一种PID型模糊神经网络控制器

基于遗传算法和模糊神经网络的PID控制器参数优化方法

ｍｉｚｅｄｂｙｕｓｉｎｇｇｅｎｅｔｉｃｌｇａｏｒｉｔｈｍｂａｓｅｄｏｎｔｈｅｄｅｃｉｍａｌｃｏｄｉｎｇ．Ｔｈｅｎｔｈｅｏｐｔｉｍｉｚｅｄｆｕｚｚｙｎｅｕｒｌａｎｅｔｗｏｒｋｉｓｕｓｅｄｔｏｃｏｍｐｕｔｅｔｈｅ
周由员
（四川文理学院，四川达州６３５０００）
摘要：针对传统的ＰＩＤ控制器参数优化需要被控对象精确数学模型问题，利用不需要被控对象数学模型的模糊控制理论和神经网络的自适应和自学习的能力以及遗传算法的全局优化能力，提出一种基于遗传算法、模糊控制理论和神经网络
ｔｉｏｎａｂｉｌｉｔｙｆｏｇｅｎｅｔｉｃｌｇａｏｒｉｔｈｍａｒｅｕｓｅｄ．ＡｐａｒａｍｅｔｅｒｓｏｐｔｉｍｉｚａｔｉｏｎｍｅｔｈｏｄｆｏＰＩＤｃｏｎｔｒｏｌｌｅｒｂａｓｅｄｏｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ，ｆｕｚｚｙｃｏｎｔｒｏｌｔｈｅｏｙｒａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅｐａｒａｍｅｔｅｒｓａｎｄｓｔｒｕｃｔｕｒｅｏｆｆｕｚｚｙｎｅｕｒｌａｎｅｔｗｏｒｋａｒｅｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙｏｐｔｉ —

PID模糊控制器发展现状综述

模糊PID控制器的发展现状综述1模糊PID控制器研究背景1.1PID控制器传统的PID控制器虽然以其结构简单、工作稳定、适应性好、精度高等优点成为过程控制中应用最广泛最基本的一种控制器。

PID调节规律一般都能得到比较令人满意的控制效果，尤其是对于线性定常系统的控制是非常有效的，但是它的调节品质取决于PID控制器各个参数的确定。

随着工业生产过程的日趋复杂化，系统不可避免地存在非线性、滞后和时变现象，其中有的参数未知或缓慢变化，有的带有延时和随机干扰，有的无法获得较精确的数学模型或模型非常粗糙，如果使用常规的PID控制器，PID参数的整定变得十分困难甚至无法整定，因此并不能得到理想的控制效果。

为此，近年来各种改进的PID控制器如自校正、自适应PID[1][2][3]及智能控制器[4]迅速发展起来，但仍存在一定的局限性。

1.2模糊控制器随着技术的发展，模糊控制理论和模糊技术成为最广泛最有前景的应用分支之一。

模糊控制器是一种专家控制系统，它的优点是不需要知道被控对象的数学模型而能够利用专家已有的经验对系统进行建模。

与传统的PID控制方式相比，它适合解决一些难以建立精确数学模型、非线性、大滞后和时变的复杂过程的问题，因此得到了很好的发展，尤其是在工业控制、电力系统等领域中解决了许多实际性的问题，引起了越来越多的工程技术人员的兴趣。

但是经过深入研究，会发现基本模糊控制存在着其控制品质粗糙和精度低等弊病。

而且用的最多的二维输入的模糊控制器是PI或PD型控制器，会出现过渡过程品质不好或不能消除稳态误差的问题。

因此，在许多情况下，将模糊控制和PID控制两者结合起来，扬长避短，既具有模糊控制灵活、适应性强、快速性好的优点，又具有PID控制精度高的特点。

把规则的条件、操作用模糊集表示，并把这些模糊控制规则及有关信息作为知识存入计算机知识库中，然后计算机根据控制系统的实际响应情况，运用模糊推理，自动实现对PID参数的最佳整定，实现模糊PID控制。

基于神经网络再建模的模糊PID控制器精简化研究

如今普遍采用的计算机控制系统中，繁杂的计算往往要耗费较长时间，这样，控制器就产生了一个较大的延时。延时环节常常使系统的稳定性变坏，而实际系统中又经常不可避免地存在延时环节，为了提高系统的稳定性，应当尽量减少延迟时间。系统中存在时延环节，在高频时的相角滞后大，
相似性分析[6]、奇异值分解[7]等），分层递阶模糊系统结构 [8]，自组织理论[9]，并规则结构方式[10]等方法来解决。
NB NM NS ZE PS PM PB NB PB PB PM PM PS ZO ZO NM PB PB PM PM PS ZO NS NS PM PM PM PS ZO NS NS e ZO PM PS PS ZO NS NM NM PS PS PS ZO NS NS NM NM PM ZO ZO NS NM NM NM NB PB ZO NS NS NM NM NB NB
(5)
∑ µEl (e) ⋅ µECl (ec)
l =1
49
∑ ∆Kil ⋅ µEl (e) ⋅ µECl (ec)
∆Ki = fi (e, ec) = l=1 49
(6
(ec)
l =1
49
∑ ∆K
l d
⋅
µEl
(e) ⋅ µECl
(ec)
∆Kd = fd (e, ec) = l=1 49
本文以迄今广泛应用的模糊 PID 控制器为研究对象，以简化其计算复杂性、减小计算延时为目标，考虑到利用 VHDL 的并行运算模式（因为单片机、DSP 芯片和计算机软件实现都是串行运算模式）和已经调试成功的模糊 PID 控制的优点，以及神经网络的并行运算模式。为此，我们选择神经网络来简化它的计算复杂性，即利用神经网络万能函数逼近能力，通过遍历模糊 PID 的输入输出数据对，训练一个神经网络模型，来等效模糊 PID 控制器。试图用这种方式来减小模糊 PID 数学模型的计算复杂性，促进该算法在 VHDL、 FPGA、SOPC 等并行硬件实现方式上的应用。

《新型pid控制及其应用》介绍

《新型pid控制及其应用》介绍PID控制是工业控制中常用的一种控制方法，其控制效果受到许多因素的影响，如参数选择、采样周期、控制器类型等。

本文介绍了新型PID控制方法及其应用，包括增量型PID控制、自适应PID控制、模糊PID控制、神经网络PID控制等，以及在温度控制、压力控制、电机控制等领域的应用。

关键词：PID控制；增量型PID控制；自适应PID控制；模糊PID 控制；神经网络PID控制一、引言PID控制是工业控制中常用的一种控制方法，其通过对被控对象的输入信号进行调节，使其输出信号达到期望值。

PID控制器由比例控制器、积分控制器和微分控制器三部分组成，可以通过调节其参数来实现对被控对象的控制。

但是，PID控制器的控制效果受到许多因素的影响，如参数选择、采样周期、控制器类型等。

因此，为了提高PID控制器的控制效果，研究新型PID控制方法具有重要意义。

二、增量型PID控制增量型PID控制是一种对传统PID控制进行改进的方法。

其基本思想是在PID控制器的输出信号上进行微分运算，从而得到增量信号，通过对增量信号进行比例、积分和微分运算，得到控制器的输出信号。

相比传统PID控制，增量型PID控制具有响应速度快、抗干扰性强等优点，适用于对快速变化的被控对象进行控制。

三、自适应PID控制自适应PID控制是一种通过对PID控制器的参数进行自适应调整来实现对被控对象的控制的方法。

其基本思想是根据被控对象的状态来自适应地调整PID控制器的参数，从而达到更好的控制效果。

自适应PID控制具有适应性强、鲁棒性好等优点，适用于对复杂、时变的被控对象进行控制。

四、模糊PID控制模糊PID控制是一种将模糊逻辑与PID控制相结合的控制方法。

其基本思想是将模糊逻辑应用于PID控制器的参数调整中，通过模糊推理来自适应地调整PID控制器的参数，从而达到更好的控制效果。

模糊PID控制具有适应性强、鲁棒性好等优点，适用于对复杂、非线性的被控对象进行控制。

基于神经网络的模糊PID控制器设计与实现

基于神经网络的模糊PID控制器设计与实现随着科技的不断发展，控制技术在工业自动化中的应用越来越广泛。

PID控制器因其简单易懂、易实现的特点而被广泛使用，但是传统的PID控制器在某些场合下会出现失效的情况。

为了解决这一问题，研究者们开始着手开发基于神经网络的模糊PID控制器。

本文将介绍基于神经网络的模糊PID控制器的设计与实现。

一、控制器介绍基于神经网络的模糊PID控制器是一种新型的控制器，它将模糊控制的优点与神经网络的处理能力相结合，形成了一种高效的自适应控制器。

该控制器利用神经网络的学习算法实现自适应参数的调节，将模糊控制中的模糊规则与神经网络的处理能力相结合，形成一种新的控制方法。

该控制器的核心思想是利用神经网络对系统进行建模，通过学习算法自适应地调节系统参数，从而实现对系统的控制。

其中，模糊控制器用于对输出进行模糊处理，神经网络用于对输入和输出进行处理，从而实现对系统的控制。

二、控制器设计基于神经网络的模糊PID控制器的设计需要以下几个步骤：1.系统建模系统建模是设计基于神经网络的模糊PID控制器的第一步。

系统建模的目的是构建系统的数学模型，以便于后续的设计过程。

在建模过程中，需要考虑系统的类型、运动方程、非线性因素等因素。

2.控制器设计控制器的设计是基于神经网络的模糊PID控制器设计的核心。

控制器的设计包括神经网络的结构设计、神经网络权值的选择、模糊控制的设计等。

3.参数调节参数调节是控制器设计的重要环节。

由于系统的运动方程等因素的影响，不同系统的参数可能不同。

因此，在实际应用中需要根据实际情况对控制器进行参数调节。

三、控制器实现基于神经网络的模糊PID控制器的实现需要以下步骤：1.数据采集数据采集是基于神经网络的模糊PID控制器实现的第一步。

数据采集的目的是获取系统的输入输出，以便为神经网络提供数据。

2.神经网络训练神经网络训练是实现控制器的关键步骤。

在训练过程中，通过对神经网络进行学习，让它逐渐对系统的输入输出进行建模。

基于BP神经网络的温度模糊PID控制器设计

基于ＢＰ神经网络的温度模糊ＰＩＤ控制器设计作者：张咏军王航宇来源：《现代电子技术》2008年第07期摘要：根据BP神经网络对温度控制的要求设计出一种模糊PID控制器，采用误差和误差变化率作为模糊PID控制器的输入，PID参数作为模糊PID控制器的输出，使用一组模糊规则实现对PID参数的在线优化调节。

采用Simulink图形化工具平台对模糊PID控制器和传统的PID控制器进行建模和仿真，结果表明和传统PID控制器相比，模糊PID控制器性能优良，使系统响应速度加快，超调减小。

关键词：BP神经网络；模糊控制；模糊PID控制；隶属函数中图分类号：TP21文献标识码：B文章编号：1004-373X(2008)07-133-Design of Temprature Fuzzy PID Controller Based on BP Neural Network(Xi′an A eronauntical Polytechnic Institute，Xi′an,710089，China)Abstract：A fuzzy PID controller towards BP neural network temprature control is designed with input parameters of error and derivative of error and output parameters of PID parameters which could be regulated sensitively by a set of fuzzy disciplines.The fuzzy PID controller model and PID controller model are set up and simulated through Simulink with the final result showing better characteristics of fuzzy PID control compared with PID control such as minimal overshoot and more quick response.Keywords：BP neural network;fuzzy control;fuzzy PID control;membership function神经网络控制的研究始于20世纪60年代，1960年，widrow和Hoff首先把神经网络用于控制系统，Kilme和McCulloch提出了KMB神经网络模型，并在“阿波罗”登月计划中应用取得良好的效果。

基于BP神经网络的PID控制器的设计

基于BP神经网络的PID控制器的设计简介：PID控制器是一种常用的控制方法，可以使控制系统快速、稳定地对目标进行调节。

然而，传统的PID控制器需要依赖经验的设置参数，很难适用于非线性复杂的系统。

为了改善这一问题，本文提出了一种基于BP神经网络的PID控制器的设计方法。

一、神经网络介绍BP神经网络是一种常用的人工神经网络，通过反向传播算法进行学习和适应。

它可以用来建模非线性关系、解决分类和回归问题等。

BP神经网络由输入层、隐藏层和输出层构成，通过调整权重和偏置项，使得网络的输出接近于期望输出。

二、PID控制器的基本原理PID控制器是由比例（P）、积分（I）和微分（D）三个部分组成的，它们分别对应了系统的比例性能、整定性能和微分性能。

PID控制器的输出是由目标值与实际值之间的误差来决定的。

比例作用是根据误差的大小进行调节，积分作用是根据误差的积分值进行调节，微分作用是根据误差的变化率进行调节。

三、BP神经网络的PID控制器设计1.建立神经网络模型：确定输入层节点数、隐藏层节点数和输出层节点数。

2.确定权重和偏置项的初始值：可以使用随机数进行初始化。

3.设置训练样本集：训练样本集包括输入和输出的数据，可以根据实际情况进行设置。

4.确定学习率和训练次数：学习率决定了网络的更新速度，训练次数决定了网络的学习程度。

5.神经网络训练：使用BP算法对神经网络进行训练，通过反向传播算法调整权重和偏置项。

6.测试神经网络性能：使用测试数据对神经网络进行测试，评估其性能是否满足要求。

7.参数调整：根据测试结果对PID控制器的参数进行调整，使得神经网络对系统的控制更加精确。

四、实验结果分析通过对比传统的PID控制器和基于BP神经网络的PID控制器，可以发现基于BP神经网络的PID控制器具有更好的系统控制性能。

因为BP神经网络能够自适应地调整参数，适应非线性复杂系统的控制要求。

总结：基于BP神经网络的PID控制器是一种有效的控制方法，可以提高系统控制的精度和稳定性。

基于BP神经网络的模糊PID控制器的设计

基于BP神经网络的模糊PID控制器的设计【摘要】工业过程控制中广泛采用PID控制，但传统PID控制因其控制参数的固定，在线整定难等问题。

为此本文研究了一种新的自适应模糊PID控制方法，为了解决模糊推理没有学习能力的问题，本文又提出了一种基于BP神经网络的自适应模糊控制方法。

此方法是模糊控制、神经网络和PID控制的有效结合。

仿真实验表明，这种基于BP神经网络的模糊PID控制算法具有良好的控制效果。

【关键词】PID控制;BP神经网络;模糊PID控制Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.Keywords：PID control;BP neural network;Fuzzy PID control1.引言常规PID在控制领域被广泛应用，利用数学算法来整定参数。

串联型模糊神经网络PID控制器设计

的误差进行分类，后串联一个模糊控制器，模糊规则库然其根据人工神经网络的分类结果来构造，此形式简单．个因整控制器既具有ＰＤ调节功能，时又避免了单独神经元ＰＤＩ同Ｉ控制的发散问题，仿真结果表明这种控制器具有良好的动其态和静态特性。
图１串联型结合方式
２模糊控制与神经元控制串联结合的ＰＤ控制系Ｉ
统
２１模獭控制与人工神经网络的结合．
人工神经元网络是对生物神经系统的一种高度简化后
２２神经元ＰＤ分类器的设计．Ｉ
即）＋・＝＝ ÷＋
理的形式，而产生了类似于人脑行为的某些功能特点，从具
有学习、忆、算和各种智能处理功能，模糊控制系统是记计而
所有（＝鲁・＋）ｓ以ｓ（）＋ ÷ ｅ）（
２２１ＰＤ控制器模型的推导．．Ｉ
的近似，它是用大量的简单神经元广泛互连成的一种计算结
构，于自适应非线性动力学系统，种结构利用并行式处属这
设Ｄ）（＋）（＝１１；ｓ＋
系统的控制器的参数调节则非常费时且难以达到满意的控
势互补，而达到对复杂非线性系统的较理想的控制。从

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。

一种基于模糊神经网络的智能PID控制器

系统的品质要求。近年来，技术、模糊神经网络相融合的模糊神经网络充分利用神经网络的学习能力和模糊逻辑的表达能力，同时，它也被证明可以任意实现输入到输出的非线性映射，或者说可以逼近任何非线性函数。利用模糊神经网络对被控对象进行模糊辨识，同时，采用Ｂ学Ｐ习算法的神经网络自适应地调整ＰＤ控制器的参数。该方法综合了模Ｉ糊技术、神经网络和ＰＤ控制的优点，有结构简单，Ｉ具算法易于实现和适应能力强等特点。仿真试验表明，这种新的基于模糊神经网络的自适应ＰＤ智能控制器具有较高的控制品质。Ｉ
控制器具有较高的控制品质。
［关键词］模糊神经网络
ＰＤ控制器自适应控制Ｉ匹配模糊规则的前件，后件网络用来产生模糊规则的后件。
… … … … … … … … … … … 两磊一
ＰＤ控制是最早发展起来的控制策略之一，其算法简单、可靠性Ｉ高、具有较强的鲁棒性，数物理意义明确，参对模型依赖程度小和工程上易于实现等优点，广泛应用于工业过程中。但是，当被控对象具有复杂非线性、变不确定、后特性时，一的常规ＰＤ控制已难以满足时滞单Ｉ
科技信息
一
高校理科研究
种基于模糊神经网络的智链ＰＤ控制器Ｉ
武汉理工大学自动化学院安军涛
［摘要］本文设计了一种基于模糊神经网络的ＰＤ控制器，用模糊神经网络对被控制象进行模糊辨识，用ＢＩ利采Ｐ学习算法的神经网络自适应地调整ＰＤ控制器的参数，Ｉ将模糊技术、神经网络与ＰＤ控制综合起来，Ｉ实现ＰＤ控制的智能化。Ｉ通过仿真实验表明，该

基于模糊PID控制器的控制方法研究

基于模糊PID控制器的控制方法研究一、本文概述随着科技的进步和工业的快速发展，控制系统的精确性和稳定性成为了诸多领域，如自动化、机器人技术、航空航天等的关键需求。

PID （比例-积分-微分）控制器作为经典的控制策略，已被广泛应用于各种实际工程问题中。

然而，传统的PID控制器在面对复杂、非线性和不确定性的系统时，其性能往往会受到限制。

因此，寻求一种更加灵活、适应性强的控制方法成为了当前的研究热点。

本文旨在探讨和研究基于模糊PID控制器的控制方法。

模糊PID控制器结合了传统PID控制器的优点和模糊逻辑控制的灵活性，能够在不确定和非线性环境中实现更为精准和稳定的控制。

文章首先将对模糊PID控制器的基本原理进行介绍，包括其结构、特点和工作机制。

然后，通过对比实验和仿真分析，评估模糊PID控制器在不同场景下的控制效果，并探讨其在实际应用中的潜力和挑战。

文章还将讨论模糊PID控制器的参数优化方法，以提高其控制性能和鲁棒性。

本文的研究不仅有助于深入理解模糊PID控制器的控制机理，也为相关领域提供了一种新的控制策略选择，对于推动控制理论的发展和应用具有重要的理论价值和实践意义。

二、模糊PID控制器的基本原理模糊PID控制器是一种结合了模糊逻辑与传统PID控制算法的控制方法。

它旨在通过引入模糊逻辑的优点，改善传统PID控制在处理复杂、非线性系统时的不足。

模糊化过程：将PID控制器的三个主要参数——比例系数(Kp)、积分系数(Ki)和微分系数(Kd)进行模糊化。

这通常涉及到将连续的参数值映射到一组离散的模糊集合上，如“小”“中”和“大”。

模糊推理：在模糊化之后，模糊PID控制器使用模糊逻辑规则对输入误差(e)和误差变化率(ec)进行推理。

这些规则通常基于专家知识和经验，旨在确定如何调整Kp、Ki和Kd以优化系统性能。

解模糊化：经过模糊推理后，得到的输出是模糊的。

为了将这些输出应用于实际的控制系统，需要进行解模糊化过程，即将模糊输出转换为具体的、连续的控制信号。

基于模糊神经网络的PID张力控制系统

ＬＩＧｅ，ＪＡａｗ１Ｙｕｎｕ，ＺＨＡＮＧｉｎｉＪａｘｎ，ＺＨＡＯＹｕｎ
（ｏｅｅｆＭｅａｉｌｎｕｍｔｎ，ＺｅａｇＳｉＴｃｎｅｉ，Ｈｎｚｏ，Ｚｅａｇ３０１，Ｃｉ）ＣｌｇｌｏｃｎａａｄＡｔａｏｈｃｏｉｈｉｃ — ｅＵｉｒｔｊｎｈｖｓｙａｇｈｕｈｉｎ１０８ｈｎｊａ
ＡｂｓｒｃＳｎｅｔｅｗｉｄｎｅｓｏｏｔｏｙｔｍｓａｃｍｐｉａｅｔａｔｉｃｈｎｉｇｔｎｉｎｃｎｒｌｓｓｅｉｏｌｃｔｄ，ｔｎｅｄｉｉｇ，ｔｍｅｃａｇｎｏ－ａｄｍｒｖｎｉｈｎｅａｄｎｎ
维普资讯
第２９卷第６期２００８年６月文章编号：２３７１２０）６００ — ０５。２（０８０ — １９０９４
纺织学报
ＪｕｎｌｏｅｔｅＲｓａｃｏｒａｆＴｘｉｅｅｒｈｌ
ａｄＰＤｐｒｍｅｅｄｕｔｎｎｉｅｈａｅｉｅｎｏｔｌａｇｒｈ－ｔｅｃｍｂｎｔｎｍｔｏｆｎＩａａｔｒａｊｓｍｅｔｏｌ．Ｔｅｐｐｒｇｖｓｏｅｃｎｒｌｏｉｍ－ｈｏｉａｉｅｈｄｏｎｏｔｏ
关键词
张力控制；糊神经网络；Ｉ制；真模ＰＤ控仿
文献标识码：Ａ
中图分类号：Ｓ１５３Ｔ９．８
Ｔｅｓｏｏｔｏｙｔｍａｅｎｆｚ — ｅｒｌｎｔｒＤｎｉｎｃｎｒｌｓｓｅｂｓｄｏｕｚｙｎｕａｅｗｏｋＰＩ

矿井局部通风机的模糊神经网络PID控制器设计

ＮＭ，Ｎ，ＺＳＥ，Ｐ，ＰＳＭ，ＰＢ｝七个论域，分别代表｛负
大，负中，负小，零，正小，正中，正大｝，故模糊化层共
有１４个节点。其隶属度函数采用高斯型函数，对第ｉ输个入量的第个隶属度函数节点有：
。，（）
．
网络和遗传算法的ＰＤ控制方法，用来控制风机的转速，Ｉ使其能根据瓦斯浓度自动调整风机的通风量，具有调节及
时、控制性能良好的优点。
网络ＰＤ控制器得到输出调制比，然后与满足工作人员所Ｉ
需风量（均４ｒｉ）人ｍ／ｎ对应的控制变频器调制比相比较，ａ取最大值由Ｔ３０２０ＳＭＳ２Ｆ４７ＤＰ的ＰＷＭ输出引脚送到变频器。该系统选用的控制芯片是Ｔ３０２０ＳＭＳ２Ｆ４７ＤＰ，它是可
此，文章提出将模糊控制、神经网络和遗传算法引入ＰＤＩ
控制器的设计过程。
方向为计算机应用。
１７２
煤
炭
工
程
２１０１年第６期
调整。而模糊控制和神经网络均不依赖被控对象的数学模型，且具有较强的自适应和自学习能力；遗传算法则是一
种新型的全局优化方法，延展了搜索空间的健壮性。鉴于
本文将第一层输入的误差ｅ和误差变化率ｅ为｛Ｂ，分Ｎ
收稿日期：２１０２００— ８— ４
可靠性高的优点，但常规ＰＤ控制器的参数整定方法需要Ｉ被控对象的精确数学模型，且整定出的参数不能进行在线

基于模糊神经网络的参数自整定PID控制系统设计

仅保持了常规ＰＤ控制系统原理简单、用方便、Ｉ使鲁棒性强等优点，且具有更大的灵活性、而适应性、控制精度更好，目前较为先进的一种控制系统。是同时运用ＲＦ径向基神经网络作为辨识器对被控Ｂ对象进行精确建模，控制器对高阶被控对象具有使更强的自适应能力，为模糊神经参数自整定ＰＤ控Ｉ制器实现最优控制提供了有力保证。
１１模糊规则前件网络．
～
（）表示规则的前件部分，表示网络中（Ｅ层ｋＡ）
层到（）的连接权值，Ｂ层即清晰量转化为模糊量的
量化因子（为模糊分割数与论域的比值）ｋ。
向量ｂ，ｉＣ分别表示（层神经元高斯函数的宽度Ｃ）的倒数和中心值。规则的前件部分的输入输出影射
文章编号：０７９３（０６０２８０１０－４２２０）３０９－４
基于模糊神经网络的参数自整定ＰＤ控制系统设计Ｉ
刘文军，昱光牛
（原理工大学信息工程学院，西太原００２）太山３０４
（ — ｉｊｎｌ１ｓａｃｒＥｍａｌｕｗｌ１＠ｉ．ｏｌ）ｎｌ通讯联系人：牛昱光。士生导师，教授，Ｔｅ）３ｌ８９７７硕副（１０５９２４

基于线性预测模型的神经网络模糊PID控制

童秀瑾那文波。，
（．海理工大学光学与电子信息工程学院，海２０９；．国计量学院机电工程学院，江杭州３０１）１上上００３２中浙１０８
摘要：结合传统ＰＤ控制原理、经网络技术、糊控制技术及预测控制技术，出了一种新型控Ｉ神模提
ｓｍｕａｉｎｒｓｔｎｉａｅｔａｕａｔｒｆｚＰＤｏｔｏｗｎｏｄｒｂｔｓ，ｉｌｔｏｅｕｌｓｉｄｃｔｈｔｎｅｒｌｎｅｗｏｋ—ｕｚｙＩｃｎｒｌｏｓｇｏｏｕｓｎｅｓ
Ｋｙｗｒｓｆｚｙｃｎｒｌｎｕａｎｔｏｋｌｅｒｒｄｃｏ：ｐｏｏｔｎｌｎｅｒｌｉｅｅｔｌＰＤ）ｅｏｄ：ｕｚｏｔ；ｅｒｅｗｒ；ｉａｅｉｉｎｒｐｒｏａ— ｔａｄｒｎｉ（Ｉｏｌｎｐｔｉｉｇ —ｆａ
制理论与模糊控制、神经网络、遗传算法等人工智能
技术相结合，分利用人的控制知识对复杂系统进充
行智能化控制，逐渐形成了智能控制理论的较完整
的体系。模糊逻辑控制和神经网络控制都是智能
０前
言
实现模糊推理，神经网络与模糊逻辑性结合的常是
用方法。
近年来，来越多的学者已意识到在传统控制越
基于线性预测模型的神经网络模糊ＰＤ控制器Ｉ
系统结构，图１示。如所

基于模糊神经网络的PID控制器设计研究

基于模糊神经网络的PID控制器设计研究在自动控制领域中，PID控制器是应用最广泛的一种控制器，也是控制理论中的基础知识。

PID控制器的优点是简单易用，但是在某些复杂控制系统中，仅仅利用PID控制器进行控制却难以达到较好的控制效果。

由此，设计一套基于模糊神经网络的PID控制器成为了必要的措施。

一、模糊神经网络模糊神经网络“Fuzzy Neural Network”是一种结合了模糊逻辑和神经网络的控制器。

模糊神经网络继承了模糊控制和神经网络的优点，而且还具有简单、直观、适应能力强等优点。

它可以用于解决模糊、不确定性较大的控制问题，因此，被广泛应用于某些环境及时间难以确定的系统，可实现自动控制、诊断、监测等多种功能。

二、PID控制器常见的PID控制器是由比例控制器、积分控制器和微分控制器组成，称为PID控制器。

比例控制器将当前偏差放大后与设定值进行比较，输出控制信号；积分控制器对过去一段时间内的偏差进行积分，用于消除稳态误差；微分控制器则对偏差变化率进行处理，用于快速响应于设定值的变化，并防止超调现象的产生。

三、模糊PID控制器在某些非线性、耦合、时变的系统中，常规PID控制器容易出现“齐次问题”，导致控制效果不佳。

而模糊PID控制器则能够有效的应对这些问题。

模糊PID控制器的核心是模糊化，通过将控制问题中的模糊变量（如偏差、偏差变化率等）映射为隶属函数，降低了控制误差，提高了控制效能。

而神经网络则具有强大的非线性拟合能力，能够处理噪声和非线性问题，完善了模糊PID控制器的输入和输出。

模糊PID控制器的主要设计步骤：（1）模糊化：将输入与输出变量进行模糊化，即将实际控制量按照一定规则进行量化，转化为模糊化的“模糊量”。

（2）知识库：将PID控制器中的三种控制模式（比例、积分、微分）映射为不同的规则模式，构建基于控制规则的知识库。

（3）模糊推理：通过将控制规则进行模糊化处理，实现对控制对象进行控制。

（4）去模糊：将模糊化后的输出信号恢复为实际输出信号，并输出到控制对象中进行控制。

神经网络PID控制系统的研究

神经网络PID控制系统的研究神经网络PID控制系统是一种将神经网络与PID控制策略相结合的控制方法。

这种控制系统在处理具有非线性、不确定性和时变性等特性的系统时具有显著的优势。

随着人工智能和自动化技术的不断发展，神经网络PID控制在工业过程控制、航空航天、机器人等领域的应用越来越广泛。

本文将介绍神经网络PID控制系统的研究背景、意义和现状，分析相关文献，并探讨未来的研究方向。

神经网络PID控制系统的研究始于20世纪90年代。

自那时以来，许多学者致力于研究神经网络PID控制系统的理论和实践。

其中，最具代表性的工作是利用神经网络对PID控制器的参数进行自适应调整。

例如，王占林等（2005）提出了一种基于神经网络的PID参数自适应控制器，用于解决传统PID控制器难以适应被控对象变化的问题。

该方法通过神经网络学习和调整PID控制器的参数，以提高控制系统的性能。

然而，他们的方法未能在复杂的实际应用场景中进行验证。

在另一方面，一些研究者于利用神经网络对PID控制器进行改进。

例如，赵春娜等（2007）提出了一种基于RBF神经网络的PID控制器，以解决传统PID控制器在处理非线性系统时的不足。

RBF神经网络具有较好的逼近能力和较低的计算复杂度，可以用于非线性系统的建模和控制。

然而，他们的方法需要选择适当的RBF神经网络结构和参数，这在实际应用中可能具有一定的挑战性。

本文提出了一种基于深度学习的神经网络PID控制系统。

我们通过数据采集和预处理，建立了被控系统的模型。

我们使用加速度传感器和角度传感器对机器人手臂进行了数据采集，包括位置、速度和加速度等参数。

然后，我们利用这些数据训练了一个深度神经网络模型，以实现对机器人手臂的高效控制。

在神经网络模型建立后，我们通过调整PID控制器的参数，实现了对传统PID控制器的优化。

具体地，我们利用神经网络的自适应学习能力，动态地调整PID控制器的Kp、Ki和Kd等参数。

这样，PID控制器可以根据实时数据自动调整其参数，以适应不同的运行条件和环境。

基于BP神经网络的PID控制器设计

基于BP神经网络的PID控制器设计1.引言在工业控制系统中，PID（比例、积分、微分）控制器被广泛应用于各种自动控制任务。

然而，传统的PID控制器在处理非线性、时变以及多输入多输出（MIMO）系统时存在一些固有的局限性。

为了克服这些问题，本文提出了基于BP神经网络的PID控制器设计方法。

2.BP神经网络BP神经网络是一种前向反馈的人工神经网络，具有强大的非线性建模能力和自适应性能。

它由输入层、隐藏层和输出层组成，每个神经元与前一层的所有神经元和后一层的所有神经元连接。

BP神经网络通过反向传播算法来训练权重和偏置，实现输入与输出之间的映射关系。

3.PID控制器PID控制器由比例项、积分项和微分项组成，具有良好的稳定性和抗干扰能力。

比例项根据控制误差与参考值的比例进行调整，积分项根据控制误差与时间的积分进行调整，微分项根据控制误差的变化率进行调整。

4.BP神经网络与PID控制器结合将BP神经网络与PID控制器相结合，可以克服传统PID控制器在处理非线性、时变和MIMO系统时的局限性。

具体而言，可以使用BP神经网络来精确建模控制对象的非线性行为，并将其应用于PID控制器中，实现自适应调节。

在实际应用中，可以按照以下步骤进行基于BP神经网络的PID控制器设计：（1）收集系统输入输出数据，并进行预处理，例如归一化处理。

（2）使用BP神经网络对控制对象进行建模。

选择适当的网络结构、激活函数和误差函数，并使用反向传播算法进行网络训练。

（3）设计PID控制器，确定比例项、积分项和微分项的权重。

（4）将BP神经网络的输出作为PID控制器的输入，进行控制操作。

根据控制误差和调节参数，调整PID控制器的输出。

（5）反复迭代并调整BP神经网络和PID控制器的参数，使系统能够快速、准确地响应控制需求。

5.实验验证为了验证基于BP神经网络的PID控制器的有效性，可以选择一个具有非线性、时变特性的控制对象进行实验。

在实验中，可以使用MATLAB或其他神经网络工具箱来实现BP神经网络，并结合传统PID控制器进行控制。

神经pid，模糊pid，常规pid的matlab比较

图4.BP神经网络PID系统输出响应曲线图6. PID 参数自适应模糊控制器系统框图图7.e，ec，Kp，Ki,Kd的隶属度函数通过不断进行仿真实验和借鉴专家经验可以得到如下的49条规则：图8.模糊PID控制系统输出曲线图9.模糊PID控制系统误差曲线图中1为常规整定PID 阶跃响应曲线，2为BP 神经网络PID 阶跃响应曲线，3为模糊自适应整定PID 阶跃响应曲线。

从曲线中以看出，三种PID控制方式中模糊PID几乎没有超调，调节时间短，控制效果最好；BP 网络PID效果次之；都比常规PID 效果好。

比较图5神经PID与图9模糊PID的误差曲线可以看出,模糊PID具有更短的学习时间。

仿真和实验结果均证明了神经网络PID 控制算法能有效地控制大时滞大惯性的温控系统，将神经网络与PID控制相结合，可以在线调整PID控制器的各个参数，减少了凭经验整定参数带来的误差，提高了温控系统的鲁棒性和自适应性。

此外，神经网络PID控制器还能有效的抑制干扰，而且对对象模型要求不高,具有较好的抗干扰性。

同时也可以进一步优化BP神经网络的结构和算法，使温度控制最终趋于最优，更好地满足实际生产对温度控制的要求。

但是由于该控制器的初始权值是随机值,控制输出在开始时波动很大,随着网络的自学习，不断调整权值控制输出来跟踪输入。

由于神经网络收敛速度慢，回到稳定状态所需时间较长，这个问题有待进一步研究解决。

，模糊PID控制响应几乎没有超调，但是响应速度较慢；在模型失配的情况下，模糊PID虽然产生了震荡，超调量也有所增加，但总体来说还能够保持稳定；在添加干扰后，系统持续产生小幅震荡，但超调量很小，系统整体还是稳定的，抗干扰能力强。

参考文献：1、陶永华.新型PID控制及其应用(第二版) [ M].北京：机械工业出版社,2002.2、杨智,朱海锋,黄以华．PID控制器设计与参数整定方法综述[ J ].化工自动化及仪表,2 005，32 ( 5 ):1-7 ．3、杨智.工业自整定P ID调节器关键设计技术综述[J].化工自动化及仪表,2000,27 ( 2 )：5-10.4、王伟,张晶涛,柴天佑.PID参数先进整定方法综述[ J ].自动化学报,2000,26 (5):347-355.5、何宏源,徐进学,金妮．PID继电自整定技术的发展综述[ J ].沈阳工业大学学报,2005,27 (4):4 09-413.6、叶岚.基于继电反馈的PI D控制器的参数整定[ D].上海:上海交通大学自动化系,2007.7、李少远.基于继电反馈的PID控制器的参数整定[D].上海：上海交通大学自动化系,2007.8、吴泽宁等.BP神经网络的改进及应用[J ].河南科学,2003-4:202 -2069、李遵基编著.热工自动控制系统[M].中国电力出版社,1997.1010、俞海斌，褚健.CFB锅炉汽包水位的专家PID控制[J].机电工程,2000（3）:103～10611、潘祥高等.模糊PID控制在工业锅炉控制系统中的应用[J].工业出版社,200412、刘金琨.先进PID 控制MA TLAB仿真M7.2 版.北京电子工业出版社,200413、薛定宇.控制系统计算机辅助设计MA TLAB 语言与应用M7.2 版．北京清华大学出版社,2006常规PID实现程序：clear all;close all;ts=10;sys=tf([1],[150,1],'inputdelay',50);dsys=c2d(sys,ts,'z oh');[num,den]=tfdata(dsys,'v');u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;u_6=0;y_1=0;y_2=0;y_3=0;error_1=0;error_2=0;ei=0;for k=1:1:1000time(k)=k*ts;yout(k)=-den(2)*y_1+num(2)*u_6;rin(k)=1;error(k)=rin(k)-yout(k);ei=ei+error(k)*ts;kp=0.03;kd=1;ki=0.004;u(k)=kp*error(k)+kd*(error(k)-error_1)/ts+ki*ei; if u(k)>=10u(k)=10;endif u(k)<=-10u(k)=-10;endif k==200u(k)=u(k)+1;endu_6=u_5;u_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_2=error_1;error_1=error(k);endfigure(1);plot(time,rin,'b',time,yout,'r');xlabel('time(s)');ylabel('rin,yout');figure(2);plot(time,u,'r');xlabel('time(s)');ylabel('u');BP神经网络PID程序：%BP based PID Controlclear all;close all;xite=0.9;IN=4;H=5;Out=3; %NN Structurewi=[-0.6394 -0.2696 -0.3756 -0.7023;-0.8603 -0.2013 -0.5024 -0.2596;-1.0749 0.5543 -1.6820 -0.5437;-0.3625 -0.0724 -0.6463 -0.2859;0.1425 0.0279 -0.5406 -0.7660];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325;-0.1146 0.2949 0.8352 0.2205 0.4508;0.7201 0.4566 0.7672 0.4962 0.3632];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;x=[0,0,0];du_1=0;u_1=0;u_2=0;u_3=0;u_4=0;u_5=0;u_6=0;y_1=0;y_2=0;Oh=zeros(H,1); %Output from NN middle layerI=Oh; %Input to NN middle layererror_2=0;error_1=0;ts=10;for k=1:1:1000time(k)=k*ts;rin(k)=1.0;%Unlinear modelyout(k)=0.9355*y_1+0.0645*u_6;error(k)=rin(k)-yout(k);xi=[rin(k),yout(k),error(k),1];x(1)=error(k)-error_1;x(2)=error(k);x(3)=error(k)-2*error_1+error_2;epid=[x(1);x(2);x(3)];I=xi*wi';for j=1:1:HOh(j)=(exp(I(j))-exp(-I(j)))/(exp(I(j))+exp(-I(j))); %Middle Layer endK=wo*Oh; %Output Layerfor l=1:1:OutK(l)=exp(K(l))/(exp(K(l))+exp(-K(l))); %Getting kp,ki,kd endkp(k)=K(1);ki(k)=K(2);kd(k)=K(3);Kpid=[kp(k),ki(k),kd(k)];du(k)=Kpid*epid;u(k)=u_1+du(k);dyu(k)=sign((yout(k)-y_1)/(du(k)-du_1+0.0001));%Output layerfor j=1:1:OutdK(j)=2/(exp(K(j))+exp(-K(j)))^2;endfor l=1:1:Outdelta3(l)=error(k)*dyu(k)*epid(l)*dK(l);endfor l=1:1:Outfor i=1:1:Hd_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);endendwo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hidden layerfor i=1:1:HdO(i)=4/(exp(I(i))+exp(-I(i)))^2;endsegma=delta3*wo;for i=1:1:Hdelta2(i)=dO(i)*segma(i);endif k==200u(k)=u(k)+1;endd_wi=xite*delta2'*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2);%Parameters Updatedu_1=du(k);u_6=u_5;u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);y_2=y_1;y_1=yout(k);wo_3=wo_2;wo_2=wo_1;wo_1=wo;wi_3=wi_2;wi_2=wi_1;wi_1=wi;error_2=error_1;error_1=error(k);endfigure(1);plot(time,rin,'r',time,yout,'b');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);subplot(311);plot(time,kp,'r');xlabel('time(s)');ylabel('kp');subplot(312);plot(time,ki,'g');xlabel('time(s)');ylabel('ki');subplot(313);plot(time,kd,'b');xlabel('time(s)');ylabel('kd');模糊PID程序：clear 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','t rimf',[-3,-2,0]);a=addmf(a,'input',1,'NS','trimf',[-3,-1,1]);a=addmf(a,'input',1,'Z','t rimf',[-2,0,2]);a=addmf(a,'input',1,'PS','trimf',[-1,1,3]);a=addmf(a,'input',1,'PM','t rimf',[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','t rimf',[-3,-2,0]);a=addmf(a,'input',2,'NS','trimf',[-3,-1,1]);a=addmf(a,'input',2,'Z','t rimf',[-2,0,2]);a=addmf(a,'input',2,'PS','trimf',[-1,1,3]);a=addmf(a,'input',2,'PM','t rimf',[0,2,3]);a=addmf(a,'input',2,'PB','smf',[1,3]);a=addvar(a,'output','kp',[-0.3,0.3]); %Parameter kp a=addmf(a,'output',1,'NB','zmf',[-0.3,-0.1]);a=addmf(a,'output',1,'NM','t rimf',[-0.3,-0.2,0]);a=addmf(a,'output',1,'NS','trimf',[-0.3,-0.1,0.1]);a=addmf(a,'output',1,'Z','t rimf',[-0.2,0,0.2]);a=addmf(a,'output',1,'PS','trimf',[-0.1,0.1,0.3]);a=addmf(a,'output',1,'PM','t rimf',[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 kia=addmf(a,'output',2,'NB','zmf',[-0.06,-0.02]);a=addmf(a,'output',2,'NM','t rimf',[-0.06,-0.04,0]);a=addmf(a,'output',2,'NS','trimf',[-0.06,-0.02,0.02]);a=addmf(a,'output',2,'Z','t rimf',[-0.04,0,0.04]);a=addmf(a,'output',2,'PS','trimf',[-0.02,0.02,0.06]);a=addmf(a,'output',2,'PM','t rimf',[0,0.04,0.06]);a=addmf(a,'output',2,'PB','smf',[0.02,0.06]);a=addvar(a,'output','kd',[-3,3]); %Parameter kpa=addmf(a,'output',3,'NB','zmf',[-3,-1]);a=addmf(a,'output',3,'NM','t rimf',[-3,-2,0]);a=addmf(a,'output',3,'NS','trimf',[-3,-1,1]);a=addmf(a,'output',3,'Z','t rimf',[-2,0,2]);a=addmf(a,'output',3,'PS','trimf',[-1,1,3]);a=addmf(a,'output',3,'PM','t rimf',[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;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;2 3 6 2 1 1 1;2 4 5 3 2 1 1;2 5 5 3 2 1 1;2 6 4 43 1 1;2 7 34 4 1 1;3 1 6 1 4 1 1;3 2 6 2 3 1 1;3 3 6 3 2 1 1;3 45 3 2 1 1;3 5 4 4 3 1 1;36 3 5 3 1 1;37 3 5 4 1 1;4 1 6 2 4 1 1;4 2 6 2 3 1 1;4 3 5 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 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;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','centroid');writefis(a,'fuzzpid');a=readfis('fuzzpid');%PID Controllerts=10;sys=tf([1],[150,1],'inputdelay',50);dsys=c2d(sys,ts,'t ustin');[num,den]=tfdata(dsys,'v');u_1=0.0;u_2=0.0;u_3=0.0;u_4=0.0;u_5=0.0;u_6=0.0;y_1=0;y_2=0;x=[0,0,0]';error_2=0;error_1=0;e_1=0.0;ec_1=0.0;kp0=0.0929;kd0=0.0078;ki0=0.0518;for k=1:1:1000time(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 u(k)>=10u(k)=10;endif u(k)<=-10u(k)=-10;endif k==200u(k)=u(k)+1;endyout(k)=-den(2)*y_1+num(2)*u_6;error(k)=rin(k)-yout(k);%%%%%%%%%%%%%%Return of PID parameters%%%%%%%%%%%%%%% u_6=u_5;u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);y_2=y_1;y_1=yout(k);x(1)=error(k); % Calculating Px(2)=error(k)-error_1; % Calculating Dx(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');。