基于模糊PID的智能温度控制研究报告.docx
《基于模糊PID的智能温度控制研究报告.docx》由会员分享,可在线阅读,更多相关《基于模糊PID的智能温度控制研究报告.docx(18页珍藏版)》请在冰豆网上搜索。
基于模糊PID的智能温度控制研究报告
第1章绪论
1.1课题的研究背景及意义
现代控制系统,规模越来越大,系统越来越复杂,用传统的控制理论方法已不能满足控制的要求。
智能控制是在经典控制理论和现代控制理论的根底上开展起来的,是控制理论、人工智能和计算机科学相结合的产物。
智能控制主要分为模糊逻辑控制、神经网络控制和实时专家系统。
研究的主要目标不仅仅是被控对象,同时也包含控制器本身。
模糊理论是在美国柏克莱加州大学电气工程系L.A.Zadeh教授于1965年创立的模糊集合理论的数学根底上开展起来的,主要包括模糊集合理论、模糊逻辑、模糊推理和模糊控制等方面内容。
L.A.Zadeh教授在1965年发表的FuzzySet论文中首次提出表达事物模糊性的重要概念——隶属函数。
模糊控制理论的核心是利用模糊集合论,把人的控制策略的自然语言转化为计算机能够承受的算法语言所描述的算法。
但它的控制输出却是确定的,它不仅能成功的实现控制,而且能模拟人的思维方式,对一些无法构成数学模型的对象进展控制。
“模糊概念〞更适合于人们的观察、思维、理解、与决策,这也更适合于客观现象和事物的模糊性。
“模糊控制〞的特色就是一种“语言型〞的决策控制。
模糊控制技术,已经成为智能控制技术的一个重要分支,它是一种高级算法策略和新颖的技术。
自从1974年英国的马丹尼(E.H.Mandani)工程师首先根据模糊集合理论组成的模糊控制器用于蒸汽发动机的控制以后,在其开展历程的30多年中,模糊控制技术得到了广泛而快速的开展。
现在,模糊控制已广泛地应用于冶金与化工过程控制、工业自动化、家用电器智能化、仪器仪表自动化、计算机及电子技术应用等领域。
尤其在交通路口控制、机器人、机械手控制、航天飞行控制、汽车控制、电梯控制、核反响堆及家用电器控制等方面,表现其很强的应用价值。
并且目前已有了专用的模糊芯片和模糊计算机的产品,可供选用。
我国对模糊控制器开场研究是在1979年,并且已经在模糊控制器的定义、性能、算法、鲁棒性、电路实现方法、稳定性、规则自调整等方面取得了大量的成果。
著名科学家钱学森指出,模糊数学理论及其应用,关系到我国二十一世纪的国力和命运。
1.2PID控制的特点
PID控制的优点与缺点:
(1)PID控制具有适应性强的特点,适应各种控制对象,参数的整定是PID控制的一个关键问题;
(2)只要参数整定适宜,对大多数被控对象可以实现无差控制,稳态性能好,但动态特性不太理想;
(3)PID控制不具有自适应控制能力,对于时变、非线性系统控制效果不佳。
当系统参数发生变化时,控制性能会产生较大的变化,控制特性可能变坏,严重时可能导致系统的不稳定。
虽然PID控制具有一些不理想的方面,但由于其具有十清楚显的优点,在工业过程控制领域一直占据了主导地位,而且全世界的控制技术研究和应用人员对PID控制进展了大量的研究,努力改善PID控制的性能。
围绕PID控制,并与多种其它控制技术结合,形成了多种PID控制技术,以下是一些PID控制技术的开展和研究方向:
〔1〕专家PID控制:
专家控制(E*pertControl)的实质是基于受控对象和控制规律的各种知识,并以智能的方式利用这些知识来设计控制器。
利用专家经历来设计PID参数便构成专家PID控制;
〔2〕模糊PID控制:
模糊控制技术与PID控制结合构成模糊PID控制;
〔3〕神经PID控制:
运用神经网络技术对PID控制参数进展整定,构成神经PID控制;
〔4〕遗传PID控制:
用遗传算法对PID控制参数进展整定和优化,构成遗传PID控制;
〔5〕灰色PID控制:
灰色系统理论与PID控制结合进展系统控制构成PID控制。
以上多种PID控制方法,是PID控制与现代控制技术的结合,主要是在PID参数动态整定上进展了大量研究,在保持PID控制根本原理的根底上,改善了PID控制的性能,在工业过程控制领域继续占据着主导地位。
1.3模糊控制技术概述
模糊控制主要还是建立在人的直觉和经历的根底上,这就是说,操作人员对被控系统的了解不是通过准确的数学表达式,而是通过操作人员丰富的实践经历和直观感觉。
这种方法可以看成是一组探索式决策规则。
模糊控制是以模糊集合论、模糊语言变量和模糊逻辑推理为根底的一种计算机控制方法,作为智能控制的一个重要分支,在控制领域获得了广泛应用。
模糊控制的核心是模糊控制器,而模糊控制器的关键是模糊控制规则确实定,即模糊控制规则表,模糊控制规则表是根据专家或者操作者的手动控制经历总结出来的一系列控制规则。
一般最易为人所观察到的就是被控过程的输出变量及其变化率,因此通常把误差
及其变化率ec作为模糊控制器的输入语言变量,把控制量
作为模糊控制器的输出语言变量,从关系上看为
,实质上表达为模糊控制器是一种非线性的比例微分(PD)控制关系。
模糊控制系统框图如图1.1所示。
图1.1模糊控制系统框图
误差e、误差变化率ec和输出y的实际变化*围,称为模糊控制的根本论域。
在模糊控制中,用模糊概念来表述输入和输出变量,e和ec称为输入语言变量,y称为输出语言变量。
语言变量是一个模糊集合,语言变量的取值称为语言变量值。
语言变量值根据问题需要确定,是语言变量的模糊子集。
语言变量值是构成语言变量的词集。
对于输入变量e、ec在根本论域内的一个实际值,为实施模糊控制,需要将其转化为语言变量值,这个转化依赖于语言变量值的隶属度函数,这种转化的过程叫模糊化。
经过模糊化处理后,得到输入变量e、ec在输入根本论域内的一个实际值隶属于各语言变量值的程度。
一般在一个模糊规则的前件中往往不只有一个命题,需要用模糊算子获得该规则前件被满足的程度。
模糊算子的输入是两个或者多个输入的经过模糊化后得到的语言变量值(隶属度值),其输出是一条规则的整个前件被满足的隶属度。
将一条规则的整个前件被满足的隶属度作为输入,根据规则“如果*是A,则y是B〞,表示的A与B之间的模糊蕴涵关系(A
B)进展模糊推理,可以得到一个输出模糊集,即输出语言变量值,这种过程称为模糊推理。
模糊推理又称模糊逻辑推理,它是一种以模糊推断为前提,运用模糊语言规则,推出一个新的近似的模糊推断结论的方法。
模糊推理的关键是模糊控制规则确实定,即模糊控制规则表,模糊控制规则表是根据专家或者操作者的手动控制经历总结出来的一系列控制规则。
由于一般情况下,模糊规则库由多条规则组成,经过模糊推理得到的是一个由每一条规则推理得出的输出语言变量值的集合,因此需要将这些输出语言变量值进展*种合成运算,得到一个综合的输出模糊集,这种过程称为模糊合成。
将经过模糊合成得到的综合输出模糊集进展转化,即将语言变量值转化为输入变量根本论域内的一个实值,对被控过程进展控制,这种过程叫模糊判决或者叫去模糊化。
第2章模糊控制理论
2.1模糊集合定义
模糊集合:
论域U到[0,1]区间的任一映射
,即
:
U
[0,1]〔2.1〕
确定U的一个模糊子集A,简称模糊集。
称为A的隶属度函数,
称为*对A的隶属度。
表示论域U中的元素*属于模糊子集A的程度或等级。
它在[0,1]闭区间内可连续取值。
的值越接近1,则*隶属于A的程度越高;
越接近于0,表示属于A的程度低。
2.2模糊语言
语言是一种符号系统,它包括自然语言,机器语言等等。
其中自然语言是以字或词为符号的一种符号系统,人们用它表示主客观世界的各种事物、观念、行为和情感的意义,是人们在日常工作和生活中所使用的语言。
自然语言中常含有模糊概念。
在实际生产过程中,人们发现,有经历的操作人员,虽然不懂被控对象或被控过程的数学模型,却能凭借经历采取相应的决策,很好的完成控制工作
。
例如,控制加热炉的温度时,就可以根据操作工人的经历调节电加热炉供电电压,到达升温和降温的目的,人工操作控制温度时,操作工人的经历,可以用下述语言来描述:
假设炉温低于给定温度则升压,低的越多,升压越高。
假设炉温高于给定温度则降压,高的越多,降压越低。
假设炉温等于给定温度,则保持电压不变。
上述这些用以描述操作经历的一系列模糊性语言,就是模糊条件语句。
再用模糊逻辑推理对系统的实时输入状态观测量进展处理。
则可产生相应的控制决策,这就是模糊控制。
图2.1是一个人工操作的控制系统示意图。
操作者首先通过传感器和仪表显示设备,知道系统的输出量及其变化的模糊信息。
然后,操作者就用这些信息,根据已有的经历来分析判断,得出相应的控制决策,实现对工业对象的控制。
图2.1工业操作的控制系统
一般来说,当人进展控制时,必须根据输入的偏差及偏差变化率综合地进展权衡和判决。
操作者在对受控过程进展控制时,测量或观测到的偏差值和偏差的变化速率是一些清晰量,经过模糊化得到偏差、偏差变化率大、中、小的*个模糊量的概念。
经过人的模糊决策后,得到决策的控制输出模糊量。
当按照已定的模糊决策去执行具体的动作时,所执行的动作又必须以清晰的量表现出来。
因此,图2.1的人-机过程可归结为:
将偏差e、偏差变化率ec的清晰量经模糊化得到模糊量E和EC,将模糊近似推理分析得到模糊控制输出U,然后经模糊决策判断,得到清晰值的控制量u去执行控制动作
。
2.3模糊变量的隶属函数
MATLAB模糊工具箱提供了许多函数,如表2.1所示的模糊隶属度函数,用以生成特殊情况的隶属函数,包括常用的三角型、高斯型、π型、钟型等隶属函数。
表2.1模糊隶属度函数
函数名
函数功能描述
pimf
建立π型隶属度函数
gauss2mf
建立双边高斯型隶属度函数
gaussmf
建立高斯型隶属度函数
gbellmf
生成一般的钟型隶属度函数
smf
建立S型隶属度函数
trapmf
生成梯形型隶属度函数
trimf
生成三角型隶属度函数
zmf
建立Z型隶属度函数
2.4模糊推理系统的数据构造管理函数介绍
在MATLAB工具箱中,把模糊推理系统的各局部作为一个整体,提供了模糊推理系统数据构造管理函数,用以完成模糊规则的建立、解析与修改,模糊推理系统的建立、修改和存储管理以及模糊推理的计算及去模糊化等操作
。
〔1〕readfis
功能:
从磁盘载入模糊推理系统。
〔2〕addrule
功能:
向模糊推理系统添加模糊规则。
〔3〕addvar
功能:
向模糊推理系统添加变量。
〔4〕convertfis
功能:
将模糊逻辑工具箱1.0版FIS转换为2.0版FIS构造。
〔5〕evalfis
功能:
执行模糊推理计算。
〔6〕gensurf
功能:
生成模糊推理系统的曲面并显示。
〔7〕getfis
功能:
获得模糊推理系统特性曲线。
〔8〕mam2sug
功能:
将MamdaniFIS变换为SugenoFIS。
〔9〕parsrule
功能:
解析模糊规则。
〔10〕plotfis
功能:
作图显示模糊推理系统输入/输出构造。
〔11〕plotmf
功能:
绘制隶属度函数曲线。
〔12〕rmmf
功能:
从模糊推理系统中删除隶属度函数。
〔13〕rmvar
功能:
从模糊系统中删除对象。
〔14〕setfis
功能:
设置模糊推理特性。
〔15〕showfis
功能:
显示添加了注释的模糊推理系统。
〔16〕showrule
功能:
显示模糊规则。
〔17〕writefis
功能:
将模糊规则保存到磁盘中。
〔18〕addmf
功能:
向模糊推理系统添加隶属度函数。
〔19〕defuzz
功能:
隶属度函数的去模糊化。
去模糊化方法的5个可取的值如下:
①Centroid:
面积重心法。
②Bisector:
面积平分法。
③Mom:
平均最大隶属度法。
④Som:
最大隶属度取最小法。
⑤Lom:
最大隶属度取最大法。
〔20〕evalmf
功能:
通用隶属度函数估计。
〔21〕mf2mf
功能:
隶属度函数间的参数转换。
〔22〕newfis
功能:
建立新的模糊推理系统。
2.5论域、量化因子、比例因子的选择
1、论域及根本论域
模糊控制器把输入变量误差、误差变化的实际*围称为这些变量的根本论域。
显然根本论域内的量为准确量。
被控对象实际要求的控制量的变化*围,称为模糊控制器输出变量(控制量)的根本论域,控制量的根本论域内的量也是准确量。
假设设误差变量所取的模糊子集的论域为:
{-n,-n+1,…,0,…,n-1,n}
误差变化变量所取的模糊子集的论域为:
{-m,-m+1,…,0,…,m-1,m}
控制量所取的模糊子集的论域为:
{-*,-*+1,…,0,…,*-1,*}
有关论域的选择问题,一般选误差的论域
,选误差变化的论域
,选控制量的论域
。
值得指出的是,从道理上讲,增加论域中的元素个数,即把等级细分,可提高控制精度,但这受到计算机字长的限制,另外也要增大计算量。
因此,把等级分得过细,对模糊控制显得必要性不大。
关于根本论域的选择,由于事先对被控对象缺乏经历知识,所以误差及误差变化的根本论域只能做初步的选择,待系统调整时再进一步确定。
控制量的根本论域根据被控对象提供的数据选定。
2、量化因子及比例因子
当由计算机实现模糊控制算法进展模糊控制时,每次采样得到的被控制量需经计算机计算,才能得到模糊控制器的输入变量误差及误差变化。
为了进展模糊化处理,必须将输入变量从根本论域转换到相应的模糊集的论域,这中间需将输入变量乘以相应的因子,这就是量化因子。
量化因子和比例因子均是考虑两个论域变换而引出的,但对输入变量而言的量化因子确实具有量化效应,而对输出而言的比例因子只起比例作用。
设计一个模糊控制器除了要有一个好的模糊控制规则外,合理地选择模糊控制器输入变量的量化因子和输出控制量的比例因子也是非常重要的。
量化因子和比例因子的大小及其不同量化因子之间大小的相对关系,对模糊控制器的控制性能影响极大。
合理地确定量化因子和比例因子要考虑所采用的计算机的字长,还要考虑到计算机的输入输出接口中D/A和A/D转换的精度及其变化的*围。
因此,选择量化因子和比例因子要充分考虑与D/A和A/D转换精度相协调,使得接口板的转换精度充分发挥,并使其变换*围充分被利用。
量化因子Ke及Kec的大小对控制系统的动态性能影响很大。
Ke选的较大时,系统的超调也较大,过渡过程较长。
因为从理论上讲Ke增大,相当于缩小了误差的根本论域,增大了误差变量的控制作用,因此导致上升时间变短,但由于出现超调,使得系统的过渡过程变长。
Kec选择较大时,超调量减小,但系统的响应速度变慢。
Kec才对超调的遏制作用十清楚显。
量化因子Ke和Kec的大小意味着对输入变量误差和误差变化的不同加权程度,二者之间相互影响。
此外,输出比例因子Ku的大小也影响着模糊控制系统的特点。
Ku选择过小会使系统动态响应过程变长,而Ku选择过大会导致系统振荡。
输出比例因子Ku作为模糊控制器的总的增益,它的大小影响着控制器的输出,通过调整Ku可以改变对被控对象(过程)输入的大小。
第3章模糊控制器的设计
3.1模糊控制器的构造
模糊控制器是模糊控制的核心,是模糊控制系统控制品质的主要保证,在模糊控制系统中,设计和调整模糊控制器的工作是非常重要的。
模糊控制是以专家的经历为根底实施的一种智能控制,它不需要准确地数学模型,因此,它的设计方法与常规控制器的设计方法有所不同。
模糊控制器的设计,一般是在经历根底上初步确定相关参数及其规则,然后,在运行中反复调整以到达最正确的控制效果。
图3.1模糊控制器的构造图
3.2模糊控制器的设计
要设计一个模糊控制器来实现语言控制,必须解决一下三个方面的问题:
1准确量的模糊化,把语言变量饿语言值化为*适当论域上的模糊子集;
②模糊控制算法的设计,通过一组模糊条件语句构成模糊控制规则,并计模糊控制规则决定的模糊关系;
③输出信息的模糊判决,并完成由模糊两到准确量的转化。
1、准确量的模糊化
将准确量(数字量)转换为模糊量的过程称为模糊化(fuzzification),或称为模糊量化。
准确量只有经过模糊化处理,变为模糊量,才能便于实现模糊控制算法。
过程参数的变化*围是各不一样的,为了统一到指定的论域中来,模糊化的第一个任务是进展论域变换,过程参数的实际变化*围成为根本论域。
可以通过变换系数〔量化因子〕实现由根本论域到指定论域的变换。
模糊化的第二个任务是求得输入对应语言变量的隶属度。
语言变量的隶属函数有两种表示方式,即离散方式和连续方式。
离散方式是指去论域中的离散点〔整数值〕及这些点的隶属度来描述一个语言变量
。
准确量的模糊化一般有两种方法:
〔1〕准确量的离散化。
如把在[-3,3]之间变化的连续量分为七个档次,每一档对应一个模糊集,这样处理使模糊化过程简单。
否则,将每一准确量对应一个模糊子集,有无穷多个模糊子集,使模糊化过程复杂化。
在[-3,3]区间的离散化了的准确量与表示模糊语言的模糊量建立了关系,这样就可以将[-3,3]之间的任意的准确量用模糊量Y来表示,例如在-3附近称为负大,用NB表示,在-2附近称为负中,用NM表示。
实际上的输入变量(如误差和误差的变化等)都是连续变化的量,通过模糊化处理,把连续量离散为[-3,3]之间有限个整数值的做法是为了使模糊推理合成方便。
〔2〕第二种方法,是将在*区间的准确量*模糊化成这样的一个模糊子集,它在点*处隶属度为1,除*点外其余各点的隶属度均取0。
尽管上述两种模糊化方法还是比拟粗略的,但是人脑在进展这一转化过程时同样也是不准确的。
2、模糊控制算法的设计
模糊控制算法,又称模糊控制规则,实质上是将操作者在控制过程中的实践经历〔即手动控制策略〕加以总结而得到的一条条模糊条件语句的集合,它是模糊控制器的核心。
设计中人们习惯性地选取误差〔E=Y-R〕,或者误差E和误差变化率〔EC=dE/dt〕,或者误差E和误差的和S作为模糊控制器的输入变量,而把控制量U或者控制量的变化△U作为模糊控制器的输出变量。
控制规则的设计是设计模糊控制器的关键,一般包括三局部设计内容:
选择描述输入、输出变量的词集,定义各模糊变量的模糊子集及建立模糊控制器的控制规则。
〔1〕选择描述输入和输出变量的词集。
模糊控制器的控制规则表现为一组模糊条件语句,在条件语句中描述输入输出变量状态的一些词汇(如“正大〞、“负小〞等)的集合,称为这些变量的词集(亦可以称为变量的模糊状态)。
选择较多的词汇描述输入、输出变量,可以使制定控制规则方便,但是控制规则相应变得复杂;选择词汇过少,使得描述变量变得粗糙,导致控制器的性能变坏。
一般情况下都选择七个词汇,但也可以根据实际系统需要选择三个或五个语言变量。
针对被控对象,改善模糊控制结果的目的之一是尽量减小稳态误差。
因此,对应于控制器输入(误差、误差的变化率)之一的误差采用:
(负大,负中,负小,零,正小,正中,正大)
用英文字头缩写为:
{NB,NM,NS,ZO,PS,PM,PB}
另一个输入—误差的变化率及控制器的输出采用:
(负大,负中,负小,零,正小,正中,正大)
用英文字头缩写为:
{NB,NM,NS,Z0,PS,PM,PB}
〔2〕定义各模糊变量的模糊子集。
定义一个模糊子集,实际上就是要确定模糊子集隶属函数曲线的形状。
将确定的隶属函数曲线离散化,就得到了有限个点上的隶属度,便构成了一个相应的模糊变量的模糊子集。
理论研究显示,在众多隶属函数曲线中,用正态型模糊变量来描述人进展控制活动时的模糊概念是适宜的。
但在实际的工程中,机器对于正态型分布的模糊变量的运算是相当复杂和缓慢的,而三角型分布的模糊变量的运算简单、迅速。
因此,控制系统的众多控制器一般采用计算相对简单,控制效果迅速的三角型分布。
〔3〕建立模糊控制器的控制规则。
模糊控制器的控制规则是基于手动控制策略,而手动控制策略又是人们通过学习、试验以及长期经历积累而逐渐形成的,存储在操作者头脑中的一种技术知识集合。
手动控制过程一般是通过对被控对象(过程)的一些观测,操作者再根据已有的经历和技术知识,进展综合分析并做出控制决策,调整加到被控对象的控制作用,从而使系统到达预期的目标。
手动控制的作用同自动控制系统中的控制器的作用是根本一样的,所不同的是手动控制决策是基于操作系统经历和技术知识,而控制器的控制决策是基于*种控制算法的数值运算。
利用模糊集合理论和语言变量的概念,可以把利用语言归纳的手动控制策略上升为数值运算,于是可以采用微型计算机完成这个任务以代替人的手动控制,实现所谓的模糊自动控制。
模糊控制表一般由两种方法获得,一种是采用离线算法,以模糊数学为根底进展合成推理,根据采样得到的误差e、误差的变化ec,计算出相应的控制量变化
。
另一种是以操作人员的经历为依据,由人工经历总结得到模糊控制表。
然而这种模糊控制表是非常粗糙的,引起粗糙的原因,是确定模糊子集时,完全靠人的主观而定,不一定符合实际情况,在线控制时有必要对模糊控制表进展在线修正
。
由于e的模糊分割数是7,ec的模糊分割数也是7。
我们建立的模糊系统共包括49条规则。
所表示的规则依次为:
:
如果E是NBandEC是NB则U是NB
:
如果E是NBandEC是NM则U是NB
:
如果E是NBandEC是NS则U是NM
:
如果E是PBandEC是PM则U是PM
:
如果E是PBandEC是PB则U是PB
在View菜单中选择Rules命令,可以查看模糊推理规则。
3、输出量的反模糊化
以两个输入、一个输出的控制器为例,建立模糊控制规则,第i条规则如下:
Ri:
如果*是Ai且y是Bi,则z是Ci
其中Ai、Bi分别是输入变量*、y的模糊子集。
Ci是输出变量z的模糊子集。
设模糊控制器的输入模糊量*是A′且y是B′,则根据模糊控制规则进展近似推理,可以得到模糊量z(用模糊集合C′表示)为
C′=〔A′andB′〕
R
R=∪NI=1Ri
Ri=(AiandBi)→Ci
运算“and〞通常采用求交〔取小〕或者求积〔代数积〕的方法;合成运算“
〞通常采用最大-最小或最大-积〔代数积〕的方法;蕴含运算“→〞通常采用求交或求积的方法。
具体运算可参照前面模糊数学的根底局部。
以上通过模糊推理得到的是模糊量,而对于实际的控制规则必须为清晰量〔准确量〕,因此需要将模糊量转换为清晰量,也即输出量的反模糊化。
输出量的反模糊化计算通常有一下三种方法:
⑴最大隶属度判决法
最大隶属度判决法遵循的原则是:
在输出模糊集合中选取隶属度最大的论域元素进展输出,如果在多个论域元素上同时出现多个隶属度最大值,则取其平均结果。
这种方法简单易行,实时性好,并突出了隶属度最大元素的控制作用,但对隶属度较小元素的控制作用没有考虑,一次利用的信息少。
⑵取中位数判决法
取中位数判决法的原则是:
充分利用输出模糊集合所包含的信息,利用数学方法将描述输出模糊集合的隶属函数曲线与横坐标围成的面积的均分点对应的论域元素作为判决结果。
这种方法比拟充分的利用了模糊子集提供的信息量,但是计算时比拟繁琐,而且缺乏对隶属度较大元素提供主导信息的充分重视,因此这种方法在实际中受到限制。
⑶重心算法
重心算法,又称加权平均法,即针对论域中的每个元素zi(i=1,2,3,……,n)作为待判决输出量z模糊集合C′的隶属度u〔*〕加权系数,再计算乘积ziuC(zi)(i=1,2,3,……,n)对于隶属度和
的平均值z0,即
z0=
则z0为所求的判决结果。
因为z0是隶属函数曲线uC(zi)与横坐标*围成的面积的重心坐标之一,重心算法由此得名。
加权平均法不仅充分利用了模糊子集提供的信息量,而且根据其隶属度值确定其提供信息的大小,因此加权平均法的应用最为普通。
第4章模糊PID控制器
4.1PID的概述
PID的开展过程,很大程度上是它的参数整定方法和参数自适应方法的