自动化智能控制大作业

自动控制原理大作业1.题目在通常情况下，自动导航小车（AGV ）是一种用来搬运物品的自动化设备。

大多数AGV 都需要有某种形式的导轨，但迄今为止，还没有完全解决导航系统的驾驶稳定性问题。

因此，自动导航小车在行驶过程中有时会出现轻微的“蛇行”现象，这表明导航系统还不稳定。

大多数的AGV 在说明书中都声明其最大行驶速度可以达到1m/s ，但实际速度通常只有0.5m/s ,只有在干扰较小的实验室中，才能达到最高速度。

随着速度的增加，要保证小车得稳定和平稳运行将变得越来越困难。

AGV 的导航系统框图如图9所示，其中12=40ms =21ms ττ， 。

为使系统响应斜坡输入的稳态误差仅为1%，要求系统的稳态速度误差系数为100。

试设计合适的滞后校正网络，试系统的相位裕度达到50 ，并估计校正后系统的超调量及峰值时间。

()R s ()Y s2.分析与校正主要过程2.1确定开环放大倍数K100)1021.0)(104.0(lim )(lim =++==s s s sK s sG K v （s →0） 解得K=100)1021.0)(104.0(100++=s s s G s 2.2分析未校正系统的频域特性根据Bode 图：穿越频率s rad c /2.49=ω相位裕度︒---=⨯-⨯--=99.18)2.49021.0(arctan )2.4904.0(arctan 9018011γ 未校正系统频率特性曲线由图可知实际穿越频率为s rad c /5.34=ω2.3根据相角裕度的要求选择校正后的穿越频率1c ω现在进行计算：︒︒︒--=+=---55550)021.0(arctan )04.0(arctan 901801111c c ωω则取s rad c /101=ω可满足要求2.4确定滞后校正网络的校正函数 由于11201~101c ωω）（=因此取s rad c /110111==ωω）（，则由Bode 图可以列出 40)1lg(20)1lg(40)110lg(2022+=+ωω 解得s rad /1.02=ω于是1.0=β 则滞后网络传递函数为1101)(++=s s s G c ，10=T 2.5验证已校正系统的相位裕度已校正系统的开环传递函数为：)110)(1021.0)(104.0()1(100)()(++++=s s s s s s G s G c 相位裕度︒----=-⨯-⨯-+-=2.51)100(arctan )10021.0(arctan )1004.0(arctan )10(arctan 901801111γ校正后的相位裕度大于50°，满足设计要求。

2024吉大网络教育自动控制原理大作业解答自动控制原理是计算机专业的一门重要课程，它是研究控制系统动态特性和控制方法的学科，主要应用于工业自动化、航天航空、机械工程等领域。

网络教育是利用信息技术手段进行教学的一种模式，具有灵活性、便捷性和高效性等优点。

本次大作业要求运用自动控制原理的知识，结合网络教育的特点，设计实现一个网络教育平台的自动化控制系统，下面是本人的解答。

首先，我们需要明确网络教育平台的自动化控制系统的目标和需求。

网络教育平台的主要功能包括学生管理、课程管理、教师管理、教学资源管理等。

针对这些需求，我们可以利用自动控制原理的知识设计出相应的控制系统。

对于学生管理功能，我们可以设计一个学生信息管理模块，通过自动控制系统实现学生信息的录入、修改、查询和删除等操作。

在录入学生信息时，可以设计相应的输入界面，通过输入学生的姓名、学号、专业等信息，将学生信息自动添加到系统中；在修改和删除学生信息时，可以设计相应的界面，通过输入学生的学号或姓名等关键信息，实现对学生信息的修改和删除。

对于课程管理功能，我们可以设计一个课程信息管理模块，通过自动控制系统实现课程信息的录入、修改、查询和删除等操作。

在录入课程信息时，可以设计相应的输入界面，通过输入课程的名称、编号、学分等信息，将课程信息自动添加到系统中；在修改和删除课程信息时，可以设计相应的界面，通过输入课程的编号或名称等关键信息，实现对课程信息的修改和删除。

对于教师管理功能，我们可以设计一个教师信息管理模块，通过自动控制系统实现教师信息的录入、修改、查询和删除等操作。

在录入教师信息时，可以设计相应的输入界面，通过输入教师的姓名、工号、职称等信息，将教师信息自动添加到系统中；在修改和删除教师信息时，可以设计相应的界面，通过输入教师的工号或姓名等关键信息，实现对教师信息的修改和删除。

综上所述，通过自动控制原理的知识，我们可以设计和实现一个网络教育平台的自动化控制系统，从而提高网络教育的效率和管理水平。

自动控制技术大作业学院电子工程学院学号学生姓名授课老师源程序：ft = 30;M=1;B=5;K=20;tspan = [0,5];x0= [0,0];options = odeset('AbsTol',[1e-6;1e-6]);[T,X]=ode45('xt4odefile',tspan,x0,options);figure(1)subplot(3,1,1),plot(T,X(:,1),'r'),title('位移随时间变化曲线'),grid on subplot(3,1,2),plot(T,X(:,2),'b'),title('速度随时间变化曲线'),grid on subplot(3,1,3),plot(X(:,2),X(:,1),'m'),title('位移随速度变化曲线'),grid ona = 1/M*(ft-B*X(:,2)-K*X(:,1));i = 1;while (abs(a(i))>0.0001|(abs(X(i,2))>0.0001))i = i+1;enddisp('系统到达稳态时的时间、速度和加速度及对应的位移分别为：'); result = sprintf('时间t=%4.2f\n',T(i));disp(result);result = sprintf('速度v=%9.6f\n',X(i,2));disp(result);result = sprintf('加速度a=%9.6f\n',a(i));disp(result);result = sprintf('位移d=%6.4f\n',X(i,1));disp(result);其中xt4odefile.m 文件为function xt = odefileC(t,x); ft = 30;M=1;B=5;K=20;xt = [x(2);1/M*(ft-B*x(2)-K*x(1))]; end输出：系统到达稳态时的时间、速度和加速度及对应的位移分别为： 时间 t=4.47速度 v=-0.000087加速度 a=-0.000060位移 d=1.50000.51 1.52 2.53 3.54 4.55012位移随时间变化曲线00.51 1.52 2.53 3.54 4.55-505速度随时间变化曲线-0.500.51 1.52 2.53 3.5012位移随速度变化曲线源程序：num=[2,5,7];den=[1,6,10,6];[z,p,k]=tf2zp(num,den)[r,a,b]=residue(num,den)输出：z =-1.2500 + 1.3919i-1.2500 - 1.3919ip =-3.7693-1.1154 + 0.5897i-1.1154 - 0.5897ik =2r =2.2417-0.1208 - 1.0004i-0.1208 + 1.0004ia =b =[]结论：零点为-1.2500 + 1.3919i ，-1.2500 - 1.3919i ；极点为-3.7693 ，-1.1154 + 0.5897i，-1.1154 - 0.5897i ；增益为2源程序：num=[6.3223,18,12.811];den=[1,6,11.3223,18,12.811];t=0:0.005:20;[y,x,t]=step(num,den,t);plot(t,y);grid ontitle('单位阶跃响应曲线')xlabel('t')ylabel('c(t)')r10=1;while y(r10)<.1; r10=r10+1;end;r90=1;while y(r90)<.9; r90=r90+1;end;rise_time=(r90-r10)*0.005[ymax,tp]=max(y);peak_time=(tp-1)*.005max_overshoot=ymax-1s=4001;while y(s)>.98&y(s)<1.02;s=s-1;end; setting_time=(s-1)*.005输出：rise_time =0.5750peak_time =1.6700max_overshoot =0.6182setting_time =10.0300246810121416182000.20.40.60.811.21.41.61.8单位阶跃响应曲线tc (t )源程序：num=[1 1];den=[1 5 6 0]; sys1=tf(num,den) subplot(3,1,1) step(sys1) subplot(3,1,2) rlocus(num,den)title('系统的根轨迹曲线') r=rlocus(num,den,20.575) a=[1];b=[1 0.8989];sys2=tf(a,b)sys=series(sys1,sys2)%系统串联subplot(3,1,3)step(sys)输出：Transfer function:s + 1-----------------s^3 + 5 s^2 + 6 sr =-2.0505 + 4.3225i -2.0505 - 4.3225i -0.8989Transfer function:1----------s + 0.8989Transfer function:s + 1-------------------------------------s^4 + 5.899 s^3 + 10.49 s^2 + 5.393 s00.511.522.53x 104500010000Step ResponseTime (sec)A m p l i t u d e-3.5-3-2.5-2-1.5-1-0.500.5-10010系统的根轨迹曲线Real Axis I m a g i n a r y A x i s00.51 1.52 2.53x 104500010000Step ResponseTime (sec)A m p l i t u d e源程序：w=logspace(-1,3,1000); %比例环节 num0=0.01; den0=1;g0=tf(num0,den0); bode(g0,w) title('比例环节') grid%二阶积分环节 num1=1; den1=[1,0,0];g1=tf(num1,den1); figure(2)bode(g1,w)title('二阶积分环节') grid%二阶微分环节num2=[1,0.01,1]; den2=1;g2=tf(num2,den2); figure(3)bode(g2,w)title('二阶微分环节') grid%振荡环节num3=1;den3=[0.25,0.01,1]; g3=tf(num3,den3); figure(4)bode(g3,w)title('振荡环节')grid%总：num=0.01*[1,0.01,1]; den=[0.25,0.01,1,0,0]; g=tf(num,den); figure(5)bode(g,w)title('原总波特图') grid输出：-41-40.5-40-39.5-39M a g n i t u d e (d B )10-110101102103-1-0.500.51P h a s e (d e g )比例环节Frequency (rad/sec)-150-100-5050M a g n i t u d e (d B )10-110101102103-181-180.5-180-179.5-179P h a s e (d e g )二阶积分环节Frequency (rad/sec)-50050100150M a g n i t u d e (d B )10-1101011021034590135180P h a s e (d e g )二阶微分环节Frequency (rad/sec)-150-100-5050M a g n i t u d e (d B )10-110101102103-180-135-90-450P h a s e (d e g )振荡环节Frequency (rad/sec)-150-100-50M a g n i t u d e (d B )10-110101102103-180-135-90-450P h a s e (d e g )原总波特图Frequency (rad/sec)源程序：num=[0,20,20,10];den=conv([1,1,0],[1,10]); nyquist(num,den)输出：-1-0.500.51 1.52-20-15-10-55101520Nyquist DiagramReal AxisI m a g i n a r y A x i s源程序：num=[2000,2000];den=conv([1 0.5 0],[1 14 400]); nichols(num,den) v = [-270 -90 -40 40]; axis(v) ngrid输出：-270-225-180-135-90-40-30-20-10102030406 dB3 dB 1 dB 0.5 dB0.25 dB0 dBNichols ChartOpen-Loop P hase (deg)O p e n -L o o p G a i n (d B )源程序：num = [0 2000 2000]; den = conv([1 0.5 0],[1 14 400]); h=tf(num,den); bode(h);num = [0 2000 2000]; den = conv([1 0.5 0],[1 14 400]); h=tf(num,den);[gm,pm,wg,wc]=margin(h)输出：gm =2.7493pm =73.3527wg =19.8244 wc =5.3477-150-100-50050100M a g n i t u d e (d B )10-210-110101102103-270-225-180-135-90P h a s e (d e g )Bode DiagramFrequency (rad/sec)源程序：num=[0 0 0 1];den=conv([.5 1 0],[1 1]); sysp=tf(num,den) sys=feedback(sysp,1) w=logspace(-1,1); bode(sys,w)grid on;[mag,phase,w]=bode(sys,w);[Mp,k]=max(mag);resonant_peak=20*log10(Mp)resonant_fre=w(k)n=1;while 20*log10(mag(n))>-3;n=n+1;end; bandwidth=w(n)输出：Transfer function:1---------------------0.5 s^3 + 1.5 s^2 + sTransfer function:1-------------------------0.5 s^3 + 1.5 s^2 + s + 1resonant_peak =5.2388resonant_fre =0.7906bandwidth =1.2649-60-40-2020M a g n i t u d e (d B )10-110101-270-180-90P h a s e (d e g )Bode DiagramFrequency (rad/sec)3.1A源程序：num = [1 2 3]; den = [1 3 3 1]; [A,B,C,D] = tf2ss(num,den)输出：A =-3 -3 -11 0 00 1 0B =1C =1 2 3D =3.2B源程序：Z=[-1 -3];P=[0 -2 -4 -6];K=4;[A,B,C,D]=zp2ss(Z,P,K)输出：A =-10.0000 -4.8990 0 04.8990 0 0 0-6.0000 -4.2866 -2.0000 00 0 1.0000 0B =11C =0 0 0 4D =3.1C源程序：A=[0 1;1 -2];B=[0;1];C=[1 3];D=1;[num,den]=ss2tf(A,B,C,D); tf(num,den)[z,p,k]=ss2zp(A,B,C,D);zpk(z,p,k)输出：Transfer function:s^2 + 5 s-------------s^2 + 2 s - 1Zero/pole/gain:s (s+5)--------------------(s+2.414) (s-0.4142)源程序：A1=[0 1;-1 -2];B1=[0;1];C1=[1 3];D1=[1];A2=[0 1;-1 -3];B2=[0;1];C2=[1 4];D2=[0];[A,B,C,D]=series(A1,B1,C1,D1,A2,B2,C2,D2) [A,B,C,D]=parallel (A1,B1,C1,D1,A2,B2,C2,D2) [A,B,C,D]=feedback (A1,B1,C1,D1,A2,B2,C2,D2) [A,B,C,D]=feedback (A1,B1,C1,D1,A2,B2,C2,D2,+1)输出：串联连接A =0 1 0 0-1 -3 1 30 0 0 10 0 -1 -2B =11C =1 4 0 0D =并联连接A =0 1 0 0-1 -2 0 00 0 0 10 0 -1 -3B =11C =1 3 1 4D =1单位负反馈连接A =0 1 0 0-1 -2 -1 -40 0 0 11 3 -2 -7B =11C =1 3 -1 -4D =1单位正反馈连接A =0 1 0 0-1 -2 1 40 0 0 11 3 0 1B =11C =1 3 1 4D =1源程序：A=[0,-2;1,-3];t=.2;F=expm(A*t) %转移矩阵B=[2;0];C=[0,3];D=[0];x0=[1,1];t=[0,.2];u=0*t;[y,x]=lsim(A,B,C,D,u,t,x0)输出：F =0.9671 -0.2968 0.1484 0.5219 y =3.0000 2.0110 x =1.0000 1.00000.6703 0.6703结论：t=0.2时，系统响应为6703.0)0()0(21==x x ，y （0.2）=2.0110源程序：A=[-3,1;1,-3]; B=[1,1;1,1]; C=[1,1;1,-1]; D=[0];Qc=ctrb(A,B) Qo=obsv(A,C) Rc=rank(Qc) Ro=rank(Qo)输出：Qc =1 1 -2 -21 1 -2 -2Qo =1 11 -1-2 -2-4 4Rc =1Ro =2结论：能控性矩阵和能观性矩阵的秩分别为1,2，又系统阶次是2，故系统是不可控的，是可观测的。

摘要油页岩干馏工业越来越受到人们的重视。

其干馏控制效果的优劣直接影响页岩油的产量，而温度控制又是页岩干馏炉控制系统中的关键环节，因此页岩炼油过程中的温度控制具有十分重要的现实意义。

由于干馏炉温度控制系统具有惯性、滞后和难以获得精确数学模型等特点，本文在串级PID控制的基础上引入模糊控制，作为智能控制算法应用于干馏炉温度控制系统，构成模糊PID控制器来整定温度控制系统主控回路的PID参数，这样既保持了PID控制器的结构简单、适应性强的优点，又能在线调整PID控制器的参数，以适应页岩干馏过程模型参数的变化。

最后通过Matlab仿真，分析了模糊PID控制器的动态响应和抗干扰能力，并与传统串级PID控制进行比较。

结果表明，设计的模糊PID控制器超调量较小，调节时间短，抗干扰能力较好，能达到较好的控制效果。

关键词：温度控制；串级控制；模糊PID前言在我国油页岩制取页岩油技术中，主要是利用干馏技术对大块的油页岩进行制取页岩油。

而对于小颗粒的油页岩则作为尾料，还没有找到有效的方法提取其中的页岩油。

因此为了使小颗粒的油页岩资源能够得到充分的利用，寻找一种更加有效的加工制油方法是当前所要解决的问题。

干馏是页岩油关键的提炼步骤，在干馏炉干馏过程中，页岩的裂解是在一个密闭的空间里进行一系列复杂的物理和化学反应过程，并且在一定的温度范围内，油页岩热解生成页岩油、页岩半焦和热解气。

在生产过程中，干馏炉的温度控制具有极其重要的地位，如果温度太高，油母页岩过度裂解，会减少页岩油的产量；但是温度过低，油母页岩裂解不充分，同样会影响页岩油的产量。

所以，温度的高低在干馏炉控制系统中有着非常重要的作用。

如何控制好干馏炉的温度，进而提高页岩油的产能，是本文研究的重点。

1.干馏过程的控制对象模型一般情况下，页岩油的生产可以分为以下三个部分：原料部分、干馏部分以及油回收部分。

页岩干馏炉的炼油工艺流程图如图1.1 所示。

图1.1 干馏炉的工艺流程图在实际工程的控制中往往很难得到页岩干馏过程的精确数学模型。

智能控制与自动化技术作业指导书第一章智能控制理论基础 (2)1.1 智能控制概述 (2)1.2 智能控制的基本方法 (3)第二章传感器技术与应用 (3)2.1 传感器概述 (3)2.2 常用传感器及其选型 (4)2.2.1 温度传感器 (4)2.2.2 压力传感器 (4)2.2.3 湿度传感器 (4)2.3 传感器信号处理 (4)第三章自动检测技术 (5)3.1 自动检测技术概述 (5)3.2 检测技术的基本原理 (5)3.3 检测系统的设计与应用 (5)3.3.1 检测系统设计 (5)3.3.2 检测系统应用 (6)第四章执行器技术 (6)4.1 执行器概述 (6)4.2 常用执行器及其选型 (6)4.2.1 电动执行器 (6)4.2.2 气动执行器 (7)4.2.3 液压执行器 (7)4.3 执行器控制系统 (7)第五章控制策略与应用 (7)5.1 控制策略概述 (7)5.2 经典控制策略 (7)5.3 现代控制策略 (8)第六章人工智能在自动化中的应用 (8)6.1 人工智能概述 (8)6.2 机器学习与神经网络 (9)6.2.1 机器学习 (9)6.2.2 神经网络 (9)6.3 深度学习与自然语言处理 (9)6.3.1 深度学习 (9)6.3.2 自然语言处理 (9)第七章工业控制系统 (9)7.1 工业控制系统概述 (10)7.2 工业控制系统的组成 (10)7.2.1 控制器 (10)7.2.2 执行机构 (10)7.2.3 检测仪表 (10)7.2.4 通信网络 (10)7.2.5 人机界面 (10)7.3 工业控制系统的应用 (10)7.3.1 制造业 (10)7.3.2 能源行业 (11)7.3.3 化工行业 (11)7.3.4 环保行业 (11)7.3.5 农业领域 (11)第八章控制系统 (11)8.1 控制系统概述 (11)8.2 控制技术 (12)8.3 编程与调试 (12)第九章自动化系统设计 (13)9.1 自动化系统设计概述 (13)9.2 自动化系统设计流程 (13)9.2.1 需求分析 (13)9.2.2 系统方案设计 (13)9.2.3 系统详细设计 (13)9.2.4 系统验收与交付 (13)9.3 自动化系统实例分析 (13)9.3.1 需求分析 (14)9.3.2 系统方案设计 (14)9.3.3 系统实施与验收 (14)第十章智能控制与自动化技术的未来发展 (14)10.1 智能控制与自动化技术发展趋势 (14)10.2 面临的挑战与机遇 (15)10.3 发展前景与展望 (15)第一章智能控制理论基础1.1 智能控制概述智能控制作为自动化技术的重要组成部分，旨在模拟人类智能，实现对复杂系统的有效控制。

智能控制大作业-遗传算法(总8页)--本页仅作为文档封面，使用时请直接删除即可----内页可以根据需求调整合适字体及大小--智能控制与应用实验报告遗传算法控制器设计一、 实验内容考虑一个单连杆机器人控制系统，其可以描述为：0.5sin()Mq mgl q y qτ+==其中20.5M kgm =为杆的转动惯量，1m kg =为杆的质量，1l m =为杆长，29.8/g m s =，q 为杆的角位置，q 为杆的角速度，q 为杆的角加速度， τ为系统的控制输入。

具体要求：1.设计基于遗传算法的模糊控制器、神经网络控制器或PID 控制器(任选一)。

2.分析采用遗传算法前后的控制效果。

3.分析初始条件对寻优及对控制效果的影响。

4.分析系统在遗传算法作用下的抗干扰能力(加噪声干扰、加参数不确定)、抗非线性能力(加死区和饱和特性)、抗时滞的能力。

二、 对象模型建立根据公式(1)，令状态量121=,x q x x =得到系统状态方程为：121210.5**sin()x x mgl x x My x τ=-== (1)由此建立单连杆机器人的模型如下：function dy = robot(t, y, u) M = 0.5; m=1.0; l=1.0; g=9.8;dy = zeros(2,1);dy(1) = (u - 0.5*m*g*l*sin(y(2)))/M;dy(2) = y(1);三、基于遗传算法的PID控制器设计仿真的采样时间为0.01s，输入指令为阶跃信号。

采用实数编码方式，算法中使用的样本为20个，交叉概率和变异概率分别为P c=0.8，P m=0.2，选择遗传进化代数为30代。

PID控制参数取值范围分别为：Kp为[0,25]，Ki为[0,20] ，Kd为[0,20]。

为获得满意的过渡过程动态特性，采用误差绝对值时间积分性能指标作为参数选择的最小目标函数。

同时，为了防止控制能量过大，在目标函数中加入控制输入的平方项，得到最优指标为：21230=(()())u J e t u t dt t ωωω∞++⎰，式中，()e t 为系统误差，()u t 为控制器输出，u t 为上升时间，123,,ωωω为权值。

智能控制导论姓名*******学院自动化与电气工程学院专业控制科学与工程班级*****************指导老师******二〇一六年六月二十二Lp q q r qf p q r q r q T J n u L i Jn L L Ri ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-+⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡+⎥⎦⎤⎢⎣⎡⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡--=⎥⎦⎤⎢⎣⎡00102ωψψω⎩⎨⎧--=+--=)()(12201121y z zu b y z z z ββ ⎪⎩⎪⎨⎧-=-=0201*0)(b z u u z u r ωβ1 目的永磁同步电机转速的传统PI 控制，存在转速与超调量之间的矛盾，影响调速系统的总体控制效果。

在上文中，采用自抗扰控制技术(ADRC)，其核心是把系统模型摄动视为内扰，将其和系统外部扰动作为总的扰动，然后利用扩张状态观测器对总扰动项进行观测和前馈补偿，实现系统的高品质控制。

ADRC 对多变量、非线性、强耦合的系统具有很好的控制效果，主要包括扩张状态观测器(ESO)、非线性跟踪微分器(TD)和非线性状态误差反馈控制律(NLSEF)，但是在NLSEF 中的参数不易调整，引入模糊控制，对NLSEF 参数进行整定，达到自动调节系统参数的目的。

利用模糊控制，能对一定范围内参数进行最佳估计的能力。

2 方法当采用0=d i 的矢量控制时，转子定向在dq 旋转坐标系的旋转方程为 在上述方程中，将q i 作为r ω方程里面的一个扰动项，得到的ESO 为1z 用来观测r ω，2z 用来估计它的总扰动，即系统的内部扰动和外部扰动。

NLSEF 为其中，*r ω是ADRC 的输入信号，21,ββ为输出校正误差，0b 是b 的估计值，β是误差反馈增益。

速度环ADRC 的结构图如2-1所示。

规则库模糊推理清晰化模糊化ece β∆模糊控制器NLSEF1/bbESOr ω1e 0qi rω1z 2z --图2-1 速度环ADRC 结构图问题：在上述ADRC 中，21,ββ影响ESO 的收敛速度，2β影响ESO 对系统扰动的估计，值越大，抗负载扰动能力越强，带负载后转速恢复的时间越短，但是2β过大会影响系统振荡；增大1β可抑制振荡，但是1β过大会引起系统发散；控制器对0b 具有较大的鲁棒性，值越大，系统的抗干扰能力越大；β影响控制器的响应速度，值越大，响应速度越快，但是过大会引起转速超调。

南京工程学院自动化学院《智能控制技术》大作业课程名称：智能控制技术院（系、部、中心）：康尼学院专业：自动化班级: K自动化121 姓名：刘爽学号： 240120902课程论文成绩评定：指导教师签字：2015 年 6 月 24 日摘要模糊控制是以模糊集合论作为它的数学基础，用语言规则表示方法和先进的计算机技术，由模糊推理进行决策的一种高级控制策。

模糊控制作为以模糊集合论、模糊语言变量及模糊逻辑推理为基础的一种计算机数字控制，它已成为目前实现智能控制的一种重要而又有效的形式尤其是模糊控制和神经网络、遗传算法及混沌理论等新学科的融合，正在显示出其巨大的应用潜力。

实质上模糊控制是一种非线性控制,从属于智能控制的范畴。

模糊控制的一大特点是既具有系统化的理论，又有着大量实际应用背景.本文简要回顾了模糊控制理论的发展，详细介绍了模糊控制理论的原理和模糊控制器的设计步骤，分析了模糊控制理论的优缺点以及模糊控制需要完善或继续研究的内容，根据各种模糊控制器的不同特点，对模糊控制的应用进行了分类,并分析了各类模糊控制器的应用效能.最后,展望了模糊控制的发展趋势与动态。

关键词：模糊控制；模糊控制理论；模糊控制系统；模糊控制理论的发展第一节引言1。

1 模糊控制系统简介模糊控制系统是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术.自从美国加利福尼亚大学控制论专家L.A.Zadeh教授在1965年提出的《Fuzzy Set》开创了模糊数学的历史，吸引了众多的学者对其进行研究，使其理论和方法日益完善，并且广泛的应用于自然科学和社会科学的各个领域,尤其是第五代计算机的研制和知识工程开发等领域占有特殊重要的地位.把模糊逻辑应用于控制领域则始于1973年.1974年英国的E.H.Mamdani成功地将模糊控制应用于锅炉和蒸汽机的控制.此后20年来，模糊控制不断发展并在许多领域中得到成功应用。

由于模糊逻辑本身提供了由专家构造语言信息并将其转化为控制策略的一种体系理论方法,因而能够解决许多复杂而无法建立精确数学模型系统的控制问题，所以它是处理推理系统和控制系统中不精确和不确定性的一种有效方法。

《智能控制》大作业姓名：王阵伟班级：自动化学号：310210510621011、简答题：1.1.根据目前智能控制系统的研究和发展，智能控制系统主要有哪些方面的工作可做进一步的探索和开展？目前研究方向内容： 1 智控的基础理论和方法研究 2 智控的系统结构研究 3 基于知识系统及专家控制 4 基于模糊系统的智能控制 5 基于学习及适应性的智控 6 基于神经网络的智控7 基于信息论和进化论的学习控制器研究8 其他，如计算机智能集成制造系统，智能计算系统，智能并行系统，智能容错控制，智能机器人等。

需要探索的方面: 1 开展智控理论与应用的研究2 充分运用神经生理学心理学认知科学和人工智能等学科的基本理论，深入研究人类解决问题时表现出来的经验技巧策略，建立切实可行的智控体系结构； 3 把现有的知识工程模糊系统信息论进化论神经网络理论和技术与传统的控制理论相结合，充分利用现有的控制理论，研究适合于当前计算机资源条件的智控策略和系统；4 研究人-机交互式的智控系统和学习系统以不断提高智控系统的智能水平； 5 研究适合智控系统的并行处理机信号处理器智能传感器和智能开发工具软件，以解决智控系统在实际应用中存在的问题，使智控得道更广泛应用。

1.2.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模糊控制器主要由模糊化接口、规则库、模糊推理、清晰化接口四部分组成，各部分的作用概述如下。

1.模糊化接口模糊化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。

它的作用是将真实的确定量输入转换为一个模糊量。

把物理量的清晰制转换成模糊语言变量的过程叫做清晰量的模糊化2.规则库模糊控制器的规则是基于专家知识活手动操作人员长期积累的经验，他是按人的直觉推理的一种语言表达形式。

模糊规则通常有一系列的关键词连接而成，如if-then、else、also、end等，关系词必须经过“翻译”才能将模糊规则数值化。

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。

智能控制模糊控制仿真大作业一、前言智能控制模糊控制仿真大作业是在智能控制课程中的一项重要任务，旨在让学生通过实践来深入理解模糊控制的原理和应用。

本文将从以下几个方面详细介绍智能控制模糊控制仿真大作业的相关内容。

二、作业背景智能控制是一种基于人工智能技术的自动化控制方法，它可以通过对系统进行学习和优化来提高系统的性能和鲁棒性。

而模糊控制则是智能控制中的一种重要方法，它可以通过对输入输出之间的关系进行建模来实现对系统的控制。

因此，深入了解模糊控制的原理和应用对于学习智能控制具有重要意义。

三、作业要求本次大作业要求学生使用MATLAB/Simulink软件来设计一个基于模糊逻辑的温度调节系统，并进行仿真验证。

具体要求如下：1. 设计一个基于PID算法和模糊逻辑的温度调节系统；2. 利用Simulink软件构建该系统，并进行仿真验证；3. 对比分析PID算法和模糊逻辑在温度调节系统中的控制效果；4. 撰写实验报告，详细介绍设计思路、仿真结果以及分析结论。

四、作业流程1. 确定系统需求和参数首先，需要确定温度调节系统的需求和参数。

例如，设定目标温度为25摄氏度，系统初始温度为20摄氏度，采样时间为0.1秒等。

2. 设计PID控制器接下来，设计PID控制器。

PID控制器是一种经典的控制方法，在工业自动化控制中得到广泛应用。

其基本原理是通过对误差信号、误差积分和误差微分进行加权组合来得到输出信号。

3. 设计模糊逻辑控制器然后，设计模糊逻辑控制器。

模糊逻辑控制器是一种基于模糊集合和模糊推理的控制方法。

其基本原理是将输入变量映射到一个或多个模糊集合上，并通过一系列规则来推导出输出变量的值。

4. 构建Simulink模型并进行仿真验证接下来，利用Simulink软件构建温度调节系统，并将PID控制器和模糊逻辑控制器分别加入到系统中。

然后，进行仿真验证，比较两种控制方法的控制效果。

5. 分析结果并撰写实验报告最后，对比分析PID算法和模糊逻辑在温度调节系统中的控制效果，并撰写实验报告，详细介绍设计思路、仿真结果以及分析结论。

题目：浅谈智能控制班级：姓名：学号：目录摘要 (3)Abstract (3)1.前言 (4)2.智能控制的定义 (4)3.传统控制系统的特点 (5)4.传统智能控制面临的难题 (5)5.智能控制系统的特点 (6)6.智能控制的研究内容 (6)6.1 分层递阶控制系统 (7)6.2学习控制系统 (8)6.3专家控制系统 (9)6.4人工神经网络控制系统 (10)6.5模糊控制系统 (11)7.智能控制的发展与前景 (11)参考文献 (12)浅谈智能控制摘要本文是对智能控制的一个综述，结合这学期学习智能控制原理与应用的感悟，介绍了智能控制产生的定义，特点，应用，研究内容，对智能控制所面临的问题与挑战进行了叙述，还具体阐述了未来发展的趋势和前景，说明了智能控制象征着自动化的未来。

智能控制正是在各行各业应用中的一个缩影，它的作用以及影响力将会关系到国民生计。

又因为在当今社会各行各业中，智能控制技术对实现生产过程自动化有着更为积极的作用。

所以智能控制技术的研究和发展也越来越成为当代科学的一门重要课程。

AbstractThis paperis an overview of theintelligent control，it introduces the definition, the characteristic ,the application and the research contents of intelligent control.It describes the problems and challenges faced by intelligent control,the future development trends and prospects.So intelligent control symbolizes the future of automation.Intelligent control is so important that it relates to national life.Because in today's society in all walks of life, intelligent control technology has play a more active role to achieve automation of the production process.Therefore, the research and development of intelligent control technology is increasingly becoming an important course of contemporary science.关键词：智能控制定义人工智能传统控制研究内容发展与前景1.前言人类的进化归根结底是智能的进化，而智能反过来又为人类的进步服务。