模糊控制PID设计大作业文档格式.docx

1、将系统误差e和误差变化ec变化范围定义为模糊集上的论域，即e，ec = -3，-2，-1,0,1,2,3,其模糊子集为e，ec = NB,NM,NS,ZO,PS,PM,PB,子集中元素分别代表负大，负中，负小，零，正小，正中，正大。应用模糊合成推理设计PID参数的整定算法。第k个采样时间的整定为Kp（k）=kp0+kp（k）Ki（k）=ki0+ki（k）Kd（k）=kd0+kd（k）在线运行过程中，控制系统通过对模糊逻辑规则的结果处理、查表和运算，完成对PID参数的在线自校正。其工作流程图如下图所示。图1 误差的隶属函数图2 误差变化率的隶属函数图3 kp的隶属函数图4 ki的隶属函数图5 k

2、d的隶属函数图6 模糊系统fuzzpid.fis的结构图7 模糊推理系统的动态仿真环境在程序PID_b.m中，利用所设计的模糊系统fuzzpid.fis进行PID控制参数的整定，并利用模糊PID控制进行阶跃响应，在第300个采样时间时控制器输出端加上1.0的干扰，响应结果及PID控制参数的自适应变化如图8到13所示。图8 模糊PID控制阶跃响应图9 模糊PID控制误差响应图10 控制器输入u图11 kp的自适应调整图12 ki的自适应调整图13 kd的自适应调整在对三阶线性系统的控制中，利用稳定边界法进行参数整定的经典PID控制的超调量比模糊PID控制的超调量要大，但模糊PID控制存在一定的稳

3、态误差。模糊控制用模糊集合和模糊概念描述过程系统的动态特性，根据模糊集和模糊逻辑来做出控制决策，它在解决复杂控制问题方面有很大的潜力，可以动态地适应外界环境的变化。附录1 模糊系统设计程序PID_a%Fuzzy Turnning PID Controlclear all;close all;a=newfis（fuzzpid）;a=addvar（a,input,e,-3,3）; a=addmf（a,1,NBzmf,-3,-1）;NMtrimf,-3,-2,0）;NS,-3,-1,0）;Z,-2,0,2）;PS,-1,1,3）;PM,0,2,3）;PBsmf,1,3）;ec,2,outputkp,

4、-0.3,0.3）;,-0.3,-0.1）;,-0.3,-0.2,0）;,-0.3,-0.1,0）;,-0.2,0,0.2）;,-0.1,0.1,0.3）;,0,0.2,0.3）;,0.1,0.3）;ki,-0.06,0.06）;,-0.06,-0.02）;,-0.06,-0.04,0）;,-0.06,-0.02,0.02）;,-0.04,0,0.04）;,-0.02,0.02,0.06）;,0,0.04,0.06）;,0.02,0.06）;kd,3,rulelist = 1 1 7 1 5 1 1;1 2 3 1 3 1 1;1 3 6 2 1 1 1;1 4 6 2 1 1 1;1 5 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 4 3 1 1;2 7 3 4 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 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;4 1 6 2 4 1 1;4 2 6 2 4 1 1;4 3 5 3 3 1 1;4 4 4 4 3 1 1;4 5 3 5 3 1

6、 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 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;7 4 2 6 6 1 1;7 5 2 6 5 1 1;7 6

7、 1 7 5 1 1;7 7 1 7 7 1 1;a = addrule（a,rulelist）;a = setfis（a,DefuzzMethodcentroidwritefis（a,a = readfis（figure（1）;plotmf（a,1）;figure（2）;,2）;figure（3）;figure（4）;figure（5）;,3）;figure（6）;plotfis（a）;fuzzy fuzzpid;showrule（a）;ruleview fuzzpid;附录2 模糊控制程序PID_b%Fuzzy PID Controla=readfis（ts=0.001;sys=tf（4.

8、23,1,1.64,8.46）;days=c2d（sys,ts,tustinnum,den=tfdata（days,vu_1=0.0;u_2=0.0;u_3=0.0;y_1=0;y_2=0;y_3=0;x=0,0,0;e_1=0;ec_1=0;kp0=0.40;kd0=1.0;ki0=0.0;for k=1:1:3000;time（k）=k*ts;r（k）=1.0;%Using fuzzy inference to tuning 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（

9、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;endy（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;e（k）=r（k）-y（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=y（k）;x（1）=e（k）; %Calculating Px（2）=e（k）-e_1; %Calculating Dx（3）=x（3）+e（k）*ts %Calculating Iec_1=x（2）;e_2=e_1;e_1=e（k）;plot（time,r,b,time,y,rxlabel（time（s）ylabel（rin,youtplot（time,e,errorplot（time,u,uplot（time,kp,plot（time,ki,plot（time,kd,