当前位置：文档之家 › 智能控制作业

智能控制作业

  • 格式：doc
  • 大小：456.50 KB
  • 文档页数：22

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 。

在第4000个采样时间控制器输出加1.0的干扰。

仿真过程见图。

图2.1模糊系统以误差e 和误差变化率de 为模糊PID 的输入，以kp 、ki 、kd 作为模糊PID 的输出。

输入输出的隶属度函数如下图所示20.5G()s 3ss =+图2.2 误差e的隶属度函数图2.3 误差变化率de的隶属度函数图2.4 kp 隶属度函数图2.5 ki隶属度函数图2.6 kd隶属度函数图2.7 模糊PID控制阶跃响应图2.8 模糊PID控制的误差变化曲线图2.9 模糊PID控制器的输出u图2.10 kp的自适应调整图2.11 ki的自适应调整图2.12 kd的自适应调整仿真程序如下：%Fuzzy Tunning PID Controlclear all;close all;a=newfis('fuzzpid');a=addvar(a,'input','e',[-3,3]); %Parameter e a=addmf(a,'input',1,'NB','gaussmf',[1,-3]);a=addmf(a,'input',1,'NM','gaussmf',[1,-2]);a=addmf(a,'input',1,'NS','gaussmf',[1,-1]);a=addmf(a,'input',1,'Z','gaussmf',[1,0]);a=addmf(a,'input',1,'PS','gaussmf',[1,1]);a=addmf(a,'input',1,'PM','gaussmf',[1,2]);a=addmf(a,'input',1,'PB','gaussmf',[1,3]);a=addvar(a,'input','ec',[-3,3]); %Parameter ec a=addmf(a,'input',2,'NB','gaussmf',[1,-3]);a=addmf(a,'input',2,'NM','gaussmf',[1,-2]);a=addmf(a,'input',2,'NS','gaussmf',[1,-1]);a=addmf(a,'input',2,'Z','gaussmf', [1,0]);a=addmf(a,'input',2,'PS','gaussmf',[1,1]);a=addmf(a,'input',2,'PM','gaussmf',[1,2]);a=addmf(a,'input',2,'PB','gaussmf',[1,3]);a=addvar(a,'output','kp',[-6,6]); %Parameter kpa=addmf(a,'output',1,'NB','trimf',[-8,-6,-4]);a=addmf(a,'output',1,'NM','trimf',[-6,-4,-2]);a=addmf(a,'output',1,'NS','trimf',[-4,-2,0]);a=addmf(a,'output',1,'Z','trimf', [-2,0,2]);a=addmf(a,'output',1,'PS','trimf',[0,2,4]);a=addmf(a,'output',1,'PM','trimf',[2,4,6]);a=addmf(a,'output',1,'PB','trimf',[4,6,8]);a=addvar(a,'output','ki',[-6,6]); %Parameter kia=addmf(a,'output',2,'NB','trimf',[-8,-6,-4]);a=addmf(a,'output',2,'NM','trimf',[-6,-4,-2]);a=addmf(a,'output',2,'NS','trimf',[-4,-2,0]);a=addmf(a,'output',2,'Z','trimf', [-2,0,2]);a=addmf(a,'output',2,'PS','trimf',[0,2,4]);a=addmf(a,'output',2,'PM','trimf',[2,4,6]);a=addmf(a,'output',2,'PB','trimf',[4,6,8]);a=addvar(a,'output','kd',[-6,6]); %Parameter kp a=addmf(a,'output',3,'NB','trimf',[-8,-6,-4]);a=addmf(a,'output',3,'NM','trimf',[-6,-4,-2]);a=addmf(a,'output',3,'NS','trimf',[-4,-2,0]);a=addmf(a,'output',3,'Z','trimf',[-2,0,2]);a=addmf(a,'output',3,'PS','trimf',[0,2,4]);a=addmf(a,'output',3,'PM','trimf',[2,4,6]);a=addmf(a,'output',3,'PB','trimf',[4,6,8]);rulelist=[1 1 7 1 5 1 1;1 2 7 1 3 1 1;1 3 62 1 1 1;1 4 62 1 1 1;1 5 5 3 1 1 1;1 6 4 42 1 1;1 7 4 4 5 1 1;2 1 7 1 5 1 1;2 2 7 13 1 1;2 3 6 2 1 1 1;2 4 53 2 1 1;2 5 53 2 1 1;2 6 4 43 1 1;2 734 4 1 1;3 1 6 14 1 1;3 2 6 2 3 1 1;3 3 6 3 2 1 1;3 4 5 3 2 1 1;3 54 4 3 1 1;3 6 3 5 3 1 1;3 7 3 54 1 1;4 1 6 2 4 1 1;4 2 6 2 3 1 1;4 35 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 47 1 1;6 2 4 4 5 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 27 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];a=addrule(a,rulelist);a=setfis(a,'DefuzzMethod','mom');writefis(a,'fuzzpid');a=readfis('fuzzpid');%PID Controllerts=0.001;sys=tf(0.5,[1,3,0]);dsys=c2d(sys,ts,'tustin');[num,den]=tfdata(dsys,'v');u_1=0.0;u_2=0.0;y_1=0;y_2=0;x=[0,0,0]';error_1=0;e_1=0.0;ec_1=0.0;kp0=90;kd0=0.4;ki0=0;for k=1:1:5000time(k)=k*ts;rin(k)=1;%Using fuzzy inference to tunning PIDk_pid=evalfis([e_1,ec_1],a);kp(k)=kp0+k_pid(1);ki(k)=ki0+k_pid(2);kd(k)=kd0+k_pid(3);u(k)=kp(k)*x(1)+kd(k)*x(2)+ki(k)*x(3);if k==4000 % Adding disturbance(1.0v at time 0.3s) u(k)=u(k)+1.0;endif u(k)>=10u(k)=10;endif u(k)<=-10u(k)=-10;endyout(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 Px(2)=error(k)-error_1; % Calculating Dx(3)=x(3)+error(k); % Calculating Ie_1=x(1);ec_1=x(2);error_2=error_1;error_1=error(k);endshowrule(a)figure(1);plot(time,rin,'b',time,yout,'r');xlabel('time(s)');ylabel('rin,yout');figure(2);plot(time,error,'r');xlabel('time(s)');ylabel('error');figure(3);plot(time,u,'r');xlabel('time(s)');ylabel('u');figure(4);plot(time,kp,'r');xlabel('time(s)');ylabel('kp');figure(5);plot(time,ki,'r');xlabel('time(s)');ylabel('ki');figure(6);plot(time,kd,'r');xlabel('time(s)');ylabel('kd');figure(7);plotmf(a,'input',1);figure(8);plotmf(a,'input',2);figure(9);plotmf(a,'output',1);figure(10);plotmf(a,'output',2);figure(11);plotmf(a,'output',3);figure(12); plotfis(a);fuzzy fuzzpid.fis三．基于BP 神经网络整定的PID 控制设被控对象的近似数学模型为2()(1)()(1)1yout (1)a k yout k yout k u k k -=+-+- 其中0.1() 1.2(10.8)ka k e -=-。

合集下载

(完整版)智能控制题目及解答

(完整版)智能控制题目及解答

智能控制题目及解答第一章绪论作业作业内容1．什么是智能、智能系统、智能控制？2．智能控制系统有哪几种类型，各自的特点是什么?3．比较智能控制与传统控制的特点.4．把智能控制看作是AI(人工智能)、OR(运筹学）、AC(自动控制)和IT(信息论)的交集,其根据和内涵是什么？5．智能控制有哪些应用领域?试举出一个应用实例，并说明其工作原理和控制性能.1 答：智能：能够自主的或者交互的执行通常与人类智能有关的智能行为，如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习等一系列活动的能力，即像人类那样工作和思维。

智能系统：是指具有一定智能行为的系统，对于一定的输入,它能产生合适的问题求解相应。

智能控制：智能控制是控制理论、计算机科学、心理学、生物学和运筹学等多方面综合而成的交叉学科，它具有模仿人进行诸如规划、学习、逻辑推理和自适应的能力。

是将传统的控制理论与神经网络、模糊逻辑、人工智能和遗传算法等实现手段融合而成的一种新的控制方法。

2 答：（1）人作为控制器的控制系统：人作为控制器的控制系统具有自学习、自适应和自组织的功能。

（2）人—机结合作为作为控制器的控制系统：机器完成需要连续进行的并需快速计算的常规控制任务，人则完成任务分配、决策、监控等任务。

（3）无人参与的自组控制系统:为多层的智能控制系统，需要完成问题求解和规划、环境建模、传感器信息分析和低层的反馈控制任务.3 答：在应用领域方面，传统控制着重解决不太复杂的过程控制和大系统的控制问题;而智能控制主要解决高度非线性、不确定性和复杂系统控制问题。

在理论方法上，传统控制理论通常采用定量方法进行处理，而智能控制系统大多采用符号加工的方法；传统控制通常捕获精确知识来满足控制指标,而智能控制通常是学习积累非精确知识;传统控制通常是用数学模型来描述系统，而智能控制系统则是通过经验、规则用符号来描述系统。

在性能指标方面，传统控制有着严格的性能指标要求，智能控制没有统一的性能指标，而主要关注其目的和行为是否达到。

智能控制(神经网络)-作业

智能控制(神经网络)-作业

智能控制作业学生姓名: 学号: 专业班级:（一）7-2 采用BP网路、RBF网路、DRNN网路逼近线性对象, 分别进行matlab 仿真。

（二）采用BP网络仿真网络结构为2-6-1。

采样时间1ms, 输入信号, 权值的初值随机取值, 。

仿真m文件程序为:%BP simulationclear all;clear all;xite=0.5;alfa=0.5;w1=rands(2,6); % value of w1,initially by randomw1_1=w1;w1_2=w1;w2=rands(6,1); % value of w2,initially by randomw2_1=w2;w2_2=w2_1;dw1=0*w1;x=[0,0]';u_1=0;y_1=0;I=[0,0,0,0,0,0]'; % input of yinhanceng cellIout=[0,0,0,0,0,0]'; % output of yinhanceng cellFI=[0,0,0,0,0,0]';ts=0.001;for k=1:1:1000time(k)=k*ts;u(k)=0.5*sin(3*2*pi*k*ts);y(k)=(u_1-0.9*y_1)/(1+y_1^2);for j=1:1:6I(j)=x'*w1(:,j);Iout(j)=1/(1+exp(-I(j)));endyn(k)=w2'*Iout; %output of networke(k)=y(k)-yn(k); % error calculationw2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); % rectify of w2for j=1:1:6FI(j)=exp(-I(j))/(1+exp(-I(j))^2);endfor i=1:1:2for j=1:1:6dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i); % dw1 calculation endendw1=w1_1+dw1+alfa*(w1_1-w1_2); % rectify of w1% jacobian informationyu=0;for j=1:1:6yu=yu+w2(j)*w1(1,j)*FI(j);enddyu(k)=yu;x(1)=u(k);x(2)=y(k);w1_2=w1_1;w1_1=w1;w2_2=w2_1;w2_1=w2;u_1=u(k);y_1=y(k);endfigure(1);plot(time,y,'r',time,yn,'b');xlabel('times');ylabel('y and yn');figure(2);plot(time,y-yn,'r');xlabel('times');ylabel('error');figure(3);plot(time,dyu);xlabel('times');ylabel('dyu');运行结果为:（三）采用RBF网络仿真网路结构为2-4-1, 采样时间1ms, 输入信号, 权值的初值随机取值, , 高斯基函数初值, 。

智能控制技术作业1

智能控制技术作业1

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。

智能控制 作业

智能控制 作业

基于单片机的温度模糊控制模糊控制系统的设计开发归结起来分成两大部分：一是硬件系统设计，包括参数检测、放大、A/D 转换、D/A 转化、执行部件等过程输入输出通道设计和模糊控制器设计，模糊控制器可选择数字单片机、模糊单片机和PLC 等可编程控制器；二是软件设计，包括模糊控制算法设计及程序实现。

另外，可用微机实现对模糊控制器和控制现场的通信和管理。

1 模糊控制器的结构设计被控制对象是恒温箱，用电压220V 、额定功率500W 的卤素灯加热，采用铂电阻PT100检测温度和固态继电器控制加热功率。

模糊控制器采用两个模糊变量，如图1所示。

图1图中，E 是温度误差，E=T0-T ，T0是温度给定值，本例设为100℃，T 是实测值，设定恒温箱温度的模糊控制区为85-115℃，从室温到85℃和超过115℃为开关控制区或者人工控制区，可快速升温或降温，这时温度范围是±15℃。

U 是固态继电器的控制角增量，根据实际情况设定。

本设计采用MSP430F5438A 单片机进行控制。

2 模糊控制规则本设计采用单输入单输出方式，基本思路是：温度的比较转换成数字量的比较，导通角的控制实际上是用单片机发出周期性的脉冲，这里用到的是单片机的16位定时器Timer A ，在温度范围85-115℃之间，温度变化为±15℃，模糊化为±3级，即{-3，-2，-1，0，1，2，3}，每级表示15℃，同理，误差变化率也模糊化为±3级。

采用经验法，直接选用经验证过的控制表。

E 是温度误差，C 是误差变T 0ETU化率。

3 软件实现#include<msp430x54x.h>#include<stdio.h>#include"T_ctl.h"extern int charm[49]={3,3,2,2,2,2,1, 2,2,2,1,1,1,1, 2,1,1,1,0,0,0, 1,1,0,0,0,-1,-1, 0,0,0,-1,-1,-1,-2, -1,-1,-1,-1,-2,-2,-2, -1,-2,-2,-2,-2,-3,-3};char s=1; //判断模糊控制是否第一次执行的标志void pwm_set(void) //配置Timer_A{P2DIR |= 0x04; // P2.2 outputP2SEL |= 0x04; // P2.2 option selectTA1CCTL0 = OUTMOD_7; // CCR0 toggle modeTA1CCTL1 = OUTMOD_7;TA1CCR0 =32767; //Cycle 1sTA1CCR1 =0;TA1CTL |= TASSEL_1 + MC_1 + TACLR; // ACLK, upmode, clear TAR}float convert(unsigned long a) //将采集的16进制数转换成浮点电压值{float b;b=2.5*(float)a/(float)0xffffffff;return b;}int fuzzy(float u) //模糊化和去模糊化{int e0,e,de,f_e,f_de,num0,num,pwm_w;float t;t=50.0+180*(u-1.736);e=(int)t-105;if(s==1){s=0;e0=e;return 0;}de=e-e0;f_e=e/3;f_de=de/6;num0=(f_de+3)+7*(f_e+3);num=charm[num0];switch(num){case 3:pwm_w=3;break;case 2:pwm_w=4;break;case 1:pwm_w=5;break;case 0:pwm_w=6;break;case -1:pwm_w=7;break;case -2:pwm_w=8;break;case -3:pwm_w=9;break;default:break;}return pwm_w;}int pwm_ctl(float u) //温度检测和判别{int pwm_w;if(u<=1.903){pwm_w=1;}else if(u>1.903&&u<=1.992){pwm_w=2;}else if(u>1.992&&u<=2.092){pwm_w=fuzzy(u);}return pwm_w;}unsigned int width(int pwm_w) //不同模式对应的不同脉宽{unsigned int w;switch(pwm_w){case 0:w=32767;break;case 1:w=0;break;case 2:w=16384;break;case 3:w=16384;break;case 4:w=19114;break;case 5:w=21844;break;case 6:w=24575;break;case 7:w=32767;break;case 8:w=32767;break;case 9:w=32767;break;default:break;}return w;}4 结论本设计对恒温箱的温度进行模糊控制，在85-115℃之间，温度控制准确度在±1℃，达到了预期的控制要求。