logo资料库

智能控制大作业.doc

发布时间：2022-06-12 发布人：admin 分类：说明书 资料大小：0.32M 资料格式：doc 举报 版权申诉
第1页 / 共20页
第2页 / 共20页
第3页 / 共20页
第4页 / 共20页
第5页 / 共20页
第6页 / 共20页
第7页 / 共20页
第8页 / 共20页
资料共20页，剩余部分请下载后查看
    智能控制大作业 姓名： 何成东 学号： S0703234 专业： 导航、制导与控制
    模糊控制器部分大作业 G  已知  s   1 s 5 2  2 s  3  0.5 s e  ，分别设计 PID 控制与模糊控制，使系统达 到较好性能，并比较两种方法的结果。 具体要求： 1、分别采用 fuzzy 工具箱和编程实现模糊控制器。 2、分析量化因子和比例因子对模糊控制器控制性能的影响。 3、分析系统在模糊控制和 PID 控制作用下的抗干扰能力(加噪声干扰)、抗 非线性能力(加死区和饱和特性)以及抗时滞的能力(对时滞大小加以改变)。 4、讨论系统在模糊控制和 PID 控制作用下的时间参数和结构变化下的抗干 扰能力。 模糊控制部分大作业旨在利用模糊控制器和 PID 控制器实现对已知系统的 控制，分别得到较好的控制效果。然后改变系统的参数、结构或者加入非线性环 节，以验证模糊控制器的鲁棒性能。以下是作业过程： 1、PID 控制 考虑到系统中存在纯延迟环节，使得系统的稳定性大大降低。如果系统的反 馈信号没有延迟，系统的响应特性将会得到很好的改善。因此，对于存在纯滞后 环节的系统，特别是大延迟过程，一般采用 Smith 预估控制，即将纯滞后补偿模 型与 PID 控制器并接。本题中，延迟环节的时间常数不是很大，仅为 0.2，因此 基本上不会影响系统的稳定，采用常规 PID 控制也基本可以达到很好的控制效 果。常规 PID 控制框图如图 1-1（相应文件：PID.mdl） PID Step PID Controller 5 s+1 1 2 s +2s+3 Transfer Fcn Transfer Fcn1 r u To Workspace To Workspace1 Transport Delay Scope c To Workspace2 图 1-1 常规 PID 控制框图
    PID 参数选取： 38.0pK ， .0iK 285 ， 1.0dK 常规 PID 控制的单位阶跃响应曲线： 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0 2 4 6 8 10 12 14 16 18 20 2．模糊控制 图 1-2 常规 PID 控制响应曲线 模糊控制规则（相应文件：zdh.fis） E EC NB NM NS NZ PZ PS PM PB NB NB NB NM NM NM NS ZE ZE 表 1.1 模糊控制规则 NM NB NB NM NM NM NS ZE ZE NS NB NB NM NS NS ZE PM PM ZE NB NB NM ZE ZE PM PB PB PS NM NM ZE PS PS PM PB PB 各变量论域 输入变量：E：[-6 6]；EC：[-6 6]； 输出变量：U：[0 7] 语言变量 E： NB、NM、NS、NZ、PZ、PS、PM、PB（8 个） EC：NB、NM、NS、ZE、PS、PM、PB（7 个） U： NB、NM、NS、ZE、PS、PM、PB（7 个） 各变量隶属度函数：三角形函数（trimf） PM ZE ZE PS PM PM PM PB PB PB ZE ZE PS PM PM PM PB PB
    模糊推理：Mamdani 推理法 去模糊化：中位数法（bisector） 模糊控制框图（相应文件：mohu.mdl） Step 1.7 Gain1 du/dt 0.5 Derivative Gain Fuzzy Logic Controller -K- Gain2 5 s+1 1 2 s +2s+3 Transfer Fcn Transfer Fcn1 Transport Delay Scope c To Workspace2 Scope1 Scope2 图 1-3 模糊控制框图 选取量化因子： 选取比例因子： 7.1eK .0uK ， 171 5.0ecK 模糊控制响应曲线 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0 2 4 6 8 10 12 14 16 18 20 图 1.4 模糊控制响应曲线 在模糊控制器的设计过程中，选择合适的论域和量化因子、比例因子是至关 重要的。量化因子 ek 选择过大，系统超调较大，过渡过程较长； eck 选择过大， 系统超调较小，但是响应速度变慢；比例因子 uk 选择过大导致系统振荡，过小时 系统响应过程变长。 3、在模糊控制和 PID 控制中分别加死区、饱和特性以及对时滞大小加以改变。 1）加死区非线性响应曲线比较（如图 1-5） 死区参数为（-0.5 0.5）
    1.4 1.2 1 0.8 0.6 0.4 0.2 0 0 1 0.8 0.6 0.4 0.2 0 0 2 4 6 8 10 12 14 16 18 20 (a)PID 控制加死区 2 4 6 8 10 12 14 16 18 20 (b)模糊控制加死区 图 1-5 PID 与模糊控制加死区后的响应曲线比较 比较结果可见，模型控制没有 PID 控制的好 2）加饱和非线性响应曲线比较（如图 1-6） 饱和参数为（-0.6 0.6） 1 0.8 0.6 0.4 0.2 0 0 2 4 6 8 10 12 14 16 18 20 （a）PID 控制加饱和
    1 0.8 0.6 0.4 0.2 0 0 2 4 6 8 10 12 14 16 18 20 （b）模糊控制加饱和 图 1-6 PID 与模糊控制加饱和后的响应曲线比较 3）改变时滞大小响应曲线比较（如图 1-7） 时滞为 1.5，响应曲线如下： 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0 2 4 6 8 10 12 14 16 18 20 (a)PID 控制加时滞 2 4 6 8 10 12 14 16 18 20 （b）模糊控制加时滞 图 1-7 改变时滞大小的 PID 与模糊控制响应曲线比较
    由以上两图可知，改变时滞大小以后，PID 控制的控制效果明显变差，而模 糊控制的控制效果则相对较好，说明模糊控制较 PID 控制有更好的抗时滞能力。 神经网络控制部分大作业 G  已知  s   1 s 5 2  2 s  3  0.5 s e  ，分别设计 PID 控制与神经网络控制器，使 系统达到较好性能，并比较两种方法的结果。 具体要求： 1、采用编程实现神经网络控制器。 2、分析神经网络层数和神经元个数对神经网络控制器控制性能的影响。 3、分析系统在神经网络控制和 PID 控制作用下的抗干扰能力(加噪声干扰)、 抗非线性能力(加死区和饱和特性)以及抗时滞的能力(对时滞大小加以改变)。 4、为系统设计神经网络 PID 控制器。 首先设计 PID 控制器实现对已知系统的控制，然后利用 PID 控制器的采样样 本对神经网络进行训练，用训练好的神经网络来控制系统。然后对加入非线性环 节，以验证神经网络控制器的鲁棒性能。 1、PID 控制 这里采用模型与模糊控制中的 PID 控制模型相同，只是将参数改变了一下， 即取 27.0pK ， 23.0iK ， 1.0dK ，单位阶跃响应仿真结果如图 2-1 所示
    1.4 1.2 1 0.8 0.6 0.4 0.2 0 0 2 4 6 8 10 12 14 16 18 20 图 2-1 PID 控制单位阶跃响应 2、神经网络控制 利用采集的样本，采用 BP 算法进行神经网络训练。训练程序为： p=r'; t=u'; net=newff([-1 1],[ 20 10 1],{ 'tansig' 'tansig' 'purelin'}); net.trainparam.epochs=1000; net.trainparam.goal=0.0001; net=train(net,p,t); gensim(net,-1) 利用得到的神经网络控制器进行仿真，控制模型如下图所示： Step p{1} y {1} 5 s+1 1 2 s +2s+3 Neural Network1 Transfer Fcn Transfer Fcn1 Transport Delay Scope z To Workspace2 图 2-2 神经网络控制模型框图
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料