Matlab_Simulink仿真分析 PID、模糊控制、模糊PID三者比较，压缩包里带仿真，带报告，

资深码侬

于 2025-04-27 09:39:35 发布

阅读量1k

点赞数 11

分类专栏： PID 文章标签： matlab java android

本文链接：https://blog.csdn.net/2501_90314346/article/details/147548178

版权

PID 专栏收录该内容

2 篇文章

订阅专栏

Matlab/Simulink仿真分析 PID、模糊控制、模糊PID三者比较，压缩包里带仿真，带报告，带详细保姆级操作步骤，报告后面还给出了定量分析三者性能的代码
在这里插入图片描述

图片的具体内容（例如：文字、图表、照片等）。
您希望实现的功能（例如：提取文字、分析数据、生成报告等）。
使用的编程语言或工具偏好（例如：Python、JavaScript等）。

一、实验目的与要求

理解PID控制、模糊控制和模糊PID控制的基本原理。
使用MATLAB/Simulink搭建相应的控制系统模型。
对比分析三种控制方法的性能。

二、实验任务

搭建PID控制、模糊控制和模糊PID控制的Simulink模型。
进行仿真并记录结果。
定量分析三种控制方法的性能。

三、控制系统选择

假设我们选择一个简单的二阶系统作为被控对象，其传递函数为：
[ G(s) = \frac{1}{s^2 + 0.5s + 1} ]

四、PID控制

1. 基本介绍

PID控制器是一种常用的反馈控制器，它通过比例（P）、积分（I）和微分（D）三个部分来调整系统的输出。

2. Simulink仿真搭建

% 创建一个新的Simulink模型
new_system('PID_Control');
open_system('PID_Control');

% 添加必要的模块
add_block('simulink/Sources/Step', 'PID_Control/Step_Input');
set_param('PID_Control/Step_Input', 'Time', '0', 'Amplitude', '1');

add_block('simulink/Continuous/Transfer Fcn', 'PID_Control/Plant');
set_param('PID_Control/Plant', 'Numerator', '[1]', 'Denominator', '[1 0.5 1]');

add_block('simulink/Continuous/Transfer Fcn', 'PID_Control/PID_Controller');
set_param('PID_Control/PID_Controller', 'Numerator', '[Kd Kp Ki]', 'Denominator', '[1 0]', 'VariableNames', 'Kp,Ki,Kd');

add_block('simulink/Sinks/Scope', 'PID_Control/Scope');

% 连接模块
add_line('PID_Control', 'Step_Input/1', 'PID_Controller/1');
add_line('PID_Control', 'PID_Controller/1', 'Plant/1');
add_line('PID_Control', 'Plant/1', 'Scope/1');

% 设置PID参数
set_param('PID_Control/PID_Controller', 'VariableValues', '[1, 0.1, 0.01]'); % Kp, Ki, Kd

% 设置仿真时间
set_param('PID_Control', 'StopTime', '30', 'Solver', 'ode45');

% 保存模型
save_system('PID_Control');

五、模糊控制

1. 基本介绍

模糊控制是一种基于模糊逻辑的控制方法，它能够处理不确定性和不精确的信息。

2. Simulink仿真搭建

% 创建一个新的Simulink模型
new_system('Fuzzy_Control');
open_system('Fuzzy_Control');

% 添加必要的模块
add_block('simulink/Sources/Step', 'Fuzzy_Control/Step_Input');
set_param('Fuzzy_Control/Step_Input', 'Time', '0', 'Amplitude', '1');

add_block('simulink/Continuous/Transfer Fcn', 'Fuzzy_Control/Plant');
set_param('Fuzzy_Control/Plant', 'Numerator', '[1]', 'Denominator', '[1 0.5 1]');

add_block('fuzzy/Fuzzy Logic Controller', 'Fuzzy_Control/Fuzzy_Controller');

add_block('simulink/Sinks/Scope', 'Fuzzy_Control/Scope');

% 连接模块
add_line('Fuzzy_Control', 'Step_Input/1', 'Fuzzy_Controller/1');
add_line('Fuzzy_Control', 'Fuzzy_Controller/1', 'Plant/1');
add_line('Fuzzy_Control', 'Plant/1', 'Scope/1');

% 设置模糊控制器参数
% 需要根据具体需求设计模糊规则和隶属度函数

% 设置仿真时间
set_param('Fuzzy_Control', 'StopTime', '30', 'Solver', 'ode45');

% 保存模型
save_system('Fuzzy_Control');

六、模糊PID控制

1. 基本介绍

模糊PID控制结合了PID控制和模糊控制的优点，能够在不同工况下自动调整PID参数。

2. Simulink仿真搭建

% 创建一个新的Simulink模型
new_system('Fuzzy_PID_Control');
open_system('Fuzzy_PID_Control');

% 添加必要的模块
add_block('simulink/Sources/Step', 'Fuzzy_PID_Control/Step_Input');
set_param('Fuzzy_PID_Control/Step_Input', 'Time', '0', 'Amplitude', '1');

add_block('simulink/Continuous/Transfer Fcn', 'Fuzzy_PID_Control/Plant');
set_param('Fuzzy_PID_Control/Plant', 'Numerator', '[1]', 'Denominator', '[1 0.5 1]');

add_block('fuzzy/Fuzzy Logic Controller', 'Fuzzy_PID_Control/Fuzzy_PID_Controller');

add_block('simulink/Sinks/Scope', 'Fuzzy_PID_Control/Scope');

% 连接模块
add_line('Fuzzy_PID_Control', 'Step_Input/1', 'Fuzzy_PID_Controller/1');
add_line('Fuzzy_PID_Control', 'Fuzzy_PID_Controller/1', 'Plant/1');
add_line('Fuzzy_PID_Control', 'Plant/1', 'Scope/1');

% 设置模糊PID控制器参数
% 需要根据具体需求设计模糊规则和隶属度函数

% 设置仿真时间
set_param('Fuzzy_PID_Control', 'StopTime', '30', 'Solver', 'ode45');

% 保存模型
save_system('Fuzzy_PID_Control');

七、对比分析

% 加载仿真数据
load('PID_Control.mat');
load('Fuzzy_Control.mat');
load('Fuzzy_PID_Control.mat');

% 提取输出数据
pid_output = out.PID_Control.ScopeData(:, 2);
fuzzy_output = out.Fuzzy_Control.ScopeData(:, 2);
fuzzy_pid_output = out.Fuzzy_PID_Control.ScopeData(:, 2);

% 计算性能指标（例如：上升时间、超调量、调节时间等）
rise_time_pid = find(pid_output >= 0.9 * max(pid_output), 1, 'first') * 0.01;
overshoot_pid = max(pid_output) / max(pid_output) - 1;

rise_time_fuzzy = find(fuzzy_output >= 0.9 * max(fuzzy_output), 1, 'first') * 0.01;
overshoot_fuzzy = max(fuzzy_output) / max(fuzzy_output) - 1;

rise_time_fuzzy_pid = find(fuzzy_pid_output >= 0.9 * max(fuzzy_pid_output), 1, 'first') * 0.01;
overshoot_fuzzy_pid = max(fuzzy_pid_output) / max(fuzzy_pid_output) - 1;

% 显示结果
disp(['PID Control: Rise Time = ', num2str(rise_time_pid), 's, Overshoot = ', num2str(overshoot_pid)]);
disp(['Fuzzy Control: Rise Time = ', num2str(rise_time_fuzzy), 's, Overshoot = ', num2str(overshoot_fuzzy)]);
disp(['Fuzzy PID Control: Rise Time = ', num2str(rise_time_fuzzy_pid), 's, Overshoot = ', num2str(overshoot_fuzzy_pid)]);

八、实验总结与心得体会

在实验过程中，我们学习了PID控制、模糊控制和模糊PID控制的基本原理，并通过MATLAB/Simulink搭建了相应的控制系统模型。通过对三种控制方法的对比分析，我们可以发现每种方法都有其优缺点，在实际应用中需要根据具体需求选择合适的控制策略。
在这里插入图片描述
编写一个MATLAB/Simulink模型的代码，该模型包含阶跃输入、PID控制器、传递函数和输出显示。我们将按照您的要求设置阶跃时间为100，初始值为0，终值为1，并使用PID控制器控制系统的输出跟踪该阶跃输入。

步骤 1: 创建一个新的Simulink模型

% 创建一个新的Simulink模型
new_system('PID_Control_Model');
open_system('PID_Control_Model');

步骤 2: 添加必要的模块

从Simulink库中添加以下模块到模型中：

Step (simulink/Sources/Step)
PID Controller (simulink/Continuous/PID Controller)
Transfer Fcn (simulink/Continuous/Transfer Fcn)
Scope (simulink/Sinks/Scope)

步骤 3: 设置模块参数

3.1 阶跃输入（Step）

add_block('simulink/Sources/Step', 'PID_Control_Model/Step_Input');
set_param('PID_Control_Model/Step_Input', 'Time', '100', 'Amplitude', '1', 'InitialValue', '0');

3.2 PID控制器

add_block('simulink/Continuous/PID Controller', 'PID_Control_Model/PID_Controller');
set_param('PID_Control_Model/PID_Controller', 'P', 'Kp', 'I', 'Ki', 'D', 'Kd', 'FilterCoefficient', 'N');

注意：请根据您的具体需求替换Kp, Ki, Kd和N的值。

3.3 传递函数（Transfer Fcn）

add_block('simulink/Continuous/Transfer Fcn', 'PID_Control_Model/Transfer_Function');
set_param('PID_Control_Model/Transfer_Function', 'Numerator', '[1]', 'Denominator', '[100000 10000 1]');

3.4 输出显示（Scope）

add_block('simulink/Sinks/Scope', 'PID_Control_Model/Scope');

步骤 4: 连接模块

add_line('PID_Control_Model', 'Step_Input/1', 'PID_Controller/1');
add_line('PID_Control_Model', 'PID_Controller/1', 'Transfer_Function/1');
add_line('PID_Control_Model', 'Transfer_Function/1', 'Scope/1');

步骤 5: 设置仿真参数并运行

% 设置仿真时间
set_param('PID_Control_Model', 'StopTime', '3000', 'Solver', 'ode45');

% 保存模型
save_system('PID_Control_Model');

步骤 6: 定量分析系统性能

在MATLAB命令窗口中，您可以使用以下代码来加载仿真数据并进行定量分析：

% 加载仿真数据
load('PID_Control_Model.mat');

% 提取输出数据
output = out.PID_Control_Model.ScopeData(:, 2);

% 计算性能指标（例如：上升时间、超调量、调节时间等）
rise_time = find(output >= 0.9 * max(output), 1, 'first') * 0.01;
overshoot = max(output) / max(output) - 1;

% 显示结果
disp(['Rise Time = ', num2str(rise_time), 's']);
disp(['Overshoot = ', num2str(overshoot)]);