模糊PID基本原理及Simulink仿真实现

模糊PID基本原理及Simulink仿真实现,向大佬致敬https://blog.csdn.net/qq_41913616/article/details/82020685
以下未说明的都为转载内容转自https://blog.csdn.net/weixin_36340979/article/details/79168052


在讲解模糊PID前,我们先要了解PID控制器的原理(本文主要介绍模糊PID的运用,对PID控制器的原理不做详细介绍)。PID控制器(比例-积分-微分控制器)是一个在工业控制应用中常见的反馈回路部件,由比例单元P、积分单元I和微分单元D组成。PID控制的基础是比例控制;积分控制可消除稳态误差,但可能增加超调;微分控制可加快大惯性系统响应速度以及减弱超调趋势。

1.1传统PID控制

传统PID控制器自出现以来,凭借其结构简单、稳定性好、工作可靠、调整方便等优点成为工业控制主要技术。当被控对象的结构和参数具有一定的不确定性,无法对其建立精确的模型时,采用PID控制技术尤为方便。PID控制原理简单、易于实现,但是其参数整定异常麻烦。对于小车的速度控制系统而言,由于其为时变非线性系统不同时刻需要选用不同的PID参数,采用传统的PID控制器,很难使整个运行过程具有较好的运行效果。

1.2模糊PID控制

模糊PID控制,即利用模糊逻辑并根据一定的模糊规则对PID的参数进行实时的优化,以克服传统PID参数无法实时调整PID参数的缺点。模糊PID控制包括模糊化,确定模糊规则,解模糊等组成部分。小车通过传感器采集赛道信息,确定当前距赛道中线的偏差E以及当前偏差和上次偏差的变化ec,根据给定的模糊规则进行模糊推理,最后对模糊参数进行解模糊,输出PID控制参数。

2.1模糊化

模糊控制器主要由三个模块组成:模糊化,模糊推理,清晰化。具体如下图所示。而我们将一步步讲解如何将模糊PID算法运用到智能车上。(最好用笔一步步自己写一遍!!!)

首先我们的智能车会采集到赛道的相关数据,例如摄像头车,其采集到的数据经过算法处理之后会得到与中线的偏差E,以及当前偏差和上次偏差的变化(差值)EC两个值(即此算法为2维输入,同理也可以是1维和3维,但2维更适合智能车)。例如此时车偏离中线的距离为150,而上一时刻偏离中线的距离为120,则E为150,EC为150 - 120 = 30。

其次我们要对这两个值进行模糊化。这里我们对E进行举例。摄像头车采集回来的E是有范围的,即与中线的偏差是在一个区间内可行的。在这里我们假设该区间为-240到240,即小车偏离中线的最大距离为240,正负即为左右。再假设中线偏差变化率的可行区间为-40到+40。

接着我们要对这两个值进行模糊化。我现在将E的区间(-240 到 240)分成8个部分,那么他们分别为-240 ~ -180,-180 ~ -120 ,-120 ~ -60,-60 ~ 0,0 ~ 60,60 ~ 120,120 ~ 180,180 ~ 240。然后我们把-180,-120,-60,0,60,120,180分别用NB,NM,NS,ZO,PS,PM,PB表示(个人理解N为negative,P为positive,B为big,M为middle,S为small,ZO为zero)。例如,当E = 170时,此时的E属于PM和PB之间,而此时的E也会对应2(或1)个隶属度。E隶属于PM(120)的百分比为(180 - 170) / (180 - 120) = 1 / 6 ,而同理隶属于PB(180)的百分比为(170 - 120) / (180 - 120) = 5 / 6 。意思就是120到180进行线性分割了,E离PM和PB哪个更近,则隶属于哪个就更大(当输出值E大于180(PB)时,则隶属度为1,隶属度值为PB,即E完全隶属于PB,同理当E小于 - 180 (NB)时也一样)。同理也可以对EC进行模糊化。

2.2 模糊推理

对于采集回来的E和EC,我们可以推出它们各所占的隶属度,此时我们可以根据模糊规则表去找出输出值所对应的隶属度。

我们假设为E的两个隶属度值为PM、PB,E属于PM的隶属度为a(a < 1),则属于PB的隶属度为(1 - a)。再假设EC的两个隶属度值为NB、NM,EC属于NM的隶属度为b,则属于NB的隶属度为(1 - b)。而在假设中,E属于PM的隶属度为a,EC属于NB的隶属度为( 1 - b ),则输出值属于ZO的隶属度为a *( 1 - b )(看图)。

同理我们可以得出,当输出值属于ZO的另外两个隶属度为a \* b, ( 1 - a ) \* ( 1 - b) ,而输出值属于NS的隶属度为( 1 - a ) \* 1 - b
在这里我们先证明一个条件,将这四个隶属度加起来,刚好等于1。这是因为(a + (1 - a)) \* (b + (1 - b)) = a \* b + ( 1 - a ) \* b + a \* ( 1 - b ) + ( 1 - a ) \* ( 1 - b ) (下图)即一个十字相乘的概念。这个等式说明输出值的隶属度之和等于1(第三步求解的时候需要用到隶属度之和)。

因此,我们知道了输出值为ZO的隶属度和为 a \* b + a \* ( 1 - b ) + ( 1 - a ) \* ( 1 - b ) ,输出值为NS的隶属度为 ( 1 - a ) \* b

2.3 清晰化

对于输出值,我们同样采用给予隶属度的办法。例如,我们把输出值假设为[1000,1400](即舵机的摆角值范围)的区间同样划分为八个部分,即7个隶属值NB,NM,NS,ZO,PS,PM,PB。根据上一步所得出的结论,我们就可以用隶属度乘以相应的隶属值算出输出值的解,即 (a \* b + a \* ( 1 - b ) + ( 1 - a ) \* ( 1 - b ) ) \* ZO + ( 1 - a ) \* b \* NS。到此为止,整个模糊过程就结束了。

3 模糊PID

我们已经知道了整个模糊的过程,但上述的过程还不够完美。因为我们的输出值只有一个输出,并没有实现PID。因此我们可以先对E和EC进行模糊化,然后分别对kp和ki和kd(PID的三个参数)进行求解,再套入公式。

一般的我们也可以只用kp,kd,不用ki。而模糊规则表一般的论文已经基本给出。因此带入算法之后我们的难度也只是在于调节kp,kd,和适当调节规则表。当然调节的难度会大于普通的PID,因为还要定kp,kd的输出范围,调得不好可能效果并没有普通的PID好。

4.部分解释

4.1对于部分论文所说的重心法解模糊,其实就是上述方法。公式如下。

式中μ(Zi) \* Zi相当于文章上面的(a \* b + a \* ( 1 - b ) + ( 1 - a ) \* ( 1 - b ) ) \* ZO + ( 1 - a ) \* b \* NS,即隶属度乘以隶属度值之和,而μ(Zi)之和就是输出值的隶属度之和,我们已经证明它是等于1的

PS:模糊控制表在相关书籍中都有,都是前辈的经验,一般的无需修改即可,不过如果自己要配自己的数据也可以自己配,逻辑关系理清楚就可以了,反正我自己理来理去还是挺锻炼对pid三个变量的理解的,当然不止pid,模糊控制也可以单独使用,很灵活的,重点就是各个参数范围确定,这是影响模糊控制最重要的因素。

2.转自 https://blog.csdn.net/akunainiannian/article/details/41130347

matlab版本:matlab2010b
第一步:利用matlab模糊控制工具箱设计模糊控制器。

1、在matlab命令窗口中输入 fuzzy ,产生如下窗口。

2、确定模糊控制器结构,即根据具体的系统确定输入、输出量。

这里我们可以选取标准的二维控制结构,即输入为误差e和误差变化ec,输出为控制量u。输入变量的添加通过 Edit -> Add Variable -> Input 实现。

3、语言值及隶属函数的确定。

首先我们要确定描述输入输出变量语言值的模糊子集,如{NB,NM,NS,ZE,PS,PM,PB},并设置输入输出变量的论域,例如我们设置误差E、误差变化EC的论域为[-6 6],控制量U的论域为[-10 10];然后为模糊语言变量选取相应的隶属度函数。通过 Edit -> Membership Functions 打开隶属度函数编辑器,然后分别对输入输出变量定义论域范围,添加隶属函数,以E为例,设置论域范围为[-6 6],添加隶属函数的个数为7。(注:隶属度函数编辑器初始时已为每个变量定义了3个隶属函数,再通过 Edit -> Add MFs 添加隶属函数时,个数选择4即可)

4、模糊控制规则的制定。

对于我们这个二维控制结构以及相应的输入模糊集,我们可以制定49条模糊控制规则。

5、解模糊。

模糊控制器的输出量是一个模糊集合,通过解模糊化方法判决出一个确切的精确量,解模糊化方法很多,我们这里选取重心法。

6、保存建立的模糊控制器。

File -> Export -> To File,文件名为 fuzzy_control。

第二步:建立Simulink模型。

1、在matlab命令窗口中输入simulink,产生如下窗口。

2、新建模糊控制器模型,样式如下。

3、在matlab命令窗口下输入 fuzzy = readfis(‘fuzzy_control’) ,将之前建立的模糊控制器加载到工作空间,并将Fuzzy Logic Contrtoller的参数设置为fuzzy。

4、保存该模型,命名为 fuzzy_model

第三步:系统测试界面的设置。

1、通过 Tools -> System Test -> Launch System Test 进入系统测试界面。

2、添加测试模型。

鼠标选中Main Test ,菜单栏 Insert -> Test Element -> Simulink ,选择第二步中建立的模型 fuzzy_model 。

3、变量定义。

在Test Vectors 项里定义两个测试向量,变量名分别为 input1、input2,input1 = [-6:1:6], input2 = [-6:1:6];在Test Variables 里定义测试变量,变量名为output。

4、变量映射。

把测试向量input1、input2分别映射到模糊控制器的输入口 in1、in2,做为输入测试信号。把测试变量 output 映射到模糊控制器输出口out1。设置后的界面如下:

输入测试向量到模糊模型输入口映射:

模糊控制器输出保存映射:

5、测试数据保存。

在测试界面点Save Results项,设置如下:

6、运行测试,注意在Main Test(169 Iterations)(169次迭代,运算代价),等待测试结束。

第四步:模糊控制查询表的生成

1、系统测试结果保存在 stresults.ResultsDataSet.output 中,为169*1 cell的单元数组。(注:单元cell为 [n*1 double] 结构,表示系统被测试了n次)。

2、在matlab命令窗口下输入 test_data = stresults.ResultsDataSet.output ,将测试结果另存在变量 test_data 中。

3、测试结果格式转换。

由于所建的二维查询表为13行13列,所需的数据应该为13*13 double数组,但因为test_data为 169*1 cell 的单元数组,无法直接作为表格数据输入,因此需先进行格式转换。

在matlab命令窗口下输入 table_data = Cell2Array( test_data , 1 , 13 , 13 ) ,调用Cell2Array函数,取每个单元数组中的第一行元素,即第一次测试数据,返回结果保存在 table_data 中。

源码如下:

4、新建二维查询表模型,样式如下:

5、点开二维查询表进行如下设置:

6、点 Edit 按钮,即可查看所生成的表格。

PS:以上两篇就是我基本完成的教程了,matlab因为自己不怎么熟,所以折腾了挺久的,基本就是从matlab什么都不懂到可以完成这个仿真,然后我也把新手可能出现的一些问题讲讲吧。

看了第一篇之后到matlab模糊控制器的设置保存应该问题不大,之后就是建立仿真模型,因为从来没用过所以一窍不通,我的版本是2016b,界面也和上面的有些不同,可是吃了点苦头,所以以下就是给新手看看的,不要笑我教的简单哈

首先,simulink界面不同,我的是新版的

是这样的界面,刚开始一脸懵逼不知道怎么建立仿真模型

之后随便点一个建立一个新的就好

这个界面之后点那个Library Browser,里面有需要的元素,你就按上面那个图把元素都复制过来就好

注意那个fuzzy的图标,改变输出的个数是双击它有选项,我当初找了半天硬是找不到,,

把该加的东西都放进去,连接好

然后在matlab命令行里把之前保存的模型读取出来

用readfis命令把之前保存的数据赋给变量fuzzy,模型名字你们取得是什么就写什么

之后在仿真fuzzy图形上双击,把参数设成fuzzy,就是上面的步骤

最后就是test了,很坑啊,matlab2016a之后的版本就没有那个功能了,所以得用下别人的软件来做最后的测试,之后就看着慢慢设置就好,我只做到了测试运行那一步,因为参数还要调整所以就没到之后导表

大概就这么多了,其实都是给新手讲的,也想给自己留着复习复习,还有感谢各位在csdn里留下的各种学习资料,谢谢

PID控制是一种基于比例、积分、微分三个控制参数的控制算法,广泛应用于工业控制领域。其中模糊PID是一种在传统PID控制基础上引入模糊控制理论的改进算法,具有更好的稳定性和鲁棒性。 在Simulink中,模糊PID也可以实现。首先,需要在控制系统中引入模糊控制器模块。在模糊控制器中,包含了输入信号、输出信号、模糊化、逻辑运算、规则库和解模糊等子模块。其中,输入信号是控制器要控制的系统输入信号;输出信号是控制器输出的控制信号;模糊化模块将输入信号转换成模糊量;逻辑运算模块根据规则库进行模糊逻辑运算;规则库包含了一系列模糊规则,用来描述控制器的控制策略;解模糊模块将模糊结果转化为确定性的控制信号。 在模糊PID中,常用的模糊化方法有三角函数和梯形函数。三角函数是将输入信号分成若干个等宽的三角形,梯形函数是将输入信号分成若干个梯形。在逻辑运算模块中,常用的模糊运算有:模糊交、模糊和、模糊非等。在模糊控制器调试过程中,通过修改模糊规则库中的参数,可以实现对控制器控制效果的调节和优化。 总之,在Simulink实现模糊PID控制器需要引入模糊控制器模块,设置模糊化方法、模糊规则库和解模糊方法等参数。正确使用模糊PID控制器,可以实现对控制系统的有效控制。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值