模糊PID控制问题

Fuzzy - simulink有关模糊PID问题概述

最近很多人问我关于模糊PID的问题，我就把模糊PID的问题综合了一下，希望对大家有所帮助。

一、模糊PID就是指自适应模糊PID吗？

不是，通常模糊控制和PID控制结合的方式有以下几种：

1、大误差范围内采用模糊控制，小误差范围内转换成PID控制的模糊PID开关切换控制。

2、PID控制与模糊控制并联而成的混合型模糊PID控制。

3、利用模糊控制器在线整定PID控制器参数的自适应模糊PID控制。

一般用1和3比较多，MATLAB自带的水箱液位控制tank采用的就是开关切换控制。由于自适应模糊PID控制效果更加良好，而且大多数人选用自适应模糊PID控制器，所以在这里主要指自适应模糊PID控制器。

二、自适应模糊PID的概念

根据PID控制器的三个参数与偏差e和偏差的变化ec之间的模糊关系，在运行时不断检测e及ec，通过事先确定的关系，利用模糊推理的方法，在线修改PID控制器的三个参数，让PID参数可自整定。就我的理解而言，它最终还是一个PID控制器，但是因为参数可自动调整的缘故，所以也能解决不少一般的非线性问题，但是假如系统的非线性、不确定性很严重时，那模糊PID的控制效果就会不理想啦。

三、模糊PID控制规则是怎么定的？

这个控制规则当然很重要，一般经验：

(1)当e较大时，为使系统具有较好的跟踪性能，应取较大的Kp 与较小的Kd，同时为避免系统响应出现较大的超调，应对积分作用加以限制，通常取Ki=0。

(2)当e处于中等大小时，为使系统响应具有较小的超调，Kp应取得小些。在这种情况下，Kd的取值对系统响应的影响较大，Ki的取值要适当。

(3)当e较小时，为使系统具有较好的稳定性能，Kp与Ki均应取得大些，同时为避免系统在设定值附近出现振荡，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。

另外主要还得根据系统本身的特性和你自己的经验来整定，当然你先得弄明白PID三个参数Kp，Ki，Kd各自的作用，尤其对于你控制的这个系统。

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。 ……

大家还有什么问题就在帖子后面留言哈，如果模型实在是搭建不成功的话可以给我看看，大家有问题一起 解决！附件里面是两个自适应模糊PID 的程序，大家可以参考下！ 所含文件：

1． 模糊数学的基本概念

集合是指具有某种共同属性且彼此间可以区别的事物的总体。组成集合的事物称为元或元素，元素与集合之间的关系是属于或不属于的关系，非此即彼。模糊集合是经典集合的拓展， 事物是否属于它所描述的概念，不能绝对地以“是”或“非”来加以区别。这里的属于与不属于之间无明显的界限，而是在某种程度上的属于，这是无法用经典集合来描述的，而只能用模糊集合来描述这种模糊概念。这里首先介绍用模糊集合来描述模糊概念的初步知识。

定义1 设给定域（指被讨论的全体对象）U ，U 到[0，1]闭区间的任一映射

:[0,1];()A A U u u μμ→→

都确定U 的一个模糊子集A 。 其中，称为模糊子集的隶属函数，称为u 对于的隶属度。 也就是说，论域u 上的模糊子集A 由隶属函数μA (u )来表征， μA (u )的取值范围是［0，1］，μA (u )的大小反映了u 对于A 从属程度的高低。正确地确定隶属函数是利用模糊集合解决实际问题的基础。

定义2 设A 、B 是论域U 上的两个模糊子集，对于U 上的每一个元素，规定A 与B 的“并”

运算A ∪B 、“交”运算A ∩B 及“补”运算 的隶属函数分别如下：

定义3 设A 与B 分别是X 和Y 上的模糊集，其隶属函数分别是μA (x )和μB (x )。模糊条件语句“若A 则B ”表示从X 到Y 的一个模糊关系，即A →B ，它的隶属函数为

{}()max min[(),()],[1()]A B A B A x x x x μμμμ→=-

2． 基于模糊数学的软测量

1） 软测量在粮情测控系统中的应用 （1） 辅助变量的选择。

选择粮食水分、 粮食温度以及空气湿度作为辅助变量， 粮食状态作为主导变量。 （2） 测量的输入数据的预处理。对粮食状态的预测不是根据粮仓中的某一点粮食的温度、水分以及空气湿度来进行的，因为这样的预测不能全面反映整个粮仓粮食的实际状态。 在这里我们采用复合滤波法，其原理是：先将N 个采样点数据按照从小到大的顺序排列，即x 1≤x 2≤…≤xN (N ≥3)，则可认为测量的数据为

121

2

......N N x x x x x --+++=

这样就可比较客观地反映实际的粮食状态， 预测的结果也比较真实。

根据水分传感器、温度传感器及湿度传感器所测得的数据来表示水分、 温度的高低和湿度的大小具有模糊性。通常用隶属度描述模糊集，通过隶属度的大小来反映模糊事物接近其客观事物的程度。

该系统中三种传感器分别测得的数据范围：水分为10%～16%；温度为-30～50℃；湿度为20%～98%RH 。

水分含量高的隶属度函数为

温度高的隶属度函数为

湿度大的隶属度函数为

0 10 %

[

]

1

2

12%1(

)0.02

x ---+12 %

[

]

1

2

251()

5

x ---+ x ≤25

f (x )=

[

]

1

2

3(20%)1(

0.01

x ---+0 0 ≤x

20 %

f (x )=