毕业设计论文 自适应模糊PID控制器的MATLAB的设计Word文件下载.docx
《毕业设计论文 自适应模糊PID控制器的MATLAB的设计Word文件下载.docx》由会员分享,可在线阅读,更多相关《毕业设计论文 自适应模糊PID控制器的MATLAB的设计Word文件下载.docx(58页珍藏版)》请在冰点文库上搜索。
![毕业设计论文 自适应模糊PID控制器的MATLAB的设计Word文件下载.docx](https://file1.bingdoc.com/fileroot1/2023-4/28/f0fff772-c5cb-477a-85fe-c4814e062954/f0fff772-c5cb-477a-85fe-c4814e0629541.gif)
ClassicPIDcontrol;
FuzzyControl;
Parameterstuning;
theFuzzyAdaptivePIDController;
MATLABsimulation
第1章绪论
1.1课题的研究背景及意义
现代控制系统,规模越来越大,系统越来越复杂,用传统的控制理论方法已不能满足控制的要求。
智能控制是在经典控制理论和现代控制理论的基础上发展起来的,是控制理论、人工智能和计算机科学相结合的产物。
智能控制主要分为模糊逻辑控制、神经网络控制和实时专家系统。
研究的主要目标不仅仅是被控对象,同时也包含控制器本身。
模糊理论是在美国柏克莱加州大学电气工程系L.A.Zadeh教授于1965年创立的模糊集合理论的数学基础上发展起来的,主要包括模糊集合理论、模糊逻辑、模糊推理和模糊控制等方面内容。
L.A.Zadeh教授在1965年发表的FuzzySet论文中首次提出表达事物模糊性的重要概念——隶属函数。
模糊控制理论的核心是利用模糊集合论,把人的控制策略的自然语言转化为计算机能够接受的算法语言所描述的算法。
但它的控制输出却是确定的,它不仅能成功的实现控制,而且能模拟人的思维方式,对一些无法构成数学模型的对象进行控制。
“模糊概念”更适合于人们的观察、思维、理解、与决策,这也更适合于客观现象和事物的模糊性。
“模糊控制”的特色就是一种“语言型”的决策控制。
模糊控制技术,已经成为智能控制技术的一个重要分支,它是一种高级算法策略和新颖的技术。
自从1974年英国的马丹尼(E.H.Mandani)工程师首先根据模糊集合理论组成的模糊控制器用于蒸汽发动机的控制以后,在其发展历程的30多年中,模糊控制技术得到了广泛而快速的发展。
现在,模糊控制已广泛地应用于冶金与化工过程控制、工业自动化、家用电器智能化、仪器仪表自动化、计算机及电子技术应用等领域。
尤其在交通路口控制、机器人、机械手控制、航天飞行控制、汽车控制、电梯控制、核反应堆及家用电器控制等方面,表现其很强的应用价值。
并且目前已有了专用的模糊芯片和模糊计算机的产品,可供选用。
我国对模糊控制器开始研究是在1979年,并且已经在模糊控制器的定义、性能、算法、鲁棒性、电路实现方法、稳定性、规则自调整等方面取得了大量的成果。
著名科学家钱学森指出,模糊数学理论及其应用,关系到我国二十一世纪的国力和命运。
1.2PID控制的特点
PID控制的优点与缺点:
(1)PID控制具有适应性强的特点,适应各种控制对象,参数的整定是PID控制的一个关键问题;
(2)只要参数整定合适,对大多数被控对象可以实现无差控制,稳态性能好,但动态特性不太理想;
(3)PID控制不具有自适应控制能力,对于时变、非线性系统控制效果不佳。
当系统参数发生变化时,控制性能会产生较大的变化,控制特性可能变坏,严重时可能导致系统的不稳定。
虽然PID控制具有一些不理想的方面,但由于其具有十分明显的优点,在工业过程控制领域一直占据了主导地位,而且全世界的控制技术研究和应用人员对PID控制进行了大量的研究,努力改善PID控制的性能。
围绕PID控制,并与多种其它控制技术结合,形成了多种PID控制技术,以下是一些PID控制技术的发展和研究方向:
(1)专家PID控制:
专家控制(ExpertControl)的实质是基于受控对象和控制规律的各种知识,并以智能的方式利用这些知识来设计控制器。
利用专家经验来设计PID参数便构成专家PID控制;
(2)模糊PID控制:
模糊控制技术与PID控制结合构成模糊PID控制;
(3)神经PID控制:
运用神经网络技术对PID控制参数进行整定,构成神经PID控制;
(4)遗传PID控制:
用遗传算法对PID控制参数进行整定和优化,构成遗传PID控制;
(5)灰色PID控制:
灰色系统理论与PID控制结合进行系统控制构成PID控制。
以上多种PID控制方法,是PID控制与现代控制技术的结合,主要是在PID参数动态整定上进行了大量研究,在保持PID控制基本原理的基础上,改善了PID控制的性能,在工业过程控制领域继续占据着主导地位。
1.3模糊控制技术概述
模糊控制主要还是建立在人的直觉和经验的基础上,这就是说,操作人员对被控系统的了解不是通过精确的数学表达式,而是通过操作人员丰富的实践经验和直观感觉。
这种方法可以看成是一组探索式决策规则。
模糊控制是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机控制方法,作为智能控制的一个重要分支,在控制领域获得了广泛应用。
模糊控制的核心是模糊控制器,而模糊控制器的关键是模糊控制规则的确定,即模糊控制规则表,模糊控制规则表是根据专家或者操作者的手动控制经验总结出来的一系列控制规则。
一般最易为人所观察到的就是被控过程的输出变量及其变化率,因此通常把误差
及其变化率ec作为模糊控制器的输入语言变量,把控制量
作为模糊控制器的输出语言变量,从关系上看为
,实质上体现为模糊控制器是一种非线性的比例微分(PD)控制关系。
模糊控制系统框图如图1.1所示。
图1.1模糊控制系统框图
误差e、误差变化率ec和输出y的实际变化范围,称为模糊控制的基本论域。
在模糊控制中,用模糊概念来表述输入和输出变量,e和ec称为输入语言变量,y称为输出语言变量。
语言变量是一个模糊集合,语言变量的取值称为语言变量值。
语言变量值根据问题需要确定,是语言变量的模糊子集。
语言变量值是构成语言变量的词集。
对于输入变量e、ec在基本论域内的一个实际值,为实施模糊控制,需要将其转化为语言变量值,这个转化依赖于语言变量值的隶属度函数,这种转化的过程叫模糊化。
经过模糊化处理后,得到输入变量e、ec在输入基本论域内的一个实际值隶属于各语言变量值的程度。
一般在一个模糊规则的前件中往往不只有一个命题,需要用模糊算子获得该规则前件被满足的程度。
模糊算子的输入是两个或者多个输入的经过模糊化后得到的语言变量值(隶属度值),其输出是一条规则的整个前件被满足的隶属度。
将一条规则的整个前件被满足的隶属度作为输入,根据规则“如果x是A,则y是B”,表示的A与B之间的模糊蕴涵关系(A
B)进行模糊推理,可以得到一个输出模糊集,即输出语言变量值,这种过程称为模糊推理。
模糊推理又称模糊逻辑推理,它是一种以模糊推断为前提,运用模糊语言规则,推出一个新的近似的模糊推断结论的方法。
模糊推理的关键是模糊控制规则的确定,即模糊控制规则表,模糊控制规则表是根据专家或者操作者的手动控制经验总结出来的一系列控制规则。
由于一般情况下,模糊规则库由多条规则组成,经过模糊推理得到的是一个由每一条规则推理得出的输出语言变量值的集合,因此需要将这些输出语言变量值进行某种合成运算,得到一个综合的输出模糊集,这种过程称为模糊合成。
将经过模糊合成得到的综合输出模糊集进行转化,即将语言变量值转化为输入变量基本论域内的一个实值,对被控过程进行控制,这种过程叫模糊判决或者叫去模糊化。
第2章模糊控制理论
2.1模糊集合定义
模糊集合:
论域U到[0,1]区间的任一映射
,即
:
U
[0,1](2.1)
确定U的一个模糊子集A,简称模糊集。
称为A的隶属度函数,
称为x对A的隶属度。
表示论域U中的元素x属于模糊子集A的程度或等级。
它在[0,1]闭区间内可连续取值。
的值越接近1,则x隶属于A的程度越高;
越接近于0,表示属于A的程度低。
2.2模糊语言
语言是一种符号系统,它包括自然语言,机器语言等等。
其中自然语言是以字或词为符号的一种符号系统,人们用它表示主客观世界的各种事物、观念、行为和情感的意义,是人们在日常工作和生活中所使用的语言。
自然语言中常含有模糊概念。
在实际生产过程中,人们发现,有经验的操作人员,虽然不懂被控对象或被控过程的数学模型,却能凭借经验采取相应的决策,很好的完成控制工作
。
例如,控制加热炉的温度时,就可以根据操作工人的经验调节电加热炉供电电压,达到升温和降温的目的,人工操作控制温度时,操作工人的经验,可以用下述语言来描述:
若炉温低于给定温度则升压,低的越多,升压越高。
若炉温高于给定温度则降压,高的越多,降压越低。
若炉温等于给定温度,则保持电压不变。
上述这些用以描述操作经验的一系列模糊性语言,就是模糊条件语句。
再用模糊逻辑推理对系统的实时输入状态观测量进行处理。
则可产生相应的控制决策,这就是模糊控制。
图2.1是一个人工操作的控制系统示意图。
操作者首先通过传感器和仪表显示设备,知道系统的输出量及其变化的模糊信息。
然后,操作者就用这些信息,根据已有的经验来分析判断,得出相应的控制决策,实现对工业对象的控制。
图2.1工业操作的控制系统
一般来说,当人进行控制时,必须根据输入的偏差及偏差变化率综合地进行权衡和判决。
操作者在对受控过程进行控制时,测量或观测到的偏差值和偏差的变化速率是一些清晰量,经过模糊化得到偏差、偏差变化率大、中、小的某个模糊量的概念。
经过人的模糊决策后,得到决策的控制输出模糊量。
当按照已定的模糊决策去执行具体的动作时,所执行的动作又必须以清晰的量表现出来。
因此,图2.1的人-机过程可归结为:
将偏差e、偏差变化率ec的清晰量经模糊化得到模糊量E和EC,将模糊近似推理分析得到模糊控制输出U,然后经模糊决策判断,得到清晰值的控制量u去执行控制动作。
2.3模糊变量的隶属函数
模糊集使得某元素可以以一定程度属于某集合,某元素属于某集合的程度由“0”与“1”之间的一个数值——隶属度来刻画和描述。
把一个具体的元素映射到一个合适的隶属度是由隶属函数来实现的。
隶属度函数可以是任意形状的曲线,取什么形状取决于是否让我们使用起来感到简单、方便、快速、有效,惟一的约束条件是隶属度函数的值域为[0,1]。
MATLAB模糊工具箱提供了许多函数,如表2-1所示的模糊隶属度函数,用以生成特殊情况的隶属函数,包括常用的三角型、高斯型、π型、钟型等隶属函数。
表2-1模糊隶属度函数
函数名
函数功能描述
pimf
建立π型隶属度函数
gauss2mf
建立双边高斯型隶属度函数
gaussmf
建立高斯型隶属度函数
gbellmf
生成一般的钟型隶属度函数
smf
建立S型隶属度函数
trapmf
生成梯形型隶属度函数
trimf
生成三角型隶属度函数
zmf
建立Z型隶属度函数
在模糊控制中应用较多的隶属函数有一下6种:
(1)高斯型隶属函数
如图2.2所示,它的MATLAB表示为gaussmf(x,[,c])。
图2.2高斯型隶属函数
(2)广义钟形隶属函数
如图2.3所示,它的MATLAB表示为gbellmf(x,[a,b,c])。
图2.3广义钟形隶属函数
(3)S形隶属函数
如图2.4所示,它的MATLAB表示为sigmf(x,[a,c])。
图2.4S形隶属函数
(4)梯形隶属函数
如图2.5所示,它的MATLAB表示为trapm(x,[a,b,c,d])。
图2.5梯形隶属函数
(5)三角形隶属函数
如图2.6所示,它的MATLAB表示为trimf(x,[a,b,c])。
图2.6三角形隶属函数
(6)Z形隶属函数
如图2.7所示,它的MATLAB表示为zmf(x,[a,b])。
图2.7Z形隶属函数
2.4模糊推理系统的数据结构管理函数介绍
模糊推理是采用模糊逻辑由给定的输入到输出的映射过程。
模糊推理包括五个方面:
(1)输入变量模糊化,即把确定的输入转化为由隶属度描述的模糊集。
(2)在模糊规则的前件中应用模糊算子(与、或、非)。
(3)根据模糊蕴含运算由前提推断结论。
(4)合成每一个规则的的结论部分,得出总的结论。
(5)反模糊化,即把输出的模糊量转化为确定的输出。
输入变量是输入变量域内的某一个确定的数,输入变量经模糊化后,变换为由隶属度表示的0和1之间的某个数。
模糊化常由隶属度函数或查表求得。
输入变量模糊化后,我们就知道每个规则前件中的每个命题被满足的程度。
如果给定规则的前件中不止一个命题,则需要模糊算子获得该规则前件被满足的程度。
模糊算子的输入是两个或多个输入变量经模糊化后得到的隶属度值,其输出是整个前件的隶属度,模糊逻辑算子可取T算子和协T算子中的任意一个,常用的与算子有min(模糊交)和prod(代数积),常用的或算子有max(模糊并)和probor(概率或)。
模糊合成也是一种模糊算子,该算子的输入是每一个规则输出的模糊集,输出是这些模糊集经合成后得到的一个综合输出模糊集。
常用的模糊算子有max(模糊并)、probor(概率或)和sum(代数和)。
在MATLAB工具箱中,把模糊推理系统的各部分作为一个整体,提供了模糊推理系统数据结构管理函数,用以完成模糊规则的建立、解析与修改,模糊推理系统的建立、修改和存储管理以及模糊推理的计算及去模糊化等操作
(1)readfis
功能:
从磁盘载入模糊推理系统。
(2)addrule
向模糊推理系统添加模糊规则。
(3)addvar
向模糊推理系统添加变量。
(4)convertfis
将模糊逻辑工具箱1.0版FIS转换为2.0版FIS结构。
(5)evalfis
执行模糊推理计算。
(6)gensurf
生成模糊推理系统的曲面并显示。
(7)getfis
获得模糊推理系统特性曲线。
(8)mam2sug
将MamdaniFIS变换为SugenoFIS。
(9)parsrule
解析模糊规则。
(10)plotfis
作图显示模糊推理系统输入/输出结构。
(11)plotmf
绘制隶属度函数曲线。
(12)rmmf
从模糊推理系统中删除隶属度函数。
(13)rmvar
从模糊系统中删除对象。
(14)setfis
设置模糊推理特性。
(15)showfis
显示添加了注释的模糊推理系统。
(16)showrule
显示模糊规则。
(17)writefis
将模糊规则保存到磁盘中。
(18)addmf
向模糊推理系统添加隶属度函数。
(19)defuzz
隶属度函数的去模糊化。
去模糊化方法的5个可取的值如下:
①Centroid:
面积重心法。
②Bisector:
面积平分法。
③Mom:
平均最大隶属度法。
④Som:
最大隶属度取最小法。
⑤Lom:
最大隶属度取最大法。
(20)evalmf
通用隶属度函数估计。
(21)mf2mf
隶属度函数间的参数转换。
(22)newfis
建立新的模糊推理系统。
2.5论域、量化因子、比例因子的选择
2.5.1论域及基本论域
模糊控制器把输入变量误差、误差变化的实际范围称为这些变量的基本论域。
显然基本论域内的量为精确量。
被控对象实际要求的控制量的变化范围,称为模糊控制器输出变量(控制量)的基本论域,控制量的基本论域内的量也是精确量。
若设误差变量所取的模糊子集的论域为:
{-n,-n+1,…,0,…,n-1,n}
误差变化变量所取的模糊子集的论域为:
{-m,-m+1,…,0,…,m-1,m}
控制量所取的模糊子集的论域为:
{-x,-x+1,…,0,…,x-1,x}
有关论域的选择问题,一般选误差的论域
,选误差变化的论域
,选控制量的论域
值得指出的是,从道理上讲,增加论域中的元素个数,即把等级细分,可提高控制精度,但这受到计算机字长的限制,另外也要增大计算量。
因此,把等级分得过细,对模糊控制显得必要性不大。
关于基本论域的选择,由于事先对被控对象缺乏经验知识,所以误差及误差变化的基本论域只能做初步的选择,待系统调整时再进一步确定。
控制量的基本论域根据被控对象提供的数据选定
2.5.2量化因子及比例因子
当由计算机实现模糊控制算法进行模糊控制时,每次采样得到的被控制量需经计算机计算,才能得到模糊控制器的输入变量误差及误差变化。
为了进行模糊化处理,必须将输入变量从基本论域转换到相应的模糊集的论域,这中间需将输入变量乘以相应的因子,这就是量化因子。
“量化因子”模块和“比例因子”模块,都是为了对清晰值进行比例变换而设置的,其作用是使变量按一定比例进行放大或缩小,以便跟相邻模块很好地匹配。
当然这种变换,对整个系统的工作性能也会产生一定的影响。
输入模糊控制器的向量信号,在二维系统中通常由两个分量e和ec组成,它们是通过采样或计算得出的清晰值,都是连续的实数。
把分量的取值范围称为物理论域(X)。
输入模糊控制器的向量的分量都是清晰值,需要经过模糊化变换,把它映射到模糊子集上,即变换成模糊量,才能输入到模糊推理模块中进行近似推理。
把这所有模糊子集的论域N称为模糊论域。
物理论域和模糊论域都是连续实数,X由采样得到的输入变量决定,N由覆盖输入量的F子集可取值的范围决定。
物理论域和模糊论域可以完全一样。
不过由于外部环境的多变,一般希望模糊论域稳定不变(即模糊推理器参数不变),因此多数情况下X和N是不同的。
把清晰值从物理论域X,变换到模糊论域N上的变换系数,叫量化因子。
这一变换在模糊控制器中的作用,是使输入信号的取值范围放大或缩小,以适应设定的模糊论域要求。
经过近似推理得出的是模糊量,需要经过清晰化模块的处理变成清晰量,才能推动后面的执行机构。
清晰化处理后的变量虽然是清晰值,但其取值范围是由模糊推理得到的所有F子集确定的,覆盖这些F子集的数值范围称为模糊论域N3。
这个模糊论域和后面执行机构需求的数值范围——物理论域U未必一致,也需要进行论域的变换。
由模糊论域N3到物理论域U的变换系数叫比例因子。
量化因子和比例因子均是考虑两个论域变换而引出的,但对输入变量而言的量化因子确实具有量化效应,而对输出而言的比例因子只起比例作用。
设计一个模糊控制器除了要有一个好的模糊控制规则外,合理地选择模糊控制器输入变量的量化因子和输出控制量的比例因子也是非常重要的。
量化因子和比例因子的大小及其不同量化因子之间大小的相对关系,对模糊控制器的控制性能影响极大。
合理地确定量化因子和比例因子要考虑所采用的计算机的字长,还要考虑到计算机的输入输出接口中D/A和A/D转换的精度及其变化的范围。
因此,选择量化因子和比例因子要充分考虑与D/A和A/D转换精度相协调,使得接口板的转换精度充分发挥,并使其变换范围充分被利用。
量化因子Ke及Kec的大小对控制系统的动态性能影响很大。
Ke选的较大时,系统的超调也较大,过渡过程较长。
因为从理