模糊自适应整定PID控制仿真实验

合集下载

模糊自整定PID控制器设计与仿真

糊ＰＤ控制器，Ｉ结构图如图１所示：
收稿日期：Ｏ８１８ｚＯ一Ｏ —１作者简介：林国汉（９３，，１７一）男硕士，讲师，研究方向：计算机控制
第３期
林国汉等：模糊自整定ＰＤ控制器设计与仿真Ｉ
１３４建立模糊控制规则表．．．
关键词：ＰＤ控制；Ｉ模糊控制；自整定；真仿中图分类号：Ｔ２３文献标识码：ＡＰ７文章编号：１７ — １９２０）３０１－０６１１Ｘ（０８０－０６３
ＰＤ控制具有结构简单、定性能好、靠性高Ｉ稳可等优点，尤其适用于可建立精确数学模型的确定性控制系统．是在实际的应用中，多数工业过程都但大
在实际应用中，一般是以误差ｅ误差的变化和
率ｄ／ｔｅ）为控制器的输入，以满足不同时刻ｅｄ（ｃ作可的ｅｅ和ｃ对ＰＤ参数自整定的要求．用模糊控制Ｉ利规则在线对ＰＤ参数进行修改，构成了自适应模Ｉ便
１７
１３２模糊控制器的结构．．
单变量二维模糊控制器的两个输人语言变量（偏差ｅ和偏差变化）以及３个输出语言变量（ＫＰ、ＫｌＫＤ的修正值Ａ和ＫＰ、ＡＫｌＡＫＤ）和的模糊集及其论域定义如下：误差ｅ误差的变化率ｅ及ｃ的模糊子集均为：｛Ｂ，，，Ｏ，ＳＰ，Ｂ）子集中各个元素ＮＮＭＮＳＺＰ，ＭＰ，分别代表负大，中，小，，小，中，大．负负零正正正将误差ｅ误差的变化率ｅ及ｃ的变化范围定义为模糊集上的论域ｌ：３］

智能控制作业_模糊自适应PID控制

模糊自适应PID 控制的Matlab 仿真设计研究姓名：陈明学号：201208070103班级：智能1201一、模糊控制思想、PID 控制理论简介：在工业生产过程中，许多被控对象受负荷变化或干扰因素很多基于模糊自适应控制理论, 设计了一种模糊自适应PID 控制器, 具体介绍了这种PID 控制器的控制特点及参数设计规则, 实现PID 控制器的在线自整定和自调整。

通过matlab 软件进行实例,仿真表明, , 提高控制系统实时性和抗干扰能力,易于实现．便于工程应用。

1.1 模糊控制的思想：应用模糊数学的基本理论和方法, 控制规则的条件、操作用模糊集来表示、并把这些模糊控制规则以及有关信息, 诸如PID 控制参数等作为知识存入计算机知识库, 然后计算机根据控制系统的实际情况(系统的输入, 输出) , 运用模糊推理。

1.2 PID 算法：u(t)=k p * e(t)+k i * ∫e(t)t 0dt +k d *de(t)dt= k p *e(t)+ k i *∑e i (t) + k d * e c (t)其中, u (t) 为控制器输出量, e(t) 为误差信号, e c (t)为误差变化率, k p , k i , k d 分别为比例系数、积分系数、微分数。

然而，课本中，为了简化实验难度，只是考虑了kp ，ki 参数的整定。

1.3 模糊PID 控制器的原理图：二、基于Matlab的模糊控制逻辑模块的设计关于模糊逻辑的设计，主要有隶属函数的编辑，参数的选型，模糊规则导入，生成三维图等观察。

2.1 模糊函数的编辑器的设定：打开matlab后，在命令窗口输入“fuzzy”，回车即可出现模糊函数编辑器，基本设置等。

基于课本的实验要求，我选的是二输入（e, e c）二输出（k p ,k i）。

需要注意的是，在命名输入输出函数的时候，下标字母需要借助下划线的编辑，即e_c 能够显示为e c。

2.2四个隶属函数的N, Z, P 函数设定：在隶属函数的设定中，N 选用的是基于trimf（三角形隶属函数） , Z是基于zmf（Z型隶属函数），P是基于smf（S型隶属函数）。

模糊自适应PID控制的仿真研究

摘要：首先介绍了ＰＤ控制系统的工作原理，因ＰＤ控制器结构简单实ＩＩ现简单，控制效果良好．所以已得到广泛应用。但当控制对象变化时，控制器的参数难以自动调整。为了使控制器具有较好的自适应性，可以采用模糊控制理论的方法来实现控制器参数的自动调整。模糊ＰＤ控制系统就是模糊Ｉ理论与传统的ＰＤ控制器的结合。最后以一控制对象为倒，对该两种方式的Ｉ控制进行了仿真和比较，并得出了相应的结论。
１０２）００９
Ａｓｒｃ：ｈｔｅｒｆｒｐｒｏＩｅｒｌＤｆｒｎｉｌＩ）ｏｔｌｂｔｔｅｈｏｙＰｏｏｔｎｎｇａａＴｏｉｔｉｅｔ（ＤｃｎｒｅａＰｏ
ｓｓｅｉｎｒｕｅ．ＴｈｔｕｔｒｎｒａｉａｉｎｏＤｃｎｒｌｓｙｔｍｓｉｔｏｄｃｄｅｓｒｃｕｅａｄｅｌｔｆＰＩｏｔｏｌｚｏｅｒｉｉｌａｄｔｃｎｒｅｅｔｉｇｏ．ＯｓｓｍｐｅｎｉｓｏｔｏＩｆｃｓｏｄＳＰＩｃｎｒｌｒｉｗｉｅｌＤｏｔｅｓｏｌｄｙｕｅｎｔｅｎｕｔｉｃｎｒｌｐｒｃｓ．ＨｏｖｒｔｓｉｉｕｔｆＰＩｓｄｉｈｉｄｓｒａｌｏｔｏｏｅｓｗｅｅ．ｉｉｄｆｃｌｏｒＤｆｃｎｒｌｒｔａｕｏｏｔｏｌｓｏｅｔｍａｉａｌｃｎｉｏｔｅｒａａｍｅｅｓｔｌｃｙｏｄｔｎｈｉｉｐｒｔｗｈｎｈｒｅｔｅ
维普资讯

自适应模糊PID控制器的设计与仿真

自适应模糊PID控制器的设计与仿真自适应模糊PID控制器是一种结合了模糊控制和PID控制的自适应控制器，它能够在系统的不同工况下根据实际需求对PID参数进行自适应调整，从而使得系统具有更好的动态性能和稳定性。

本文将介绍自适应模糊PID控制器的设计思路和仿真过程。

1.设计思路1.1系统建模首先需要对待控制的系统进行建模，得到系统的数学模型。

这可以通过实验数据或者理论分析来完成。

一般情况下，系统的数学模型可以表示为：$G(s)=\frac{Y(s)}{U(s)}=\frac{K}{s(Ts+1)}$其中，K是系统的增益，T是系统的时间常数。

1.2设计模糊控制器接下来需要设计模糊控制器，包括模糊规则、模糊集和模糊运算等。

模糊控制器的输入是系统的误差和误差的变化率，输出是PID参数的调整量。

1.3设计PID控制器在模糊控制器的基础上，设计PID控制器。

PID控制器的输入是模糊控制器的输出，输出是控制信号。

1.4设计自适应机制引入自适应机制，根据系统的性能指标对PID参数进行自适应调整。

一般可以采用Lyapunov函数进行系统性能的分析和优化。

2.仿真过程在仿真中，可以使用常见的控制系统仿真软件，如MATLAB/Simulink 等。

具体的仿真过程如下：2.1设置仿真模型根据系统的数学模型，在仿真软件中设置仿真模型。

包括系统的输入、输出、误差计算、控制信号计算等。

2.2设置模糊控制器根据设计思路中的模糊控制器设计，设置模糊控制器的输入和输出，并设置模糊规则、模糊集和模糊运算等参数。

2.3设置PID控制器在模糊控制器的基础上，设置PID控制器的输入和输出，并设置PID参数的初始值。

2.4设置自适应机制设置自适应机制，根据系统的性能指标进行PID参数的自适应调整。

2.5运行仿真运行仿真，观察系统的响应特性和PID参数的变化情况。

根据仿真结果可以对设计进行调整和优化。

3.结果分析根据仿真结果，可以分析系统的稳定性、动态性能和鲁棒性等指标，并对设计进行调整和改进。

《2024年电液伺服系统模糊PID控制仿真与试验研究》范文

《电液伺服系统模糊PID控制仿真与试验研究》篇一一、引言随着现代工业自动化技术的飞速发展，电液伺服系统作为重要组成部分，在众多领域中发挥着重要作用。

然而，由于电液伺服系统存在非线性、时变性和不确定性等特点，其控制问题一直是研究的热点和难点。

传统的PID控制方法在面对复杂多变的环境时，往往难以达到理想的控制效果。

因此，本文提出了一种基于模糊PID控制的电液伺服系统控制策略，并进行了仿真与试验研究。

二、电液伺服系统概述电液伺服系统主要由液压泵、液压马达、传感器和控制器等部分组成。

它利用电信号驱动液压系统工作，实现对负载的精确控制。

由于其具有高精度、快速响应等特点，在机械制造、航空航天、船舶等领域得到了广泛应用。

然而，由于电液伺服系统的复杂性，其控制问题一直是研究的重点。

三、模糊PID控制策略针对电液伺服系统的特点，本文提出了一种模糊PID控制策略。

该策略结合了传统PID控制和模糊控制的优点，通过引入模糊逻辑对PID参数进行在线调整，以适应系统参数的变化和环境干扰。

模糊PID控制策略能够在保证系统稳定性的同时，提高系统的响应速度和抗干扰能力。

四、仿真研究为了验证模糊PID控制策略的有效性，本文进行了仿真研究。

首先，建立了电液伺服系统的数学模型和仿真模型。

然后，分别采用传统PID控制和模糊PID控制对模型进行仿真实验。

通过对比两种控制策略的响应速度、稳态精度和抗干扰能力等指标，发现模糊PID控制在电液伺服系统中具有更好的性能。

五、试验研究为了进一步验证模糊PID控制策略的实用性，本文进行了试验研究。

在试验过程中，首先搭建了电液伺服系统的试验平台，然后分别采用传统PID控制和模糊PID控制对实际系统进行控制。

通过对比两种控制策略的试验结果，发现模糊PID控制在电液伺服系统中具有更高的稳态精度和更快的响应速度。

此外，在面对环境干扰时，模糊PID控制也表现出更强的抗干扰能力。

六、结论本文通过对电液伺服系统的模糊PID控制进行仿真与试验研究，验证了该策略的有效性。

模糊PID控制器的仿真研究

福
建电
脑
２１００年第５期
模糊ＰＤ控制器的仿真研究Ｉ
董湘君，曾莹，陈文
（东技术师范学院自动化学院广东广州５０３广１６５）
【摘要】：本文针对电炉这种非线性、大时滞系统，比较研究了模糊控制、糊ＰＤ控制、模Ｉ史密斯模糊ＰＤ控制等三种Ｉ炉温控制方法。仿真结果表明，密斯模糊ＰＤ控制方法因其调节时间短、史Ｉ无超调、静差，无能对电炉炉温实现有效的控制。【键词】模糊ＰＤ；关：Ｉ温度控制；密斯预估器史
初始ＰＤ参数的整定：测定被控对象参数的粗略值。用初Ｉ先应值整定规则确定ＰＤ的初始值；第二步，Ｉ参数的在线整定：ＩＰＤ监测控制系的响应过程，其模糊化，合用户期望、制目标将综控类型、对象参数等，用模糊推理自动进行ＰＤ参数的在线整运Ｉ
０引言、
该系统在参数。、与偏差和偏差变化之间建立了在线、．
电炉是热处理生产中应用最广的加热设备．其控制系统是自词整算法．满足了系统在不同的偏差和偏差变化下对控制参时变、线性、时滞的复杂系统，学模型很难精确建立。采数的不同要求。糊ＰＤ控制器分两步整定ＰＤ参数。一步。非大数若模ＩＩ第

模糊PID控制仿真与实验研究

关键词：模糊ＰＤ控制；仿真；实验研究Ｉ中图分类号：Ｔ２３Ｐ７文献标识码：Ａ文章编号：１０ — ８１（０２１０１３８２１）０—１７—３４ＳｍｕｌｔｏｎｐｒｍｅｔｙｏｉａｉｎａｄＥｘｅｉｎｔＳｕｄｎＦｕｚｙＰＩＣｏｒｌｒｚＤｎｔｏｌｅ
ｒｕｔ．ｅｓｌｓＫｅｙｗｏｄｓ：ＦｚＤｏｒｌｒｕｚｙＰＩｃｎｔｏ：Ｓｉｌｔｏｍｕａｉｎ：Ｅｘｅｍｅｔｐｒｉｎ
传统的ＰＤ控制器结构简单，具有一定的鲁棒Ｉ性，稳态无静差，长期以来广泛应用于工业过程控制，取得了良好的控制效果。智能化的模糊控制不要求被控对象的精确模型而且适应性强。参数自适应模糊ＰＤ控制器在控制策略上仍保留ＰＤ控制器，ＩＩ
模糊ＰＤ控制仿真与实验研究Ｉ
邢峰，张让辉，王敦富，支晓华
（．重庆３商职业学院，重庆４０５；１－００２
２．山东汽车弹簧厂有限公司，山东淄博２５０）５００
摘要：为了解决用传统控制策略难以解决的复杂、非线性、不确定性系统的控制问题，基于专家经验建立了模糊控制规则集合用来修正ＰＤ参数，使ＰＤ的控制效果达到最佳。运用ＭａａＩＩｔｂ软件对建立的模糊ＰＤ控制系统性能进行了仿真分ｌＩ析，并进一步通过车身振动主动控制实验验证了该控制系统的有效性。
同时采用模糊推理的方法作为常规ＰＤ控制器的自调Ｉ整结构，实际上对ＰＤ控制器进行了非线性的处理，Ｉ

温度控制系统模糊自适应PID控制器仿真研究

器。首先建立了烘干炉温度控制系统的数学模型，确定了系统的输入输出量，建立了模糊控制规则，进行模糊推理，计算
ＰＤ控制器的参数，Ｉ可由ＰＤ控制器控制烘干炉的温度，Ｉ采用计算机仿真结果表明，模糊自适应ＰＤ控制器与常规ＰＤ控制ＩＩ
器相比，高了烘干炉温度控制系统的自适应能力和鲁棒性，了系统的动态性能和静态性能，较提改善能使非线性、大滞后等
ＡＢＳＲＡＣＴ：ＴｅｔｍｐｅｔｒｏｔｌｆｔｅｄｙｎｖｎｈｓｓｃｒｐｅｓｎｎｉｅｒｙａｄｔｅａｕｎＴｈｅｒａｕｅｃｎｒｒｉｇｏｅａｕｈｐｏｌｍｓａｏｌａｔｎｉｄｌｙｄｒｇｏｏｈｎｉｍｅｉ
特殊的系统达到良好的控制效果。关键词：烘干炉；ｊ比伊积分微分控制；模糊控制；模糊比例积分微分控制
中图分类号：Ｐ７．Ｔ２３４文献标识码：Ｂ
ＥｍｕａｉｎｏｌｔｏｆＦｕｚｙＰＩＣｏｔｏｎｔｍｐｒｔｅＣｏｔｏｓｅｚＤｎｒｌｉｈｅＴｅｅａｕｒｎｒｌＳｙｔｍ
ＭＡＺａｈｎ—ｙｕ，Ｉቤተ መጻሕፍቲ ባይዱＮｕｏＴＡＪｎ—ｚｏｇＭＡｅ—ｌｇｈｎ，Ｚｉｎ
（ｅｃｉｅａｔｅｔｆｎｖｒｉｏｎａｏ，ｈｏｈＵｉｒｉｒａｏａｔｓＴａｈｎＤｐｒｎｉｅｔＦｕｄｔｎＴｅＮｒｎｖｓｙｆｔｎｌｉ，ｇｍｏＵｓｙｉｔｅｔｏＮｉｉｅＹｎｈａｉｘ５０１ＣｉａｉｕｎＮｎｉ７０２，ｈ）ｅｇａｎ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

实验三模糊自适应整定PID控制仿真实验一、实验目的1．通过实验了解数字PID控制的原理2．通过实验实现离散系统的数字 PID 控制仿真3．通过实验了解模糊自适应整定PID控制的原理4．通过实验实现模糊自适应整定PID控制仿真5．通过实验进一步熟悉并掌握Matlab软件的使用方法二、实验内容1．针对给定离散系统的输入信号的位置响应，设计离散PID控制器，编制相应的仿真程序。

2．若采样时间为1ms ,采用模糊PID控制进行阶跃响应,在第300个采样时间时控制器输出加1.0的干扰,编制该模糊自适应整定PID系统的Matlab仿真程序三、实验步骤1．针对给定离散系统的阶跃信号、正弦信号和方波信号的位置响应，设计离散PID控制器，编制相应的仿真程序。

2．确定模糊自整定PID的算法基础3．针对 kp, ki , kd 三个参数分别建立合适的模糊规则表4．画出PID参数的在线自校正工作程序流程图5．编制该模糊自适应整定PID系统的Matlab仿真程序四、实验要求1．设被控对象为：采样时间为1ms,采用Z变换进行离散化，经过Z变换后的离散化对象为：yout(k)=-den(2)yout(k-1)-den(3)yout(k-2)-den(4)yout(k-3)+num(2)u(k-1)+num(3)u(k-2)+num(4)u(k-3)针对离散系统的阶跃信号、正弦信号和方波信号的位置响应，设计离散PID控制器。

其中，S为信号选择变量，S=1时为阶跃跟踪，S=2时为方波跟踪，S=3时为正弦跟踪。

2．采样时间为1ms ,采用模糊PID控制进行阶跃响应,在第300个采样时间时控制器输出加1.0的干扰,编制炉温模糊控制系统的Matlab仿真程序五﹑自适应模糊控制的规则1﹑控制规则：2.模糊控制器设计确定为双输入，三输出结构确定每个变量的论域，其中每个变量都有一个模糊子集来表示。

这个模糊子集中有3个模糊子集，分别是：N ，Z ，P 在编辑界面中，确定好每一个语言变量的范围，以及隶属函数的类型。

如下图所示：输入模糊控制规则：六﹑仿真结果PID 控制器Kp 参数在控制过程中的变化曲线：Ki参数：Kd参数：七﹑实验程序（一）%Fuzzy Tunning PID ControlClear all;Close all;a=newfis('fuzzpid');a=addvar(a,'input','e',[-1 1]);a=addmf(a,'input','1','N','zmf',[-1,-1/3]);a=addmf(a,'input','1','Z','trimf',[-2/3,0,2/3]); a=addmf(a,'input','1','P','smf',[1/3,1]);a=addvar(a,'input','ec',[-1 1]);a=addmf(a,'input','2','N','zmf',[-1,-1/3]);a=addmf(a,'input','2','Z','trimf',[-2/3,0,2/3]); a=addmf(a,'input','2','P','smf',[1/3,1]);a=addvar(a,'output','kp',[-10 10]);a=addmf(a,'input','1','N','zmf',[-10,-3]);a=addmf(a,'input','1','Z','trimf',[-5,0,5]);a=addmf(a,'input','1','P','smf',[3,10]);a=addvar(a,'output','ki',[-3 3]);a=addmf(a,'output','2','N','zmf',[-3,-1]);a=addmf(a,'output','2','Z','trimf',[-2,0,2]);a=addmf(a,'output','2','P','smf',[1,3]);a=addvar(a,'output','kd',[-5 5]);a=addmf(a,'output','3','N','zmf',[-5,-1]);a=addmf(a,'output','3','Z','trimf',[-3,0,3]);a=addmf(a,'output','3','P','smf',[1,5]);Rulelist=[1 1 1 1 1 1 1;1 2 1 2 1 1 1;1 2 2 1 2 1 1;1 3 12 1 1 1;1 323 2 1 1;2 1 1 1 1 1 1;2 23 3 1 1 1;2 1 2 23 1 1;2 3 2 1 3 1 1;2 23 1 2 1 1;3 1 2 1 1 1 1;3 2 3 1 2 1 1;3 1 2 1 2 1 1;3 3 1 2 3 1 1;3 2 3 1 2 1 1];a=addrule(a,rulelist);a=setfis(a,'DefuzzMethod','centroid'); writefis(a,'fuzzy');a=readfis('fuzzpid');figure(1);Plotmf(a,'input',1);figure(2);Plotmf(a,'input',2);figure(3);Plotmf(a,'output',1);figure(4);Plotmf(a,'output',2);figure(5);Plotmf(a,'output',3);figure(6);Plotfis(a);fuzzy fuzzpid;showrule(a);ruleview fuzzpid;(二)%Fuzzy PID ControlClear all;Close all;Warning off;a=readfis('fuzzpid');t=0.001;sys=tf(122,[1,26,0]);dsys=c2d(sys,ts,'z');[num,den]=tfdata(dsys,'v');u-1=0;u-2=0;y-1=0;y=2=0;e-1=0;ec-1=0;ei=0;ed=0;kp0=0;ki0=0;kd0=0;for k=1:1:1000Time(k)=k*ts;r(k)=1;%Using fuzzy inference to tunning PIDk-pid=evalfis([e-1,ec_1],a);kp(k)=kp_0+k_pid(1);ki(k)=ki_0+k_pid(2);kd(k)=kd_0+k_pid(3);u(k)=kp(k)*e_1+ki(k)*ei+kd(k)*ed;y(k)=-den(2)*y_1-den(3)*y_2+num(2)*u_1+num(3)*u_2;e(k)=r(k)-y(k);%%%%%%%%%%%%%%%%Return of parameters%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% u_2=u_1;u_1u(k)=0;y_2=y_1;y_12=y(2);ei=ei+e(k)*ts;ec(k)=e(k)-e_1;e_1=e(k);ec_1=ec(k);endfiure(1);plot(time,r,'r',time,y,'b:','linewidth',2);xlabel(time(s)');ylabel('r,y');legend('Ideal osition','Practical position');fiure(2);subplot(211);plot(time,kp,'r','linewidth',2);xlabel(time(s)');ylabel('kp');subplot(212);plot(time,ki,'r','linewidth',2);xlabel(time(s)');ylabel('ki');figure(3);plot(time,u,'r','linewidth',2);xlabel(time(s)');ylabel('control input');。