基于simulink的PID,模糊PID模糊控制自适应模糊控制及神经网络模糊PID控制器的控制仿真 模糊控制是一种基于经验的控制策略它可以用来控制非线性和复杂的系统。 模糊控制器通常包括模糊化、规则库、推理、去模糊化等四个主要步骤。 在模糊化阶段将输入变量和输出变量转化为模糊集合即将他们映射到模糊集合上。 这样可以将连续的变量转化为离散的变量便于后续的控制处理。 在规则库阶段设定一些规则用来描述输入变量和输出变量之间的关系。 在推理阶段将输入变量和规则库中的规则进行匹配得到一个模糊输出变量。 在去模糊化阶段将模糊输出变量映射到实际控制量上得到一个具体的控制量。 神经网络控制是一种基于学习的控制策略它可以通过训练数据自适应地调整控制器的权值以便实现更好的控制效果。 神经网络控制器通常包括输入层、隐层、输出层等几个主要部分。最近在搞控制系统仿真的时候发现各种PID变体在Simulink里玩出花来了。今天咱们就拆几个典型控制器手把手看看它们怎么在非线性系统里折腾。先拿个直流电机调速模型当靶子设定转速从0到1000rpm阶跃变化。传统PID咱们都熟Simulink里拖三个模块连上线就能跑。但遇到负载突变时那个超调量能气死人Kp 1.2; Ki 0.8; Kd 0.2;这组参数在空载时响应挺漂亮但突然加个5N·m负载立马抖成筛子。这时候就该请出模糊PID了——给误差和误差变化率套上三角隶属函数。在FIS编辑器里设定七档语言变量NB,NM,NS,Z,PS,PM,PB。规则库看着像天书fis addrule(fis,[1 1 1 1 1],and); % 如果误差大且变化快输出最大增益实际跑起来响应曲线明显比传统PID平滑但调试规则库时差点把鼠标点废。有个取巧办法把模糊控制输出作为PID参数的修正量这样至少保证系统不会崩得太惨。自适应模糊控制更骚在线调整隶属函数范围。核心是这个动态缩放因子function beta adjust_factor(e,ec) persistent history; history [history; abs(e)abs(ec)]; beta 0.5 0.3*sigmoid(std(history)); % 根据误差波动自动缩放这玩意让系统在突加负载时隶属函数自动撑开覆盖更大范围。仿真时看到隶属函数像橡皮筋一样伸缩莫名有种养电子宠物的感觉。基于simulink的PID,模糊PID模糊控制自适应模糊控制及神经网络模糊PID控制器的控制仿真 模糊控制是一种基于经验的控制策略它可以用来控制非线性和复杂的系统。 模糊控制器通常包括模糊化、规则库、推理、去模糊化等四个主要步骤。 在模糊化阶段将输入变量和输出变量转化为模糊集合即将他们映射到模糊集合上。 这样可以将连续的变量转化为离散的变量便于后续的控制处理。 在规则库阶段设定一些规则用来描述输入变量和输出变量之间的关系。 在推理阶段将输入变量和规则库中的规则进行匹配得到一个模糊输出变量。 在去模糊化阶段将模糊输出变量映射到实际控制量上得到一个具体的控制量。 神经网络控制是一种基于学习的控制策略它可以通过训练数据自适应地调整控制器的权值以便实现更好的控制效果。 神经网络控制器通常包括输入层、隐层、输出层等几个主要部分。神经网络模糊PID才是真狠活。先用NARX网络预训练一波历史数据net narxnet(1:2,1:2,10); [Xs,Xi,Ai,Ts] preparets(net,convertedInput,convertedOutput); net train(net,Xs,Ts,Xi,Ai);然后把网络权重灌进ANFIS结构里。最魔性的是隐层节点会自己生成新的模糊规则有次跑着跑着突然冒出来条如果误差像正弦波就调大微分的鬼畜规则。不过响应曲线确实丝滑超调量压到3%以内。仿真时发现个坑千万别在PID模块里直接连神经网络输出得加个输出限幅和变化率约束否则Simulink会报数值不稳定。建议在Final层前插个饱和模块比用代码限制优雅多了。最后说个压箱底技巧——在Simulink里按CtrlE调出模型配置把求解器改成ode23tb。这个变步长算法处理智能控制器的非线性特性时比默认的ode45稳得多尤其是模糊逻辑频繁切换工作点时仿真速度能快三成。