模糊PID控制问题Word格式文档下载.docx
《模糊PID控制问题Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《模糊PID控制问题Word格式文档下载.docx（16页珍藏版）》请在冰豆网上搜索。
模糊PID的话改变Kp的就可以。
八、还有人问我为什么有的自适应模糊PID里有相加的模块而有的没有？
相加的是与PID的初值相加。
最后出来的各项参数Kp=△Kp+Kp0，Ki=△Ki+Ki0，Kd=△Kd+Kd0。
Kp0，Ki0，Kd0分别为PID的初值。
有的系统并没有设定PID的初值。
九、我照着论文搭建的，什么都是正确的，为什么最后就是结果不对？
你修改下参数或者重新搭建一遍。
哪一点出了点小问题，都有可能导致失败。
……
大家还有什么问题就在帖子后面留言哈，如果模型实在是搭建不成功的话可以给我看看，大家有问题一起解决！
附件里面是两个自适应模糊PID的程序，大家可以参考下！
所含文件：
1．模糊数学的基本概念
集合是指具有某种共同属性且彼此间可以区别的事物的总体。
组成集合的事物称为元或元素，元素与集合之间的关系是属于或不属于的关系，非此即彼。
模糊集合是经典集合的拓展，事物是否属于它所描述的概念，不能绝对地以“是”或“非”来加以区别。
这里的属于与不属于之间无明显的界限，而是在某种程度上的属于，这是无法用经典集合来描述的，而只能用模糊集合来描述这种模糊概念。
这里首先介绍用模糊集合来描述模糊概念的初步知识。
定义1设给定域（指被讨论的全体对象）U，U到[0，1]闭区间的任一映射
都确定U的一个模糊子集A。
其中，称为模糊子集的隶属函数，称为u对于的隶属度。
也就是说，论域u上的模糊子集A由隶属函数μA（u）来表征，μA（u）的取值范围是［0，1］，μA（u）的大小反映了u对于A从属程度的高低。
正确地确定隶属函数是利用模糊集合解决实际问题的基础。
定义2设A、B是论域U上的两个模糊子集，对于U上的每一个元素，规定A与B的“并”运算A∪B、“交”运算A∩B及“补”运算 的隶属函数分别如下：
定义3 设A与B分别是X和Y上的模糊集，其隶属函数分别是μA（x）和μB（x）。
模糊条件语句“若A则B”表示从X到Y的一个模糊关系，即A→B，它的隶属函数为
2．基于模糊数学的软测量
1）软测量在粮情测控系统中的应用
（1）辅助变量的选择。
选择粮食水分、粮食温度以及空气湿度作为辅助变量，粮食状态作为主导变量。
（2）测量的输入数据的预处理。
对粮食状态的预测不是根据粮仓中的某一点粮食的温度、水分以及空气湿度来进行的，因为这样的预测不能全面反映整个粮仓粮食的实际状态。
在这里我们采用复合滤波法，其原理是：
先将N个采样点数据按照从小到大的顺序排列，即x1≤x2≤…≤xN（N≥3），则可认为测量的数据为
这样就可比较客观地反映实际的粮食状态，预测的结果也比较真实。
根据水分传感器、温度传感器及湿度传感器所测得的数据来表示水分、温度的高低和湿度的大小具有模糊性。
通常用隶属度描述模糊集，通过隶属度的大小来反映模糊事物接近其客观事物的程度。
该系统中三种传感器分别测得的数据范围：
水分为10%～16%；
温度为-30～50℃；
湿度为20%～98%RH。
水分含量高的隶属度函数为
温度高的隶属度函数为
湿度大的隶属度函数为
由于任意模糊量的隶属度的大小都是在[0,1]之间,因此可将这一区间分为5段:
0～0.2;
0.2～0.4;
0.4～0.6;
0.6～0.8;
0.8～1.0.凡是隶属度在0～0.2之间的属于“水分含量低/温度低/湿度低”;
在0.2～0.4之间的属于“水分含量较低/温度较低/湿度较低”;
在0.4～0.6之间的属于“水分含量正常/温度正常/湿度正常”;
在0.6～0.8之间的属于“水分含量较高/温度较高/湿度较高”;
在0.8～1.0之间的属于“水分含量高/温度高/湿度高”。
2）软测量模型的建立
（1）基于模糊技术的软测量的输入变量和输出变量。
为了表达的方便，将粮食储备中粮食状态出现的所有模糊量表示如下：
高=PB；
较高=PM；
正常=ZR；
较低=NM；
低=NB
安全=D1；
较安全=D2；
较危险=D3；
危险=D4
输入模糊量A、B、C分别为粮食水分、粮食温度和空气湿度，其论域都为［-3，3］，模糊子集={PB，PM，ZR，NM，NB}。
其隶属度函数图如图7-19所示。
图7-19输入模糊量隶属度函数图
图7-20输出模糊变量D（粮食状态）隶属度函数图
（2）模糊规则。
根据模型特点最多可抽取125条规则，而实际上由于样本数据所包含的一定规律性和重叠性，再加上对模糊规则的进一步筛选，故抽取出了以下16条可信推理规则：
1.IfA=PBandB=PBandC=PBthenD=D4
2.IfA=PBandB=PMandC=PMthenD=D4
3.IfA=PBandB=ZRandC=ZRthenD=D3
4.IfA=PBandB=NMandC=NMthenD=D2
5.IfA=PBandC=NBandD=NBthenD=D1
6.IfA=PMandB=PBandC=PBthenD=D3
7.IfA=PMandB=ZRandC=ZRthenD=D2
8.IfA=PMandB=NMandC=NMthenD=D2
9.IfA=PMandB=NBandC=NBthenD=D1
10.IfA=ZRandB=PBandC=PBthenD=D2
11.IfA=ZRandB=PMandC=PMthenD=D2
12.IfA=ZRandB=ZRandC=ZRthenD=D1
13.IfA=NMandB=PBandC=PBthenD=D2
14.IfA=NMandB=PMandC=PMthenD=D1
15.IfA=NMandB=ZRandC=ZRthenD=D1
16.IfA=NBandB=PBandC=PBthenD=D1
3）模糊推理的实现
这里我们利用BP神经网络实现模糊推理。
模糊输入变量A、B、C的论域都为［-3，3］，模糊子集都为{PB，PM，ZR，NM，NB}，而模糊输出变量D的论域为［-2，3］，模糊子集为{D1，D2，D3，D4}，则输入层神经元的个数为21个，输出层的神经元为6个，隐层神经元的个数为16个。
由于网络输入层神经元的个数太多，故训练推理过程所需的时间太长，这里对A、B和C进行了“编码”。
由于论域中各元素的隶属度有联系，故可用一个数字代替模糊集，模糊集编码表如表7-3所示。
表7-3BP神经网络的输入变量模糊集编码表
PB
PM
ZR
NB
NM
1
2
3
4
5
图7-21输入为编码的BP网络结构图
4）仿真
这里用MATLAB6.1进行训练和预测。
选取某粮食储备库2002年4月、6月以及8月中的50组测量数据经处理后对BP网络进行训练。
训练完成后，对9月中的6组测量数据的储粮状态进行预测，这6组数据经数据处理后用模糊语言可分别描述为：
（1）A=NBB=PBC=NM；
（2）A=PBB=ZRC=NM；
（3）A=PMB=PBC=ZR；
（4）A=PBB=PMC=NM；
（5）A=NBB=ZRC=NB；
（6）A=PBB=NMC=NB。
对应的编码即神经网络的输入分别为：
（1）［514］
（2）［134］（3）［213］
（4）［124］ （5）［535］ （6）［145］
可得出输出D的模糊集分别为:
（1）[0.0002–0.0003-0.00130.05440.50930.9670];
（2）[-0.00050.50040.99900.49930.0008-0.0005];
（3）[0.00430.49961.00120.5606-0.0022-0.0014];
（4）[0.50081.0024-0.00020.00130.0019-0.0042];
（5）[0.0010-0.0001-0.00290.02060.49570.9834];
（6）[-0.00300.00020.00791.00270.499020.0078]。
2模糊控制隶属函数
高斯隶属函数
函数gaussmf
格式y=gaussmf（x,[sigc]）
说明高斯隶属函数的数学表达式为：
，其中为参数，x为自变量，sig为数学表达式中的参数。
例6-1
>
x=0:
0.1:
10;
y=gaussmf（x,[25]）;
plot（x,y）
xlabel（'
gaussmf,P=[25]'
）
结果为图6-1。
图6-1
6.1.2两边型高斯隶属函数
函数gauss2mf
格式y=gauss2mf（x,[sig1c1sig2c2]）
说明sig1、c1、sig2、c2为命令1中数学表达式中的两对参数
例6-2
x=（0:
10）'
;
y1=gauss2mf（x,[2418]）;
y2=gauss2mf（x,[2517]）;
y3=gauss2mf（x,[2616]）;
y4=gauss2mf（x,[2715]）;
y5=gauss2mf（x,[2814]）;
plot（x,[y1y2y3y4y5]）;
set（gcf,'
name'
'
gauss2mf'
numbertitle'
off'
）;
结果为图6-2。
6.1.3建立一般钟型隶属函数
函数gbellmf
格式y=gbellmf（x,params）
说明一般钟型隶属函数依靠函数表达式
这里x指定变量定义域范围，参数b通常为正，参数c位于曲线中心，第二个参数变量params是一个各项分别为a，b和c的向量。
例6-3
y=gbellmf（x,[246]）;
gbellmf,P=[246]'
结果为图6-3。
图6-2
图6-3
6.1.4两个sigmoid型隶属函数之差组成的隶属函数
函数dsigmf
格式y=dsigmf（x,[a1c1a2c2]）
说明这里sigmoid型隶属函数由下式给出
x是变量，a,c是参数。
dsigmf使用四个参数a1，c1，a2，c2，并且是两个sigmoid型函数之差：
，参数按顺序列出。
例6-4
y=dsigmf（x,[5257]）;
结果为图6-4
图6-4
6.1.5通用隶属函数计算
函数evalmf
格式y=evalmf（x,mfParams,mfType）
说明evalmf可以计算任意隶属函数，这里x是变量定义域，mfType是工具箱提供的一种隶属函数，mfParams是此隶属函数的相应参数，如果你想创建自定义的隶属函数，evalmf仍可以工作，因为它可以计算它不知道名字的任意隶属函数。
例6-5
mfparams=[246];
mftype='
gbellmf'
y=evalmf（x,mfparams,mftype）;
结果为图6-5。
图6-5
6.1.6建立П型隶属函数
函数primf
格式y=pimf（x,[abcd]）
说明向量x指定函数自变量的定义域，该函数在向量x的指定点处进行计算，参数[a,b,c,d]决定了函数的形状，a和d分别对应曲线下部的左右两个拐点，b和c分别对应曲线上部的左右两个拐点。
例6-6
y=pimf（x,[14510]）;
pimf,P=[14510]'
结果为图6-6。
6.1.7通过两个sigmoid型隶属函数的乘积构造隶属函数
函数psigmf
格式y=psigmf（x,[a1c1a2c2]）
psigmf使用四个参数a1，c1，a2，c2，并且是两个sigmoid型函数之积：
例6-7
y=psigmf（x,[23-58]）;
psigmf,P=[23-58]'
结果为图6-7。
图6-6
图6-7
6.1.8建立Sigmoid型隶属函数
函数sigmf
格式y=sigmf（x,[ac]）
说明，定义域由向量x给出，形状由参数a和c确定。
例6-8
y=sigmf（x,[24]）;
sigmf,P=[24]'
结果为图6-8。
图6-8
例6-9
0.2:
10）’;
y1=sigmf（x,[-15]）;
y2=sigmf（x,[-35]）;
y3=sigmf（x,[45]）;
y4=sigmf（x,[85]）;
subplot（2,1,1）,plot（x,[y1y2y3y4]）;
y1=sigmf（x,[52]）;
y2=sigmf（x,[54]）;
y3=sigmf（x,[56]）;
y4=sigmf（x,[58]）;
subplot（2,1,2）,plot（x,[y1y2y3y4]）;
结果为图6-9。
图6-9
6.1.9建立S型隶属函数
函数smf
格式y=smf（x,[ab]）
%x为变量，a为b参数，用于定位曲线的斜坡部分。
例6-10
y=smf（x,[18]）;
结果为图6-10。
图6-10
例6-11
x=0:
subplot（3,1,1）;
plot（x,smf（x,[28]））;
subplot（3,1,2）;
plot（x,smf（x,[46]））;
subplot（3,1,3）;
plot（x,smf（x,[64]））;
结果为图6-11。
图6-11
6.1.10建立梯形隶属函数
函数trapmf
格式y=trapmf（x,[abcd]）
说明这里梯形隶属函数表达式：
或f（x;
a,b,c,d）=max（min（，定义域由向量x确定，曲线形状由参数a,b,c,d确定，参数a和d对应梯形下部的左右两个拐点，参数b和c对应梯形上部的左右两个拐点。
例6-12
y=trapmf（x,[1578]）;
trapmf,P=[1578]'
结果为图6-12。
例6-13
y1=trapmf（x,[2379]）;
y2=trapmf（x,[3468]）;
y3=trapmf（x,[4557]）;
y4=trapmf（x,[5646]）;
plot（x,[y1y2y3y4]）;
结果为图6-13。
图6-12
图6-13
6.1.11建立三角形隶属函数
函数trimf
格式y=trimf（x,params）
y=trimf（x,[abc]）
说明三角形隶属函数表达式：
或者f（x;
a,b,c,）=max（min（
定义域由向量x确定，曲线形状由参数a,b,c确定，参数a和c对应三角形下部的左右两个顶点，参数b对应三角形上部的顶点，这里要求a,生成的隶属函数总有一个统一的高度，若想有一个高度小于统一高度的三角形隶属函数，则使用trapmf函数。
例6-14
y=trimf（x,[368]）;
trimf,P=[368]'
结果为图6-14。
图6-14
例6-15
y1=trimf（x,[345]）;
y2=trimf（x,[247]）;
y3=trimf（x,[149]）;
subplot（2,1,1）,plot（x,[y1y2y3]）;
y1=trimf（x,[235]）;
y2=trimf（x,[347]）;
y3=trimf（x,[459]）;
subplot（2,1,2）,plot（x,[y1y2y3]）;
结果为图6-15。
图6-15
6.1.12建立Z型隶属函数
函数zmf
格式y=zmf（x,[ab]）
%x为自变量，a和b为参数，确定曲线的形状。
例6-16
y=zmf（x,[37]）;
zmf,P=[37]'
结果为图6-16。
例6-17
plot（x,zmf（x,[28]））;
plot（x,zmf（x,[46]））;
plot（x,zmf（x,[64]））;
结果为图6-17。
图6-16
图6-17
6.1.13两个隶属函数之间转换参数
函数mf2mf
格式outParams=mf2mf（inParams,inType,outType）
图6-18
说明此函数根据参数集，将任意内建的隶属函数类型转换为另一种类型，inParams为你要转换的隶属函数的参数，inType为你要转换的隶属函数的类型的字符串名称，outType:
你要转换成的目标隶属函数的字符串名称。
例6-18
5;
mfp1=[123];
mfp2=mf2mf（mfp1,'
'
trimf'
plot（x,gbellmf（x,mfp1）,x,trimf（x,mfp2））
结果为图6-18。
升级会员 