模糊控制器介绍

《模糊控制器介绍》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、模糊控制器介绍例、已知，分别设计PID控制与模糊控制，使系统达到较好性能，并比较两种方法的结果。具体要求：1、分别采用fuzzy工具箱和编程实现模糊控制器。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)、抗非线性能力(加死区和饱和特性)以及抗时滞的能力(对时滞大小加以改变)。4、讨论系统在模糊控制和PID控制作用下的时间参数和结构变化下的抗干扰能力。模糊控制部分大作业旨在利用模糊控制器和PID控制器实现对已知系统的控制，分别得到较

2、好的控制效果。然后改变系统的参数、结构或者加入非线性环节，以验证模糊控制器的鲁棒性能。以下是作业过程：1、PID控制考虑到系统中存在纯延迟环节，使得系统的稳定性大大降低。如果系统的反馈信号没有延迟，系统的响应特性将会得到很好的改善。因此，对于存在纯滞后环节的系统，特别是大延迟过程，一般采用Smith预估控制，即将纯滞后补偿模型与PID控制器并接。本题中，延迟环节的时间常数不是很大，仅为0.2，因此基本上不会影响系统的稳定，采用常规PID控制也基本可以达到很好的控制效果。常规PID控制框图如图1-1（相应

3、文件：PID.mdl）11图1-1常规PID控制框图PID参数选取：，，常规PID控制的单位阶跃响应曲线：图1-2常规PID控制响应曲线2．模糊控制模糊控制规则（相应文件：zdh.fis）表1.1模糊控制规则ECENBNMNSZEPSPMPBNBNBNBNBNBNMZEZENMNBNBNBNBNMZEZENSNMNMNMNMZEPSPSNZNMNMNSZEPSPMPMPZNMNMNSZEPSPMPMPSNSNSZEPMPMPMPMPMZEZEPMPBPBPBPBPBZEZEPMPBPBPBPB各变量论域

4、输入变量：E：[-66]；EC：[-66]；输出变量：U：[07]语言变量E：NB、NM、NS、NZ、PZ、PS、PM、PB（8个）EC：NB、NM、NS、ZE、PS、PM、PB（7个）U：NB、NM、NS、ZE、PS、PM、PB（7个）11各变量隶属度函数：三角形函数（trimf）模糊推理：Mamdani推理法去模糊化：中位数法（bisector）模糊控制框图（相应文件：mohu.mdl）图1-3模糊控制框图选取量化因子：，选取比例因子：模糊控制响应曲线图1.4模糊控制响应曲线在模糊控制器的设计过程中

5、，选择合适的论域和量化因子、比例因子是至关重要的。量化因子选择过大，系统超调较大，过渡过程较长；选择过大，系统超调较小，但是响应速度变慢；比例因子选择过大导致系统振荡，过小时系统响应过程变长。3、在模糊控制和PID控制中分别加死区、饱和特性以及对时滞大小加以改变。1）加死区非线性响应曲线比较（如图1-5）11死区参数为（-0.50.5）(a)PID控制加死区(b)模糊控制加死区图1-5PID与模糊控制加死区后的响应曲线比较比较结果可见，模型控制没有PID控制的好2）加饱和非线性响应曲线比较（如图1-6）

6、饱和参数为（-0.60.6）（a）PID控制加饱和11（b）模糊控制加饱和图1-6PID与模糊控制加饱和后的响应曲线比较3）改变时滞大小响应曲线比较（如图1-7）时滞为1.5，响应曲线如下：(a)PID控制加时滞（b）模糊控制加时滞图1-7改变时滞大小的PID与模糊控制响应曲线比较11由以上两图可知，改变时滞大小以后，PID控制的控制效果明显变差，而模糊控制的控制效果则相对较好，说明模糊控制较PID控制有更好的抗时滞能力。神经网络控制部分大作业例、已知，分别设计PID控制与神经网络控制器，使系统达到较好

7、性能，并比较两种方法的结果。具体要求：1、采用编程实现神经网络控制器。2、分析神经网络层数和神经元个数对神经网络控制器控制性能的影响。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)、抗非线性能力(加死区和饱和特性)以及抗时滞的能力(对时滞大小加以改变)。4、为系统设计神经网络PID控制器。首先设计PID控制器实现对已知系统的控制，然后利用PID控制器的采样样本对神经网络进行训练，用训练好的神经网络来控制系统。然后对加入非线性环节，以验证神经网络控制器的鲁棒性能。1、PID控制这里

8、采用模型与模糊控制中的PID控制模型相同，只是将参数改变了一下，即取，，，单位阶跃响应仿真结果如图2-1所示11图2-1PID控制单位阶跃响应2、神经网络控制利用采集的样本，采用BP算法进行神经网络训练。训练程序为：p=r';t=u';net=newff([-11],[20101],{'tansig''tansig''purelin'});net.trainparam.epochs=1000;net.trainparam.goal=0.00