值附近，或者根据供热负荷变化自动调整供热输出。
2. 收集系统数据：收集供热系统的相关数据，包括供热温度、供热负荷、供水流量等。
这些数据将用于模糊控制算法的计算和参数调整。
3. 设计模糊控制器：根据系统特性和控制目标，设计模糊控制器的输入和输出变量。
输入变量可以是供热温度误差和供热负荷变化率，输出变量可以是供热输出。
选择合适的模糊集合和模糊规则，以反映实际的供热控制逻辑。
4. 初始参数设定：根据经验或者系统特性，设定初始的模糊控制参数。
这些参数包括模糊集合的边界和中心值，模糊规则的权重等。
初始参数的设定可以根据实验结果进行调整。
5. 实时数据采集：将实时的供热系统数据输入到模糊控制器中。
这些数据可以通过传感器或者数据采集系统获取。
6. 模糊推理计算：根据输入数据和模糊规则，进行模糊推理计算，得到模糊输出。
这个输出表示了供热输出的调整幅度。
7. 去模糊处理：将模糊输出转化为具体的控制量，可以采用去模糊处理方法，例如重心法、最大值法等。
去模糊处理后得到的控制量即为供热系统的实际输出。
8. 控制参数调整：根据实际的供热效果和控制需求，可以进行控制参数的调整。
可以根据实验结果或者专家经验进行调整，以达到更好的控制效果。
9. 性能评估和优化：对控制系统的性能进行评估和优化。
可以根据控制误差、响应时间、稳定性等指标进行评估，进一步调整控制参数，以提高系统的性能和稳定性。
10. 持续监控和维护：在实际运行中，持续监控控制系统的运行情况，及时调整参数和处理故障。
定期进行系统维护和检修，确保供热系统的稳定运行和控制效果。
参数自整定模糊PID控制器在模拟铝电解槽中的应用
参数自整定模糊PID控制器在模拟铝电解槽中的应用
在铝电解槽的生产过程中，控制铝液温度和浓度是非常重要的任务。
传统的PID控制器在这方面表现出局限性，因为它们难以应对复杂的非线性系统。
为了提高控制效果，研究人员开始探索新的控制算法，其中包括模糊PID控制器。
模糊PID控制器结合了模糊控制和PID控制的优点，能够更好地应对非线性系统的控制问题。
它能够自动调整控制参数，并且能够根据实际情况进行参数整定，提高系统的稳定性和鲁棒性。
在模拟铝电解槽中的实验中，我们使用了参数自整定模糊PID控制器来控制铝液温度和浓度。
首先，我们收集了铝液温度和浓度的实时数据，并将其输入到控制器中。
控制器根据这些数据进行模糊推理，得出相应的控制动作。
然后，控制器将控制信号发送给执行机构，调整铝液温度和浓度。
实验结果显示，参数自整定模糊PID控制器在控制铝液温度和浓度方面具有优越性能。
它能够快速地响应系统变化，使铝液温度和浓度保持在设定值附近。
与传统的PID控制器相比，模糊PID控制器具有更好的鲁棒性和适应性。
此外，参数自整定模糊PID控制器还具有自动整定参数的功能，能够根据系统的实际运行情况自动调整参数，使控制系统更
加稳定和可靠。
这对于长时间运行的铝电解槽来说尤为重要，因为系统参数可能会随着时间的推移而发生变化。
综上所述，参数自整定模糊PID控制器在模拟铝电解槽中的应用具有很大的潜力。
它能够有效地控制铝液温度和浓度，提高生产效率和产品质量。
未来，我们将进一步研究和改进这种控制器，以适应更复杂的工业控制系统。
模糊自适应PID参数自整定控制器的研究
２ 模 糊 ＰＤ控 制器 的设 计 Ｉ 由 于 ＰＤ 控 制 器 的参 数 比较 难 整定 ， 对 这一 问题 ， 文 设 Ｉ 针 本
计 了模 糊 ＰＤ控 制 器 ， 普 通 的 ＰＤ 控 制 相 比 ， 具 有 易 于 对 Ｉ 与 Ｉ 它 不 确 定 系统 或 非 线 性 系统 进 行 控 制 、对 被 控 对 象 的 参 数 变 化 有 较 强 的鲁 棒 性 、对 外界 的干 扰 有 较 强 的抑 制 能 力 等 特 点 。 模 糊
张 燕 红 （ 州工 学院 电子信 息与 电气工程 学院 ， 苏 常州 ２ ３ ０ ） 常 江 １ ０ ２
摘
要
当控 制 系统 中的被 控 对 象存 在 纯 滞后 、 变 或 非 线 性 等 复 杂 因素 时 ， 通 的 ＰＤ控 制 器 的 控 制 效 果 很 难 达 到 较 好 的 时 普 Ｉ
近年来 ，Ｉ ＰＤ控 制 及 其 相 应 的 改 进 型 的 ＰＤ 控 制 已经 被 广 Ｉ 泛 地 应用 于各 个 领 域 中 ，但 是 当控 制 系统 中 的被 控 对 象 存 在 非 线 性 、 变 性 和 不 确 定 性 等 因素 ， 用 常 规 ＰＤ 控 制 ， 难 达 到 时 采 Ｉ 很 较好 的控 制 效 果 ， 且 在 ＰＤ控 制 器 中 ， 数 的 整 定 也 一 直是 比 而 Ｉ 参 较 困 难 的 ， 其 是 被 控 对 象 的 参数 发 生 变化 的 时候 ， 前 的 ＰＤ 尤 之 Ｉ 控制 器 的参 数 很 难适 应 新 的变 化 的被 控 对 象模 型 ， 因此 。 针对 这
控 制 效 果 ， 对 这 一 问题 ， 用模 糊控 制 和 自适 应 控 制 的知 识 ， 计 了模 糊 自适 应 ＰＤ 参 数 自整 定控 制 器 ， 控 制 器 的 比 针 应 设 Ｉ 此 例 系数 、 分 系数和 微 分 系数 可根 据 模 糊 推 理规 则进 行 在 线 调 整 。仿 真 结 果表 明 ， 积 该控 制 方 法 提 高 了 系统 的 动 、 态特 性 ， 静
pid控制参数的模糊整定方法
pid控制参数的模糊整定方法下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。
文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor. I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention!pid控制参数的模糊整定方法模糊PID控制参数整定方法通过引入模糊逻辑理论，使PID参数的整定过程更加智能化。
模糊PID参数自整定控制器的设计
０ 引 言
构 框 图如 图 ２所示 。
目前 大部分 控制 系统 的分析 和设计 方法 都是 基 于 被 控对 象 的熟悉模 型 已 知 ， 或通 过 实 验 或 通过 辨 识 方 法 能 够获取 等前 提条件 ， 但是 随着 现代工 业 的发展 ， 人 们 在工 程实践 中发现 ， 于有些 复 杂 的系统 ， 对 要想 获取 它 的精 确模 型几乎 没有 可 能 ， 时就 无 法 用 传统 控 制 这 方法对其 进行 控制 。但 是人 们 可 以凭借 多年 的工 作 经 验， 把控制 的方法总结成带有模糊性质 的 、 自然语言表 用 达 的操作规则 ， 以此来 实现对这些系统的有效控制 。 模糊 控制 即模 拟人类 凭经 验和 常识 利用模糊 规 则 进行 推理 并利用 系统 进行 实现 的控 制过程 。模糊 控 制 过程 不依 赖于 被控对 象 的精 确数 学 模 型 ， 是 以 人 的 而 实际 操作 经验作 为基 础 ， 把 人 的 智能 控 制 和 控 制 系 是 统结 合到 一起 ， 因此模 糊控 制属 于智 能控制 领域 。
模 糊 Ｐ Ｄ 参 数 自整 定 控 制器 的设 计 Ｉ
兰艳 亭 ，陈 晓栋
（ 中北 大 学 信 息 与 通信 工 程 学 院 ， 山 西 太 原 ００５ ） ３ ０ １
摘 要 ：将 模 糊 控 制 理 论 与 经 典 的 ＰＤ 控 制 理 论 结 合 ， 以锅 炉 温 度 控 制 系 统 为 例 ，设 计 了 一 种 模 糊 Ｐ Ｄ 参 数 Ｉ Ｉ 自整 定 控 制 器 。 仿 真 结 果 表 明 ，和 常 规 ＰＤ 控 制 器 相 比 ，所 设 计 的 模 糊 ＰＤ 控 制 器 改 善 了 温 度 控 制 系 统 的 Ｉ Ｉ 动 态性 能 ．提 高 了系 统 的 鲁 棒 性 。
模糊参数自整定PID控制在ASM测控中的应用
Ａｂ ｔａ ｔ ｓｒ ｃ ：Ｂａ ｅ ｎ ｔ ｅ ｃ ａ ａ ｔｒｓ ｃ ｆ Ｍ ｓ ｃ ｎ ｉ ｏ ，ａ ｅｃ ｎ ｔ ｎ ｐ ｅ ｔｇ ｈ ｃ ｅ ｕ ｒｄ ｖ ｈ ｃｅ Ｓｔ ｒ ｕ ｒ ｒ ｓ ｄ ｏ ｈ ｈ ｒｃｅ ｔ ｓｏ ｉ ｉ ＡＳ ｔ ｔ ｏ ｄ ｔ ｎ ｔ ｈ ｏ ｓａ ｔ ｅ ｄ ｓａ ｅｗ ｉ ｈ ｒ ｑ ｉｅ ｅ ｉ ｌ ｑ ｅ ｅｒ ｅ ｉ ｔ ｓ ｏ ｏ ｌｓ ｈ ｎ ±５ ｃ ｍｐ ｒ ｔ ｈ ｏｑ ｅ ｓ ｔ ｎ ｓ ｈ ｓ ｐ ｐ ｒｄ ｓ ｕ ｓ ｄ ｔ ｅ ａ ｐ ｃ ｔ ｎ ｏ ｕ ｚ ｅ —ｔ ｎ ｎ Ｉ ｃ ｎｒ ｌｉ ｅ ｓｔ ａ ％ ｏ ａｅ ｗｉ ｔ ｅ ｔｒ ｕ ｅｔ ｇ ．Ｔ ｉ ａ ｅ ｉ ｓｅ ｈ ｐ ｈ ａｉ ｆｆ ｚｙ ｓ ｒ ｈ ｉ ｃ ｏ ｆ ｕ ｉｇ Ｐ Ｄ ｏ ｔ ｎ ｏ ｃ ｎ ｔｎ ｏ ｑ ｅ ｃ ｎ ｒｌｏ ｈ ｓ ｉ ｄ ｎ ｍｏ ｔｒ ｃ ｍｂ ｎ ｄ ｆ ｚｙ ｃ ｎ ｒｌａ ｄ ｃ ｎ ｅ ｔ ｎ ｌ Ｉ ｏ ｔ ｌ ｔ ｏ ｈ ｉ ｌ ｔ ｎ ｏ ｓａ ｔｔｒ ｕ ｏ ｔｏ ｎ ｃ ａ ｓ ｙ ａ ｍｅｅ ， ｏ ｉｅ ｕ ｚ ｏ ｔ ｎ ｏ ｖ ｎｉ ａ Ｄ ｃ ｎ ｒ ｈ ｄ ｉ ｔｅ ｓｍｕａｉ ｓ ｏ ｏ Ｐ ｏ ｍｅ ｎ ｏ
＝
Ａ Ｍ 工况污 染排放 测试 是 通 过汽 车底 盘测 功 机 Ｓ
上 来实现 的 ， 功机通 过模 拟道路行 驶工况 的方法 来 测 检 测汽 车动力 性 ， 一 个具 有 大 滞后 特 点 的系 统 ， 是 它 具 有体积 小 、 量轻 、 构 简 单 、 重 结 转动 惯 量低 、 用 维 使 护 方便等 优点 ， 特别 适 用 于 自动 控制 与 远距 离操 作 。
２ ｕ ｍ ｔｅｅｇｎｅ ｎ ｅａｔ ｅｔ Ｑｎｈ ｉｒ ｃｖｃｔ ｎ ｌ ｎ ｃｎ ａ ａ ｕ Ｘｎｎ ， ．Ａ ｔ ｏｉ ｎｉ ｒ ｇｄ ｒ ｎ ｉｇａ ａ ｏａｉ ａ ｄｔ ｈ ｉ ｌｎｔ ￣， ｉｉ ｏ ｖ ｅｉ ｐ ｍ ｏ ｆ ｔｆ ｉ ｏ ａ ｅ ｃ ｉ ＃ ｇ
《2024年轮毂电机驱动电动汽车联合制动的模糊自整定PID控制方法研究》范文
《轮毂电机驱动电动汽车联合制动的模糊自整定PID控制方法研究》篇一一、引言随着科技的不断进步，电动汽车的研发和应用日益广泛。
在电动汽车的驱动与制动系统中，轮毂电机驱动技术以其高效率、低噪音和低成本等优势备受关注。
为了进一步优化电动汽车的制动性能和稳定性，本文将针对轮毂电机驱动电动汽车联合制动的模糊自整定PID控制方法进行深入研究。
二、背景与现状分析电动汽车的制动系统在行驶过程中扮演着至关重要的角色，它不仅影响车辆的制动性能，还直接关系到行车安全。
传统的PID控制方法在电动汽车的制动控制中得到了广泛应用，但其在处理非线性、时变和不确定性的系统时，往往难以达到理想的控制效果。
近年来，模糊控制技术因其对复杂系统的良好适应性，逐渐成为研究热点。
因此，将模糊控制与PID控制相结合，形成模糊自整定PID控制方法，成为提高电动汽车制动性能的重要途径。
三、轮毂电机驱动电动汽车联合制动系统轮毂电机驱动电动汽车的联合制动系统由多个轮毂电机组成，通过控制各个电机的制动力，实现车辆的稳定制动。
该系统具有结构简单、制动力分配灵活等优点，但同时也面临着非线性、时变和不确定性等问题。
为了解决这些问题，本文提出了一种模糊自整定PID控制方法。
四、模糊自整定PID控制方法1. 模糊控制原理：模糊控制是一种基于模糊集合理论的控制方法，它通过模拟人的思维过程，对复杂系统进行近似处理。
在本文中，我们利用模糊控制器对PID控制的参数进行在线调整，以适应系统的非线性、时变和不确定性。
2. 参数自整定：根据系统的实际运行状态，模糊控制器对PID控制的参数进行实时调整。
通过不断地调整PID参数，使系统达到最优的控制效果。
3. 控制策略：在轮毂电机驱动电动汽车的联合制动系统中，我们采用模糊自整定PID控制方法对制动力进行分配和控制。
具体而言，我们根据车辆的行驶状态、路面情况等因素，利用模糊控制器对PID参数进行调整，以实现制动力的大化利用和车辆的稳定制动。
基于模糊规则参数自整定PID控制器的仿真研究
Ｋｅ ｒ ｓ Ｐ Ｄ ｏ ｔｏｌｒ ｕ ｚ ｕｅ ，Ｓ ｌ—ｄ ｓｉｇ，Ｓｍｕａｉｎ ｙ ｗｏｄ ： Ｉ ｃ ｎ ｒ ｌ ，Ｆ ｚｙｒ ｌｓ ｅｆａ ｊ ｔｎ ｅ ｕ ｉ ｌｔ ｏ
比例 、 分 、 分控 制 简 称 Ｐ Ｄ 控制 ， 积 微 Ｉ 以其 结 构 简单、 稳定 性好 、 靠 性 高 、 用 中不 需 精 确 的系 统 可 使
ｒｃ ．Ｔｈ ａ ｅ ｏ ｕ ｅ ｎ ｔ ｅｄ ｓｇ ｆｐ ｒｍｅｅ ｕ ｏｔ ｎｎ Ｉ ｃ ｎ ｒ ｌ ｒｂ ｓ ｄ ｏ ｕ ｚ ｕｅ ，ｏ —ｉｅａ ｊｓｍｅ ｔｏ ａｙ ｅｐ ｐ ｒｆ ｃ ｓ ｄｏ ｈ ｅ ｉｎｏ ａａ ｔｒａ ｔ—ｕ ｉｇ Ｐ Ｄ ｏ ｔｏｌ ａ ｅ ｎ ｆ ｚｙ ｒ ｌｓ ｎ ｌ ｄｕ ｔ ｎ ｆ ｅ ｎ ＰＩ ｐ ｒｍｅｅ ｓｃ ｒｉｄ ｏ ｙ ｕ ｉｇ ｆ ｚｙ ｔ ｅ ｒ ｏ ｅｔｂ ｉｈ ｃ ｎ ｒ ｌ ｒｆｒＰＩ ｐ ｒ ｍｅｅ ｄｕ ｔ ｎ ．Ｔｈ ｉ ｌｔ ｎ ｉ Ｄ ａａ ｔｒｉ ａ ｒ ｎ ｂ ｓｎ ｕ ｚ ｈ ｏ ｙ ｔ ｓａ ｌ ｏ ｔｏｌ ｏ Ｄ ａ ａ ｔｒａ ｊｓｍｅ ｔ ｅ ｓ ｅ ｅｓｍｕ ａｉ ｓ ｏ
作 为一 门新兴 的理 论 和 技 术 ， 是 传 统 控 制发 展 的 它 高级 阶段 ， 主要 用 来 解决 那 些 用 传 统 方 法 难 以解 决 的复 杂 系统 的控 制 ， 模糊 控 制 作 为 智 能 控 制 的典 型 代表被 广 泛采 用口 。模糊 控 制是 以模糊 数学 及模 糊 ］ 逻 辑 为基 础 的一 种 计 算 机 控 制 ， 一 种 非 线性 的智 是 能控制 。模 糊控 制 对被 控对 象不 需要 建立 精确 的数 学模 型 ， 只需根 据人 的经 验 、 模拟 人 的逻辑 推理 对被
基于模糊算法的PID参数自整定方法研究
获得满 意的控制效果 ，就要对 ＰＩＤ参数 进行 调整 ，而 ＰＩＤ参数 的整定需要现场人员有较为丰富 的经验 才能快速完 成 ，故 对人 员素质提 出了要求 。而模糊控制算法能有效 避免这 一麻烦 ，它 能够模糊 自整 定 ＰＩＤ控 制器 ，使 得后 者 在线 自我 调整 控制 参
一 般来讲 ，实际的工业现场 中，控制 系统 存在 时变性 、非 线
１ 模糊 ＰＩＤ参数的 自整定控制法
性 和 时滞 性 ，影 响 着 控 制 效 果 。 在 工 况 发 生 剧 烈 变 化 时 ，如 要
１．１ ＰＩＤ控 制原 理 ＰＩＤ控 制 器 是 利 用 系 统 误 差 的 比 例 、积 分 和 微 分 三 个 环 节
０ 引 言
整 ，这 给工 业 现 场带 来 了许 多 不 便 。
在工业过程控制 中，由于精确 的数学 模型难 以建 立 ，系统 参数经常发生变化 ，导致运用控制理论 分析综合需要付 出极 大 的代价 ，而且难 以得 到预期 的控制效果 。ＰＩＤ控 制器 自２０世纪 ３Ｏ年 代 末 出现 以来 ，由 于结 构 简 单 、参 数 易 于 调节 ，在 工 业 控 制 领 域 得 到 了极 大 的 发 展 以 及 广 泛 的应 用 Ⅲ 。
图 １ 模 糊 自整 定 ＰＩＤ控 制器 结构 图
不同的 ｌ ｅｌ和 ｝ｅ ｌ情 况下 ，被控制过 程对 于参 数 Ｋ 、Ｋ 和 Ｋｏ有如下 自整定要求 ：
（１）当 较大时 ，应取较大 的 Ｋ 和较 小的 Ｋ。，从 而保 持 系 统 较 好 的 快 速 跟 踪 性 。 此外 ，还 要 对 积 分 作 用 限 制 以 避 免 超 调 过 大 ，所 以通 常取 Ｋｔ—Ｏ。
PID控制器参数模糊自整定研究
PID控制器参数模糊自整定研究PID控制器是一种广泛使用的工业控制系统组件，它可以根据设定值和实际输出值之间的误差来调整控制系统的增益，以实现系统的稳定性和性能优化。
然而，传统的PID控制器参数整定方法通常需要手动调整，这不仅需要丰富的经验，而且也难以保证参数的最优性。
因此，研究PID控制器参数的自动整定方法具有重要意义。
在过去的几十年中，模糊自整定技术成为了一种流行的PID控制器参数自动整定方法。
该技术结合了模糊逻辑和参数辨识，通过不断监测系统的运行状态，以及根据系统性能指标的变化来自动调整PID控制器的参数。
目前，关于PID控制器参数模糊自整定的研究已经取得了一定的进展。
在理论研究方面，研究者们已经提出了一些有代表性的模型和算法，如基于规则的模糊自整定、基于人工神经网络的模糊自整定等。
在实验研究方面，研究者们已经在各种实际应用场景中验证了模糊自整定技术的有效性和优越性，如电机控制、化工过程控制等。
模糊自整定技术的原理是基于模糊逻辑和参数辨识。
通过参数辨识算法来识别控制系统的参数，以确定PID控制器的最佳参数组合。
然后，利用模糊逻辑推理来确定PID控制器的输出，以实现对控制系统的有效控制。
根据系统的性能指标，如超调量、调节时间等，来反馈调节PID控制器的参数，以实现控制效果的优化。
在PID控制器中应用模糊自整定技术时，需要设置一些模糊参数，如输入输出变量的模糊化程度、模糊规则等。
这些参数的选择对控制效果有着重要影响。
因此，在实际应用中，需要根据具体系统和控制要求来合理设置这些参数，以达到最佳的控制效果。
通过分析实际案例，我们发现模糊自整定技术在PID控制器中的应用取得了显著的成果。
例如，在电机控制系统中，模糊自整定技术成功地提高了系统的稳定性和响应速度。
在化工过程控制中，该技术有效降低了系统的误差和超调量，提高了控制精度。
模糊自整定技术在PID控制器参数整定中具有重要意义和应用价值。
通过将模糊逻辑和参数辨识相结合，它可以实现PID控制器参数的自动调整和优化，从而提高控制系统的性能。
基于模糊PID参数自整定的温度控制系统的研究(精)
基于模糊PID参数自整定的温度控制系统的研究摘要：工业温度控制系统具有非线性、时变性和滞后性等特性，严重影响温度控制的快速性和准确性，为了解决常规PID参数调节在温度控制中适应性差，调节效果不理想的问题，这里采用了模糊PID参数自整定控制方法，用模糊控制规则对PID参数进行修改，利用Matlab的Simulink仿真工具箱做了常规PID与模糊PID的仿真对比试验。
仿真结果表明，模糊PID参数自整定控制效果在超调量和调节时间上都小于常规PID，提高系统快速性和准确性，改善了温摘要：工业温度控制系统具有非线性、时变性和滞后性等特性，严重影响温度控制的快速性和准确性，为了解决常规PID参数调节在温度控制中适应性差，调节效果不理想的问题，这里采用了模糊PID参数自整定控制方法，用模糊控制规则对PID参数进行修改，利用Matlab的Simulink仿真工具箱做了常规PID与模糊PID的仿真对比试验。
仿真结果表明，模糊PID参数自整定控制效果在超调量和调节时间上都小于常规PID，提高系统快速性和准确性，改善了温度系统动态性能。
关键词：温度控制；Matlab仿真；模糊规则；PID在工业生产过程中温度是重要的控制参数之一，对温度的有效控制对于保证生产质量具有重大的现实意义和理论价值。
工业温度控制系统具有非线性、时变性和滞后性等特性，而常规PID控制器参数往往整定不良，性能欠佳，对运行的工作情况适应性差，导致常规PID控制不能使温度控制达到理想效果。
为了改善常规PID控制效果，增强系统的适应性，实现PID参数自整定，本文设计出一种PID参数自整定的模糊控制器。
利用模糊逻辑对PID控制器参数进行调整实现控制效果最优，将温度作为控制对象，并利用Matlab的Simulink工具箱实现仿真对比分析常规PID与模糊PID的曲线，最后应用到实际的温度控制系统中，对比分析常规PID与模糊PID的控制效果。
1 PID控制算法的相关介绍1．1 PID控制算法PID控制器因为结构简单、容易实现，并且具有较强的鲁棒性，因而被广泛应用于各种工业过程控制中。
模糊PID控温算法的具体实现（一）：参数自整定模糊PID算法概念
模糊PID控温算法的具体实现（⼀）：参数⾃整定模糊PID算法概念 上个学期已经基本上实现了PID的温控算法，为了撰写⼩论⽂，这个学期最先要做的事情就是实现模糊PID的温控算法。
模糊控制系统的构成与与常规的反馈控制系统的主要区别在于控制器主要是由模糊化，模糊推理机和精确化三个功能模块和知识库（包括数据库和规则库）构成的。
具体实现过程如下所⽰：(1)预处理： 输⼊数据往往是通过测量设备测量得到的⼀个具体数据，预处理就是在它们进⼊控制器前对这些数据进⾏分类，或性质程度的定义。
预处理过程也是量化过程，它是在离散空间中把输⼊数据划分为若⼲个数字级别。
例如，假设⼀个反馈误差为 4.5，误差空间是(-5,-4…4,5)，量化器会使它靠近离它最近的级别，四舍五⼊到 5。
称量化器量化的⽐例为量化因⼦。
量化过程是个削减数据量的⽅法，但是如果量化过于粗糙，控制器会振荡甚⾄失去平衡。
(2)模糊化 在进⾏模糊化时，需要确定模糊集论域中语⾔变量各值所对应的模糊⼦集的⾪属度函数。
⾪属度函数⼀般是根据操作者的经验初步确定，在调试开发甚⾄控制器运⾏中需不断修正和优化，以满⾜控制的要求。
⾪属度函数的形状很多，但是影响模糊控制器性能的关键因素是各模糊集覆盖论域的情况，⽽⾪属函数的形状在达到控制要求⽅⾯并⽆⼤的差别，为使数学表达和运算简单，⼀般选⽤三⾓形、梯形⾪属函数。
但⾪属函数的幅宽⼤⼩对性能影响较⼤，⾪属函数形状较陡时，引起的输出变化较剧烈，控制的灵敏度⾼；⾪属函数形状平缓时，引起的输出变化较缓慢，对系统的稳定性好。
因此，在选择⾪属函数时，⼀般在偏差较⼩或接近于零附近时，采⽤形状较陡的⾪属函数；⽽在偏差较⼤的区域采⽤形状平缓的⾪属函数，以使系统具有良好的鲁棒性。
⽽且在实际⼯作中，不应出现三个⾪属函数相交的状态。
⼀般，任何两个模糊⼦集的交集的最⼤⾪属度中的最⼤值取为 0.4~0.8 之间。
另外，⾪属函数的位置分布对控制性能也有⼀定的影响，当函数在整个论域平均分布时，控制效果并不好，因此，⼀般将零固定，其它模糊⼦集向零集靠拢，以达到较好的控制效果。
模糊自适应PID控制器参数整定的研究
数 Ｋ 、 分 系 数 Ｋ 和微 分 系 数 Ｋ 。ＰＤ参 数 模 糊 自整 定 是 找 出 积 Ｉ Ｄ Ｉ
ＰＤ 三 个 参 数 和偏 差 ｅ 偏 差 变 化 率 ｅ Ｉ 、 ｃ之 间 的模 糊 关 系 ， 系 在 统 运 行 中 通 过 不 断 检 测 ｅ和 ｅ ， ｃ 根据 模 糊 控 制 原理 来 对 ３个 参
１１ 模 糊 自适 应 ＰＤ参 数 控 制 策 略 ［ ． Ｉ １ 以 常规 ＰＤ 控 制 为 基 础 ， 用 模糊 推理 方 法 ， 据 不 同时 刻 Ｉ 采 根
的 ｅ和 ｅ ｃ对 ＰＤ参 数 进 行 在 线 自整 定 。按 照 这 种 思 想 构 成 的 Ｉ 控 制 系 统 由两 部 分 组 成 ，即 常 规 ＰＤ控 制 部 分 和 模 糊 推 理 的 参 Ｉ
器 ， 不 过 它 的 输 入 是 偏 差 ｅ和 偏 差 变 化 率 ｅ 输 出是 比例 系 只 ｃ，
积 分 环 节 作 用 系 数 Ｉ 的作 用 在 于 消 除 系统 的稳 定 误 差 。但 ＜ ｌ
Ｋ 过 大 ， 响 应 过 程 中 会 产 生 积分 饱 和 现 象 ， 而 引起 响应 过程 ． 在 从
调 节 精 度 。但 Ｋ 过 大 ， 生 超 调 量 和 振 荡 ， 至 导 致 系 统 不 稳 产 甚 定 。 Ｋ 取 值 过 小 ， 会 降低 调 节 精 度 ， 响 应 速 度 变 慢 ， 而延 则 使 从
长 调节 时 间 ， 系统 静 态 、 使 动态 特 性 变 坏 。
数 校 正 部 分 ， 图 １所 示 。 糊 推 理 部 分 实 质 就 是一 个 模 糊 控 制 如 模
式 中 ｕ ｋ 为 系 统 的 第 ｋ采 样 周 期 时 的控 制 器 的 输 出值 ， （） ｅ
模糊PID参数自整定
模糊PID参数自整定PID控制器是最常用和常见的控制器之一，它可以用于自动控制各种系统。
PID控制器的参数调整对于系统的稳定性和性能至关重要。
传统的PID参数调整方法通常是基于数学模型进行的，然而，对于一些非线性或者不确定系统，数学模型的精确建立可能是困难的，甚至是不可能的。
因此，模糊PID参数自整定方法应运而生。
首先，模糊PID参数自整定方法需要建立一个模糊推理系统。
该模糊推理系统由模糊化、模糊规则库、模糊规则推理和解模糊化四个部分组成。
模糊化将系统的输入和输出转化为模糊集合，模糊规则库包含了一系列IF-THEN规则，用于描述输入和输出之间的关系。
模糊规则推理根据输入的模糊集合和模糊规则库进行推理，得到模糊输出。
解模糊化将模糊输出转化为实际的控制量。
然后，在模糊推理系统中，根据实际系统的特点，选择适当的输入和输出变量。
输入变量可以选择误差（error）、误差变化率（error change）和积分误差（integral error），输出变量可以选择PID参数的调整量。
接下来，需要定义模糊规则库。
模糊规则库是根据经验和专家知识定义的，可以包含多种规则。
例如，根据误差和误差变化率的值来决定PID参数的调整方向和幅度。
然后，进行模糊规则推理。
模糊规则推理使用模糊逻辑和模糊规则库中的规则进行推理，得到模糊输出。
模糊逻辑可以是“AND”，“OR”等，并且可以根据实际情况进行调整。
最后，进行解模糊化。
解模糊化将模糊输出转化为实际的控制量。
解模糊化可以使用常用的方法，例如加权平均法或者最大隶属度法。
总结来说，模糊PID参数自整定方法可以在没有精确模型的情况下，根据系统的实际情况进行参数调整。
通过建立模糊推理系统并进行模糊规则推理和解模糊化，可以得到适合系统的PID参数。
这样可以提高系统的稳定性和性能，并且减少了精确模型建立的困难和复杂性。
文献参考：1. Astrom, K., & Hagglund, T. (1995). PID controllers: Theory, design, and tuning. Instrument Society of America.2. Hyland, D., & Persis, C. D. (2001). A fuzzy control based approach to proportional-integral-derivative controller tuning. Automatica, 37(2), 183-195.。
模糊pid规则自整定
模糊PID规则自整定模糊PID控制是一种基于模糊逻辑理论的控制方法，它结合了PID控制和模糊逻辑的优点，能够实现对复杂系统的有效控制。
在模糊PID控制中，通过模糊规则的自整定，可以实现对PID参数的优化调整，提高系统的控制性能。
一、模糊逻辑在PID控制中的应用在传统的PID控制中，通常通过调整比例、积分和微分三个参数来控制系统的输出。
然而，对于一些复杂的系统，传统的PID控制方法往往难以取得理想的效果。
这时，引入模糊逻辑理论可以有效地解决这一问题。
在模糊PID控制中，通过将系统的输入和输出与模糊集合进行映射，可以将传统的PID 控制转化为模糊逻辑控制。
这样，就可以利用模糊逻辑的推理能力，实现对PID参数的自整定。
二、模糊规则的自整定在模糊PID控制中，模糊规则的自整定是关键的一步。
通过自整定，可以实时地调整PID参数，以适应系统状态的变化。
建立模糊规则首先，需要建立一套完整的模糊规则。
这些规则是基于系统的输入和输出信息，以及它们对PID参数的影响。
例如，当系统的输出偏离设定值较大时，可能需要增加比例参数；当系统的输出波动较大时，可能需要减小积分参数；当系统的输出超调较大时，可能需要减小微分参数。
模糊推理根据建立的模糊规则，通过模糊推理来调整PID参数。
具体来说，通过比较系统当前的输入和输出与设定值之间的差异，利用模糊逻辑的推理方法，可以确定应该如何调整PID参数。
PID参数调整根据模糊推理的结果，实时地调整PID参数。
这可以通过在线计算或离线调整来实现。
在线计算是指在每个采样时刻都根据当前的系统状态来计算新的PID参数；离线调整则是在一段时间内根据历史数据来调整PID参数。
三、结论模糊PID规则自整定是一种有效的控制方法，它结合了模糊逻辑和PID控制的优点，能够实现对复杂系统的有效控制。
通过建立模糊规则和进行模糊推理，可以实时地调整PID 参数，以适应系统状态的变化。
这种方法在许多领域都得到了广泛的应用，如机器人控制、电力系统控制等。
PID参数自整定的方法及实现
PID参数自整定的方法及实现PID控制器是一种常见的控制器类型，可以用于许多自动控制系统中。
PID控制器的性能很大程度上取决于参数的选择，因此需要进行参数自整定来提高系统的稳定性和响应速度。
常见的PID参数自整定方法包括Ziegler-Nichols方法、Chien-Hrones-Reswick方法、频率响应法、模糊PID控制方法等。
其中，Ziegler-Nichols方法是最常用和简单的方法之一、该方法通过实验来确定系统的临界增益和周期，从而确定参数。
具体步骤如下：1.首先将系统的输出作为输入，增大控制器的增益直到系统开始发生振荡，即系统的曲线变为震荡波形。
2.记下此时的控制器增益，称为临界增益(Ku)。
3.记下系统振荡的周期，称为临界周期(Tu)。
根据Ziegler-Nichols方法得到的临界增益和临界周期，可以计算得到PID参数的初值：-比例增益参数(Kp)=0.6*Ku-积分时间参数(Ti)=0.5*Tu-微分时间参数(Td)=0.125*Tu然后，通过实际调试和测试来对这些初值进行微调，以获得更好的控制效果。
微调的方法包括手动试错法、自适应控制法等。
此外，Chien-Hrones-Reswick方法是另一种常见的PID参数自整定方法，它基于频域响应的分析。
该方法需要对系统的传递函数进行频率响应的测试，然后根据响应曲线的特性来确定参数。
通过分析频率响应曲线，可以得到PID参数的初值，并进行微调。
模糊PID控制法是一种基于模糊逻辑的参数整定方法，它通过模糊控制器来实现PID参数的在线调整。
模糊PID控制法的优点在于可以根据系统的实时性能来动态地调整参数，适用于复杂的非线性系统。
实现PID参数自整定的方法有多种途径，可以通过MATLAB等数学建模软件进行模拟实验和参数分析，也可以通过控制器硬件进行实际调试。
对于一些特定类型的系统，还可以通过系统辨识的方法来推导出传递函数，从而进行参数的精确计算。
自适应模糊整定PID参数..
在工业生产过程中，许多被控对象受负荷变化或干扰因素 影响，其对象特性参数或结构易发生改变。自适应控制运用现 代控制理论在线辨识对象特征参数，实时改变其控制策略，使 控制系统品质指标保持在最佳范围内，但其控制效果的好坏取 决于辨识模型的精确度，这对于复杂系统是非常困难的。因 此，在工业生产过程中，大量采用的仍然是PID算法。PID参 数整定方法很多，但大多数都以对象特性为基础。 随着计算机技术的发展，人们利用人工智能的方法将操作 人员的经验作为知识存入计算机中，根据现场实际情况，计算 机能自动调整PID参数，这样就出现了专家PID控制器。
2
这种PID控制器有一个极点在坐标原点，两个零点均位于 4 Tc 处。故这种方法仅适用于系统的输出能产生持续震荡的 场合。
2018/10/15
10
模糊自适应整定PID控制
必须指出，用上述法则确定PID控制器的参数，使系统的 超调量在10%~60%之间，其平均值约为25%（通过对许多 不同对象试验的结果），这是易于理解的，因为上述两个表中 的参数值也是在平均值的基础上得到的。 由此可知，齐格勒-尼克尔斯法则仅是PID控制器参数调整 的一个起点。若要进一步提高系统的动态性能，必须在此基础 上对相关参数做进一步调整。
0.5 Tc
2018/10/15
9
模糊自适应整定PID控制
求得相应的PID控制器的传递函数： 1 Gc s K p 1 T s d
Ti s 4 s Tc 1 0.6 K c 1 0.125Tc s 0 . 075 K T c c s 0.5Tc s
2018/10/15 16
模糊自适应整定PID控制
模糊 PID 自整定
模糊PID自整定控制算法简单理解模糊控制PID的参数自调整原理：CPU根据系统偏差（偏差＝给定－反馈），和偏差变化率（偏差变化率＝当前周期偏差－上周期偏差）查询相应的模糊控制表，得到Kp，Ki，Kd三个参数的整定值，然后进行PID运算，真正的运用到实际中也就是一张模糊控制查询表，然后就是查表了，也很简单，关键是表的建立还有专家经验的问题等。
单片机模糊PID自整定控制算法的实现及仿真作者：冯桂宁蒋翔俊引言由于液压伺服系统的固有特性(如死区、泄漏、阻尼系数的时变性以及负载干扰的存在)，系统往往会呈现典型的不确定性和非线性特性。
这类系统一般很难精确描述控制对象的传递函数或状态方程，而常规的PID控制又难以取得良好的控制效果。
另外，单一的模糊控制虽不需要精确的数学模型，但是却极易在平衡点附近产生小振幅振荡，从而使整个控制系统不能拥有良好的动态品质。
本文针对这两种控制的优缺点并结合模糊控制技术，探讨了液压伺服系统的模糊自整定PID控制方法，同时利用MA TLAB软件提供的Simulink和Fuzzy工具箱对液压伺服调节系统的模糊自整定PID控制系统进行仿真，并与常规PID控制进行了比较。
此外，本文还尝试将控制系统通过单片机的数字化处理，并在电液伺服实验台上进行了测试，测试证明：该方法能使系统的结构简单化，操作灵活化，并可增强可靠性和适应性，提高控制精度和鲁棒性，特别容易实现非线性化控制。
1、模糊PID自整定控制器的设计本控制系统主要完成数据采集、速度显示和速度控制等功能。
其中智能模糊控制由单片机完成，并采用规则自整定PID控制算法进行过程控制。
整个系统的核心是模糊控制器，A T89C51单片机是控制器的主体模块。
电液伺服系统输出的速度信号经传感器和A／D转换之后进入单片机，单片机则根据输入的各种命令，并通过模糊控制算法计算控制量，然后将输出信号通过D／A转换送给液压伺服系统，从而控制系统的速度。
该模糊控制器的硬件框图如图1所示。
ARM7参数自整定模糊PID控制器的仿真及设计
关 键 词 ： 数 自整 定 模 糊 控 制 Ｐ Ｄ； ｔ ｂ 参 Ｉ Ｍａｌ ； ａ
ＡＲ Ｍ７处 理 器
ａ ｄ ｏ ｔ ｒ ｄ ｓ ｇ ｏ ｔ ｅ ｏ ｔｏ ｌ ｒ ａ ｅ ｏ ｎ ｓ ｆ ｗａ ｅ ｅ ｉ ｎ ｆ ｈ ｃ ｎ ｒ ｌ ｂ ｓ ｄ ｎ ｅ
Ａ ＲＭ ７ ｐ ｏ ｅ ｓ ． ｒ ｃ ｓ ｏｒ
ＡＲＭ７ 数 自整定模糊 Ｐ Ｄ控制器的 参 Ｉ 仿真及设计
王 朝宁 姜 学东 马立 刚 ， ， （． １ 北京 交通 大学 电气工程 学 院 ， 北京 １ ０ ４ ；． ０ ０ ４ ２ 山西省 电力公 司 吕梁供 电分 公 司 ， 山西 吕梁 ０ ３ ０ ） ３ ０ ０
Ｄｅ ｉ ｎ ａ ｄ Ｓｍ ｕ ａｉｎ ｏ ｅｆ — ｕ ｉｇ ＰＩ —ｔ ｐ ｕ ｚ ｎ ｒ ｌ ｒＢａ ｅ ｎ ＡＲＭ ７ Ｐ ｏ ｅ ｓ ｒ ｓ ｎ ｉ ｌｔ ｆＳ ｌ —ｔ ｎ ｎ Ｄ — ｙ ｅＦ ｚｙ Ｃｏ ｔｏ ｌ ｓ ｄ ｏ ｇ ｏ ｅ ｒ ｃｓｏ
作 为 输 入 ， 过 一 定 的 模 糊 推 理 规 则 ， Ｐ Ｄ 控 制 经 对 Ｉ
ａ ｔ ｂｅ ｉ ｉ ｇ．Ａｎ ｔ ｔ ｔ ｈｅ ｇ ｎｎ ｎ ｄ ｈａ ｗｏｕ ｄ ｆ ｅ ｔ ｏ ｒ ｌ ａ ｆ ｃ ｃ ｎｔｏｌ
ｐ ｒｏ ｍａ ｃ ｆ ｙ ｔ ｍ． ｋ ｎ ｒ ｏ ｎ ｅ ａ ａ ｅ ｅ ｆ ｒ ｎ ｅｏ ｓ ｅ Ｔａ ｉ ｇ ｅ ｒ ｒａ ｄ ｄ ｃ ｙ ｒ ｔ ｓ ｏ ｒ ｏ ｓ ｉ ｐ ｔ ｎ ｔ ｅ ｄ ｓｇ ａ ｇ ｍｅ ｔ ｆＰＩ ｆｅ ｒ ｒ ａ ｎ ｕ ｓ ｉ ｈ ｅ ｉ ｎ， ｒ ｕ ｎ ｓ ｏ Ｄ
收 稿 日期 ：０ ９—１ —０ ２０ ２ ３
Ｋｅ ｒ ｓ ｓ ｌ —ｔ ｎ ｎ Ｄ — ｔ ｐ ｕ ｚ ｏ ｌ ｙ ｗｏ ｄ ： ｅ ｆ ｕ ｉ ｇ ＰＩ ｙ ｅｆｚｙｃｌ —
- 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)。
模糊PID 参数自整定设被控对象为ss s s G P 1047035.87523500)(23++=采样时间为1ms ，采样模糊PID 控制进行阶跃响应，在第300个采样时间时控制加的干扰，相应的响应结果如下图：Ki 的录属度函数Kp 的录属度函数)e的录属度函数ec的录属度函数下面是系统在外界有干扰输入时普通PID和模糊PID参数自整定控制的阶跃响应曲线：模糊PID控制阶跃响应,普通PID控制阶跃响应. 从上面的仿真图可以看出，经过模糊PID参数自整定后，在外界干扰输入时，可以得到很好的控制效果。
下面是PID参数的整定曲线：.Kp的自整定调整Ki的自整定调整Kd的自整定调整!程序文本：%Fuzzy Tunning PID Controlclear 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','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 ec 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]);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',[,]); %Parameter kpa=addmf(a,'output',1,'NB','zmf',[,]);a=addmf(a,'output',1,'NM','trimf',[,,0]);a=addmf(a,'output',1,'NS','trimf',[,,]);a=addmf(a,'output',1,'Z','trimf',[,0,]);a=addmf(a,'output',1,'PS','trimf',[,,]);a=addmf(a,'output',1,'PM','trimf',[0,,]);a=addmf(a,'output',1,'PB','smf',[,]);、a=addvar(a,'output','ki',[,]); %Parameter kia=addmf(a,'output',2,'NB','zmf',[,]);a=addmf(a,'output',2,'NM','trimf',[,,0]);a=addmf(a,'output',2,'NS','trimf',[,,]);a=addmf(a,'output',2,'Z','trimf',[,0,]);a=addmf(a,'output',2,'PS','trimf',[,,]);a=addmf(a,'output',2,'PM','trimf',[0,,]);a=addmf(a,'output',2,'PB','smf',[,]);a=addvar(a,'output','kd',[-3,3]); %Parameter kp ;a=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;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 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=;sys=tf,[1,,,0]);dsys=c2d(sys,ts,'tustin'); [num,den]=tfdata(dsys,'v');u_1=;u_2=;u_3=;?y_1=0;y_2=0;y_3=0;x=[0,0,0]';error_1=0;e_1=;ec_1=;kp0=;kd0=;`ki0=;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 at timeu(k)=u(k)+;endif u(k)>=10u(k)=10;endif u(k)<=-10u(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);x(1)=error(k); % Calculating P x(2)=error(k)-error_1; % Calculating D x(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');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。