智能控制作业.docx
《智能控制作业.docx》由会员分享，可在线阅读，更多相关《智能控制作业.docx（17页珍藏版）》请在冰豆网上搜索。
智能控制作业
一、已知某一炉温控制系统，要求温度保持在600℃恒定。
针对该控制系统有以下控制经验：
1若炉温低于600℃，则升压；低得越多升压越高。
2若炉温高于600℃，则降压；高得越多降压越低。
3若炉温等于600℃，则保持电压不变。
设计模糊控制器为一维控制器，输入语言变量为误差，输出为控制电压。
输入、输出变量的量化等级为7级，取5个模糊集。
试设计隶属度函数误差变化划分表、控制电压变化划分表和模糊控制规则表。
要求有程序及注释，仿真结果和分析。
（1）确定模糊控制器的输入输出变量
将600℃作为给定值t0,测量炉温为t（k），则：
输入变量：
e（k）=t（k）-t0
输出变量：
触发电压u的变化量，该u直接控制供电电压的高低。
（2）输入输出变量的模糊语言描述
输入输出变量的语言值：
{负大（NB）,负小（NS）,零（ZE）,正小（PS）,正大（PB）}
设：
e的论域为X，u的论域为Y，均量化为七个等级：
X={-3，-2，-1，0，1，2，3}，Y={-3，-2，-1，0，1，2，3}
语言变量E和U的隶属函数赋值表（论域离散）：
隶属度
输入量e的变化等级
－3
－2
－1
0
1
2
3
模
糊
集
PB
0
0
0
0
0
0.5
1
PS
0
0
0
0
1
0.5
0
ZE
0
0
0.5
1
05
0
0
NS
0
0.5
1
0
0
0
0
NB
1
0.5
0
0
0
0
0
隶属度
输出量u的变化等级
－3
－2
－1
0
1
2
3
模
糊
集
PB
0
0
0
0
0
0.5
1
PS
0
0
0
0
1
0.5
0
ZE
0
0
0.5
1
05
0
0
NS
0
0.5
1
0
0
0
0
NB
1
0.5
0
0
0
0
0
（3）模糊控制规则
①ifE=NBthenU=PB
②ifE=NSthenU=PS
③ifE=ZEthenU=ZE
④ifE=PSthenU=NS
⑤ifE=PBthenU=NB
（4）求模糊控制表
IF
NBe
NSe
ZOe
PSe
PBe
THEN
PBu
PSu
ZOu
NSu
NBu
（5）控制量转化为精确量：
采用加权平均法：
（6）计算模糊关系
R=（NBe×PBu）+（NSe×PSu）+（ZEe×ZEu）+（PSe×NSu）+（PBe×NBu）
ZEe×ZEu=（0,0,0.5,1,0.5,0,0）×（0,0,0.5,1,0.5,0,0）
分别计算出矩阵NBe×PBu，NSe×PSu，ZEe×ZEu，PSe×NSu，PBe×NBu求并集得：
查询表：
e
－3
－2
－1
0
1
2
3
u
3
2
1
0
－1
－2
－3
实际控制时，将测量到的误差量化后，从查询表中得到控制量再乘以比例因子Kn，即作为控制的实际输出。
（7）模糊决策
模糊控制器的输出为误差向量和模糊关系的合成，即u=eR。
当误差e为NB时，e=[1,0.5,0,0,0,0,0]，控制器的输出u：
（8）控制量的反模糊化
控制器输出为一维模糊向量，即：
如果按照“隶属度最大原则”进行反模糊化，则选择控制量为u=3，增大压力使温度升高。
这与e=NB时的实际操作经验是一致的。
程序设计及仿真
%FuzzyControlforwatertank
clearall;
closeall;
a=newfis（'fuzz_temp'）;
a=addvar（a,'input','e',[-3,3]）;%Parametere
a=addmf（a,'input',1,'NB','zmf',[-3,-1]）;
a=addmf（a,'input',1,'NS','trimf',[-3,-1,1]）;
a=addmf（a,'input',1,'Z','trimf',[-2,0,2]）;
a=addmf（a,'input',1,'PS','trimf',[-1,1,3]）;
a=addmf（a,'input',1,'PB','smf',[1,3]）;
a=addvar（a,'output','u',[-3,3]）;%Parameteru
a=addmf（a,'output',1,'NB','zmf',[1,3]）;
a=addmf（a,'output',1,'NS','trimf',[-1,1,3]）;
a=addmf（a,'output',1,'Z','trimf',[-2,0,2]）;
a=addmf（a,'output',1,'PS','trimf',[-3,-1,1]）;
a=addmf（a,'output',1,'PB','smf',[-3,-1]）;
rulelist=[1111;%Editrulebase
2211;
3311;
4411;
5511];
a=addrule（a,rulelist）;
a1=setfis（a,'DefuzzMethod','mom'）;%Defuzzy
writefis（a1,'temp'）;%Savetofuzzyfile"temp.fis"
a2=readfis（'temp'）;
figure
（1）;
plotfis（a2）;
figure
（2）;
plotmf（a,'input',1）;
figure（3）;
plotmf（a,'output',1）;
flag=1;
ifflag==1
showrule（a）%Showfuzzyrulebase
ruleview（'temp'）;%DynamicSimulation
end
disp（'-------------------------------------------------------'）;
disp（'fuzzycontrollertable:
e=[-3,+3],u=[-3,+3]'）;
disp（'-------------------------------------------------------'）;
fori=1:
1:
7
e（i）=i-4;
Ulist（i）=evalfis（e（i）,a2）;
end
Ulist=round（Ulist）
e=-3;%Error
u=evalfis（[e],a2）%Usingfuzzyinference
仿真结果：
图1系统控制图
图2输入隶属度函数
图3输出隶属度函数
图4规则表
图5动态图
二、参照RBF网络的自校正控制方法，设计基于RBF网络的模型参考自校正控制器，并进行MATLAB仿真。
被控对象为
采样周期为
，参考模型为
，
其中
。
要求：
编写仿真程序，画出控制曲线和误差曲线，并进行分析。
神经网络自校正控制有两种结构类型：
直接型、间接型。
直接型自校正控制也称直接逆动态控制，属于前馈控制；间接自校正控制是一种由辨识器对对象参数在线估计，用调节器实现参数的自动整定相结合的自适应控制技术，通常用于结构已知而参数未知但恒定（或者参数缓慢时变）的随机系统。
神经网络间接自校正控制结构如图6所示，它由两个回路组成：
（1）自校正控制器与被控对象构成的反馈回路。
（2）控制器参数调整回路（由神经网络辨识器构成）。
图6神经网络间接自校正控制框图
考虑被控对象：
其中u，y分别为对象的输入和输出，j[·]为非零函数。
若给定参考输入r，则控制器算法应为：
未知函数g[·]和j[·]可通过在线训练RBF网络进行辨识（估计），辨识结果分别记为Ng[·]和Nj[·]
则控制算法变为：
设计2个RBF网络分别辨识未知函数g[·]和j[·]。
网络结构如图7所示，其中W和V为权值向量，网络输入均为y（k）。
两个网络的结构完全相同。
图7神经网络辨识器
设网络的径向基向量为H=[h1,…,hm]T，hj为高斯基函数：
其中j=1,…,m。
m为网络隐层神经元个数，bj为神经元j的基宽度参数，bj>0，Cj为第j个节点的中心矢量:
设网络权向量为：
则两个RBF网络的输出分别为：
辨识后，采用RBF网络对系统的预测输出为：
设神经网络调整的性能指标为：
采用梯度下降法调整网络的权值：
其中hw和hv为学习速率。
神经网络权值的调整过程为：
其中a为动量因子。
神经网络自校正控制系统的结构如图8所示。
图8神经网络自校正控制系统结构图
可以看出，两个RBF网络实际上是模拟了由输出量y到两个非线性函数的映射关系
被控对象为：
则有
仿真程序如下：
%Self-CorrectcontrolbasedRBFIdentification
clearall;
closeall;
xite1=0.15;
xite2=0.50;
alfa=0.05;
w=0.5*ones（6,1）;
v=0.5*ones（6,1）;
cij=0.50*ones（1,6）;
bj=5*ones（6,1）;
h=zeros（6,1）;
w_1=w;w_2=w_1;
v_1=v;v_2=v_1;
u_1=0;y_1=0;
ts=0.02;
fork=1:
1:
5000
time（k）=k*ts;
r（k）=1.0*sin（0.1*pi*k*ts）;
%¿ØÖƶÔÏó
g（k）=0.8*sin（y_1）;
f（k）=15;
y（k）=g（k）+f（k）*u_1;
forj=1:
1:
6
h（j）=exp（-norm（y（k）-cij（:
j））^2/（2*bj（j）*bj（j）））;
end
Ng（k）=w'*h;
Nf（k）=v'*h;
ym（k）=Ng（k）+Nf（k）*u_1;
e（k）=y（k）-ym（k）;
d_w=0*w;
forj=1:
1:
6
d_w（j）=xite1*e（k）*h（j）;
end
w=w_1+d_w+alfa*（w_1-w_2）;
d_v=0*v;
forj=1:
1:
6
d_v（j）=xite2*e（k）*h（j）*u_1;
end
v=v_1+d_v+alfa*（v_1-v_2）;
u（k）=（r（k）-Ng（k））/Nf（k）;
u_1=u（k）;
y_1=y（k）;
w_2=w_1;
w_1=w;
v_2=v_1;
v_1=v;
end
figure
（1）;
plot（time,r,'r',time,y,'b'）;
xlabel（'Time（second）'）;ylabel（'Positiontracking'）;
figure
（2）;
plot（time,g,'r',time,Ng,'b'）;
xlabel（'Time（second）'）;ylabel（'gandNg'）;
figure（3）;
plot（time,f,'r',time,Nf,'b'）;
xlabel（'Time（second）'）;ylabel（'fandNf'）;
仿真结果如下：
图9控制曲线
图10误差曲线
通过曲线分析可知控制效果良好，控制曲线基本吻合，误差较小。
升级会员 