模糊控制论文汇编Word格式.docx

模糊控制论文汇编Word格式.docx

《模糊控制论文汇编Word格式.docx》由会员分享，可在线阅读，更多相关《模糊控制论文汇编Word格式.docx（17页珍藏版）》请在冰点文库上搜索。

机器人的出现给人们的生产生活带来了巨大的变化，在制造业、科学技术研究、军事国防以及人类日常生活中都有着非常广泛的应用。

具体表现[1]在:

（1）在工业现场用机器人进行繁重且重复性高的如抓取、搬运货物等工作，节省了大量劳动力，提高了劳动效率。

（2）军事上用无人侦察机来探测敌方情报为己方所用，可以快速准确掌握情报，减少情报人员侦查情报时被发现的几率和危险。

（3）在一些环境恶劣、危险性高不适合人类操作的场合如日本地震救灾修堵核泄漏设施场地如果使用机器人来完成相应工作能减轻给工作人员带来的危险。

（4）在一些抢险救灾、考古探险、军事排爆等场所使用机器人探明工作环境具体情况，可以减轻人类工作的危险性，减少工作人员不必要的伤亡损失。

（5）在太空探索、人类登月等科研项目中，可使用机器人模拟人类各项生理指标进入太空进行探测，以获知人类登月研究的各种有效实验数据。

研究智能机器人需要解决的问题是如何感知外界环境信息，获取外界信息以后如何根据环境信息决策自身下一步动作。

智能小车作为智能移动机器人的一种，它的应用也是十分广泛的。

对无人驾驶的智能小车的研究有助于改进汽车的智能驾驶，对无人侦察机的研究也有一定的帮助。

智能小车的寻踪与避障研究也受到人们极大关注，智能小车寻踪就是在无人驾驶情况下寻找一个最优路径到达目的地，避障就是在寻找到最优路径到达目的地的过程中如何搜索到障碍物、自动躲避及越过障碍物的问题。

寻踪与避障是智能机器人和小车智能化的一种重要体现，也是研究无人驾驶车辆甚至是无人驾驶飞机使其智能安全行驶的重要保障，因此研究智能小车寻踪与避障对于促进智能机器人发展，推动和发展无人驾驶技术以至于航空航天技术都有非常重要的现实意义[2]。

所谓路径规划[3]就是如何使机器人选择一个最优路径从一个已知点运动到某个目标点并且在运动过程中要自动躲避环境中的障碍物，这里的环境信息可以是己知的也可以是未知的。

对于环境信息已知的传统的路径规划问题需要事先对道路作特殊的标志，对未作标志的道路来说机器人无法实现正确的寻踪与避障，所以在实际应用中基于环境信息已知的路径规划问题受到极大的限制[3]。

因此人们开始致力于研究环境信息未知情况下的路径规划问题。

基于环境信息未知的路径规划方法主要有模糊逻辑、神经网络等智能路径规划方法[4]。

本文所研究的就是一种基于环境信息未知的智能小车路径规划问题。

将路径规划分解开来就是寻踪和避障的问题。

环境未知的寻踪和避障的关键技术就是如何获取目标点的位置信息以及沿途的环境信息，在获取所需的这些信息后如何对数据进行处理转换成对机器人控制器有用的信息，控制器如何控制小车躲避障碍顺利到达目的地。

智能小车寻踪和避障的控制算法有PID控制算法[5]、模糊控制算法、神经网络控制算法以及它们之间不同组合的控制算法[6]等。

本文提出一种将这三种方法结合的新型算法模糊神经PID控制算法。

2智能小车控制系统的硬件组成

本章主要简单介绍一下智能小车硬件结构及控制方法。

该智能小车主要有控制部分、传感器部分和执行机构组成。

控制部分是智能小车的核心组成部分，它就像人的大脑一样是整个小车的“司令部”。

它起着接收各种传感器传送来的信号及对这些信号进行综合处理并发出指令控制小车如何运动的作用。

控制部分有许多电子元器件组成，这些元器件都集中在一个主板上被安装在主控制盒里面，我们所能看到的只是一些外部控制按钮。

对于使用者来说只要知道如何操作这些按钮来完成我们所需要完成的任务即可。

智能小车控制系统的主要结构是控制器、传感器阵列、光电编码器、驱动电机、舵机组成[7]。

智能小车之所以能达到智能的程度是与所安装的传感器分不开的，传感器是智能小车的重要组成部分。

只有安装了不同功能传感器的小车才能获取小车外界和自身的一些实时信息，只有掌握了这些信息小车才能达到智能化程度。

根据不同的路状情况要求，可选用不同数量和不同排列形状的传感器阵列。

下图为八个光电管组成的传感器阵列，它主要完成轨迹追踪及判断目前路况。

图2传感器阵列示意图

图3传感器的信号与轨道的位置关系

光电编码器主要由码盘和光电检测元件组成，光电编码器是一种将输出轴上的机械位移通过光电转换器件转换成脉冲信号或数字量信号输出的一种传感器[8]。

由于光电码盘和电动机同轴旋转，经光电检测装置检测出输出的脉冲信号的数量就可以计算出电动机的角位移或线位移，从而计算出小车移动的距离，有小车移动距离和出发点的位置信息就可以计算出小车的现在的位置，它能够检测出智能小车的微小运动。

3模糊神经PID控制基本原理

3.1模糊控制方法

模糊控制技术是一种智能控制技术，它是随着模糊数学理论和智能控制技术的发展而产生和发展起来的一种新型智能控制方法。

模糊控制理论是在20世纪60年代L.A.Zadeh教授提出的模糊逻辑的基础上发展起来的，它以模糊集合和模糊语言处理系统为理论基础。

1974年A.Mamdani和他的学生在QueenMary学院首次应用模糊逻辑实现了蒸汽发动机的模糊控制实验，实现了模糊控制系统的应用实践，从此模糊控制在控制工程中得到了飞速发展[9]。

模糊控制系统是在模糊数学及其运算的基础上形成的一种控制方法，与普通控制方法模糊控制方法的主要特点是采用了模糊控制器来进行控制。

模糊控制系统的基本结构以及模糊控制器结构原理图分别如下图所示：

图4模糊控制系统的基本结构框图

模糊控制系统是以模糊数学和模糊语言推理系统为理论基础的智能自动控制系统，由系统基本结构框图可知它是一种负反馈闭环控制系统，主要由A/D转换接口（系统输入接口）、模糊控制器（系统主要组成部分）、D/A转换接口（模糊控制器输出）、被控对象等四大部分组成。

模糊控制系统也是一种计算机控制系统，模糊控制器的组成包括模糊化接口、知识库、模糊推理系统和反模糊化接口四大部分。

模糊化接口的作用是使经过模数转换的精确的输入量经过量化后转换成模糊量输入。

知识库主要包含了不同应用领域中的专家知识、控制经验和控制系统要求的控制目标。

模糊推理系统是模糊控制器的核心部件，它具有模拟人的模糊推理能力的一种智能推理系统。

模糊控制器的模糊化运算以及解模糊

运算都在模糊推理系统中实现。

反模糊化接口的作用主要是将模糊推理得到的模糊控制量转换成可以在实际控制系统中应用的实际控制量，输出给数模转换接口以实现对控制对象的控制[10]。

3.2模糊神经PlD控制方法

模糊控制和神经网络控制都是非常重要的智能控制方法，这两种方法在处理复杂不确定控制对象上都有比传统控制方法独特的功能。

模糊控制方法具有无需建立控制对象精确的数学模型，对处理具有时滞、非线性、时变性等特点的对象具有一定的优点，其鲁棒性好，对噪声有较强的抑制能力[11]。

而神经网络控制方法具有自学习和大规模并行处理能力。

如果将这两者有机结合，融合各自优点将会起到更加优良的控制效果。

本文结合模糊控制理论及神经网络控制方法各自的优点，提出一种新的控制算法即模糊神经网络控制算法。

模糊神经控制算法能更好的发挥模糊控制算法处理模糊知识的能力和神经网络的学习功能，能自动识别模糊逻辑规则、自动整定隶属函数调整权值。

下面我们就根据有关原理与算法给出将这三种算法结合以后的模糊神经PID控制算法的结构及工作原理。

单独的模糊控制方法是在确定好输入输出以后对输入输出变量进行模糊化，然后按照人们的控制经验制定模糊控制规则。

神经网络学习算法可以调整网络学习权值具有自主学习功能。

将两者结合以后的模糊神经控制方法就是用神经网络函数来表示模糊控制规则，此时的模糊规则具有自学习自调整能力，比单独的模糊控制器制定的模糊规则具有一种更先进的学习算法。

模糊神经PID功控制算法结构框图如下图所示，从该图可以看出，模糊神经PID控制器控框图与普通PID控制框图结构基本相似，不同之处在于对PID控制器三个参数进行调整时使用的是模糊神经网络控制方法。

将误差、误差的变化作为模糊神经网络的输入，经

图6模糊神经PID控制框图

模糊神经网络作用后输出的是PID控制器的三个参数Kp、Ki、Kd。

这三个参数送给PID控制器，对控制器进行调节，PID控制器的输出为u（t）。

图中y（t）为系统输出，r为给定输出，误差e（t）=r-y（t）。

模糊神经PID控制器的输出[12]可以写为：

模糊神经PID控制器设计与普通PID控制器设计的最大的不同之处就是在于运用神经网络来表示模糊控制规则，通过神经网络的学习功能以加权系数的形式表现控制规则，规则的生成就转化成加权系数初值的生成和修改。

将神经网络的自学习能力与模糊控制的模糊推理能力相结合，根据运行状态来自行调整PID控制器的三个参数，以期达到最优控制效果。

充分结合了模糊控制、神经网络控制以及PID控制的优点，更好的满足了对控制器控制性能的要求。

4寻踪和避障算法设计

在控制理论中，控制器的设计均需建立在被控对象精确的数学模型基础之上。

当被控对象是高度非线性且被控过程十分复杂的情况下，往往难以对控制对象建立精确地数学模型，此时传统的控制方法难以达到令人满意的控制效果。

对于本文所要研究的智能小车来说就是一种高度非线性、受控参数非常复杂的受控对象，很难建立小车精确的数学模型，因此传统的控制方法难以使小车达到满意的控制效果。

在本文的研究中对小车的控制算法引入一种模糊神经PID控制算法，该控制算法不基于被控对象精确的数学模型，它以人的控制经验为基础，具有自我学习和自我调整权值的能力。

4.1算法说明

小车开始运行以后首先进入寻踪模式下，在此模式下算法以小车质点到目标点的距离:

和小车运动方向与小车质点到目标点之间连线的夹角。

Φ（t）作为输入，对小车运动的转向角进行控制。

在寻踪和避障运动过程中假设小车是匀速运动即此处不考虑小车速度问题。

在寻踪模式下小车逐步调整自身位置和行驶方向，逐渐接近目标点。

小车在寻踪过程中如果没有障碍物小车就一直向目标点移动，直至到达目标点。

如果小车遇到障碍物那么小车应自行从寻踪模式切换到避障模式。

小车在何种情况下处于寻踪模式与避障模式可以通过控制器来进行设置。

此处将小车寻踪与避障的转换条件设置为小车距离障碍物的最小距离d，当小车距障碍物的距离等于或小于d时即满足这个转换条件时小车自动在寻踪避障之间进行转换[13]。

小车在寻踪模式下检测到有障碍物信息时就需要小车根据转换条件进行判断。

如果小车距障碍物距离大于d时，仍然保持寻踪模式不采取避让，如果小车距障碍物距离等于或小于d时则小车进入避障模式。

在避障模式下，算法以小车正前方距障碍物的距离df和小车左右一方距障碍物的距离的最小值dm作为输入，（当检测到障碍物在小车左侧时dm为正，位于右侧时dm为负）对小车行驶方向进行控制。

此模式下用于小车躲避障碍物。

当小车躲避开障碍物即传感器检测到小车距障碍物距离大于d时小车再次转换到寻踪模式下。

小车的整个运动过程就是在寻踪和避障两种模式间转换进行的，直至小车到达目标点。

这两种模式之间的转换关系如下图所示[14]。

图7寻踪模式和避障模式转换关系

4.2模糊神经PID控制算法设计

4.2.1输入输出变量的获取

建立好坐标系以后就可以对小车的位置信息进行描述，但是小车是在实时运动的，如何实时获得小车的位置信息这就需要安装在小车上的传感器来对小车的位置进行实时检测了。

为检测机器人行驶过程中不同方向遇到的障碍物信息需要在机器人前方、左方、右方分别安装检测障碍物信息的传感器。

为了计算的需要在机器人左方、前方及右方分别安装两个超声波传感器，安装示意图所示。

其中1#、2#传感器作为第一组安装在机器人的左方，3#、4#作为第二组安装在机器人的前方，5#、6#作为第三组安装在机器人的右方。

这三组传感器分别用来检测左方、前方和右方障碍物的信息，每组中检测到的两个数据进行加权后求平均作为各个方向上机器人距离障碍物距离的有效数据。

当检测到前方有效数据为某一特殊标记时说明小车运动过程中前方没有障碍物，当前方检测到有数据并且有效数据数值较大时说明小车距前方障碍物的距离较远，当前方检测到的有效数据较小时说明小车距前方障碍物距离较近。

如果前方距离障碍物距离等于d时默认小车向左转向躲避障碍物。

根据小车距障碍物距离的远近和人们的控制经验来判断小车应该怎么转向，怎么运动。

图8传感器安装示意图

为描述方便传感器检测到三个方向上距障碍物距离的有效数据分别用dl、df和dr来表示，此处6个传感器都是用超声波传感器，这种传感器的有效探测距离是0.2米到6米，可以探测到大于200~150mm的障碍物大小。

如果障碍物在传感器有效探测距离之外，或者障碍物的大小比传感器有效探测面积小，那么传感器将无法有效探测到障碍物信息。

图9传感器检测信息

传感器检测到小车质点距目标点的距离、及小车运动方向与小车质点与目标点连线之间的夹角小作为小车寻踪模式下模糊神经PID控制算法的输入。

将传感器检测到小车前左右三个方向距障碍物距离的有效数据计算出来以后取两个较小的值即选取离障碍物最近的一方作为小车避障模式下模糊神经PID控制算法的输入。

无论是寻踪模式还是避障模式控制机器人到达目标点的有效方法就是控制机器人运动时的转向角，因此两种模式下均选小车的转向角β作为模糊神经PID控制算法的输出。

超声波传感器的有效探测范围是0.2米至6米，因此小车与障碍物距离的有效范围可取为O<

dl，df，dr<

6。

机器人方向角及转向角的角度正负规定如下:

当机器人在目标点右侧移动时机器人方向角。

（O为正，当机器人在目标点左侧移动时机器人方向角。

（O为负。

无论机器人在目标点左侧还是右侧移动，当机器人向左转向时机器人转向角β定义为正，当机器人向右转向时机器人转向角β定义为负。

为控制算法确定好输入输出变量以及各有关转角正负以后，下一步就可以根据人们的控制经验来建立模糊神经PID控制算法的控制规则了。

4.2.2模糊神经网络结构

前文已提及模糊神经网络控制算法的实质是用神经网络函数来表示模糊控制规则，因此神经网络的结点是固定的。

不像单纯的神经网络中隐层的结点个数需要通过训练比较得到[15]。

在本文中输入输出变量的个数已经确定，将输入变量经过模糊化后得到模糊神经网络的模糊化层，将模糊化层的各模糊子集相互组合后作为模糊推理层，模糊推理层是确定模糊规则的关键一层，将模糊推理得到的模糊规则经过反模糊化层作用后得到控制变量的变换论域的输出，最后再经过输出层就可以得到模糊神经网络PID控制器的三个参数Kp、Ki、Kd。

模糊神经网络PID控制器设计步骤如下图所示[16]：

寻踪模式下选输入变量为小车质点到目标点距离、和小车质点与目标点之间连线夹角Φ（t），输出变量就是转向角β。

将S量化到[06]区间内，选s的模糊语言变量为{“零”、“小”、“中”、“大”}={“ZE”、“S”、“M”、“L”}。

将Φ（t）量化到[-100100]区间内，Φ（t）的模糊语言变量为{“负大”、“负中”、“负小”、“零”、“正小”、“正中”、“正大”={“NB”、“NM”、“NS”、“ZE”“PS”、“PM”、“PB”}[17]。

S与Φ（t）中的隶属函数分别如下图所示。

图11寻踪模式下输入变量隶属函数

避障模式下选定输入变量为df和dm，输出变量也是转向角β。

其中df为智能车偏离轨迹的偏量E（IN1），dm为偏量的变化率C（IN2）。

将df量化到[06]区间内，选df的模糊语言变量为{“近”、“中”、“远”}={“s”、“M”、“L”}。

将dm量化到[66]区间内，选dm的模糊语言变量为{“右大”、“右小”、“零”、“左小”、“左大”}={“RL”、“RB”、“Z”、“LS”、“LB”}。

其隶属函数选为如下图所示的三角形隶属函数[18]。

图12避障模式下输入变量隶属函数

表1模糊控制规则表

4.2.3模糊神经网络推理

模糊神经网络结构中神经网络的作用主要是用于模糊控制器中模糊规则的学习与制定。

模糊神经网络结构主要有输入层、模糊化层、模糊推理层、反模糊化层和输出层组成。

模糊神经网络结构中模糊化层每一个神经元用来模拟输入变量的一个隶属函数，模糊化层的作用是计算各输入分量属于各模糊语言变量值的隶属度[19]。

模糊推理层的每个节点代表一条模糊规则，该层的作用是完成模糊规则前件与模糊规则数的匹配，该层神经元用于完成模糊与运算。

当输入变量和输出变量的训练集获取以后，采用误差反向传播学习算法对模糊神经网络权值进行训练，该模糊神经网络就代表了输入输出变量之间的一种函数映射关系，这种映射关系是通过模糊神经网络各层之间的权值来表示的[20]。

各层权值之间的关系如下:

（l）输入层与模糊化层之间的权值为1，因此模糊化层的输出即为输入变量的模糊隶属度值，范围为[01]。

（2）模糊化层与模糊推理层之间的权值为1，因此模糊推理层各节点的输出为模糊化层各节点的与操作，即为两输入变量模糊子集隶属度值取小。

（3）模糊推理层与反模糊化层之间的权值为Wij，此处为要学习训练的权值。

反模糊化层各节点的输出为模糊推理层节点的或操作，即为各节点相或取大。

（4）反模糊化层与输出层之间的权值也是1，输出层各节点的输出为反模糊化的结果。

通过前文提到的比如面积重心法等反模糊化方法将模糊推理得到的模糊语言变量转换为数值输出。

有现场传感器采集到的输入输出数据作为模糊神经网络的训练样本集，采用BP反向传播学习算法对网络进行训练[21]。

利用训练好的模糊神经网络对模糊控制器进行推理就得到模糊神经PID控制参数的输出。

由此就可以获得输入输出参数之间的函数映射关系，经过MATLAB进行仿真可以验证算法的有效性。

参考文献

[1]李士勇.模糊控制.神经控制和智能控制论「M〕.哈尔滨:

哈尔滨工业大学出版社，1998.

[2]李人厚.智能控制理论和方法「M〕.西安:

西安电子科技大学出版社，2002.

[3]胡寿松.自动控制原理「M].北京:

科学出版社，2008.

[4]孙兰兰.自主避障系统的研究与设计[D].南京:

南京航空航天大学研究生院，2007.

[5]刘彩虹.智能小车路径跟踪技术的研究「D].浙江:

浙江大学电气工程学院，2007.

[6]丛哲.基于神经网络的智能小车视频监控系统设计「Dj.武汉:

华中科技大学，2009.

[7]寸晓非.基于模糊控制的智能小车避障设计「J].荆门:

荆楚理工学院学

报，2009，24（5），22一25.

[8]张吉礼.模糊一神经网络控制原理与工程应用〔M〕.哈尔滨:

哈尔滨工业大学出版社，2004

[9]张国良.模糊控制及其MATLAB应用[M〕.西安:

西安交通大学出版社，2002.

[10]王海群，张玮，王玉东.神经网络PID在煤泥干燥温度控制中的应用[J].哈尔滨:

煤炭技术，2009，28（11），151一153.

[11]李英顺，伦淑娴，皮红梅.基于模糊神经网络的P功温度控制系统[J].鞍山:

鞍山钢铁学院学报，2002，25（6），408一411.

[12]郭鹏.基于神经网络的PID控制器参数优化方法研究[D].北京:

华北电力大学,2001.

[13]李晓丹.模糊PID控制器的设计研究[D].天津:

天津大学电气与自动化工程学院,2005.

[14]陈超超.轮式移动机器人避障的研究[D].秦皇岛:

燕山大学机械工程学院,2004.7

[15]GAGNONL,FOUCHERS,LALIBERTEF,etal.Towardanapplicationofcontent-basedvideoindexingtocomputer-assisteddescriptivevideo[C].Proceedingsofthe3rdCanadianConferenceonComputerandRobotVision:

CRV2006.WashingtonDC:

IEEEComputerSociety,2006:

8-8.

[16]李英顺,伦淑娴,皮红梅.基于模糊神经网络的P功温度控制系统7Jj.鞍山:

鞍山钢铁学院学报,2002,25（6）,408一411.7228

[17]寸晓非.基于模糊控制的智能小车避障设计[J].荆门:

荆楚理工学院学报,2009,24（5）,22一25.

[18]LIHUI-PING,DOERMANND,KIAO.Automatictextdetectionandtrackingindigitalvideo[J].IEEETransactionsonImageProcessing,2000,9

（1）:

147-156.

[19]周斌.智能车光电传感器布局对路径识别的影响研究[J].电子产品世界,2006（7）:

75-78.

[20]张好,荣盘祥一种基于模糊神经网络的PID控制器[J].哈尔滨:

哈尔滨理工大学学报,2005,10（6）,63一65.

[21]易继楷,侯媛彬.智能控制技术[M].北京:

北京工业大学出版社,1999:

194-199

河北工业大学

计算机测控技术论文

作者：

李玉杰学号：

201231