模糊控制在倒立摆中的MATLAB仿真应用Word下载.docx
《模糊控制在倒立摆中的MATLAB仿真应用Word下载.docx》由会员分享，可在线阅读，更多相关《模糊控制在倒立摆中的MATLAB仿真应用Word下载.docx（12页珍藏版）》请在冰点文库上搜索。
11
日,我国的李洪兴教授在国际
上首次成功实现了四级倒立摆实物控制,也标志着我国学者采用自己提出的控制理论完成的一项具有原
创性的世界领先水平的重大科研成果。
图
倒立摆模型
（a）一级倒立摆模型（b）二级倒立摆模型
倒立摆系统可以简单地描述为小车自由地在限定的轨道上左右移动。
车上的倒立摆一端用铰链安
装在小车顶部,另一端可以在小车轨道所在的垂直平面内自由转动,通过电机和皮带传动使小车运动,让
倒立摆保持平衡并保持小车不和轨道两端相撞。
在此基础上在摆杆的另一端铰链其它摆杆,可以组成二
级、三级倒立摆系统。
该系统是一个多用途的综合性试验装置,它和火箭的飞行及步行机器人的关节运
动有许多相似之处,其原理可以用于控制火箭稳定发射、机器人控制等诸多领域。
1.2
倒立摆系统控制原理
单级倒立摆系统的硬件包括下面几个部分：
计算机、运动控制卡、伺服系统、倒立摆和测量元件，
由它们组成的一个闭环系统，如图
1-2
所示，就是单级倒立摆系统的硬件结构图。
单级倒立摆硬件结构图
通过角度传感器可以测量摆杆的角度，通过位移传感器可以得到小车的位置，然后反馈给运动控制
卡，运动控制卡与计算机双向通信。
计算机获得实时数据，确定控制策略，发送到运动控制卡，运动控
制卡执行计算机确定的控制策略，产生相应的控制量，由伺服电机转动来带动小车在水平轨道往复的运
动，使摆杆保持倒立。
1.3
倒立摆系统状态方程
θ
f
1-3
单级倒立摆模型图
θ
为杆与垂线的夹角，
为作用力，杆的质量
m=0.1kg，杆和小车的总重量
m=1.1kg,半杆长
l=0.5m，
重力加速度
g=9.8m/
s
2
，采样周期
T=0.02s.倒立摆的数学模型为：
∙
p
（4
/
3）
m
l
-
cos
θπ
（式
1.1）
我们可以实时量测角度
θ，并计算出角速度，控制的任务是产生合适的作用力f，以使倒立摆保持直
立状态。
采用
C-FC
的控制系统如图
1-4
输入的隶
属函数
控制规
则集
输出的隶
K
1
模糊化
模糊推
解模糊
倒立摆
S
2
理
3
1-4
倒立摆模糊控制系统
2、
模糊控制
2.1
众所周知,人类的思维是极其粗略的,语言表达是模糊的,它的逻辑是定性的,因此“模糊概念”更适
合于人们地观察、思维、理解与决策,这也更适合于客观现象和事物的模糊性（fuzzienss）。
于是由此便
产生了模糊数学和模糊控制的概念。
模糊数学和模糊控制的概念由美国加利福尼亚大学著名教授查得（L.A.Zadeh）在他的《Fuzzy
Sets》、
《Fuzzy
Algorithm））和《A
Retionnale
for
Fuzzy
Control》心著名论著中首先提出。
1972
月,日
本以东京工业大学为中心,发起成立“模糊系统研究会”,1973
年公开使用了“模糊工程”这一名词。
从
那以后,模糊控制理论在全世界范围内迅速蔓延。
尽管模糊集理论的提出至今只有
30
年,但是其发展迅
速。
历年来在模糊理论与算法、模糊推理、工业控制应用、模糊硬件与系统集成,以及稳定性理论研究等
方面,发表了很多对模糊控制理论和模糊系统的研究和发展有重大促进意义的论文。
80
年代以来,自动控制系统被控对象的复杂化,它不仅表现在控制系统具有多输入一多输出的强耦
合性、参数时变性和严重的非线性特性,更突出的是从系统对象所能获得的知识信息量相对地减少,以及
与此相反地对控制性能的要求却日益高度化。
然而“当一个系统复杂性增大时,人们能使它精确化地能力
将降低,当达到一定的阐值时,复杂性和精确性将相互排斥”（即“不相容原理”）。
也就是说,在多变量、
非线性、时变的大系统中,系统的复杂性与人类要求的精确性之间形成了尖锐矛盾。
因此,要想精确地描
述复杂对象与系统的任何物理现象和运动状态,实际上己经是不可能的。
关键的是如何使准确和简明之间
取得平衡,而使问题的描述具有实际意义。
这种描述的模糊性对问题的求解并非有害,却能高效率地对复
杂事物作出正确无误的判断和处理。
因此模糊控制理论的研究和应用在现代控制领域中有着重要的地位
和意义。
经典控制理论首先被使用线性小规模系统的自动化领域,然而随着计算机技术的发展,现代控制
理论在大规模线性多变量系统也得到应用。
但是对于非线性复杂系统,这些控制策略却难以适用,它不仅
算法极其复杂,而且无望获得满意的结果。
今年来,采用专家知识的人工智能和智能信息处理技术,虽然引
起了人们的重视,但它不能作为模拟控制,且其知识库庞大,设计也十分困难。
模糊控制不仅适用于小规模
线性单变量系统,而且逐渐向大规模、非线性复杂系统扩展,从己经实现的控制系统来看,它具有易于熟
悉、输入量连续、可靠性高、能发挥熟练专家操作的良好自动化效果等优点。
至今,世界上研究“模糊”
的学者己经越来越多,研究的范围从单纯的模糊数学到模糊理论应用、模糊系统及其硬件集成。
与知识工
程和控制方面有关的研究有模糊建模理论、模糊序列、模糊识别、模糊知识库、模糊语言规则、模糊近
似推理等。
近年来,已经将神经网络和模糊技术互相结合,取长补短,形成一种模糊神经网络技术,由此可
以组成一种更接近人脑的智能信息处理系统其发展前景十分广阔。
我国模糊控制理论及其应用方面的研
究工作是从
1979
年开始的,至今己有
20
多年的时间,大多数是在著名的高等院校和研究所中进行理论研
究,如对模糊控制系统的结构、模糊推理算法、自学习或自组织模糊控制器,以及模糊控制稳定性等问题
的研究,而其成果应用主要集中于工业炉窑方面,如退火炉、电弧冶炼炉、水泥窑以及造纸机的控制等。
2.2
模糊控制理论的基本概念
模糊控制是基于模糊数学的理论知识，模仿人类大脑的思维方式，识别和判断模糊现象的。
通过模
糊推理得到精确的控制量，实现对被控对象的控制。
关于模糊控制的基本概念：
1）
论域
论域是指所研究的事物的范围或全部的研究对象。
论域中的事物称为个体，具有某种特定属性的全
部事物可以称为集合，一部分个体组成的集合称为子集。
2）
隶属函数
由某种特定的属性形成的集合
A，它的论域为
U，在康托创立的经典集合理论中，把属于集合
A
的元
素
u
的特征函数值定义为
1，把不属于集合
的元素
0.
模糊推理
模糊推理是以模糊逻辑为基础的，它是一种不确定性推理方法。
当推理判断具有模糊性时，称之为
模糊推理。
在这个过程中，推理判断的依据称为模糊控制律。
假设集合
是论域
U
上的模糊子集，集合
B
和集合
C
Y
上的模糊子集，则模糊推理可以用下
面的条件语句表示：
If
x
=
Then
y
else
c
该条件语句可以表示为从论域
到论域
的一个模糊关系
R，可表示为：
此时，隶属函数为：
2.3
模糊控制原理
如图
2-1
所示表示模糊控制的基本原理，模糊控制器是模糊控制的核心部分。
通过传感器采样，计
算机可以获得被控量的精确值，然后把精确值与给定值作出比较，得到误差信号，误差信号通常可以作
为模糊控制器的输入量。
首先把精确的误差信号值模糊化，得到误差信号的模糊子集，然后通过模糊控
制规律进行模糊推理，得到一个模糊的控制量，接着把模糊的控制量进行解模糊处理，得到精确的数字
控制量，经
D/A
转换输入到执行机构，实现对被控对象的控制。
模糊控制原理框图
2-2
所示是模糊控制器的组成部分，它包括输入量模糊化接口、知识库、模糊推理机和解模糊
化接口四个部分
模糊控制器结构图
模糊化接口
系统的输入量通常是一个精确值，必须由模糊化接口处理之后，才能适用于模糊控制器的求解。
因
此模糊化接口实际上是模糊控制器的输入接口，它的作用是把精确的输入量转化为一个模糊量。
对于模
糊变量
e，通常可以将它的模糊子集划分为
a）e={负，零，正}={N，Z，P}
b）e={负大，负小，零，正小，正大}={NB，NS，Z，PS，PB}
c）e={负大，负中，负小，零，正小，正中，正大}={NB，NM，NS，Z，PS，PM，PB}
知识库
知识库是由数据库和规则库构成。
输入变量和输出变量的模糊子集的隶属度值都存放在数据库中；
规则库用来存储所有的模糊控制规则，为模糊推理机推理时提供控制律。
，
模糊推理机
模糊控制量是由模糊推理机得到的，它是根据输入模糊量，由模糊控制规则推理得到的。
目前模糊
推理方法很多，常用的有
Mamdani
推理法、Larsen
推理法、Zadel
推理法等
4）
解模糊接口
模糊推理得到的结果通常是一个模糊量，不能直接作为控制量作用到被控系统上。
因此，需要把它
转换为一个可以被执行机构识别的精确值，该过程就叫做解模糊。
通常采用的解模糊方法也有很多种，
例如重心法、最大隶属度法、加权平均法、中位数法等.
3、倒立摆在仿真中的应用
3.1
连续的模糊控制
3.1.1
S
函数
function
[sys,x0,str,ts]
whatisit（~,x,u,flag
）
switch
flag
case
[sys,x0,str,ts]=mdlInitializeSizes;
sys=mdlDerivatives（x,u）;
sys=mdlOutputs（x）;
{2,4,9}
sys=[];
otherwise
error（['
Unhandled
flag='
num2str（flag）]）;
end
[sys,x0,str,ts]=mdlInitializeSizes（）
sizes=simsizes;
sizes.NumContStates=2;
sizes.NumDiscStates=0;
sizes.NumOutputs=1;
sizes.NumInputs=1;
sizes.DirFeedthrough=0;
sizes.NumSampleTimes=1;
sys=simsizes（sizes）;
x0=[10;
10];
str=[];
ts=[0
0];
sys=mdlDerivatives（x,u）
sys（1,1）=x
（2）;
sys（2,1）=（10.78*sin（（x
（1）*pi）/180）-cos（x
（1）*pi/180）*（u+0.05*（x
（2）*pi/180）^2*si
n（x
（1）*pi/180）））/（（4/3）*0.55-0.05*（cos（x
（1）*pi/180））^2）*180/pi;
sys=mdlOutputs（x）
sys=x
（1）;
3.1.2
simulink
模块图
仿真模块图
将设置好的模糊规则放进模块
fuzzy
logic
controller,编写好的
函数放进模块
s-function
中。
3.1.3
模糊控制规则
3.2模糊控制
3.3
输入
的隶属函数和论域
3.4
3.5
输出
z
3.6
3.1.4
输出波形
3.7
输出波形显示了在小车前端施加的作用力的变化情况
3.2
离散的模糊方法
3.2.1
[sys,x0,str,ts]=lisan1（t,x,u,flag）
flag,
[sys,x0,str,ts]=mdlInitializeSizes（）;
sys=mdlDerivatives（t,x,u）;
end;
x0=[5;
20];
sys=mdlDerivatives（t,x,u）
dx
（1）=x
（2）;
dx
（2）=（（1.1*9.8*sin（x
（1）*pi/180）-cos（x
（1）*pi/180）*（u+0.1*0.5*（x
（2）*pi/180）^2*s
in
（x
（1）*pi/180）
）
）/（（4/3）*1.1*0.5-0.1*0.5*（cos
（x
（1）*pi/180））^2））*180/pi;
sys=[dx
（1）;
dx
（2）];
3.2.2
模块
3.8
仿真模块
3.2.3
模糊控制器设置
3.9
模糊控制器参数设置
3.2.4
波形
3.10
波形显示
4、结论
针对倒立摆系统，基于
MATLAB/simulink
仿真系统，分别对连续和离散的状态进行了模拟仿真。
根
据波形可以看到，作用力的变化情况大体相同。
离散与连续最主要的区别是模糊控制器的参数设置不同，
离散的模糊控制器设置参数需要将所有的规则用数字表示出来，而连续的只需要通过
FIS
editor
设置论
域和隶属函数，再根据经验设置模糊规则即可。
升级会员 