智能控制结课作业

1、兰 州 理 工 大 学智能控制设计报告院系： 电气工程与信息工程学院 班级： 自动化卓越班 姓名： 学号： 时间： 2016 年 10 月 25 日电气工程与信息工程学院1. 基于模糊控制的非最小相位系统的设计摘要：自然界与人类社会有关系的系统绝大部分是模糊系统，这类系统的数学模型不能由经典的物理定律和数学描述来建立。本文在模糊控制理论基础上设计非最小相位系统，利用专家经验建立模糊系统控制规则库，由规则库得到相应的控制决策，并分析系统隶属度函数，利用matlab与simulink结合进行仿真。仿真结果表明，该系统的各项性能指标良好，具有一定的自适应性，模糊控制算法不但简单实用，而且响应速度快，

2、超调量小，控制效果良好。关键词：模糊逻辑;隶属度函数;模糊控制;正文：假设系统的模型可以用二阶加纯滞后表示，即传递函数为。其中各参数分别为。图1 模糊控制系统Simulink仿真模型图1、用Matlab中的Simulink工具箱，组成一个模糊控制系统，如图1所示。2、采用模糊控制算法，设计出能跟踪给定输入的模糊控制器，对被控系统进行仿真，绘制出系统的阶跃响应曲线。（1）模糊集合及论域的定义对误差E、误差变化EC机控制量U的模糊集合及其论域定义如下：E、EC和U的模糊集合均为：NB、NM、NS、0、PS、PM、PBE和EC的论域为：-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6U

3、的论域为：-7、-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6、7上述的三个模糊集合都选取了7个元素，主要目的是着眼于提高稳态精度。E、EC和U的隶属度函数图形如图2,3,4 所示：图2 变量E的隶属度函数图3 变量EC的隶属度函数图4 变量U的隶属度函数（2）模糊控制规则设计模糊控制规则如下表所示：表1 模糊控制规则EUECNBNMNS0PSPMPBNBPSPSPSPSPMPBPBNMNSPSPSPSPMPMPBNSNMNS00PSPMPM0NBNMNS0PSPMPMPSNBNMNS00PSPMPMNBNBNMNSNSPSPSPBNBNBNMNSNSNSPS （3）系统的参数

4、选择系统所选用的参数为：Saturation、Saturation1、Saturation2的范围分别为：-6 6、-6 6、-7 7，Transport Delay=2S。通过调试得到PID模糊控制的参数：Gain1=2.3，Gain=1.8，Gain2=0.07（4）仿真结果：系统的阶跃响应曲线如图5所示，其中上方的曲线代表系统的阶跃响应，下方的曲线是系统的模糊控制量的变化。图5 阶跃输入的响应曲线图本设计中控制系统性能的要求为：， 。由图5中曲线可知： 符合要求 符合要求 符合要求图6、系统开环传函的bode图3、改变模糊控制器中模糊变量的隶属度函数，分析隶属度函数和模糊控制规则对模糊控

5、制效果的影响。比较那种情况下的控制效果较好。如下图所示改变模糊控制器中的隶属度函数为梯形隶属函数。图7 变量E的隶属度函数图8 变量EC的隶属度函数图9 变量U的隶属度函数此时系统的阶跃响应曲线为：图 10 系统的阶跃响应曲线由图10中曲线可知道： 由以上的仿真结果可以看出梯形隶属度函数的系统性能没有三角形隶属度函数的系统性能好。此时系统的超调量变大，上升时间增大，稳态误差变大。4、给系统加上扰动，观察此时的阶跃响应曲线，看系统是否仍然稳定，并与无扰动情况下的阶跃响应曲线进行比较。并比较模糊控制和PID控制的鲁棒性。(1)加扰动时的模型图如图11所示（其中step1为幅值为0.02的阶跃信号）

6、。图11 加扰动后的系统模型图系统的阶跃响应曲线为： 图12 系统的阶跃响应曲线由图12中曲线可知道： 超调量变大 符合要求 稳态误差变小分析：由数据可知，系统加上扰动之后，系统仍然是稳定的，系统性能指标变化不大，说明有着良好的鲁棒性。究其原因，在Saturation2之前加的扰动，相当于被控制对象的输入量在对应时刻又并联了一个输入，从而在对应的各个时刻相当于增益变大；显而易见，的增大，有助于系统的稳定，但是会使超调量变大。调整时间变小，与实验的结果是吻合的。5、改变系统的参数，了解模糊控制在系统参数发生变化时的控制效果。并与控制器作用下系统参数发生变化时的控制效果进行比较，思考模糊控制相对于

7、传统控制的优点。（1）当系统开环增益k分别取k=35,k=40和k=45时系统的阶跃响应如图13所示。图13系统开环增益变化对系统阶跃响应的影响（2）当系统纯延时分别取、和时系统的阶跃响应如图14所示。图14系统纯滞后时间变化对系统阶跃响应的影响（3）当系统惯性时间常数分别取 、和时系统的阶跃响应如图15所示。图15系统较大的时间常数变化对系统阶跃响应的影响从图13可以看出增大K值，系统的上升时间减小，此时超调量稍有增加；从图14可以看出当系统的纯滞后时间增大时，系统的超调量增加较大。从图15可以看出系统的惯性时间常数增大后使系统动态性能有所降低，当时间常数T2增大时上升时间增大，但超调量有所

8、降低。模糊控制的优点：通过本设计可以知道，模糊控制具有能够得到良好的动态响应性能，并且不需要知道被控对象的数学模型（当然本实验中是已知道的），适应性强，上升时间快，鲁棒性好。 与PID控制相比有着很大的优势，采用PID控制虽然稳态性能较好，但是难以得到满意的动态响应性能，并且鲁棒性差。当然，模糊控制也有着自身的缺点，容易受到模糊规则等级的限制而引起误差，需要进一步改进。总结：通过这次智能控制课程设计增加了对模糊调节器的理解，认识到了模糊控制器的优缺点。并进一步熟练了用Matlab中Simulink工具箱的应用，提高了自己的动手能力。通过这次课程设计也使我认识到对Matlab中Simulink工

9、具箱的应用还不够熟练，将来应该加强操作、学习。2. 基于神经网控制的非最小相位系统的设计摘要：温度控制箱是具有大滞后、强耦合、慢时变及非线性等特征的复杂系统。在温度控制系统中，被控制对象存在着参数的不确定性和纯滞后等特性，难于建立其精确的数学模型，用常规PID结构或现代控制理论都难于达到满意的控制结果。在本文中神经网络PID控制器，搭建了基于Simulink下的数字仿真框图，进行了仿真研究，通过仿真分析进行对比，得出结论，并比较了这两种控制器的特点。关键词：神经网络控制;Simulink;正文：温度控制箱的数学建模：为了研究控制对象，首先需要建立控制对象的数学建模，确定对象数学模型中的各个参数

10、。在实际应用中，可以将温控箱的温度作为唯一变量，写出它的常微分方程25。当电阻炉炉膛温度稳定时，则某一时刻加热元件发出的热量应该等于该时刻炉膛中积累的热量，和通过炉体散失掉的热量之和，即： （3.1）、大致可以用下面两个式子表示： (3.2)式中，C为电阻炉的热容量，为炉内温度，t为烧结时间。 (3.3)式中，为环境温度，R为电阻炉的热阻(绝缘材料及炉内、外部流动气体产生的)。当炉内温度远远大于环境温度时，可忽略，于是： （3.4）两边取拉氏变换得： （3.5）所以： （3.6）由于测量元件的时间滞后，加上电阻炉本身所固有的热惯性，使得控制信号与温度测量值之间存在着一个时滞环节，同时，控制器输

11、出的是控制信号u，而u(s)可以设定正比于，即，所以： （3.7）其中，T=RC，称为对象的时间常数，K=kR，称为对象的增益。上式即是对象的数学模型，设上式为G(s)。即： （3.8）式中，K开环放大倍数；纯滞后时间；T时间常数。其参数的确定可以通过给温度控制箱加热来近似确定。在开环的情况下，输入电压值为U的阶跃电压，即u(t)=U。输出响应曲线如图31所示。图31中，横坐标t为时间，纵坐标Y为输出温度值。在不考虑纯滞后的情况下，系统输出： （3.9）对式(39)两端取拉氏逆变换，则得出输出值的时域形式如下。 （3.10）式中为输出稳态值 （3.11）当t=T时，由式(310)可得： （3.

12、12）实验中，室温约为，给电加热炉加一阶跃电压u(t)=l00V，温度采样周期T=5s，其输出曲线如图31所示。图31 温控箱升温曲线图从输出曲线可得，稳态温度，所以由式(311)可得 （3.13）当阶跃响应曲线到达稳态值度的632时，其对应温度为： （3.14）可得出时间常数T=830100=730s，所以温度控制箱的数学模型可近似表示如下： （3.15）单神经元PID控制器的设计与仿真：1.单神经元PID控制系统的建立：由于在单神经元PID控制器中，包含了不断更新的权值，不能简单的用传递函数来描述其控制过程，因此如果单纯的使用Simulink下模块无法搭建系统仿真模块，在这里我们可以应用S

13、imulink下的User-Defined Functions模块集中提供的S-Function模块或S-Function Builder模块来搭建仿真框图，通过为该模块编写S函数来建立单神经元PID控制器模块。其中S-函数可以用MATLAB语言编写，也可以用C语言编写。而两者的区别在于前者不能独立于MATLAB语言运行，而后者可以脱离MATLAB环境独立运行。所以只有用C语言编写的S-函数才能够通过编译、链接在Simulink的外部模式下进行半实物仿真控制的研究28。而用C语言编写S-函数有两种方法，一种是利用Simulink下提供的C语言模板程序，该文件在MATLAB目录下的Simulin

14、ksrcsfummpl_basicc。下包含了许多参数需要手动设置，比较繁琐。还有一种方法是利用S-Function Builder模块下设置的对话框按其要求进行编写，它提供的对话框简洁明了，层次清晰，据自己的需要进行初始化、输入端口、输出端口、各项参数、状态变量等的填写，然后就可以进行C语言编程了。程序编写环境和C语言环境下几乎完全一致。还有一些现成的模板参考。本文采用了S-Function 模块进行模型的搭建。基于Hebb学习规则的单神经元PID控制器的S函数的程序如文献27。框图如图38所示：图38 单神经元PID控制系统仿真框图2.单神经元PID控制系统的数字仿真：仿真之前首先根据第二

15、章提到的参数选取规则设置单神经元PID的比例增益k和学习速率。通过调整各参数分别设置为。其仿真结果如图39所示。其中图39a为受控对象模型结构未发生变化时的温度控制仿真曲线。为了研究其对受控对象模型结构变化的适应能力及其鲁棒性，通过改变受控对象的各个参数进行仿真研究。当受控对象比例系数K由075增至09时，仿真结果如图39-b所示。当受控对象延迟时间由100秒增至130时，仿真结果如图39-c所示。当受控对象的时间常数T由730增至800时，仿真结果如图39-d所示。通过比较可以看出适当增大受控对象的k值，系统稳态值有所上升，但系统仍然处于稳定状态。而适当增加延迟或者增加时间常数，其输出响应也

16、没有明显变化。通过与传统PID控制比较可以看出，其响应的快速性相对较差，这主要是由于其比例增益和学习速率不能太大造成的。因为比例增益或学习速率过大，就会使系统产生较大超调和振荡。由于编程算法的灵活性，我们可以通过在编写S-函数过程中，在输入和输出存在较大偏差时，直接给受控对象一个较大的控制信号，当偏差减小至某一点时，再使其进入单神经元PID控制阶段。这样可以解决其快速性较差的缺点29。当受控对象模型参数发生变化时，PID控制效果不理想，产生振荡，甚至使系统工作不稳定。而单神经元PID控制受其影响不大，这充分说明了神经网络PID具有较强的适应性和鲁棒性。（a）受控对象模型结构未发生变化时的温度控

17、制仿真曲线（b）受控对象比例系数K由075增至09时（c）受控对象延迟时间由100秒增至130时（d）受控对象的时间常数T由730增至800时图39 单神经元PID控制曲线总结：本设计结合传统PID控制的优缺点和神经网络控制技术的特点，本文重点对单神经网络PID控制器进行了分析研究，比较了两种控制策略的控制特点。同时针对其缺陷提出了一些改进和优化控制器性能的方案，并将神经网络PID控制技术运用于温度控制箱的温度控制过程中，进行了仿真研究。具体说来，本文所做的工作主要有以下几方面：(1)对传统PID控制与神经网络控制的特点进行了分析比较，根据两种控制方式各自的优势和局限性，将神经网络控制技术与P

18、ID控制相结合，分析了神经网络PID控制器的控制特点。(2)归纳了典型的单神经网络PID控制方式，利用Hebb算法给出其权值变化规律，并对其控制过程中存在的问题进行了分析，提出了几种改进方案。(3)运用MATLABSimulink语言搭建了各种控制系统的仿真框图，编写了用于核心控制的S-函数。并通过数字仿真较为直接的验证了其控制效果。对神经网络PID控制器及常规PID控制器进行了各方面性能的比较分析，讨论了它们的优缺点，提出了改进方案。展望：作为智能控制技术与传统控制理论相结合的神经网络PID控制技术在经过短短十几年的发展后，无论在理论上还是应用上都取得了令人瞩目的成就。本文只对其中的一个小方面做了一些有益的探讨，希望其能够在智能控制的实际应用上有一定的参考价值。由于时间紧迫和本人的学识疏浅，还有很多问题有待于今后进一步研究解决。(1)控制器网络结构和学习参数的选择。由于神经网络控制器的设计至今还没有一套完整的、可遵循的设计准则，即系统化的设计方法，本文中神经网络控制器的设计主要是基于前人的经验和个人尝试，同时还依赖于大量的仿真实验来实现系统结构的选择和参数的整定。所以如何研究和应用完善的系统化设计方法来指导设计合理的神经网络PID控制