模糊控制
模糊控制理论及应用
模糊控制理论及应用模糊控制是一种基于模糊逻辑的控制方法，它能够应对现实世界的不确定性和模糊性。
本文将介绍模糊控制的基本原理、应用领域以及未来的发展趋势。
一、模糊控制的基本原理模糊控制的基本原理是基于模糊逻辑的推理和模糊集合的运算。
在传统的控制理论中，输入和输出之间的关系是通过精确的数学模型描述的，而在模糊控制中，输入和输出之间的关系是通过模糊规则来描述的。
模糊规则由模糊的IF-THEN语句组成，模糊推理通过模糊规则进行，从而得到输出的模糊集合。
最后，通过去模糊化操作将模糊集合转化为具体的输出值。
二、模糊控制的应用领域模糊控制具有广泛的应用领域，包括自动化控制、机器人控制、交通控制、电力系统、工业过程控制等。
1. 自动化控制：模糊控制在自动化控制领域中起到了重要作用。
它可以处理一些非线性和模糊性较强的系统，使系统更加稳定和鲁棒。
2. 机器人控制：在机器人控制领域，模糊控制可以处理环境的不确定性和模糊性。
通过模糊控制，机器人可以对复杂的环境做出智能响应。
3. 交通控制：模糊控制在交通控制领域中有重要的应用。
通过模糊控制，交通信号可以根据实际情况进行动态调整，提高交通的效率和安全性。
4. 电力系统：在电力系统中，模糊控制可以应对电力系统的不确定性和复杂性。
通过模糊控制，电力系统可以实现优化运行，提高供电的可靠性。
5. 工业过程控制：在工业生产中，许多过程具有非线性和不确定性特点。
模糊控制可以应对这些问题，提高生产过程的稳定性和质量。
三、模糊控制的发展趋势随着人工智能技术的发展，模糊控制也在不断演进和创新。
未来的发展趋势主要体现在以下几个方面：1. 混合控制：将模糊控制与其他控制方法相结合，形成混合控制方法。
通过混合控制，可以充分发挥各种控制方法的优势，提高系统的性能。
2. 智能化：利用人工智能技术，使模糊控制系统更加智能化。
例如，引入神经网络等技术，提高模糊控制系统的学习和适应能力。
3. 自适应控制：模糊控制可以根据系统的变化自适应地调整模糊规则和参数。
模糊控制简介
න
������������ (������)������������ (������) (������, ������)
������������
模糊逻辑与近似推理
➢ 近似推理过程： 前提1（事实）：������是������’ 前提2（规则）：������������ ������ 是 ������，������ℎ������������ ������ 是 ������ 结论：������是������’ 这里������’和������是论域������中的模糊集合，������’和������是论域������中的模
⋯ ������������ ������2, ������������
⋱
⋮
������������ ������������, ������1 ������������ ������������, ������2 ⋯ ������������ ������������, ������������
例：������ = {子，女}，������ = {父，母}，模糊关系������“子女与
父母长得相似”，用模糊矩阵表示则为：
父母
������
=
子 女
0.8 0.3
0.3 0.6
模糊控制的数学基础
➢ 模糊关系合成 设������、������、������是论域， ������是������到������的一个模糊关系， ������是������到������
模糊控制ppt课件
可编辑课件PPT
23
5. 建立模糊控制表 模糊控制规则可采用模糊规则表4-5来描述，共
49条模糊规则，各个模糊语句之间是或的关系，由第 一条语句所确定的控制规则可以计算出u1。同理，可 以由其余各条语句分别求出控制量u2,…,u49，则控制 量为模糊集合U可表示为
uu1u2 u49
可编辑课件PPT
规则模型化，然后运用推理便可对PID参数实现最佳
调整。
可编辑课件PPT
32
由于操作者经验不易精确描述，控制过程中各种 信号量以及评价指标不易定量表示，所以人们运用 模糊数学的基本理论和方法，把规则的条件、操作 用模糊集表示，并把这些模糊控制规则以及有关信 息(如初始PID参数等)作为知识存入计算机知识库中 ，然后计算机根据控制系统的实际响应情况，运用 模糊推理，即可自动实现对PID参数的最佳调整，这 就是模糊自适应PID控制，其结构如图4-15所示。
可编辑课件PPT
31
随着计算机技术的发展，人们利用人工智能的
方法将操作人员的调整经验作为知识存入计算机中
，根据现场实际情况，计算机能自动调整PID参数，
这样就出现了智能PID控制器。这种控制器把古典的
PID控制与先进的专家系统相结合，实现系统的最佳
控制。这种控制必须精确地确定对象模型，首先将
操作人员（专家）长期实践积累的经验知识用控制
糊控制的维数。
可编辑课件PPT
10
（1）一维模糊控制器 如图所示，一维模糊控制器的 输入变量往往选择为受控量和输入给定的偏差量E。由 于仅仅采用偏差值，很难反映过程的动态特性品质， 因此，所能获得的系统动态性能是不能令人满意的。 这种一维模糊控制器往往被用于一阶被控对象。
可编辑课件PPT
控制系统中的模糊控制与神经网络控制比较
控制系统中的模糊控制与神经网络控制比较在现代控制系统中，模糊控制和神经网络控制是两种常见的控制方法。
它们都具有一定的优势和特点，但是又各自存在一些局限性。
本文将就这两种控制方法进行比较，旨在帮助读者更好地理解和选择适合自己需求的控制方法。
一、模糊控制模糊控制是一种基于模糊逻辑的控制方法，它将人的直观经验与控制系统的数学模型相结合，用来应对系统模型不确定或难以建模的情况。
模糊控制系统由模糊化、模糊推理和解模糊化三个主要部分组成。
1、模糊控制的优势（1）适应不确定性：模糊控制可以很好地应对系统参数变化、环境变化等不确定性因素，因为它不需要准确的数学模型。
（2）处理非线性系统：对于非线性系统，模糊控制可以通过模糊化和模糊推理来逼近系统的动态特性，因此具备较好的适应性。
（3）易于理解和调试：模糊规则基于经验知识，形式简单易懂，参数调节相对容易，操作员或工程师可以理解和调试模糊控制系统。
2、模糊控制的局限性（1）计算复杂性：模糊控制系统需要进行模糊化、模糊推理和解模糊化等操作，这些操作可能导致计算量大、实时性差，不适合对响应时间要求较高的控制系统。
（2）难以优化：模糊控制的参数调节通常是基于试错法，缺乏理论指导，难以进行精确优化，因此对于某些需要高精度控制的系统效果并不理想。
二、神经网络控制神经网络控制是一种利用人工神经网络模拟生物神经网络的结构和功能来实现控制的方法。
神经网络控制系统由输入层、隐含层和输出层构成，通过训练神经网络来实现控制效果。
1、神经网络控制的优势（1）适应性强：神经网络具有强大的自适应性能，能够适应未知系统或具有时变性质的系统，从而在控制过程中实现自学习和自适应。
（2）映射能力强：神经网络可以将非线性映射问题转化为线性可分问题进行处理，从而更好地逼近系统的非线性特性。
（3）具备优化能力：可以通过合理的网络结构和训练算法，实现对网络参数的优化，从而提高控制系统的性能。
2、神经网络控制的局限性（1）训练需耗时：神经网络控制需要通过大量的数据训练神经网络，这可能需要耗费较长的时间，并且对数据质量和标定要求较高。
模糊控制与PID控制的比较
模糊控制与PID控制的比较自20世纪60年代中期起，模糊控制逐渐崭露头角，其优越性也引起了人们的关注。
除了模糊控制，当今热门的控制算法之一是PID控制。
那么，模糊控制与PID控制之间的区别是什么呢？它们各自的优缺点是什么？在特定的应用场合下，哪种控制算法更适用？一、模糊控制概述模糊控制是一种无需准确模型或参数即可执行复杂控制系统的方法，它仅使用模糊逻辑来描述输入和输出之间的关系。
模糊控制系统的输入和输出都是模糊变量。
与其他控制方法相比，模糊控制系统可以更好地处理不确定性和模糊性，具有更强的容错能力和适应性。
模糊控制系统由四个主要组成部分组成：模糊化、模糊推理、解模糊化和规则库。
模糊化部分将传感器输出信号转换为模糊变量，模糊推理部分使用模糊逻辑基于模糊规则将模糊变量转换为控制信号，解模糊化部分将控制信号转换为精确的控制信号，规则库存储了模糊规则及其权重。
二、PID控制概述比例积分微分（PID）控制是一种经典的控制算法，其控制草图由三个部分组成。
比例项（P）根据当前误差大小进行输出，积分项（I）可以消除稳态误差，微分项（D）可以提高系统的稳定性并抑制系统的震荡。
PID控制器的设计基于系统的数学模型，在许多应用中，这个模型是已知的。
在这些情况下，PID控制器可以通过调整不同部分的增益以进行优化。
三、模糊控制与PID控制的对比1. 精度PID控制器可以实现非常高的精度，特别是在恒定环境下，模糊控制器具有更高的容错能力和适应性，而且围绕控制正常的范围内快速做出反应。
2. 调节PID调节通常是更容易实现的PLC控制器中自动化开发环境的系统。
Fuzzy可能更多地需要手动调整和对规则进行逐步精细的训练，但它也可以被训练自动化。
3. 适应性模糊控制器的好处是可以轻松地处理不确定性和模糊性，因此可以应对复杂环境。
PID控制器则对不确定性和模糊性更加敏感，而且会因不确定性的变化而导致过度响应或不足响应的问题。
4. 实际应用PID控制器广泛应用于许多领域，如化工、制造和机械工程。
52. 模糊控制在自动驾驶中的作用是什么？
52. 模糊控制在自动驾驶中的作用是什么？52、模糊控制在自动驾驶中的作用是什么？在当今科技飞速发展的时代，自动驾驶技术无疑是一项引人瞩目的创新成果。
而在实现自动驾驶的过程中，各种先进的控制技术发挥着至关重要的作用，其中模糊控制就是一个不可或缺的部分。
那么，什么是模糊控制呢？简单来说，模糊控制是一种基于模糊逻辑的控制方法。
与传统的精确控制不同，模糊控制并不追求精确的数值计算和严格的数学模型，而是通过对模糊信息的处理和推理，来实现对系统的有效控制。
在自动驾驶领域，环境的复杂性和不确定性是巨大的挑战。
道路状况、交通信号、其他车辆和行人的行为等都是难以精确预测和建模的变量。
而模糊控制的优势就在于它能够很好地应对这种不确定性。
例如，在判断与前方车辆的安全距离时，传统的控制方法可能会依据精确的速度、距离等数值来计算，但实际情况中，“安全距离”这个概念本身就是模糊的。
模糊控制可以综合考虑多种因素，如车速、相对速度、天气条件等，给出一个相对灵活和适应性强的控制策略。
模糊控制在自动驾驶中的一个重要作用是处理感知数据的不确定性。
自动驾驶车辆通过各种传感器收集大量的数据，如摄像头图像、激光雷达测量值、毫米波雷达信息等。
然而，这些传感器的数据可能存在误差、噪声和不确定性。
模糊控制能够将这些不精确的数据进行模糊化处理，提取出有用的信息，并据此做出合理的决策。
再比如，在自动驾驶的路径规划中，模糊控制可以根据复杂的路况和交通规则，生成相对平滑和安全的行驶路径。
它可以考虑道路的宽窄、弯道的曲率、交通流量等模糊因素，使车辆在不同的道路条件下都能做出恰当的行驶决策。
此外，模糊控制还能够提高自动驾驶系统的适应性和鲁棒性。
当遇到突发情况或异常情况时，如恶劣天气、道路施工、交通意外等，传统的控制方法可能会因为超出预设的模型范围而失效。
而模糊控制可以凭借其对模糊信息的处理能力，迅速调整控制策略，以保证车辆的安全行驶。
在自动驾驶的决策过程中，模糊控制也发挥着关键作用。
人工智能控制技术课件：模糊控制
模糊集合
模糊控制是以模糊集合论作为数学基础。经典集合一般指具有某种属性的、确定的、
彼此间可以区别的事物的全体。事物的含义是广泛的,可以是具体元素也可以是抽象
概念。在经典集合论中,一个事物要么属于该集合,要么不属于该集合,两者必居其一,
没有模棱两可的情况。这表明经典集合论所表达概念的内涵和外延都必须是明确的。
1000
1000
9992
9820
的隶属度 1 =
= 1，其余为： 2 =
= 0.9992， 3 =
=
1000
1000
1000
9980
9910
0.982， 4 =
= 0.998， 5 =
= 0.991，整体模糊集可表示为：
1000
1000
1
0.9992
0.982
0.998
《人工智能控制技术》
模糊控制
模糊空基本原理
模糊控制是建立在模糊数学的基础上，模糊数学是研究和处理模糊性现
象的一种数学理论和方法。在生产实践、科学实验以及日常生活中，人
们经常会遇到模糊概念(或现象)。例如，大与小、轻与重、快与慢、动与
静、深与浅、美与丑等都包含着一定的模糊概念。随着科学技术的发展，
度是2 ，依此类推，式中“+”不是常规意义的加号，在模糊集中
一般表示“与”的关系。连续模糊集合的表达式为：A =
)( /其中“” 和“/”符号也不是一般意义的数学符号，
在模糊集中表示“构成”和“隶属”。
模糊集合
假设论域U = {管段1，管段2，管段3，管段4，管段5}，传感器采
1+|
模糊控制的原理
模糊控制的原理
模糊控制是一种基于模糊逻辑原理的控制方法，它通过将非精确的输入信息转化为具有模糊性质的模糊输入，并通过模糊规则和模糊推理来生成模糊输出，最终将其转化为实际的控制量。
模糊控制包括模糊化、模糊推理和去模糊化三个步骤。
在模糊化阶段，将输入信息通过模糊化函数转化为模糊输入。
通常采用隶属函数来描述输入信息的隶属度，如三角形函数、梯形函数等。
模糊化函数将不确定的输入信息映射为隶属度在[0,1]之间的模糊集合。
接下来，在模糊推理阶段，通过建立一组模糊规则来进行推理。
模糊规则包括模糊条件和模糊结论。
通过匹配输入信息的隶属度和规则中的条件隶属度，可以得到一组规则的激活度。
然后，根据激活度和规则结论的隶属度，计算出模糊输出。
最后，在去模糊化阶段，将模糊输出转化为实际的控制量。
通常采用去模糊化方法来获得一个具体的输出值。
常用的去模糊化方法包括质心法、加权平均法等。
这些方法将模糊输出的隶属度函数与去模糊化函数相结合，得到一个实际的输出值。
模糊控制方法的优点是可以处理非线性、不确定性和模糊性的控制问题，适用于那些难以用精确数学模型描述的系统。
它广泛应用于工业控制、机器人、交通控制等领域，取得了很好的效果。
- 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)。
1、由于s12xs没有了模糊指令，使单片机运用模糊控制增加了不少难度，但经过研究发现，还是可以通过matlab接口来实现的，本人也在努力中，希望有更多的人来共同研究~对于实际模糊控制系统,由于在高级语言中模糊控制程序的实现比较复杂,因此引入模糊控制存在一定的困难,程序代码的过于复杂也会严重影响模糊控制系统的开发周期。
而Matlab 系统及其工具箱中提供了一些能够独立完成某些Matlab功能的C/C++库函数，这些库函数可以直接应用到C/C++平台中，脱离系统完成Matlab 某些功能，极大的方便了实际应用。
Matlab Fuzzy Logic 工具箱的独立C代码就是一个这样的C 语言库[1]。
独立的C 代码模糊推理引擎函数库fis.c 位于Matlab 目录下的toolbox\fuzzy\fuzzy 目录中，它包含了在C 语言环境下调用Matlab Fuzzy Logic工具箱建立的模糊推理系统的数据文件(*.fis)进行模糊逻辑推理的一系列C 函数，其基本原理是利用C 代码实现Matlab 中的模糊推理系统(FIS)功能。
该目录下还有一个C 代码程序fismain.c,它实际上是利用fis.c 库函数来实现模糊推理系统的一个实例。
正确地熟悉了fis.c 库函数中的函数定义，在应用程序中正确调用，即可实现模糊推理系统功能。
例如，从Matlab 的模糊推理系统文件(*.fis)读入系统数据，可用下面的语句：fisMatrix＝returnFismatrix(fis_file,&fis_row_n,&fis_col_n)；建立基于C 代码的模糊推理系统，可用下面的语句：fisBuildFisNode(fis,fisMatrix,fis_col_n,MF_POINT_N)。
但是需要说明的是，在独立C代码函数库fis.c 中只定义了Matlab Fuzzy Logic工具箱的11 种隶属函数以及AND、OR、IMP 和AGG 四种逻辑操作函数。
所以在利用Matlab 的模糊逻辑工具箱建立用于独立C 代码引擎的模糊推理系统时，不允许采用自定义的隶属度函数和逻辑操作函数来设计系统，除非修改fis.c 函数库[2]。
设计基于独立的C 代码模糊推理引擎的模糊控制程序主要有以下两个步骤：(1) 利用Matlab 的模糊逻辑工具箱建立一个模糊推理系统，并将系统存为扩展名为fis 的数据文件。
注意只能使用Matlab 定义的隶属度函数和逻辑操作函数，(2) 在C 语言应用程序中实现Matlab 中定义的模糊推理系统功能。
两者之间的接口就是独立C 代码模糊推理引擎函数库fis.c。
2、基于S12的模糊控制调试心得小可不才在博客发了一篇有关S12的模糊控制的日志（《MC9S12DG128模糊控制崩溃之旅》）。
并跟一些志同道合的网友展开了较为深入的讨论。
现应部分网友同仁的要求将我调试成功的心得体会写在如下，由于本人也只是懂得一些皮毛，而且有很多问题并未深究，难免有不妥或错误之处，还请各位包涵并指正，谢谢！在此以飞思卡尔智能小车的方向控制为例，文中可能会提到一些变量，但不会对该变量作深入的探究，敬请原谅！首先必须明确你的被控量是什么？它的变化范围（即论域）多大？它是不是可以由S12的模糊机输出？隶属度函数是什么类型的？然后是模糊控制的两个输入量是什么？它们的论域是多大？是否要量化？隶属度函数是什么类型的？在这里，被控量是小车转角，向上回朔是舵机的转角，再向上就是用来控制舵机的PWM波的占空比，也就是说你的被控量是PWM波的占空比；一旦你的舵机安装方式确定后，小车前轮的左右极限转角也就定死了，也就是说你的PWM波的占空比的变化范围也就确定了，即被控量的论域确定了，以我的为例是1225到1725，显然S12的模糊机无法直接输出这么大的数值，在此对于输出量的隶属度函数我选用的是单值的，对应9个等级（0-8），即对应9个PWM占空比值，即对应9个角度值。
模糊语言等级、输出等级以及实际PWM占空比值的对应关系如下。
该对应关系在代码中就是：//输出角度等级的隶属度函数const uchar OUTPUT_MFS[9]={0,1,2,3,4,5,6,7,8};如果说你要的输出量是一个浮点型的，即带小数。
我通常采用的方法是将输出量同比增大10倍或是100倍，如果允许增大那么多倍的话。
这样你的输出就可以是uchar的拉，要还原成小数的话，只要在后续的运算中相应地除以10或100.输出确定之后，你可以先不管模糊控制的中间过程，而是应该先确定你的控制输入量。
在此选择了赛道黑线的弯曲程度（curve）以及车体的位置（av_loca）。
经实际测量发现它们的论域分别是curve：-32—32；av_loca：0—80。
当然我在测量时没有穷尽所有的情况，所以curve 的论域可能比上面还要大，但是实际上用上面的论域来做控制以及足够了，因此在程序中加了一段防止论域溢出的代码。
//防止越界if(curve < -32) curve = -32;else if(curve > 32) curve = 32;在建立输入量的隶属度函数时，我选用的是三角函数。
至于为什么要选三角函数，它相对于其他类型的函数有什么优缺点并未深究。
当划分好模糊等级后，便是量化输入，在此推荐将输入量经行量化，为什么要量化？我的理解是：由于有两个输入量，且它们的论域不一样，为了保证它们在进行模糊计算时的横、纵坐标的变化范围能保持一致，这样有利于计算前、后沿斜率。
而且很多时候输入量是小数，那就更要量化了。
仅是我个人的体会，或许不对。
对于curve的量化过程如下：fuzzy_input_1 = (uchar)((curve + 32) << 2);同样要防止越界，因为uchar型的范围是0—255.由于如何建立一个较好的隶属度函数，实际上是比较难的，在此只是一个示意。
有关有网友提出精确的输入是如何对应到论域中去的。
我的理解是这样：以上图为例，如果输入的精确值是6，那么它肯定对应就是小右这个等级，但是如果是4，那就要看4为小右的比例大还是零的比例大了。
也就是说跟你的隶属度函数有关了。
好了，关于输入、输出量总结一下：确定它的论域；划分好它的模糊等级，通常跟主观经验和要求有关；做好量化及防止越界工作；隶属度函数的建立实际上很难，同样跟主观经验和要求有关，最好能用MA TLAB仿真一下。
下面是我对于C语言的模糊代码格式的一些理解。
uchar FUZ_INS_1[18];uchar FUZ_OUTS_1[9];这样的写法是表示在FUZ_INS为首地址后预留18个字节或FUZ_OUT后预留9个字节的空间，为后续的模糊机推理时预备调度空间。
const uchar INPUT_MFS_1[18][4]={0x00,0x10,0x00,0x20,0x0c,0x20,0x10,0x10,0x28,0x60,0x09,0x09,0x5c,0x74,0x15,0x15,0x6c,0x94,0x0d,0x0d,0x8c,0xa4,0x15,0x15,0xa0,0xd8,0x09,0x09,0xd4,0xf4,0x10,0x10,0xf0,0xff,0x20,0x00,0x00,0x2d,0x00,0x11,0x1e,0x3c,0x11,0x11,0x2d,0x4b,0x11,0x11,0x3c,0x5a,0x11,0x11,0x4b,0xa5,0x05,0x05,0x96,0xb4,0x11,0x11,0xa5,0xc3,0x11,0x11,0xb4,0xd2,0x11,0x11,0xc3,0xf0,0x11,0x00};以上是两个输入量的隶属度函数的代码表示格式，实际上并不需要一定写成16进制的格式，写代码是直接写成10进制也可以。
一行数据的含义是：起点、终点，前沿斜率、后沿斜率。
关于模糊规则库，它的建立很大程度上是根据调试经验来做的，不过能用MATLAB仿真一下最好。
const uchar RULE_START_1[406]={(9*0)+0,(9*1)+0,0xfe,(9*0)+0+18,0xfe, //no.1(9*0)+0,(9*1)+1,0xfe,(9*0)+0+18,0xfe, //no.2(9*0)+0,(9*1)+2,0xfe,(9*0)+0+18,0xfe, //no.3(9*0)+0,(9*1)+3,0xfe,(9*0)+1+18,0xfe, //no.4(9*0)+0,(9*1)+4,0xfe,(9*0)+2+18,0xfe, //no.5(9*0)+0,(9*1)+5,0xfe,(9*0)+2+18,0xfe, //no.6(9*0)+0,(9*1)+6,0xfe,(9*0)+3+18,0xfe, //no.7(9*0)+0,(9*1)+7,0xfe,(9*0)+3+18,0xfe, //no.8(9*0)+0,(9*1)+8,0xfe,(9*0)+4+18,0xfe, //no.9我的理解：“0xfe”是前件与后件的分隔符，“0xff”是规则库结束符。
对于上面某一行规则的第二个“0xfe”是否要该成“0xff”，暂时还没有做实验，不过我最终程序中的格式是“0xfe”。
还有诸如“(9*0)+0”是完全合法的。
其他等我做完试验会立即发布最新调试心得。
3．.基于模糊控制的智能车调速系统的设计基于模糊控制的智能车调速系统的设计程宇,程磊,黄卫华, 孙浩(武汉科技大学信息科学与工程学院,湖北武汉, 430081)摘要:设计了一种基于模糊参数自整定的模糊控制智能小车调速系统,该智能车调速系统核心控制单元采用飞思卡尔半导体公司的HCS12 单片机。
实验证明,该智能车调速系统能很好地满足小车在前进过程中对速度调节的快速响应和稳态误差小的要求,系统具有较好的动态性能和良好的鲁棒性。
关键词:参数自整定;模糊控制;智能小车调速系统模糊控制器的参数整定是智能车控制系统中一个十分重要的环节。
传统的车速控制方法有PID 控制、最优控制等。
模糊控制的特点是控制响应快,对于不确定性因素的适应性强。
文献[ 1 ]采用Fuzzy2PI 控制策略进行直流电机的调速系统设计,克服了简单模糊控制和传统PI 控制的一些缺点。
文献[ 2 ]介绍了一种基于参数自整定的模糊控制单片机直流无刷电动机调速系统,采用参数自整定模糊控制器,使系统具有较高的控制精度和良好的鲁棒性。
文献[ 3 ]提出一种应用模糊推理功能实现PID 参数自整定的控制方法,可根据船舶动态特性的变化,自动重新整定PID 参数,从而改善了操纵性能和鲁棒性。
文献[4 ]提出了利用自适应模糊PID 控制器实现对永磁无刷直流电机调速系统进行设计的新方法,通过自适应因子将模糊控制器和PID 控制器结合,在线自调整控制参数,从而完善了PID 控制器的性能,提高了系统的控制精度。