智能控制技術(shù)試驗(yàn)報(bào)告

《智能控制技術(shù)》實(shí)驗(yàn)報(bào)告書(shū)學(xué)院:專(zhuān)業(yè):學(xué)號(hào):姓名:實(shí)驗(yàn)一：模糊控制與傳統(tǒng)PID控制的性能比較一、實(shí)驗(yàn)?zāi)康耐ㄟ^(guò)本實(shí)驗(yàn)的學(xué)習(xí)，使學(xué)生了解傳統(tǒng)PID控制、模糊控制等基本知識(shí)，掌握傳統(tǒng)PID控制器設(shè)計(jì)、模糊控制器設(shè)計(jì)等知識(shí)，訓(xùn)練學(xué)生設(shè)計(jì)控制器的能力，培養(yǎng)他們利用MATLAB進(jìn)行仿真的技能，為今后繼續(xù)模糊控制理論研究以及控制仿真等學(xué)習(xí)奠定基礎(chǔ)。二、實(shí)驗(yàn)內(nèi)容本實(shí)驗(yàn)主要是設(shè)計(jì)一個(gè)典型環(huán)節(jié)的傳統(tǒng)PID控制器以及模糊控制器，并對(duì)他們的控制性能進(jìn)行比較。主要涉及自控原理、計(jì)算機(jī)仿真、智能控制、模糊控制等知識(shí)。通常的工業(yè)過(guò)程可以等效成二階系統(tǒng)加上一些典型的非線性環(huán)節(jié)，如死區(qū)、飽和、純延遲等。這里，我們假設(shè)系統(tǒng)為：H（s）=20eo.o2s/（1.6s2+4.4s+1）控制執(zhí)行機(jī)構(gòu)具有0.07的死區(qū)和0.7的飽和區(qū)，取樣時(shí)間間隔T=0.01。設(shè)計(jì)系統(tǒng)的模糊控制，并與傳統(tǒng)的PID控制的性能進(jìn)行比較。三、實(shí)驗(yàn)原理、方法和手段.實(shí)驗(yàn)原理：1）對(duì)典型二階環(huán)節(jié)，根據(jù)傳統(tǒng)PID控制，設(shè)計(jì)PID控制器，選擇合適的PID控制器參數(shù)外ki、kd；2）根據(jù)模糊控制規(guī)則，編寫(xiě)模糊控制器。.實(shí)驗(yàn)方法和手段：1）在PID控制仿真中，經(jīng)過(guò)仔細(xì)選擇，我們?nèi)：5，ki=0.1，kd=0.001；2）在模糊控制仿真中，我們?nèi)j60，ki=0.01，k「2.5，ku=0.8；3）模糊控制器的輸出為：u=kuXfuzzy（keXe,kdXe,）-kiX；edt其中積分項(xiàng)用于消除控制系統(tǒng)的穩(wěn)態(tài)誤差。4）模糊控制規(guī)則如表1-1所示：在MATLAB程序中，Nd用于表示系統(tǒng)的純延遲（Nd=t/T）,umin用于表示控制的死區(qū)電平，umax用于表示飽和電平。當(dāng)Nd=0時(shí)，表示系統(tǒng)不存在純延遲。5）根據(jù)上述給定內(nèi)容，編寫(xiě)PID控制器、模糊控制器的MATLAB仿真程序，并記錄仿真結(jié)果，對(duì)結(jié)果進(jìn)行分析。表1-1 FC的模糊推理規(guī)則表ANBNSZRPSPBNBPBPBPSPSZRNSPBPSPSZRZRZRPSPSZRZRNSPSPSZRZRNSNSPBZRZRNSNSNB四、實(shí)驗(yàn)組織運(yùn)行要求根據(jù)本實(shí)驗(yàn)的綜合性、設(shè)計(jì)性特點(diǎn)以及要求學(xué)生自主設(shè)計(jì)MATLAB仿真程序的要求以及我們實(shí)驗(yàn)室的具體實(shí)驗(yàn)條件，本實(shí)驗(yàn)采用以學(xué)生自主訓(xùn)練為主的開(kāi)放模式組織教學(xué)。五、實(shí)驗(yàn)條件.裝有MATLAB6.5的計(jì)算機(jī)；.智能控制技術(shù)教材；.模糊控制教材；.智能控制技術(shù)實(shí)驗(yàn)指導(dǎo)書(shū)。六、實(shí)驗(yàn)步驟.學(xué)生熟悉實(shí)驗(yàn)內(nèi)容，并根據(jù)實(shí)驗(yàn)內(nèi)容、實(shí)驗(yàn)要求，查閱、學(xué)習(xí)相關(guān)知識(shí)；.設(shè)計(jì)典型二階環(huán)節(jié)的PID控制器以及模糊控制器；.編寫(xiě)MATLAB仿真程序.上機(jī)調(diào)試程序，修改程序修改控制器的參數(shù)等；.對(duì)實(shí)驗(yàn)程序仿真，并記錄仿真結(jié)果；.對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，書(shū)寫(xiě)實(shí)驗(yàn)報(bào)告書(shū)。七、實(shí)驗(yàn)程序num=20;den=[1.6,4.4,1];[a1,b,c,d]=tf2ss(num,den);%將傳遞函數(shù)轉(zhuǎn)化為狀態(tài)模型x=[0;0];T=0.01;h=T; %T為采樣時(shí)間umin=0.07;umax=0.7;td=0.02;Nd=td/T;%Nd延遲時(shí)間N=500;R=1.5*ones(1,N);%參考值e=0;de=0;ie=0;kp=5;ki=0.1;kd=0.001;%設(shè)定的比例，積分，微分常數(shù)fork=1:Nuu1(1,k)=-(kp*e+ki*ie+kd*de);%控制量生成ifk<=Nd%純延遲u=0;elseu=uu1(1,k-Nd);endifabs(u)<=umin%死區(qū)和飽和環(huán)節(jié)u=0elseifabs(u)>umaxu=sign(u)*umax;end%龍格-庫(kù)塔算法求對(duì)象的輸出k1=a1*x+b*u;k2=a1*(x+h*k1/2)+b*u;k3=a1*(x+h*k2/2)+b*u;k4=a1*(x+h*k3)+b*u;x=x+(k1+2*k2+2*k3+k4)*h/6;y=c*x+d*u;%計(jì)算誤差.微分和積分e1=e;e=y(1,1)-R(1,k);de=(e-e1)/T;ie=e*T+ie;yy1(1,k)=y;end;kk=[1:N]*T;figure(1);plot(kk,yy1);a=newfis('simple');%建立模糊推理系統(tǒng)a=addvar(a,'input','e',[-66]);%增加第一個(gè)輸入變量ea=addmf(a,'input',1,'NB','trapmf',[-6-6-5-3]);%添加隸屬函數(shù)a=addmf(a,'input',1,'NS','trapmf',[-5-3-20]);a=addmf(a,'input',1,'ZR','trimf',[-202]);a=addmf(a,'input',1,'PS','trapmf',[0235]);a=addmf(a,'input',1,'PB','trapmf',[3566]);a=addvar(a,'input','de',[-66]);%增加第二個(gè)輸入變量ea=addmf(a,'input',2,'NB','trapmf',[-6-6-5-3]); %添加隸屬函數(shù)a=addmf(a,'input',2,'NS','trapmf',[-5-3-20]);a=addmf(a,'input',2,'ZR','trimf',[-202]);a=addmf(a,'input',2,'PS','trapmf',[0235]);a=addmf(a,'input',2,'PB','trapmf',[3566]);a=addvar(a,'output','u',[-33]);%添加輸出變量ua=addmf(a,'output',1,'NB','trapmf',[-3-3-2-1]);%添加隸屬函數(shù)a=addmf(a,'output',1,'NS','trimf',[-2-10]);a=addmf(a,'output',1,'ZR','trimf',[-101]);a=addmf(a,'output',1,'PS','trimf',[012]);a=addmf(a,'output',1,'PB','trapmf',[1233]);%建立模糊規(guī)則矩陣rr=[55443;54433;44332;43322;33221];r1=zeros(prod(size(rr)),3);%得到一個(gè)25X3的0階矩陣k=1;fori=1:size(rr,1)forj=1:size(rr,2)r1(k,:)=[i,j,rr(i,j)];k=k+1;endend[r,s]=size(r1);r2=ones(r,2);rulelsit=[r1,r2];a=addrule(a,rulelsit);%rulelist為25X(2+1+2)矩陣，每一行代表一個(gè)規(guī)則,某一%行的前2列為輸入，接著一列為輸出，最后兩列為控制所有均%為1e=0;de=0;ie=0;x=[0;0];ke=60;kd=2.5;ku=0.8;%定義edeu的量化因子fork=1:Ne1=ke*e;de1=kd*de;ife1>=6e1=6;elseife1<-6e1=-6;endifde1>=6de1=6;elseifde1<-6de1=-6;endin=[e1de1];uu(1,k)=ku*evalfis(in,a);ifk<=Ndu=0;elseu=uu(1,k-Nd);endifabs(u)<=uminu=0elseifabs(u)>umaxu=sign(u)*umax;end%龍格-庫(kù)塔算法求對(duì)象的輸出k1=a1*x+b*u;k2=a1*(x+h*k1/2)+b*u;k3=a1*(x+h*k2/2)+b*u;k4=a1*(x+h*k3)+b*u;x=x+(k1+2*k2+2*k3+k4)*h/6;y=c*x+d*u;e1=e;e=y-R(1,k);de=(e-e1)/T;ie=ie+e*T;yy(1,k)=y;end%繪制結(jié)果曲線kk=[1:N]*T;figure(1);plot(kk,R,，k，,kk,yy,，r，,kk,yy1,，b，);xlabel('時(shí)間(0.01秒)，)；ylabel(，輸出，)；

gtext（'模糊控制'）;gtext（'PID控制'）；%end八、實(shí)驗(yàn)結(jié)果九、思考題.模糊控制器的控制性能是否一定優(yōu)于傳統(tǒng)PID控制器？不一定，若要求反應(yīng)速度那么可以選擇模糊控制方式。若要求控制精度高則可以選擇pid方式.如果選用模糊控制工具箱，如何進(jìn)行設(shè)計(jì)、仿真?答：在matlab的主窗口中輸入fuzzy即可調(diào)出模糊工具箱界面，退出界面的時(shí)候會(huì)提示保存，保存格式為fis,如果我們將文件保存為njust.fis,那么下次使用這個(gè)文件的時(shí)候在主窗口中輸入fuzzynjust即可。模糊控制器的建立過(guò)程如下：（1）設(shè)定誤差E、誤差變化率EC和控制量U的論域?yàn)?，一般為?66］。（2）設(shè)定E、EC、U的模糊集。一般可設(shè)為{NB、NM、NS、ZO、PS、PM、PB}°（3）設(shè)定隸屬度函數(shù)。有高斯型隸屬度函數(shù)、三角型隸屬度函數(shù)等。（4）設(shè)定模糊控制規(guī)則。常用的模糊控制規(guī)則如圖1所示，當(dāng)然可以根據(jù)特定的控制對(duì)象和要求進(jìn)行相應(yīng)的調(diào)整。實(shí)驗(yàn)二：神經(jīng)元自適應(yīng)PID控制仿真研究一、實(shí)驗(yàn)?zāi)康耐ㄟ^(guò)本實(shí)驗(yàn)的學(xué)習(xí)，使學(xué)生了解傳統(tǒng)PID控制、神經(jīng)元自適應(yīng)控制等基本知識(shí)，掌握傳統(tǒng)PID控制器設(shè)計(jì)、掌握基于二次型性能指標(biāo)學(xué)習(xí)算法的單神經(jīng)元自適應(yīng)PID控制等知識(shí)，訓(xùn)練學(xué)生設(shè)計(jì)控制器的能力，培養(yǎng)他們利用MATLAB進(jìn)行仿真的技能，為今后繼續(xù)神經(jīng)網(wǎng)絡(luò)控制理論的研究以及控制仿真等學(xué)習(xí)奠定基礎(chǔ)。二、實(shí)驗(yàn)內(nèi)容本實(shí)驗(yàn)主要是學(xué)習(xí)應(yīng)用最優(yōu)二次型性能指標(biāo)學(xué)習(xí)算法進(jìn)行控制器的設(shè)計(jì)仿真研究。主要涉及自控原理、計(jì)算機(jī)仿真、智能控制、神經(jīng)網(wǎng)絡(luò)控制等知識(shí)，綜合性較強(qiáng)。設(shè)被控對(duì)象過(guò)程模型為：yout(k)=0.368yout(k-1)+0.264yout(k-2)+u(k-d)+0.632u(k-d-1)+4(k)應(yīng)用最優(yōu)二次型性能指標(biāo)學(xué)習(xí)算法進(jìn)行仿真研究，最后要求得出神經(jīng)元自適應(yīng)PID跟蹤及中權(quán)值變化結(jié)果。三、實(shí)驗(yàn)原理、方法和手段.實(shí)驗(yàn)原理：在最優(yōu)控制理論中，采用二次型性能指標(biāo)來(lái)計(jì)算控制律可以得到所期望的優(yōu)化效果。在神經(jīng)元學(xué)習(xí)算法中，也可借助最優(yōu)控制中二次型性能指標(biāo)的思想，在加權(quán)系數(shù)的調(diào)整中引入二次型性能指標(biāo)，使輸出誤差和控制增量加權(quán)平方和為最小來(lái)調(diào)整加權(quán)系數(shù)，從而間接實(shí)現(xiàn)對(duì)輸出誤差和控制增量加權(quán)平方和為最小來(lái)調(diào)整加權(quán)系數(shù)，從而間接實(shí)現(xiàn)對(duì)輸出誤差和控制增量加權(quán)的約束控制。設(shè)性能指標(biāo)為：E(k)=—(P(rin(k)-yout(k))2+Qbu(k))2式中，P,Q分別為輸出誤差和控制增量的加權(quán)系數(shù)，r(k)和y(k)為k時(shí)刻參考輸入和輸出。神經(jīng)元的輸出為：u(k)=u(k-1)+K21(k)x(k)i=1(i=1,2,3)w'(k)=w(k)/2Iw(i=1,2,3)i=1w(k)=w(k-1)+nK(Pbz(k)x(k)-QK￡(w(k)x(k))x(k)i=1w(k)=w(k-1)+nK(Pbz(k)x(k)-QK￡(w.(k)x(k))x(k)i=1w(k)=w(k-1)+nK(Pbz(k)x(k)-QK￡(w.(k)x(k))x(k)i=1x(k)=e(k)x(k)=e(k)-e(k-1)x3(k)=A2e(k)=e(k)-2e(k-1)+e(k-2).實(shí)驗(yàn)方法和手段：1)應(yīng)用最優(yōu)二次型性能指標(biāo)學(xué)習(xí)算法進(jìn)行仿真研究常(k)為在100個(gè)采樣時(shí)間的外加干擾，&(100)=0.10，輸入為階躍響應(yīng)信號(hào)rin(k)=1.0；2)啟動(dòng)時(shí)采用開(kāi)環(huán)控制，取u=0.1726，K=0.02，P=2，Q=1，d=6；3)比例、積分、微分三部分加權(quán)系數(shù)學(xué)習(xí)速率分別取nI=4,nP=120，nd=159，31(0)=0.34，3J0)=0.32，33(0)=0.33；0 4)利用MATLAB編寫(xiě)仿真程序，得出神經(jīng)元自適應(yīng)PID跟蹤及中權(quán)值變化結(jié)果。四、實(shí)驗(yàn)組織運(yùn)行要求根據(jù)本實(shí)驗(yàn)的綜合性、設(shè)計(jì)性特點(diǎn)以及要求學(xué)生自主設(shè)計(jì)MATLAB仿真程序的要求以及我們實(shí)驗(yàn)室的具體實(shí)驗(yàn)條件，本實(shí)驗(yàn)采用以學(xué)生自主訓(xùn)練為主的開(kāi)放模式組織教學(xué)。五、實(shí)驗(yàn)條件.裝有MATLAB6.5的計(jì)算機(jī)；.智能控制技術(shù)教材；.神經(jīng)網(wǎng)絡(luò)控制教材；.智能控制技術(shù)實(shí)驗(yàn)指導(dǎo)書(shū)。六、實(shí)驗(yàn)步驟.學(xué)生熟悉實(shí)驗(yàn)內(nèi)容，并根據(jù)實(shí)驗(yàn)內(nèi)容、實(shí)驗(yàn)要求，查閱、學(xué)習(xí)相關(guān)知識(shí)；.設(shè)計(jì)應(yīng)用最優(yōu)二次型性能指標(biāo)學(xué)習(xí)算法進(jìn)行仿真研究的單神經(jīng)元自適應(yīng)PID控制器;.編寫(xiě)MATLAB仿真程序；.上機(jī)調(diào)試程序，修改程序、修改控制器的參數(shù)等；.對(duì)實(shí)驗(yàn)程序仿真，并記錄仿真結(jié)果；.對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，書(shū)寫(xiě)實(shí)驗(yàn)報(bào)告書(shū)。七、實(shí)驗(yàn)程序%SingleNeuralNetPIDControllerbasedon%SecondTypeLearningAlgorithmclearall;closeall:xc=[0,0,0]';K=0.02;P=2;Q=1;d=6;xiteP=120;xiteI=4;xiteD=159;%Initializingkp,kiandkdwkp_1=rand;wki_1=rand;wkd_1=rand;wkp_1=0.34;wki_1=0.32;wkd_1=0.33;error_1=0;error_2=0;y_1=0;y_2=0;u_1=0.1726;u_2=0;u_3=0;u_4=0;u_5=0;u_6=0;u_7=0;ts=0.001;fork=1:1:250time(k)=k*ts;rin(k)=1.0;%TracingStepSignalym(k)=0;ifk==100ym(k)=0.10;%Disturbanceym(k)=0.10;%Disturbanceendyout(k)=0.368*y_1+0.26*y_2+u_6+0.632*u_7+ym(k);error(k)=rin(k)-yout(k);wx=[wkp_1,wkd_1,wki_1];wx=wx*xc;b0=yout(1);K=0.0175;wkp(k)=wkp_1+xiteP*K*[P*b0*error(k)*xc(1)-Q*K*wx*xc(1)];wki(k)=wki_1+xiteI*K*[P*b0*error(k)*xc(2)-Q*K*wx*xc(2)];wkd(k)=wkd_1+xiteD*K*[P*b0*error(k)*xc(3)-Q*K*wx*xc(3)];xc(1)=error(k)-error_1;xc(2)=error(k);%Ixc(3)=error(k)-2*error_1+error_2;%Dwadd(k)=abs(wkp(k))+abs(wki(k))+abs(wkd(k));w11(k)=wkp(k)/wadd(k);w22(k)=wki(k)/wad