MOHUPID.zip_tuningpidfuzzy_模糊PID程序_模糊pid_模糊自整定

共1个文件

txt：1个

版权申诉

185 浏览量 2022-09-20 15:37:09 上传评论收藏 2KB ZIP 举报

模糊PID控制器是自动化控制领域中一种先进的控制策略，它结合了传统的PID控制和模糊逻辑理论，旨在改善传统PID控制器在面对复杂动态系统时的性能。本文将深入探讨模糊PID控制程序及其在模糊自整定中的应用。 PID（比例-积分-微分）控制器是最常见的工业控制算法，通过调整比例(P)、积分(I)和微分(D)三个参数来调整系统的响应。然而，PID参数的整定往往需要经验或试错法，这可能导致控制器性能不佳或者系统稳定性问题。模糊逻辑是一种处理不确定性和近似推理的方法，它能够用自然语言描述规则，并对输入进行模糊化处理，然后通过模糊推理得出输出。模糊PID控制器就是将模糊逻辑应用于PID控制器的参数整定过程中，使得控制器可以自动适应系统的动态变化。模糊自整定PID控制器的核心在于其自整定机制。传统的自整定算法通常基于系统响应的反馈来调整PID参数，而模糊自整定则利用模糊规则库，根据系统的偏差(e)和偏差变化率(ce)来动态调整P、I、D参数。这些规则库通常由专家根据系统特性预先设定，能有效避免纯PID参数整定过程中的振荡和滞后问题。在"MOHUPID.zip"这个压缩包中，可能包含了实现模糊PID控制算法的程序代码，如"复件 1.txt"。此文件可能是C语言、MATLAB或其他编程语言编写的源代码，用于解释如何构建模糊规则库，定义模糊集，执行模糊推理，并将结果转化为实际的PID参数值。通过分析和理解这个程序，我们可以学习到如何设计模糊控制器结构，定义模糊语言变量，以及如何利用模糊推理进行参数调整。在实际应用中，模糊PID控制程序可用于各种控制系统，如温度控制、速度控制、压力控制等。其优势在于能够快速响应系统变化，提高控制精度，同时保持系统的稳定性。模糊自整定功能使得控制器无需人工干预就能自动调整，降低了对操作人员技能的要求。模糊PID控制器是提升传统PID控制性能的有效途径，尤其在面对非线性、时变或不确定性系统时。通过深入理解和实践"MOHUPID.zip"中的模糊PID控制程序，我们可以更好地掌握这种高级控制策略，并将其应用到实际工程项目中，实现更高效的自动化控制。

资源详情

资源评论

资源推荐

收起资源包目录

MOHUPID.zip （1个子文件）

复件 1.txt 6KB

%Fuzzy Tunning PID Control clear all; close all; a=newfis('fuzzpud'); %创建新的模糊推理系统（FIS） a=addvar(a,'input','e',[-3,3]); %Parameter e 向模糊推理系统添加语言变量 a=addmf(a,'input',1,'NB','zmf',[-3,-1]); % 向模糊推理系统的语言变量添加隶属度函数，zmf指z-型隶属度函数,trimf指三角形隶属度函数 a=addmf(a,'input',1,'NM','trimf',[-3,-2,0]); 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,'PM','trimf',[0,2,3]); a=addmf(a,'input',1,'PB','smf',[1,3]); a=addvar(a,'input','ec',[-3,3]); %Parameter ec a=addmf(a,'input',2,'NB','zmf',[-3,-1]); a=addmf(a,'input',2,'NM','trimf',[-3,-2,0]); a=addmf(a,'input',2,'NS','trimf',[-3,-1,1]); a=addmf(a,'input',2,'Z','trimf',[-2,0,2]); a=addmf(a,'input',2,'PS','trimf',[-1,1,3]); a=addmf(a,'input',2,'PM','trimf',[0,2,3]); a=addmf(a,'input',2,'PB','smf',[1,3]); a=addvar(a,'output','kp',[-0.3,0.3]); %Parameter Kp a=addmf(a,'output',1,'NB','zmf',[-0.3,-0.1]); a=addmf(a,'output',1,'NM','trimf',[-0.3,-0.2,0]); a=addmf(a,'output',1,'NS','trimf',[-0.3,-0.1,0.1]); a=addmf(a,'output',1,'Z','trimf',[-0.2,0,0.2]); a=addmf(a,'output',1,'PS','trimf',[-0.1,0.1,0.3]); a=addmf(a,'output',1,'PM','trimf',[0,0.2,0.3]); a=addmf(a,'output',1,'PB','smf',[0.1,0.3]); a=addvar(a,'output','ki',[-0.06,0.06]); %Parameter Ki a=addmf(a,'output',2,'NB','zmf',[-0.06,-0.02]); a=addmf(a,'output',2,'NM','trimf',[-0.06,-0.04,0]); a=addmf(a,'output',2,'NS','trimf',[-0.06,-0.02,0.02]); a=addmf(a,'output',2,'Z','trimf',[-0.04,0,0.04]); a=addmf(a,'output',2,'PS','trimf',[-0.02,0.02,0.06]); a=addmf(a,'output',2,'PM','trimf',[0,0.04,0.06]); a=addmf(a,'output',2,'PB','smf',[0.021,0.06]); a=addvar(a,'output','kd',[-3,3]); %Parameter Kd a=addmf(a,'output',3,'NB','zmf',[-3,-1]); a=addmf(a,'output',3,'NM','trimf',[-3,-2,0]); a=addmf(a,'output',3,'NS','trimf',[-3,-1,1]); a=addmf(a,'output',3,'Z','trimf',[-2,0,2]); a=addmf(a,'output',3,'PS','trimf',[-1,1,3]); a=addmf(a,'output',3,'PM','trimf',[0,2,3]); a=addmf(a,'output',3,'PB','smf',[1,3]); rulelist=[1 1 7 1 5 1 1; %rulelist是一个矩阵,每一行为一条规则,他们之间是ALSO的关系 1 2 7 1 3 1 1; %假定该FIS有N个输入和M个书橱，则每行有N+M+2个元素，前N个数分别表示N个输入变量的某一个语言名称的index 1 3 6 2 1 1 1; %没有的话用0表示，后面两个分别表示该条规则的权重和各条件的关系，1表示AND，2表示OR 1 4 6 2 1 1 1; 1 5 5 3 1 1 1; 1 6 4 4 2 1 1; 1 7 4 4 5 1 1; 2 1 7 1 5 1 1; 2 2 7 1 3 1 1; 2 3 6 2 1 1 1; 2 4 5 3 2 1 1; 2 5 5 3 2 1 1; 2 6 4 4 3 1 1; 2 7 3 4 4 1 1; 3 1 6 1 4 1 1; 3 2 6 2 3 1 1; 3 3 6 3 2 1 1; 3 4 5 3 2 1 1; 3 5 4 4 3 1 1; 3 6 3 5 3 1 1; 3 7 3 5 4 1 1; 4 1 6 2 4 1 1; 4 2 6 2 3 1 1; 4 3 5 3 3 1 1; 4 4 4 4 3 1 1; 4 5 3 5 3 1 1; 4 6 2 6 3 1 1; 4 7 2 6 4 1 1; 5 1 5 2 4 1 1; 5 2 5 3 4 1 1; 5 3 4 4 4 1 1; 5 4 3 5 4 1 1; 5 5 3 5 4 1 1; 5 6 2 6 4 1 1; 5 7 2 7 4 1 1; 6 1 5 4 7 1 1; 6 2 4 4 5 1 1; 6 3 3 5 5 1 1; 6 4 2 5 5 1 1; 6 5 2 6 5 1 1; 6 6 2 7 5 1 1; 6 7 1 7 7 1 1; 7 1 4 4 7 1 1; 7 2 4 4 6 1 1; 7 3 2 5 6 1 1; 7 4 2 6 6 1 1; 7 5 2 6 5 1 1; 7 6 1 7 5 1 1; 7 7 1 7 7 1 1]; a=addrule(a,rulelist); %向模糊推理系统（FIS）的语言变量添加规则 a=setfis(a,'DefuzzMethod','centroid'); %得到模糊系统的属性 writefis(a,'fuzzpid'); % 保存FIS到磁盘上 a=readfis('fuzzpid'); % 从磁盘装入一个FIS %PID Controller ts=0.001; %采样时间 num=[523500]; den=[1,87.35,10470,0]; sys=tf(num,den); dsys=c2d(sys,ts,'tustin'); [num,den]=tfdata(dsys,'v'); u_1=0.0; u_2=0.0; u_3=0.0; y_1=0; y_2=0; y_3=0; x=[0,0,0]'; error_1=0; e_1=0.0; ec_1=0.0; kp0=0.40; kd0=1.0; ki0=0.0; for k=1:1:500 time(k)=k*ts; rin(k)=1; %输入信号为阶跃信号 %Using fuzzy inference to tunning PID k_pid=evalfis([e_1,ec_1],a); %给定输入，得到输出，即进行模糊推理 kp(k)=kp0+k_pid(1); ki(k)=ki0+k_pid(2); kd(k)=kd0+k_pid(3); u(k)=kp(k)*x(1)+kd(k)*x(2)+ki(k)*x(3); if k==300 %Adding disturbance (1.0v at time 0.3s) u(k)=u(k)+1.0; end if u(k)>=10 u(k)=10; end if u(k)<=-10 u(k)=-10; end yout(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(1)*u(k)+num(2)*u_1+num(3)*u_2+num(4)*u_3; error(k)=rin(k)-yout(k); %%%%%%%%%%%%%%%%%%%%%%%%Return of PID Parameters%%%%%%%%%%%%%%%%%%%%%%% u_3=u_2; u_2=u_1; u_1=u(k); y_3=y_2; y_2=y_1; y_1=yout(k); x(1)=error(k); % Calculating P x(2)=error(k)-error_1; % Calculating D x(3)=x(3)+error(k); % Calculating I e_1=x(1); ec_1=x(2); error_2=error_1; error_1=error(k); end showrule(a) figure(1); plot(time,rin,'b',time,yout,'r'); xlabel('time(s)'); ylabel('rin,yout'); figure(2); plot(time,error,'r'); xlabel('time(s)'); ylabel('error'); figure(3); plot(time,u,'r'); xlabel('time(s)'); ylabel('u'); figure(4); plot(time,kp,'r'); xlabel('time(s)'); ylabel('kp'); figure(5); plot(time,ki,'r'); xlabel('time(s)'); ylabel('ki'); figure(6); plot(time,kd,'r'); xlabel('time(s)'); ylabel('kd'); figure(7); plotmf(a,'input',1); figure(8); plotmf(a,'input',2); figure(9); plotmf(a,'output',1); figure(10); plotmf(a,'output',2); figure(11); plotmf(a,'output',3); plotfis(a); fuzzy fuzzpid