基于simulink的模糊PID控制系统建模与仿真

目录

1.理论基础

1.1 PID控制器基础

1.2 模糊逻辑基础

1.3 模糊规则

1.4 模糊PID控制策略

1.5 解模糊

2.simulink模型

3.仿真结果

---

1.理论基础

       模糊PID控制系统是一种结合了经典PID控制技术和模糊逻辑理论的智能控制系统。这种系统能够处理那些难以建模或者模型复杂、非线性的过程，并且能够通过调整PID参数来实现更佳的控制性能。

1.1 PID控制器基础

       PID控制器是一种广泛应用的反馈控制系统，由比例（Proportional）、积分（Integral）和微分（Derivative）三个部分组成。其输出可以表示为：

其中：

• u(t) 是控制器的输出；
• e(t)=r(t)−y(t) 是误差信号，r(t) 是参考输入，y(t) 是被控对象的实际输出；
• Kp​ 是比例增益；
• Ki​ 是积分增益；
• Kd​ 是微分增益。

       通过对三个系数的不同赋值，可改变闭环系统的全部或部分极点的位置，从而改变系统的动态性能。由于PID调节器只有三个任意赋值的系数，因此只能对固有传递函数是一阶和二阶的系统进行极点位置的任意配置。

1.2 模糊逻辑基础

      模糊逻辑是处理不确定性和模糊性的一种方法，它允许使用自然语言描述规则，例如“如果误差很大，则输出应该很大”。

       模糊隶属函数用来量化一个值属于某个模糊集的程度。常见的模糊隶属函数形状包括三角形、梯形和高斯型等。例如，对于误差e，我们可以定义几个模糊集，如“负大”（NB）、“负中”（NM）、“负小”（NS）、“零”（Z）、“正小”（PS）、“正中”（PM）和“正大”（PB）。这些模糊集可以通过以下隶属函数来定义：

      输入E、EC和输出、的模糊集论域采用Mamdani类型，模糊语言集合为{NB，NM，NS，ZO，PS，PM，PB}，在MATLAB中，使用模糊函数编辑工具设计上述讲述的模糊模糊集和隶属函数。常用的隶属函数有梯形分布、三角形分布和正态分布等。      隶属函数的类型决定了系统的控制性能，隶属函数中的曲线斜率越大，其模糊分辨率就越高，系统的控制性能就越低，隶属函数中的曲线斜率越小，其模糊分辨率就越低。系统的控制性能就越高，系统稳定性就越高。

1.3 模糊规则

       模糊控制规则表建立的基本原则为，当误差较大的时候，应尽快的消除误差，而当误差较小的时候，应消除可能存在的超调。就是说，如果实际值和和期望值的偏差负大，而且偏差变化率为负中时，则需要使得Id的输出量为正大。由模糊语言的等级可以得知，模糊控制规则有49条模糊条件语句。通常情况下，模糊规则如表所示。

       模糊规则用于连接输入和输出变量，通常形式为：“IF 输入A THEN 输出B”。例如，一条模糊规则可以表述为：

这里 Δe 和 Δu 分别代表误差的变化率和控制量的变化率。

这里fis文件定义如下：

[Rules]

1 1, 7 1 5 (1) : 1

1 2, 7 1 3 (1) : 1

1 3, 6 2 1 (1) : 1

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 3 (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

1.4 模糊PID控制策略

在模糊PID控制系统中，模糊逻辑用于动态调整PID参数。具体步骤如下：

错误和变化率的模糊化

将实际的误差 e 和误差变化率 Δe 映射到相应的模糊集上。

模糊规则评估

根据模糊规则和当前的模糊输入，确定每个模糊输出集的隶属度。

PID参数的模糊推断

利用模糊规则推导出新的PID参数Kp∗​,Ki∗​,Kd∗​。这通常需要一组额外的模糊规则，例如：

解模糊

将模糊输出转换成清晰的数值。常用的方法有重心法、最大隶属度法等。

1.5 解模糊

       最后就是反模糊化，所谓的反模糊化，就是根据模糊推理规则计算出控制器的输出，在通常情况下，反模糊算法主要有加权平均法、限幅元素平均法等算法。将模糊输出转换成清晰的数值。常用的方法有重心法、最大隶属度法等up4129。

2.simulink模型

3.仿真结果

       模糊PID控制系统通过结合传统PID控制与模糊逻辑的优势，提供了一种灵活而强大的控制方案。它可以有效地处理复杂的非线性系统，并能够通过调整模糊规则和隶属函数来优化控制性能。在实际应用中，模糊PID控制器已经成功地应用于各种工业过程和自动化系统中，显示出了良好的鲁棒性和适应性。