智能控制技术作业1
- 格式:docx
- 大小:296.94 KB
- 文档页数:8
(完整版)智能控制作业12013-2014第⼆学期“智能控制”作业1姓名:张春风学号:130******** 专业:机械电⼦⼯程1、模糊性与随机性有哪些异同?答:同:模糊性由于事物类属划分的不分明⽽引起的判断上的不确定性;随机性是由于条件不充分⽽导致的结果的不确定性。
所以,它们都表⽰不确定性。
异:随机性反映了因果律的破缺;模糊性所反映的是排中律的破缺。
随机性现象可⽤概率论的数学⽅法加以处理,模糊性现象则需要运⽤模糊数学。
2、模糊控制的应⽤领域如何?答:航空航天,⽆⼈驾驶车辆,⽣产调度系统,能源⽣产系统,过程控制系统,机器⼈ 3、⽐较模糊集合与普通集合的异同?答:异:(1)普通集合是指具有某种属性的对象的全体。
这种属性所表达的概念应该是清晰的,界限分明的。
因此每个对象对于集合的⾪属关系也是明确的,⾮此即彼。
模糊集合就是指具有某个模糊概念所描述的属性的对象的全体。
由于概念本⾝不是清晰的、界限分明的,因⽽对象对集合的⾪属关系也不是明确的、⾮此即彼的。
(2)普通集合的表⽰法有列举法、描述法、图⽰法、⾃然语⾔。
模糊集合表⽰法有Zadeh 表⽰法、向量表⽰法、序偶表⽰法。
同:都属于集合,同时具备集合的基本性质。
4、设某种商品有8个不同的商标,商标构成的论域为{}821,,,x x x U Λ=,B A ,为论域U 上的两个模糊集,A 表⽰“商誉⾼”,B 表⽰“价格合理”,已知{}3.04.05.06.07.04.06.08.0=A {}7.06.05.04.08.06.04.07.0=B试计算B A I ,B A Y ,CA ,CB答:由交,并,补的定义可得A ∩B={0.7 0.4 0.4 0.7 0.4 0.5 0.4 0.3} A ∪B={0.8 0.6 0.6 0.8 0.6 0.5 0.6 0.7} A C ={0.2 0.4 0.6 0.3 0.4 0.5 0.6 0.7}BC ={0.3 0.6 0.4 0.2 0.6 0.5 0.4 0.3}5、设论域{}54321,,,,x x x x x U =,A 及B 为论域U 上的两个模糊集,已知5432118.06.04.02.0x x x x x A ++++=54313.017.01.0x x x x B +++=试计算:B A I ,B A Y ,C A ,CB ,CB A Y , CA A Y ,CA A I ,B A ?,B A +,B A ⊕,B A ο。
智能控制实验报告一.专家控制一系统的传递函数为24G()s2s s=+采用专家PID控制,输入信号为阶跃信号,用MATLAB进行仿真,取采样时间为0.001s,图1.1为阶跃响应曲线,图1.2为误差变化曲线。
图1.1专家PID控制阶跃响应曲线图1.2误差变化曲线专家PID控制仿真程序如下:%Expert PID Controllerclear all;close all;ts=0.001;sys=tf(4,[1,2,0]);dsys=c2d(sys,ts,'z');[num,den]=tfdata(dsys,'v');u_1=0.0;u_2=0.0;y_1=0;y_2=0;x=[0,0,0]';x2_1=0;kp=600;ki=2;kd=47;error_1=0;for k=1:1:1000time(k)=k*ts;rin(k)=1.0; %Tracing Jieyue Signal u(k)=kp*x(1)+kd*x(2)+ki*x(3); %PID Controller%Expert control ruleif abs(x(1))>0.8 %Rule1:Unclosed control firstly u(k)=0.45;elseif abs(x(1))>0.40u(k)=0.40;elseif abs(x(1))>0.20u(k)=0.12;elseif abs(x(1))>0.01u(k)=0.10;endif x(1)*x(2)>0|(x(2)==0) %Rule2if abs(x(1))>=0.05u(k)=u_1+2*kp*x(1);elseu(k)=u_1+0.4*kp*x(1);endendif (x(1)*x(2)<0&x(2)*x2_1>0)|(x(1)==0) %Rule3u(k)=u(k);endif x(1)*x(2)<0&x(2)*x2_1<0 %Rule4if abs(x(1))>=0.05u(k)=u_1+2*kp*error_1;elseu(k)=u_1+0.6*kp*error_1;endendif abs(x(1))<=0.001 %Rule5:Integration separation PI control u(k)=0.5*x(1)+0.010*x(3);end%Restricting the output of controllerif u(k)>=1000u(k)=1000;endif u(k)<=-1000u(k)=-1000;end%Linear modelyout(k)=-den(2)*y_1-den(3)*y_2+num(1)*u(k)+num(2)*u_1+num(3)*u_2; error(k)=rin(k)-yout(k);%----------Return of PID parameters------------%u_2=u_1;u_1=u(k);y_2=y_1;y_1=yout(k);x(1)=error(k); % Calculating Px2_1=x(2);x(2)=(error(k)-error_1)/ts; % Calculating Dx(3)=x(3)+error(k)*ts; % Calculating Ierror_1=error(k);endfigure(1);plot(time,rin,'b',time,yout,'r'); xlabel('time(s)');ylabel('rin,yout'); figure(2);plot(time,rin-yout,'r');xlabel('time(s)');ylabel('error');二.模糊PID 控制一系统的传递函数为:采用模糊自适应PID 控制,输入信号为阶跃信号,用MATLAB 进行仿真,取采样时间为0.001s 。
基于神经模糊控制的洗衣机设计20世纪90年代初期,日本松下电器公司推出了神经模糊控制全自动洗衣机。
这种洗衣机能够自动判断衣物的质地软硬程度、洗衣量、脏污程度和性质等,应用神经模糊控制技术,自动生成模糊控制规则和隶属度函数,预设洗衣水位、水流强度和洗涤时间,在整个洗衣过程中实时调整这些参数,以达到最佳的洗衣效果。
一、洗衣机的模糊控制洗衣机的主要被控变量为洗涤时间和洗涤时的水流强度,而影响输出变量的主要因子是被洗涤物的浑浊程度和浑浊性质,后者可用浑浊度的变化率来描述。
在洗涤过程中,油污的浑浊度变化率小,泥污的浑浊度变化率大。
因此,浑浊度及其变化率可以作为控制系统的输入变量,而洗涤时间和水流强度可作为控制量,即系统的输出。
实际上,洗衣过程中的这类输入和输出之间很难用数学模型进行描述。
系统运行过程中具有较大的不确定性,控制过程在很大程度上依赖操作者的经验,这样一来,利用常规的方法进行控制难以奏效。
然而,如果利用专家知识进行控制决策,往往容易实现优化控制,这就是在洗衣机中引入模糊控制技术的主要原因之一。
根据上述的洗衣机模糊控制基本原理,可得出确定洗涤时间的模糊推理框图如下:其中,模糊控制器的输入变量为洗涤水的浑浊度及其变化率,输出变量为洗涤时间。
考虑到适当的控制性能需要和简化程序,定义输入量浑浊度的取值为:浑浊度={清,较浊,浊,很浊}定义输入量浑浊度变化率的取值为:浑浊度变化率={零,小,中,大}定义输出量洗涤时间的取值为:洗涤时间={短,较短,标准,长}显然,描述输入/输出变量的词集都具有模糊性,可以用模糊集合来表示。
因此,模糊概念的确定问题就直接转化为求取模糊集合的隶属函数问题。
暂不考虑模糊控制系统的量化因子和比例因子。
对于洗衣机的模糊控制问题,设其模糊控制器的输入变量(浑浊度和浑浊度变化率)隶属函数的论域均为输入变量论域={0,1,2,3,4,5,6}模糊控制器的输出变量(洗涤时间)隶属度函数的论域为输出变量论域={0,1,2,3,4,5,6,7}每个模糊变量属于上述论域的模糊子集如表1所示。
智能控制11.已知系统的传递函数为:G(s)=^^e g。
假设系统给定为阶跃值r=30,10S+1系统的初始值r(0)=0。
试分别设计常规的PID控制器;常规的模糊控制器;比较两种控制器的控制效果。
解:(1).利用Ziegler-Nichols 整定公式整定PID调节器的初始参数表1.调节器Ziegler-Nichols 整定公式KP TI TDPT /(K T)PI0.9T/(K T) 3.3 TPID1.2T/(K T)2.2 T0.5 T由公式可得\ /常规PID控制器的设计:P=18Ti=1.65Td=O SIMULINK仿真图^Bl*ck FardBCtcrsL Step]—S-tn 口tiJM:F:n且!valae.|35Saocrle tiae:pP iRt^Tpret vect{}r pEiTKHteri AB 1-D1*7 二「二匕二匸匚rzzrinb c -二:"〔二r.QBl*ck rarutt«rs: Tr^nsstrl Dclarp Tf Dfrlaj丄口sir <PE匚LT;td do:口T tp the qrpvt ;iEnJl- n;匚ur*cr i;au订:<hiTi tm delay i i lariE^r t郎an tJifr iinlat^on it»口i;£«上冒itlA* Ln^tLBl iTlDUt'I偌斗设定仿真时间为10s仿真结果CdX1C«l M*lp ApplyU2SJ 厂Direct r*fr;throi;ch at input liiXiiu liJieaxisttian.Pndfl prdflh tfo-T ;incari;ftt iQTL;:A也Q何丹ASS S昌嘩ffl 也| ** C? ® e附币■(2).模糊控制器的设计:1.在matlab命令窗口输入“ fuzzy ”确定模糊控制器结构:即根据具体的系统确定输入、输出量。
"题目1.控制系统的反馈信号使得原来信号增强的叫作(? ?)。
A. 负反馈B. 正反馈C. 前馈D. 回馈答案:正反馈"题目2.下面( )符号代表调节阀。
A. FVB. FTC. FYD. FE答案:FV"题目3.在自动控制系统中,随动系统把( )的变化作为系统的输入信号。
A. 测量值B. 给定值C. 偏差值D. 干扰值答案:给定值"题目4.过渡过程品质指标中,余差表示( )。
A. 新稳态值与给定值之差B. 测量值与给定值之差C. 调节参数与被调参数之差D. 超调量与给定值之差答案:新稳态值与给定值之差"题目5.生产过程自动化的核心是( )装置。
A. 自动检测B. 自动保护C. 自动执行D. 自动调节答案:自动调节"题目6.下列压力计中,能测绝对压力且精度最高的是()。
A. 弹簧管压力计B. 砝码、活塞式压力计C. 电容式压力计D. 电阻式压力计答案:砝码、活塞式压力计"题目7.压力表在现场的安装需( )。
A. 水平B. 倾斜C. 垂直D. 任意角度答案:垂直"题目8.测量氨气的压力表,其弹簧管应用( )材料。
A. 不锈钢B. 钢C. 铜D. 铁答案:不锈钢"题目9.霍尔式压力传感器利用霍尔元件将压力所引起的弹性元件( )转换为霍尔电势实现压力测量。
A. 变形B. 弹力C. 电势D. 位移答案:位移"题目10.活塞式压力计上的砝码标的是( )。
A. 质量B. 压力值C. 千克D. 公斤答案:压力值"题目11.仪表的精度级别是指仪表的( )。
A. 基本误差B. 最大误差C. 最大引用误差D. 基本误差和最大允许值答案:最大引用误差"题目12.若一块压力表量程为0~16MPa,要求测量值的绝对误差小于±0.2MPa,选用( )级的仪表。
A. 1.0级B. 1.5级C. 2.0级D. 0.5级答案:1.0级"题目13.评定仪表品质的主要质量指标是()A. 精度B. 基本误差C. 动态误差D. 系统误差答案:精度"题目14.计算错误所造成的误差是( )。
智能控制专 业 电力电子与电力传动 班 级 姓 名 学 号 教 师作业:已知被控对象传递函数)7.0)(2.0)(1.0(1)(+++=s s s s G ,设计一个模糊控制器,并用遗传算法进行优化。
解:程序:T=0.1; %控制系统采样时间TM=1000; %控制系统运行次数time=zeros(1,TM);%E=zeros(1,TM);kp=0.2;ki=0.002;kd=10;tr=0;%定义初始种群参数N=10; %初始种群数目M=3; %遗传代数varb=3; %语言值个数yout1=zeros(N,TM);yout=zeros(M,TM);fitness=zeros(1,N);%产生初始种群Wn=varb^2;n1=varb^2+varb*2; %每条染色体的长度mfpara1=randint(N,n,[1,varb]); %rule tablemfpara2=-1*rand(N,varb);%mfpara2(1),mfpara2(2),mfpara2(3)分别为an,bn,cn mfpara3=rand(N,varb); %mfpara3(1),mfpara3(2),mfpara3(3)分别为ap,bp,cp init=[mfpara1,mfpara2,mfpara3];%离散化被控对象num=[1];den=conv(conv([1,0.1],[1,0.2]),[1,0.7]);g=tf(num,den);yn=c2d(g,T,'zoh');[tt,ff]=tfdata(yn,'v');%循环开始p=1;while p<=M %循环代数从1到3q=1while q<=N %染色体数从1到10 y=zeros(1,TM);u=zeros(1,TM);er=zeros(1,TM);yr=zeros(1,TM);e1=0;e2=0;E1=0;y1=0;y2=0;y3=0;u1=0;u2=0;u3=0;e=zeros(1,TM);E=zeros(1,TM);for k=1:TM %运行系统yr(k)=1;y(k)=-ff(2)*y1-ff(3)*y2-ff(4)*y3+tt(2)*u1+tt(3)*u2+tt(4)*u3;y3=y2;y2=y1;y1=y(k);u3=u2;u2=u1;e(k)=yr(k)-y(k);er(k)=(e(k)-e1)/T;detae=fu_zzy(init(q,:),e(k),er(k),varb); %调用模糊控制规则程序E(k)=e(k)+detae;u(k)=kp*E(k)+ki*sum(E)+kd*(E(k)-E1);E1=E(k);u1=u(k);e2=e1;e1=e(k);endfor k=1:TMif abs(y(k)-1)<=0.1tr=k*T; %上升时间trbreakendymax=0;for k=1:TMif ymax<y(k)ymax=y(k); %最大输出ymax endendfor k=1:TMera(k)=abs(e(k)); %计算误差绝对值era endaccer=sum(era); %累积误差accer overshoot=(ymax-1)/1; %超调量overshoottrovershootaccer%计算适配值%归一化0—100if (tr>5)|(overshoot>2)|(accer>100)fitness2=0;else tr1=tr*20;overshoot1=overshoot*50;accer1=accer*1;index=[tr1,abs(overshoot1),accer1];fitness1=(0.6*index(1)+1.2*index(2)+1.2*index(3))/3;fitness2=100-fitness1;endfitness(q)=fitness2;y;yout1(q,:)=y;end %一代种群运行完毕fitness[maxfit1,h]=max(fitness);maxfit(p)=maxfit1 %每代的最大适配值存入maxfityout(p,:)=yout1(h,:); %每一代当适配值最大时,系统的阶跃响应输出init=gene_tic(init,fitness,p,N,varb,n,n1); %调用遗传算法优化,得到新的种群p=p+1end %运行3代后结束for k=1:TMtime(k)=k*T;endhold onplot(time,yout(1,:),'r-')plot(time,yout(2,:),'b-')plot(time,yout(3,:),'g-')hold off%遗传算法子程序function init=gene_tic(init,fitness,k,N,varb,n,n1)fitness=fitness;N=N;varb=varb;init=init;%k=p;%复制sumfit=sum(fitness); % 每一代总的适应值sumfitzongfit(k)=sumfit; %保存每一代总的适应值到zongfitsumfit1(1)=fitness(1);for i=2:Nsumfit1(i)=sumfit1(i-1)+fitness(i);endlunpan=round(sumfit*rand(1,N));A=zeros(N,n1);for i=1:Nfor j=1:(N-1)if (lunpan(i)>=0)&(lunpan(i)<=sumfit1(1))A(i,:)=init(1,:);elseif (lunpan(i)>sumfit1(j))&(lunpan(i)<=sumfit1(j+1))A(i,:)=init(j+1,:);endendendinit=A;%交叉pc=0.6; %交叉概率选为0.7Q=rand(1);place=round((n1-1)*rand(1)+1); %产生交叉位match=randperm(N); %产生匹配对的随机序列B=zeros(N,n1);if Q<pcfor i=1:placeB(:,i)=init(:,i);endfor i=place:n1for j=1:(N/2)B(match((j-1)*2+1),i)=init(match(j*2),i);B(match(j*2),i)=init(match((j-1)*2+1),i);endendendinit=B;%变异pm=0.01; %变异概率选为0.01d=round(N*n1*pm); %计算变异位个数if d==0init=init;elseif d==1i=round(N*rand(1)+1);j=round(n1*rand(1)+1);if j<=ninit(i,j)=round((varb-1)*rand(1)+1);%如果是前n位数,则变异为1至VN中的一个elseif j<=n+varbinit(i,j)=-1*randint(1,1,[1,16])*1/16;%如果是n+1至n+3位数,则变异为-1至0之间中的一个elseif j<=n1init(i,j)=randint(1,1,[1,16])*1/16;%如果是n+3至n2位数,则变异为0至1之间中的一个endelseif d>1C=zeros(1,N*n1);x=randint(1,d,[1,N*n1]); %随机产生d个变异位置,存入x中C=reshape(init,[1,N*n1]);%将N行n1列的矩阵init转换为1行N*n1列的矩阵Cfor i=1:dif C(x(i))<0C(x(i))=-1*rand(1);%若变异位为负数,则随机选取(-1,0)之间的小数赋值elseif (C(x(i))>=0)&(C(x(i))<1)C(x(i))=rand(1);%若变异位为小于1的正数,则随机选取(0,1)之间的小数赋值elseif C(x(i))>=1C(x(i))=randint(1,1,[1,varb]);%若变异位大于等于1,则随机选取(1,varb)之间的整数赋值endendinit=reshape(C,[N,n1]);%将变异后的1行N*n1列的矩阵C,转换为N行n1列的矩阵init endinit=init;%模糊控制规则function detae=fu_zzy(init,F,L,varb)if F<=-1 %将系统误差e设定在【-1,1】之间F=-1;elseif F>=1F=1;endif L<=-1 %将系统误差变化er设定在【-1,1】之间L=-1;elseif L>=1L=1;endan=init(10);bn=init(11);cn=init(12);ap=init(13);bp=init(14);cp=init(15);a=newfis('fuzzf');%建立隶属度函数a=addvar(a,'input','F',[-1,1]);a=addmf(a,'input',1,'NL','zmf',[-1,an]);a=addmf(a,'input',1,'ZR','trimf',[an,0,ap]);a=addmf(a,'input',1,'PL','smf',[ap,1]);a=addvar(a,'input','L',[-1,1]);a=addmf(a,'input',2,'NL','zmf',[-1,bn]);a=addmf(a,'input',2,'ZR','trimf',[bn,0,bp]);a=addmf(a,'input',2,'PL','smf',[bp,1]);a=addvar(a,'output','detae',[-1,1]);a=addmf(a,'output',1,'NL','zmf',[-1,cn]);a=addmf(a,'output',1,'ZR','trimf',[cn,0,cp]);a=addmf(a,'output',1,'PL','smf',[cp,1]);%建立规则表rulelist=[1 1 init(1) 1 1;1 2 init(2) 1 1;1 3 init(3) 1 1;2 1 init(4) 1 1;2 2 init(5) 1 1;23 init(6) 1 1;3 1 init(7) 1 1;3 2 init(8) 1 1;3 3 init(9) 1 1];a=addrule(a,rulelist);a1=setfis(a,'DefuzzMethod','mom');writefis(a1,'fuzzf');a2=readfis('fuzzf');%disp('fuzzy controller table:F=[-1 +1],L=[-1 +1]');detae=evalfis([F,L],a2);%模糊控制器输出运行结果:p=1q = 1 tr =1.4000 overshoot = 0.622 accer =28.6146q = 2 tr =2.1000 overshoot = 0.7610 accer = 380.3916 q = 3 tr =3 overshoot =0.2094 accer =26.3599q = 4 tr = 1.9000 overshoot =1.0283 accer = 381.1185 q = 5 tr =1.9000 overshoot = -0.7730 accer =991.5000 q =6 tr =2.3000 overshoot = 0.2950 accer = 83.2724 q = 7 tr = 2.3000 overshoot = -0.8274 accer = 993.9300 q =8 tr =1.4000 overshoot = 0.8295 accer = 352.7047q = 9 tr =1.4000 overshoot =1.2762 accer = 73.6383 q = 10 tr =1.7000 overshoot =0.4293 accer = 29.6175 fitness =Columns 1 through 770.5020 0 73.2688 0 0 51.5914 0 Columns 8 through 100 39.4210 72.7667maxfit =73.2688 76.9673 76.9673p = 2q = 1 tr =3 overshoot =0.2094 accer =26.3599q =2 tr =3 overshoot = 0.2094 accer = 26.3599q =3 tr =1.6000 overshoot = 0.4401 accer =26.0434q = 4 tr =2.3000 overshoot =0.2950 accer =83.2724q =5 tr =2.1000 overshoot =0.2913 accer =23.4939q =6 tr =3 overshoot =0.2094 accer =26.3599q =7 tr =2.2000 overshoot =0.2913 accer =24.4939q =8 tr =1.4000 overshoot =1.1872 accer =533.5753q =9 tr =3 overshoot =0.2094 accer =26.3599q =10 tr =2.3000 overshoot =0.2950 accer =83.2724fitness =Columns 1 through 773.2688 73.2688 74.3815 51.5914 76.3759 73.2688 75.5759 Columns 8 through 100 73.2688 51.5914maxfit =73.2688 76.3759 76.9673p =3q =1 tr =2.1000 overshoot =0.2704 accer =23.0613q =2 tr =2.1000 overshoot =0.2704 accer =23.0613q =3 tr =2.1000 overshoot =0.2704 accer =23.0613q =4 tr =2.1000 overshoot =0.2704 accer =23.0613q =5 tr =2.1000 overshoot =0.2704 accer =23.0613q =6 tr =2.1000 overshoot =0.2704 accer =23.0613q =7 tr =2.1000 overshoot =0.2704 accer =23.0613q =8 tr =2.1000 overshoot =0.2704 accer =23.0613q =9 tr =2.1000 overshoot =0.2704 accer =23.0613q =10 tr =2.1000 overshoot =0.2704 accer =23.0613fitness =Columns 1 through 776.9673 76.9673 76.9673 76.9673 76.9673 76.9673 76.9673 Columns 8 through 1076.9673 76.9673 76.9673maxfit =73.2688 76.3759 76.9673。
智能控制技术参考答案智能控制技术参考答案智能控制技术是指通过计算机、传感器、执行器等设备,对目标系统进行感知、分析和决策,从而实现对系统的智能化控制。
随着科技的不断发展,智能控制技术在各个领域得到了广泛的应用,如工业自动化、智能家居、无人驾驶等。
智能控制技术的核心是人工智能算法。
人工智能算法是一种模拟人类智能行为的计算机算法,能够通过学习和优化来实现智能决策。
常见的人工智能算法有神经网络、遗传算法、模糊逻辑等。
这些算法能够根据输入的数据和规则,自动调整参数和权重,从而实现对目标系统的智能控制。
在工业自动化领域,智能控制技术能够提高生产效率和产品质量。
例如,智能机器人可以代替人工完成繁重、危险的工作,如焊接、搬运等。
智能控制技术还可以实现生产线的自动调度和优化,提高生产线的运行效率。
此外,智能控制技术还可以实现对工业设备的远程监控和故障诊断,及时发现并修复设备故障,提高设备的可靠性和稳定性。
在智能家居领域,智能控制技术能够提高居住环境的舒适度和安全性。
通过智能传感器和执行器,智能控制系统能够实时感知和调节室内温度、湿度、光线等环境参数,使居住环境更加舒适。
智能控制系统还可以实现对家电设备的远程控制和管理,如远程开关灯、调节空调温度等。
此外,智能控制系统还可以实现对家庭安防系统的监控和报警,保护家庭成员的安全。
在无人驾驶领域,智能控制技术是实现无人驾驶的关键。
通过激光雷达、摄像头等传感器,智能控制系统能够实时感知道路、车辆和行人等信息,从而实现自动驾驶。
智能控制系统还可以根据交通规则和驾驶习惯,自动决策和调整行驶速度、转向角度等参数,保证行驶的安全和顺畅。
此外,智能控制系统还可以通过云端数据分析和学习,不断优化驾驶策略,提高驾驶的效率和安全性。
智能控制技术的发展还面临一些挑战。
首先,智能控制技术需要大量的数据进行训练和学习,而获取和处理大量的数据是一项复杂而耗时的任务。
其次,智能控制技术需要高性能的计算设备来支持算法的运行和优化,而高性能计算设备的成本和能耗较高。
智能控制第一次作业指导老师李俊民学院数学与统计学院专业数学与应用数学班级071011学号********学生姓名作业题目:假设输入空间X 和Y 都为[-10,10],输出空间Z 等于[-100,100]。
试在X ,Y 和Z 空间中确定五个梯形模糊集合:NB 、NS 、ZE 、PS 、PB 。
假定未知系统转移函数为z =(x 2-y 2)exp(-|xy |),写出准确描述系统行为的五条(至少)模糊规则,利用z =(x 2-y 2)exp(-|xy |),产生数据流,按模糊推理规则和面积中心法去模糊化,将输入数据对(x ,y )映射到输出数据z 。
画出模糊输出F (x ,y )和期望输出z 的曲面,计算均方误差, 画出误差曲面。
解答:一、 五个梯形模糊集合的确定1、X 中的梯形模糊集合{(,())|}A A x x x X μ=∈,其中A 可取NB 、NS 、ZE 、PS 、PB 这五个集合,[10,10]X =-,其中0 -10 () 1 0 10x a b a A d x d cx a a x b x b x c c x d d x μ----≤≤⎧⎪≤≤⎪⎪=≤≤⎨⎪≤≤⎪≤≤⎪⎩ 可以看到梯形模糊集合的隶属度函数由四个参数(a,b,c,d )来确定,所以只要给定不同的五组(a,b,c,d )的值,就可以确定五个不同的梯形模糊集合NB 、NS 、ZE 、PS 、PB 。
下面我们给出X 中NB 、NS 、ZE 、PS 、PB 这五个模糊集合分别对应的(a,b,c,d ):X 中NB 、NS 、ZE 、PS 、PB 的隶属度函数mf1,mf2,mf3,mf4,mf5的图形分别如下:2、 Y 中的梯形模糊集合{(,())|}A A y y y Y μ=∈,其中A 可取NB 、NS 、ZE 、PS 、PB 这五个集合,[10,10]Y =-,其中0 -10 () 1 0 10y a b a A d y d cy a a y b y b y c c y d d y μ----≤≤⎧⎪≤≤⎪⎪=≤≤⎨⎪≤≤⎪≤≤⎪⎩ Y 中的NB 、NS 、ZE 、PS 、PB 这五个模糊集合分别对应的(a,b,c,d )也取表1中的值。
智能控制技术作业1、什么是智能、智能系统、智能控制?(1)将感觉、去记、回忆、思维、语言、行为的整个过程称为智能(2)由感知、规划、执行子系统组成,具有认知、概念与推理、记忆与学习完成适应性、通用性功能的反馈控制系统称为智能系统。
(3)通过认知、记忆、学习、推理、协作等智能要素与技术手段,实现复杂系统的适应性与通用性功能的反馈控制称为智能控制。
2、智能控制系统有哪几种形式?模糊控制、神经控制、行为控制、自适应控制等。
3、比较智能控制与传统控制的特点?古典控制特点:(1)依赖于控制对象精确模型;(2)对控制对象的有用信息(信息源/人的语言知识、系统输入输出数据、系统评价结果等)没有充分利用;(3)控制方法依赖于系统模型的结构与参数,没有固定的设计程式,通用性不强,限制了工程应用;(4)对非线性、强耦合系统,非模型系统、无模型系统难以适应;智能控制特点:(1)适用于非线性、强耦合的系统;(2)适用于无模型(只有系统数据)系统;(3)适用于非模型(可以是模糊语言模型、行为模型等)系统;(4)能够应用多种信息,包括语言、样本等。
(5)具有较强的适应性;(6)具有较固定的设计程式4、比较模糊集合与普通集合的异同,模糊性与随机性的不同。
经典集合:一个范围内所有对象的整体;集合自身不能作为其内的元素模糊集合:设A是集合X到[0,1]的一个映射,A:X→[0,1],x→A(x) 则称A 是X上的模糊集,A(x)称为模糊集A的隶属函数,或称A(x)为x对模糊集A的隶属度。
模糊性与随机性区别:(1)随机性表示未发生的事件可能发生的可能性(概率)。
(2)模糊性表示已发生/未发生事件、属性量的程度(大小);(3)随机性由事物自身及环境运动规律决定;(4)模糊性由事物自身及环境运动规律、人的认知程度共同决定;5、简述模糊控制系统的工作原理。
人的经验是一系列含有语言变量值的条件语句和规则,而模糊集合理论能十分恰当地表达具有模糊性的语言变量和条件语句。
测控121浅谈自己对智能控制的理解智能电饭煲:是指区别于传统机械煲的新一代电饭煲,通过电脑芯片程序控制,实时监测温度以灵活调节火力大小,自动完成煮食过程。
工作原理:当智能煲开始工作时,微电脑检测主温控器的温度和上盖传感器温度,当相应温度符合工作温度范围,接通电热盘电源,电热盘上电发热。
由于电热盘与内锅充分接触,热量很快传到内锅上,内锅把相应的热量传到米和水中,米水开始加热,随着米水加热升温,水分开始蒸发,上盖传感器温度升高,当微电脑检测到内锅米水沸腾时,调整电饭煲的加热功率,从而保证汤水不溢出,当沸腾一段时间后,水分蒸发和内锅里的水被米基本吸干,而且内锅底部的米粒有可能连同糊精粘到锅底形成一个热隔离层;因此,锅底温度会以较快速度上升,相应主温控器的温度也会以较快温度上升,当微电脑检测主温控器温度达到限温温度,微电脑驱动继电器断开电热盘电源,电热盘断电不发热,进入焖饭状态,焖饭结束后转入保温状态。
智能控制,即在无人干预的情况下能自主地驱动智能机器实现控制目标的自动控制技术。
就智能电饭煲煮饭过程而言,它就是一个智能控制的例子,其智能控制就体现在煮饭过程的的自动化,无需人的干预就能精确的实现目标,在这个过程中,电脑芯片作为处理机,就相当于是一个工人,它对传感器采集到的信号进行分析处理,然后通过控制器控制系统,分析传感器的反馈信号,以做下一步控制的依据,精准的对锅底温度进行自动控制,直到最后完成这个控制过程。
智能控制有别于传统控制基于数学模型的定量方法,是基于知识和经验的直觉推理方法。
任何领域都是智能控制的潜在应用领域,智能控制代表着当今科学和技术发展的最新方向之一,是控制界当前的研究热点和今后的发展方向。
我们可以通过智能控制把学习控制系统、专家系统、模糊控制等技术嵌入到我们的军事、工业、农业及生活中。
智能控制的基本控制方法:智能控制是以控制理论、计算机科学、运筹学等学科为基础,扩展出相关的理论和技术,在这些技术中,运用最多也是最为广泛的四大基本控制方法就是学习控制系统、专家系统、模糊控制与人工神经网络。
⾃动化智能控制⼤作业《智能控制》⼤作业1、简答题:1.1.根据⽬前智能控制系统的研究和发展,智能控制系统有哪些类型以及智能控制系统主要有哪些⽅⾯的⼯作可做进⼀步的探索和开展?答: 智能控制系统的类型:①基于信息论的分级递阶智能控制②以模糊系统理论为基础的模糊逻辑控制③基于脑模型的神经⽹络控制④基于知识⼯程的专家控制⑤基于规则的仿⼈智能控制⑥各种⽅法的综合集成智能控制系统的探索和开展:①离散事件和连续时间混杂系统的分析与设计;②基于故障诊断的系统组态理论和容错控制⽅法;③基于实时信息学习的规则⾃动⽣成与修改⽅法;④基于模糊逻辑和神经⽹络以及软计算的智能控制⽅法;⑤基于推理的系统优化⽅法;⑥在⼀定结构模式条件下,系统有关性质(如稳定性等)的分析⽅法等。
1.2.⽐较智能控制与传统控制的特点?答:智能控制与传统控制的特点。
传统控制:经典反馈控制和现代理论控制。
它们的主要特征是基于精确的系统数学模型的控制。
适于解决线性、时不变等相对简单的控制问题。
智能控制:以上问题⽤智能的⽅法同样可以解决。
智能控制是对传统控制理论的发展,传统控制是智能控制的⼀个组成部分,在这个意义下,两者可以统⼀在智能控制的框架下。
1.3.简述模糊集合的基本定义以及与⾪属函数之间的相互关系。
答:模糊集合:模糊集合是⽤从0 到1 之间连续变化的值描述某元素属于特定集合的程度,是描述和处理概念模糊或界限不清事物的数学⼯具。
相互关系:表⽰⾪属度函数的模糊集合必须是凸模糊集合;模糊集合是由其⾪属函数刻画的1.4.画出模糊控制系统的基本结构图,并简述模糊控制器各组成部分所表⽰的意思?答:基本结构图:(1) 模糊化接⼝:模糊化接⼝就是通过在控制器的输⼊、输出论域上定义语⾔变量,来将精确的输⼊、输出值转换为模糊的语⾔值。
(2) 规则库:由数据库和语⾔(模糊)控制规则库组成。
数据库为语⾔控制规则的论域离散化和⾪属函数提供必要的定义。
语⾔控制规则标记控制⽬标和领域专家的控制策略。
智能控制作业1、已知某一炉温控制系统,要求温度保持在600度恒定。
针对该控制系统有以下控制经验:(1)若炉温低于600度,则升压;低的越多升压越高。
(2)若炉温高于600度,则降压;高的越多降压越低。
(3)若炉温等于600度,则保持电压不变。
设模糊控制器为一维控制器,输入语言变量为误差,输出为控制电压。
输入、输出变量的量化等级为7级,取5个模糊集。
试设计隶属度函数误差变化划分表、控制电压变化划分表和模糊控制规则表。
解:1)确定变量定义理想温度为600℃,实际温度为T,则温度误差为E=600-T。
将温度误差E作为输入变量2)输入量和输出量的模糊化将偏差E分为5个模糊集:NB、NS、ZO、PS、PB,分别为负小、负大、零、正小、正大。
将偏差E的变化分为7个等级:-3 -2 -1 0 1 2 3,从而得到温度模糊表如表1所示。
表1 温度变化E划分表控制电压u也分为5个模糊集:NB、NS、ZO、PS、PB,分别为负小、负大、零、正小、正大。
将电压u的变化分为7个等级:-3 -2 -1 0 1 2 3,从而得到电压变化模糊表如表2所示。
表2 电压变化u划分表表3 模糊控制规则表2、利用MATLAB,为下列两个系统设计模糊控制器使其稳态误差为零,超调量不大于1%,输出上升时间≤0.3s 。
假定被控对象的传递函数分别为:255.01)1()(+=-s e s G s)456.864.1)(5.0(228.4)(2+++=s s s s G解:在matlab 窗口命令中键入fuzzy ,得到如下键面:设e 的论域范围为[-1 1],de 的论域范围为[-0.1 0.1],u 的论域范围为[0 2]。
将e 分为8个模糊集,分别为NB ,NM, NS, NZ, PZ, PS, PM, PB; de 分为7个模糊集,分别为NB ,NM ,NS, Z ,PS ,PM ,PB; u 分为7个模糊集,分别为NB ,NM ,NS, Z ,PS ,PM ,PB;MATLAB中的设置界面如下:模糊规则的确定:模糊控制器的输出量在simulink中调用模糊控制器,观察输出结果运行结果为ScopeScope1Scope23、利用去模糊化策略,分别求出模糊集A 的值。
智能控制理论与技术设计报告学院自动化学院专业控制科学与工程班级1303姓名聂鹏指导教师徐华中2014 年 2 月20 日武汉理工大学硕士研究生试题课程名称:智能控制理论与技术专业:双控1303班学号:1049721303692 姓名:聂鹏一、简答题(每小题10分)1.智能控制由哪几部分组成?各自的特点是什么?答:智能控制系统由广义对象、传感器、感知信息处理、认知、通信接口、规划和控制和执行器等七个功能模块组成;各部分的特点是:广义对象——包括通常意义下的控制对象和外部环境;传感器——包括关节传感器、力传感器、视觉传感器、距离传感器、触觉传感器等;感知信息处理——将传感器得到的原始信息加以处理;认知——主要用来接收和储存信息、知识、经验和数据,并对它们进行分析、推理,作出行动的决策,送至规划和控制部分;通信接口——除建立人机之间的联系外,还建立系统各模块之间的联系;规划和控制——是整个系统的核心,它根据给定的任务要求、反馈的信息以及经验知识,进行自动搜索,推理决策,动作规划,最终产生具体的控制作用;执行器——将产生的控制作用于控制对象。
2. 智能控制是在什么背景下产生的?答:传统控制理论在应用中面临的难题包括:(1) 传统控制系统的设计与分析是建立在精确的系统数学模型基础上的,而实际系统由于存在复杂性、非线性、时变性、不确定性和不完全性等,一般无法获得精确的数学模型。
(2) 研究这类系统时,必须提出并遵循一些比较苛刻的假设,而这些假设在应用中往往与实际不相吻合。
(3) 对于某些复杂的和包含不确定性的对象,根本无法以传统数学模型来表示,即无法解决建模问题。
(4) 为了提高性能,传统控制系统可能变得很复杂,从而增加了设备的初投资和维修费用,降低系统的可靠性。
传统控制理论在应用中面临的难题的解决,不仅需要发展控制理论与方法,而且需要开发与应用计算机科学与工程的最新成果。
人工智能的产生和发展正在为自动控制系统的智能化提供有力支持。
智能控制技术作业
1. 已知系统的传递函数为:1
101
)(+=
s s G e s 5.0-。
假设系统给定为阶跃值r=30,系统的初始值r(0)=0。
试分别设计 (1) 常规的PID 控制器; (2) 常规的模糊控制器; (3) 比较两种控制器的控制效果。
解:(1).常规PID 控制器的设计:
利用Ziegler-Nichols 整定公式整定PID 调节器的初始参数
KP TI
TD P /()T K τ
PI 0.9/()T K τ 3.3τ PID
1.2/()T K τ
2.2τ
0.5τ
由公式可得 P=18 Ti=1.65 Td=0
SIMULINK 仿真图
设定仿真时间为10s 仿真结果
(2).模糊控制器的设计:
1.在matlab命令窗口输入“fuzzy”确定模糊控制器结构:即根据具体的系统确定输入、输出量。
选取二维控制结构,即输入为误差e和误差变化ec,输出为u如下图所示:
2.输入输出变量的模糊化:即把输入输出的精确量转化为对应语言变量的模糊集合。
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,ZO,PS,PM,PB},并设置输入输出变量的论域,然后我们为模糊语言变量选取相应的隶属度函数。
如下图所示:
3.模糊推理决策算法设计:即根据模糊控制规则进行模糊推理,并决策出模糊输出量。
首先要确定模糊规则,即专家经验。
如图所示:
制定完之后,会形成一个模糊控制规则矩阵,然后根据模糊输入量按照相应的模糊推理算法完成计算,并决策出模糊输出量。
4.对输出模糊量的解模糊:模糊控制器的输出量是一个模糊集合,通过反模糊化方法判决出一个确切的精确量,反模糊化方法很多,我们这里选取重心法。
SIMULINK仿真图
在模糊控制器的输入和输出均有一个比例系数,我们叫它量化因子,它反映的是模糊论域范围与实际范围之间的比例关系,这里模糊控制器输入的论域范围均为[-6,6],假设误差的范围是[-10,10],误差变化率范围是[-100,100],控制量的范围是[-24,24],那么我们就可以算出量化因子分别为0.6,0.06,8。
量化因子的选取对于模糊控制器的控制效果有很大的影响,当输出量化因子调为10控制效果更好。
仿真曲线
(3).常规PID 控制器和模糊控制器的比较
由仿真结果可见两种控制器对系统的各项性能指标都有了改进,常规PID 还是有超调量,模糊控制器的超调量几乎为零。
2. 已知一个非线性系统由一个神经网络和一个线性系统串联而成,如图5-31所示。
图5-31 题4图
其中线性系统的传递函数W (z )已知,试推导出神经网络控制器NN 的学习算法。
解:根据控制性能的要求,选目标函数为 E=∑P E =
2
1
2)]()([k y k y
d
-∑
神经网络模型选用四层前向传播神经网络,并假设输出单元层的神经元为线性单元,其余层的神经元为Sigmoid 激励元,则其学习规则可归结为
pj pj ij ij k w k w οηδ+=+)()1(
)]()([)
1()
()]
()([k y k y k du k dy k y k y d d pj -=--=δ
NN
W(z)
−→
−U
−→
−V
−→
−Y
)
3()2(11
2
2-+-+k y k y 输出层 lj l
pl pj pj pj w ∑O -=δοδ)1( 隐含层
取直接网络控制法的神经网络结构为1,12,25,5∏。
05.0=η,期望输出为
100
6sin
2.01002sin
)(k
k k y d ππ+= 则经过100次的在线学习和训练后,其均方误差已经小于0.005。