智能控制应用实例

• (3)实例仿真
• 某 型 号 三 轴 转 台 外 环 转 动 惯 量 为 101 ～ 121 kg · m2 。 电 机 最 大 输 出 力 矩 为 120 N ·m。力矩系数为12 N ·m/V。以0.10、 0.010 为界划分为3个误差集合，以0.2°/s、 0.02°/s为界划分3个误差变化率集合，依 古典频域法设计的Ⅱ型、Ⅲ型控制器分别 为
图8.32 洗衣机模糊推理控制关系
图8.33 布质的隶属度函数
图8.34 布量的隶属度函数
图8.35 水位的隶属度函数
图8.36 水流强度的隶属度函数
• 3)洗衣设定时间的模糊控制 • 4)实际洗涤时间的调整方法
图8.37 洗衣时间的隶属度函数
• (3)控制器硬件系统的结构
图8.38 硬件系统框图
• (4)控制器软件系统的设计 • 8.3.2 模糊控制电冰箱 • (1)控制系统概述
图8.39 系统软件流程图
图8.40 控制电路框图
• (2)温度模糊控制
图8.41 系统程序框图
• 1)食品温度及热容量检测原理
图8.42 存 入食品后冷冻室温度的变化
• 2)确定食品温度的模糊推理框图
图8.43 食品温度的模糊推理框图
• 式(8.10)中 为三轴台位置工作状态所限 定的最高转速。 • 采样延时的影响在于，如果在t1时刻系统运 行至P1 点，未到达切换点P0 ，而在下一时 刻t2，系统达到P2点，可能已穿过了切换线。 这时切换已为时过晚，其间走过的距离约 为eL(t1)：
• 式中 et(t1)——P2点距离的近似值； • T——采样周期。
• 其中, b值当 取1，负值时取-1。 • (3)翻堆和通风装置的速度控制
为正值时
• (4)控制系统的计算机实现
图8.11 电气结构图
图8.12 系统组成
• (5)实验结果及结论 • 8.1.4 三轴转台快速精密定位系统的智能 控制
图8.13 Ⅱ型伺服系统框图
θi(t)—角位置输入；θ(t)—对象角位置输出；e(t)—偏差信号；M(t)—电机力矩； Td(t)—干扰力矩；U(t)—控制器输出；Km—力矩系数；J—转动惯量； (K1T1S+1)/(T2S+1)—超前校正；(K2T3S+1)/(T4S+1)—迟后校正。
• 3)输出反模糊化
wenku.baidu.com
• • • •
(3)模糊控制算法的PLC实现 1)模糊控制算法 2)查表梯形图程序设计 8.1.3 有机肥发酵过程智能控 制系统 • (1)有机肥生产工艺 • (2)温度控制器的设计 • 目前，人们经常使用的是由 Mceulloch 和 Pitts 最 早 提 出 的 M-P模型，它是一个多输入单 输出的具有非线性特性的信息 处理单元，相应的表达式为
图8.2 磨矿浓度控制系统
• 3)给矿量的专家系统控制
图8.3 浓度仿真结果
图8.4 专家系统的基本组成
图8.5 给矿量专家系统设计
图8.6 选矿系统的专家控制结构
图8.7 功率和给矿量的关系
• • • •
本系统由三部分组成 1 经典控制系统，PID控制 2 溢流浓度的神经网络控制 3 给矿量专家系统控制
• 转化为数字控制器为 • Ⅱ 型 系 统 ： u(K)=0.286 5V(K-1)+8.923× 104e(K)-8.209×104e(K-1) • Ⅲ 型 系 统 ： u(K)=1.272 9V(K-1)-0.284 0V(K-2)+0.011 1V(K-3)+9.535×104e(K)1.837×105e(K-1)+8.846×104e(K) • 采样周期取为5 ms。Bang-Bang控制器依 本例所述方法设计，专家变模态控制器仿 真运行结果为： • ①25°偏差归零过程超调小于1%，见图 8.16(a)。
图8.30 移动机器人的模糊推理框图
• • • • • •
2)输入变量与输出变量的模糊语言描述 3)建立模糊控制规则 4)模糊关系的求取 5)模糊控制决策 6)控制量的非模糊化(精确化) (3)控制结果
图8.31 路径规划仿真图
• • • • • • • • • •
8.3 模糊控制技术应用 8.3.1 模糊控制全自动洗衣机 (1)输入量的检测 1)水位传感器 2)布量和布质检测 3)温度检测电路 4)脏污程度和脏污性质的检测 (2)模糊控制器的设计 1)水位设定的模糊控制 2)水流强度的模糊控制
图8.48 烟浓度D模糊化示意图
图8.49 模拟火灾实例
• (4)模糊推理算法及结果的精确化
图8.50 强度转移法推理示意图
图8.16 仿真运行结果 (a)阶跃输入响应 (b)阶跃干扰响应
• ②在1 N ·m的阶跃干扰力矩下最大动态误 差小于3″、稳态误差为零。（1°=3 600″）。 • 8.2 智能机器人控制 • 8.2.1 机器人的智能控制
图8.17 ES/ANN集成控制结构
图8.18 低层控制结构
• • • • • •
• (1)自适应Bang-Bang控制 • 1)转动惯量的辨识 • 对于每个轴：
• 式中 M(K)——作用在轴上的力矩； • T——采样周期。 • 2)切换点的预估
图8.14 最优相轨迹切换线
• 轨迹L的方程为
• 预先计算好切换点可减少实时计算量。此 外，三轴转台有限速线路限定最高转速， 这时轨迹如L所示，切换点为Q0，其横坐标 为：
第8章 智能控制应用实例
• 8.1 复杂工业过程的智能控制 • 8.1.1 基于神经网络质量模型的磨矿过程智 能控制 • (1)磨矿过程工艺 • (2)磨矿过程溢流浓度模型 • 1)磨矿过程经典模型 • ①球磨机的模型
图8.1 磨矿作业流程图
• ②旋流器的模型
• 2)磨矿溢流浓度神经网络建模
• (3)磨矿系统控制 • 1)经典PID控制 • 2)溢流浓度的神经网络控制
图8.15 专家变模态控制系统 Yd(t)—期望轨迹；Y(t)—对象输出轨迹；U(t)—控制器输出； X(t)—对象状态；K—专家控制器；Q—知识库。
• 若Δe(t1)<eL(t1)，则在t 时刻改变电机力矩方 向，实现切换。 e(t1 ) t t1 T (8.13) eL (t1 ) • (2)专家变模态控制器 • 整个控制器的输出可表示为
• 2)协调级规划
图8.23 库所模糊标记的确定
图8.24 水下机器人作业过程
图8.25 水下机器人的协调级规划
图8.26 分派器的FPN描述
图8.27 信息处理协调器的FPN描述
图8.28 潜器运动协调的FPN描述
图8.29 机械手运动协调的FPN描述
• 3)能控、能观性分析 • 定义8.2 当FPN描述图中，每一个内部变 迁至少与一个输入相连接时，则称此FPN 描述的过程是能控的。 • 定义8.3 当FPN描述图中，每一个内部变 迁至少与一个输出相连接时，则称此FPN 描述的过程是能观的。 • 8.2.3 移动机器人的路径规划 • (1)硬件描述 (2)路径规划算法的推导 • 1)确立模糊控制器的输入变量和输出变量
(1)基于ES/ANN集成的控制结构 (2)低层控制 (3)高层控制 1)知识库的建立 2)推理机制 (4)控制效果
图8.19 高层控制结构
图8.20 2DOF机械手模型
图8.21 运动轨迹
图8.22 仿真结果
• 8.2.2 水下机器人智能控制的协调级规划 • (1) 具 有 模 糊 标 记 的 PN(PN with fuzzy tokens) • (2)基于FPN的协调级结构 • (3)水下机器人及作业过程描述 • (4)基于FPN的协调级规划 • 1)模糊标记的确定 • 定义8.1 c、d两点间为最佳作业范围，其 隶属函数为0；o、e两点为作业的临界点， 其隶属函数为1；a、b两点隶属函数为τ， 对应变迁的激发点。
• 3)推理规则的建立
图8.44
图8.45 修正系数隶属函数
• 4)制冷工况的控制决策 • (3)除霜的模糊控制
图8.46 除霜控制推理框图
• 8.3.3 模糊控制火灾报警系统 • (1)系统概述
图8.47 模糊控制系统的基本结构
• (2)物理量的模糊化设计 • (3)控制规则的设计和修正
• 8.1.2 基于PLC的油田污水处理模糊控制 系统 • (1)污水处理工艺
图8.8 污水处理工艺流程图
• (2)模糊控制原理
图8.9 模糊控制系统方框图 r—给定pH值；e—偏差信号；ec—偏差信号变化率； u—变频器控制信号；n—变频器输出频率
• 1)输入模糊化
• 2)模糊决策和模糊控制规则
图8.10 梯形图程序
• 其中,xi，y分别为神经元的输入、输出，Q为 神经元阈值；Wi为神经元之间的连接权值。 • 用神经元实现的自适应PID控制规律，若神 经元学习控制所需的状态量为xi(x1，x2，x3)， 则神经元PID控制器输出的增量形式为
• 用权重向量W和状态向量x的内积除以权重 向量的欧向里德度数‖W‖，以保证其控制 策略的收敛性。 • 式(8.2)中的xi(k)由(8.3)表示，其中e(k)为控 制器增量，yr(k)为输出期望值。