自动控制理论课程设计

1、 自动控制理论课程设计 学生姓名： J Guo 学 号： 学 院： 计算机与控制工程学院 专 业： 自动化 指导教师： Y-F Ren 职称: 教 授 2014年1月0实验目的11 实验背景12模型建立与分析23计算机仿真实验与验证要求34画出未校正系统的根轨迹图并分析其稳定性44.1用matlab计算系统开、闭环传递函数44.2分析开、闭环传递函数54.3绘制开环根轨迹增益图判断系统稳定性55绘制系统在不同输入条件下的响应曲线65.1求未校正系统的幅值裕度、相位裕度65.2未校正系统的脉冲响应65.3原系统单位阶跃响应75.4 原系统的单位斜坡响应76 绘制系统的bode图及nyquist图

2、87 对原系统进行校正107.1串联校正方法选择107.2 校正后阶跃响应曲线及伯德图117.3 系统校正前后比较138 设计PID控制器对原系统进行校正168.1 Simulink系统搭建及PID参数整定168.2 PID控制器作用后系统的阶跃响应209 智能控制器模糊控制器设计229.1 模糊控制基本原理229.2 模糊PD控制器设计239.3 模糊控制器设计259.4 Matlab/Simulink仿真2710控制理论发展的最新的动态和方法2910.1完善已有的理论、方法、技术, 扩大其适用领域2910.2增加控制理论体系的开放性, 吸取其它学科的先进成果2910.3广义模型化3010.

3、4多目标优化3010.5混合式控制理论3011参考文献310实验目的1、通过相关模型的建立了解实际运用中自动控制过程的抽象化方法；2、通过对相关传递函数的推导掌握简单控制器的设计步骤及其使用方法；3、建立的模型需要加以验证作出相关的函数曲线；4、熟练掌握自动过程设计过程中所需要的相关软件的使用方法，学会用计算机对所设计的模型进行验证；5、通过对传递函数的相关计算加深对自动控制课程的理解，使所学习的知识更加牢固。6、加深对先进控制技术的了解与应用。1 实验背景图1-1嫦 娥 二 号 卫 星深空探测是指脱离地球引力场，进入太阳系空间和宇宙空间的探测。主要有两方面的内容：一是对太阳系的各个行星进行深

4、入探测，二是天文观测。深空探测意义重大，可以进一步解答地球如何起源与演变、行星和太阳系究竟是如何形成和演化、人类是不是宇宙中唯一的生命、地球的未来将如何等一系列问题，同时有利于人类积极开发和利用空间资源。尽管充满挑战和风险，尽管曾经遭遇失败，但人类探测深空的脚步不仅没有停止，反而在不断迈进，而且步伐还将越来越快。上图是我国今年发射的嫦娥二号的图片，嫦娥系列卫星的发射也标志着我国深空探测工作的全面展开。轨道控制是指对航天器施加控制力，改变其质心运动轨道的技术和方法。它包括轨道机动和轨道修正。无摄动力或控制力的航天器的质心运动服从开普勒定律。但是当航天器受到外部摄动力作用后偏离预定的运行轨道或者需

5、要改变到另一个轨道飞行时，必须通过控制来改变航天器质心运动的速度向量。实现航天器轨道控制的一整套装置或系统称为航天器轨道 图1-2 航天器运行轨道示意图控制系统。航天器的轨道一般由主动飞行段和自由飞行段(也称被动飞行段)组成。主动飞行段是航天器轨道控制发动机(又称变轨发动机)点火段，发动机熄火后是自由飞行段。自由飞行段的轨道由主动飞行段结束时航天器的位置和速度向量、引力场和其他外部环境摄动力向量决定。用于改变航天器质心运动速度向量的控制力有反作用推力和自然环境力(如行星引力、气动力、太阳辐射压力和地磁力)等。航天器的轨道控制常使用喷气发动机和小推力电推进器。 嫦娥一号转移轨道示意图随着航天任务

6、的复杂化，对航天器轨道控制的精度、机动性和自主性提出了越来越高的要求。未来空间站既有轨道保持又有交会对接，要求有很高的自主性。星际航行由于航程远，无线电波传输时间长，难以在地球上或地球轨道上进行遥控，因此需要由航天器进行自主导航和控制。提高军用卫星的自主轨道控制能力尤为重要，一方面可以降低对地面测控站的依赖程度，另一方面能提高保密性和抗干扰性。因此，自主导航和控制是航天器轨道控制技术的一个发展方向。如图所示是我国嫦娥卫星的转移轨道示意图。2模型建立与分析本次试验需要讨论的问题是深空探测器的轨道控制，深空探测在太空中运行要承受强辐射高真空等等一系列极端环境的考验。要想使探测器按照人们预想的航路飞

7、行，就必须对航天器进行有效地控制，保证其正常工作。通常有星地大回路控制方式和航天器自主控制方式等等。为了降低实验的难度，将实验模型进行了简化，即认为深空探测器在运行的过程中只靠发动机推力改变自己的运动轨道。设计出的控制器可以实现航天器由初始位置运动到预定位置的制动过程。在这个模型中输入便变量是航天器所要到达的位置，经过一个微分控 图2-1 嫦娥三号制器得到一个速度量，速度量输入推进装置使推进装置发生动作产生必要的推力，把航天器推到相应的位置。经物理分析、数学建模简化后系统结构如图2-2所示。SH（s）预期位置 校正位置图2-2 系统结构框图3计算机仿真实验与验证要求由上述推导过程得出了控制器的

8、设计情况以及各个环节的传递函数，进行计算机的仿真与验证。根据系统的结构图可以列写出相应的开环传递函数为： 代入数据化简：（1）稳定性验证(仿真程序)（2）绘制系统在不同输入条件下的响应曲线：(仿真程序及结果图) 脉冲响应曲线； 阶跃响应曲线； 线性响应；（3）绘制系统的bode图（程序及结果图）由bode图可以计算出系统的截止频率、相角裕度、-穿越频率、相角裕度：绘制系统的奈氏图，即nyquist图：（程序及结果图）判断稳定性（4）绘制系统的根轨迹图：（程序及结果图）（5）根据上述计算结果，为了提升系统的稳定性，可以在控制器中加装一定的校正环节。试进行校正设计，并在Matlab绘图中下比较校正

9、前后的差别。（6）试用PID方式重新设计控制器，并给出PID参数整定的过程。4画出未校正系统的根轨迹图并分析其稳定性4.1用matlab计算系统开、闭环传递函数系统开环传递函数为：为简化处理，可设：,在后面的程序中出现G1、G2、G3，不在重复声明。求开环传递函数matlab程序： G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);H=1;Go=G1*G2*G3*H Transfer function: 0.2704- s3 + 1.103 s2 + 0.3354 s + 0.0169 求闭环传递函数matlab程序：G1

10、=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);H=1;Go=G1*G2*G3*HGc=feedback(Go,1)ZPK(Gc); Transfer function: 0.2704 - s3 + 1.103 s2 + 0.3354 s + 0.2873 0.2704 - (s+1.045) (s2 + 0.05781s + 0.275)4.2分析开、闭环传递函数由系统开环传递函数的零极点模型可以很容易的看出，此高阶系统具有一对共轭复数闭环主导极点。闭环主导极点是指在稳定的高阶系统中，对于其时间相应起到主导作用的的闭环极点

11、。闭环主导极点满足以下要求：1、 在S平面上，距离虚轴比较近，且附近没有其他的零点与极点；2、 其实部的绝对值比其他极点实部的绝对值小5倍以上。4.3绘制开环根轨迹增益图判断系统稳定性matlab程序：G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);H=1;Go=G1*G2*G3*Hrlocus(Go);图4-1 原系统开环根轨迹图由根轨迹图可以看出，当开环增益K=Gain1.32时，根轨迹会越过虚轴进入S右半平面，根据我们所学知识，系统稳定则不存在位于S平面右半平面的闭环系统特征根，所以可以得出结论：当0K1.327时

12、，系统不稳定。本系统K=0.2704,满足稳定条件，所以本系统是稳定的。5绘制系统在不同输入条件下的响应曲线5.1求未校正系统的幅值裕度、相位裕度matlab程序：G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);H=1;Go=G1*G2*G3*H; Gm,Pm,Wcg,Wcp=margin(Go);Gm,Pm,Wcg,Wcp运行结果：ans =1.3051 8.3631 0.5792 0.5079即：原系统幅值裕度1.3051，相位裕度：8.36315.2未校正系统的脉冲响应matlab程序：G1=tf(0,0.2704

13、,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);H=1;Go=G1*G2*G3*HG_c=feedback(Go,1);impulse(G_c);图5-1 未校正系统单位脉冲响应5.3原系统单位阶跃响应matlab程序： G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);H=1;Go=G1*G2*G3*HG_c=feedback(Go,1);step(G_c);图5-1 未校正系统单位阶跃响应分析：由阶跃响应图可以看出，未校正系统的阶跃响应曲线为一衰减震荡曲线。5.4 原系统的

14、单位斜坡响应Matlab中没有直接求取单位斜坡响应的命令，可以利用单位斜坡函数为单位阶跃函数的积分来间接取得单位斜坡响应。具体方法是将待求系统的传递函数乘以积分因子1/s，求其单位阶跃响应，即为原系统的单位斜坡响应，当然也可通过单位脉冲响应来求取。原系统：乘以积分因子1/s后，G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);G4=tf(0,1,1,0);H=1;Go=G1*G2*G3*G4*HG_c=feedback(Go,1);step(G_c);图5-3 未校正系统单位斜坡相应曲线6 绘制系统的bode图及nyqui

15、st图未校正的系统的开环传递函数对数幅频特性曲线如图6-1：matlab程序：G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);H=1;Go=G1*G2*G3*H; bode(Go);运行结果：图6-1 未校正系统的幅相曲线由bode图可以计算出系统的截止频率、相角裕度、-穿越频率、相角裕度：绘制系统的奈氏图程序：G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);H=1;Go=G1*G2*G3*H; nyquist(Go); 图 6-2 未校正系统奈奎

16、斯特图分析：从奈奎斯特图可以明显看出，开环奈斯曲线包围（-1，j0）点的圈数为R=0，上面已经分析过，系统的开环特征方程在s平面右半平面的根的个数P=0，则系统闭环特征方程式在s右半平面的根的个数Z=P-R=0，即说明闭环特征根均在s左半平面，闭环系统是稳定的。7 对原系统进行校正7.1串联校正方法选择（1） 分析法：首先在对原系统进行分析的基础上，根据要求的性能指标选取校正装置的基本形式。然后计算校正装置的参数，并检验是否满足性能指标。若满足要求，则设计完成。否则，重新计算校正装置的参数，直到满足性能指标为止，如果反复计算仍达不到要求，说明选取装置的形式不合适，需重新选取校正装置的形式，重新

17、计算。这种方法一般需要反复设计才能完成。（2） 综合法： 首先由期望的性能指标绘制期望的开环对数幅频特性曲线。然后与原系统的开环对数幅频特性曲线相减，得到校正装置的对数幅频特性曲线。然后反写出矫正装置的传递函数。这种方法理论上可以一次性完成设计任务，但是困难在于如何由要求的指标绘制出期望的开环对数幅频特性曲线。通过分析，原系统为稳定系统，我们可以采用超前校正法对原系统进行校正，分析计算过程如下：对于稳定系统一般要求，1、 系统相位裕度为： 45 2、 系统超调量： G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);G4=t

18、f(3.03,1,0.611,1);H=1;Go=G1*G2*G3*G4*H;G_c=feedback(Go,1);Bode(Go)图7-3 超前校正后系统的幅频特性曲线从校正后系统的伯德图可以看出： 1、系统幅值裕度为：7.39dB 2.31dB（校正前）2、系统相位裕度为：26.8 8.36（校正前） 7.3 系统校正前后比较为更直观的展现系统校正前后，性能差异，我将各个特性图绘制在一起进行比较：G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);H=1;Go=G1*G2*G3*HG_c=feedback(Go,1);s

19、ubplot(2,1,1);step(G_c);G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);G4=tf(3.03,1,0.611,1);H=1;Go=G1*G2*G3*G4*H;G_c=feedback(Go,1);subplot(2,1,2);step(G_c);图7-4 系统校正前后阶跃响应曲线比较图G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);H=1;Go=G1*G2*G3*HG_c=feedback(Go,1);subplot(2,2

20、,1);step(G_c);subplot(2,2,2);Bode(Go);G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);G4=tf(3.03,1,0.611,1);H=1;Go=G1*G2*G3*G4*H;G_c=feedback(Go,1);subplot(2,2,3);step(G_c);subplot(2,2,4);Bode(Go);图7-5 系统校正前后阶跃响应及幅相曲线比较图G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);H=1;Go

21、=G1*G2*G3*HG_c=feedback(Go,1);subplot(2,2,1);rlocus(Go);subplot(2,2,2);nyquist(Go);G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);G4=tf(3.03,1,0.611,1);H=1;Go=G1*G2*G3*G4*H;G_c=feedback(Go,1);subplot(2,2,3);rlocus(Go);subplot(2,2,4);nyquist(Go);图7-6 系统校正前后根轨迹和奈奎斯特图比较G1=tf(0,0.2704,1,0.

22、52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);G4=tf(3.03,1,0.611,1);H=1;Go=G1*G2*G3*G4*H;Gm,Pm,Wcg,Wcp=margin(G);Gm,Pm,Wcg,Wcp8 设计PID控制器对原系统进行校正8.1 Simulink系统搭建及PID参数整定原系统如图8-1所示。SH（s）图 8-1预期位置 校正位置 即：本文采用基于MATLAB /Simulink仿真环境下的稳定边界法P ID 参数校正,其优点是:非常直观、完全可视化操作、省去了编程的工作量.根据原系统搭建Simulink仿真框图如图8-2。图 8-2 S

23、imulink仿真原理图根据稳定边界法的整定参数思路，我们可以首先给相关系数赋初值，Ki=Kd=0;Kp=1;根据Simulink得到的系统响应曲线，从响应曲线的情况对Kp进行调节：如果响应曲线为增幅振荡（如图8-3），说明Kp偏大；如果响应曲线为衰减振荡（如图8-4），说明Kp偏小；通过“折半查找”的原则，最终确定Kp的值使响应曲线为等幅振荡（如图8-5）。通过实验最终确定Kp=1.31时，系统响应曲线为等幅振荡，振荡周期T=10.8，根据稳定边界法的经验公式（表8-1），对Ki、Kd进行进一步确定。 表8-1 稳定边界法参数整定计算公式调节规律整定参数KpKiKdP0.5KpPI0.455

24、Kp0.535Kp/TPID0.6Kp1.2Kp/T0.075KpT在MATLAB的命令窗口中键入以下代码，通过Simulink可以得到校正后的阶跃响应曲线如图8-6。 Kp=1.31;T=10.8;Kd=0.075*Kp*T;Ki=1.2*Kp/T;Kp=0.6*Kp;Kp,Ki,Kdans = Kp=0.7860 Ki=0.1456 Kd=1.0611当然这种方法一般不可能直接得到最好的参数，通过响应曲线的实际情况，我们可以再对Ki、Kd进行微调，直到得到较为理想的曲线如图8-7。经过试验验证，当Ki=0.025时，响应曲线较为理想，最终得到的PID参数为： Kp= 0.7860 Ki=

25、0.025 Kd=1.0611图 8-3 衰减振荡图8-4 增幅振荡图8-5 等幅振荡图8-6 首次得到的阶跃响应曲线图8-7 修正参数后得到的阶跃响应曲线8.2 PID控制器作用后系统的阶跃响应则PID控制器的形式为：故，增加PID控制器后开环传递函数为： 为更加直观的判断系统校正的实际效果，我采用MATLAB绘制系统的阶跃响应曲线和幅频特性曲线如图8-8、图8-9所示。G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);G4=tf(1.0611,0.786,0.025,0,1,0);H=1;Go=G1*G2*G3*G4*

26、H;G_c=feedback(Go,1);step(G_c);图 8-8 校正后系统阶跃响应G1=tf(0,0.2704,1,0.52);G2=tf(0,1,1,0.52);G3=tf(0,1,1,0.0625);G4=tf(1.0611,0.786,0.025,0,1,0);H=1;Go=G1*G2*G3*G4*H;G_c=feedback(Go,1);Gm,Pm,Wcg,Wcp=margin(Go);Gm,Pm,Wcg,WcpBode(Go);从校正后系统的伯德图可以看出，PID控制器作为系统的校正环节起到了良好的矫正效果。 1、系统幅值裕度为：始终满足稳定性要求 2.31dB（校正前）

27、2、系统相位裕度为：41.8945 8.36（校正前） 图 8-9 校正后系统的幅频特性曲线9 智能控制器模糊控制器设计9.1 模糊控制基本原理模糊控制是以模糊集合论、模糊语言变量及模糊逻辑推理为基础的计算机智能控制。模糊控制的基本原理如图9-1所示。图9-1模糊控制器组成框图1. 模糊化接口模糊控制器输入必须通过模糊化才能用于控制系统求解，因此实际上他是模糊控制器的输入接口。其主要作用是将一个真实的确定量输入转化成一个模糊矢量。若将信号用3个隶属度函数表示，则一般对应的物理意义是“很小”、“中等“较大”。通常7段式模糊论域可以写成E=NB，NM，NS，Z，PS，PM，PB，分别表示“负大”、

28、“负中”、“负小”、“零”、“正小、“正中”、“正大”这7个模糊子集。一个精确的信号可以通过一组隶属度函数模糊化，变成模糊信号。2. 知识库数据库所存放的是所有输入输出变量的全部模糊子集的隶属度矢量值（经过论域等级离散化以后对应值的集合），如果论域为连续域则为隶属度函数。在规则推理的模糊关系方程求解过程中，向推理机提供数据。规则库（rule base）模糊控制器的规则基于专家知识或者手动操作者长期积累的经验，它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系词连接而成，如if-then、also、end、or等，关系词必须经过翻译才能将模糊规则数值化，最常用的关系词是if-the

29、n，对于多变量模糊系统，还有and等。如某系统输入变量为e(误差)、ec(误差变化率)，他们对应的语言变量为E和EC，可以给出一组模糊规则：R1：if E is NB and EC is NB then U is PB规则库时用来存放全部模糊规则的，在推理时为推理机提供控制规则。由上述可知，规则条属于模糊子集的划分有关，划分越细，规则条数越多，但并不代表规则库的准确度越高，规则库的准确度还与专家知识的准确度有关。3. 推理与解模糊接口推理是模糊控制器中，根据输入的模拟量，由模糊控制规则完成模糊推理求解模糊关系方程，并获得模糊控制变量的功能部分。在模糊控制中，考虑到推理时间，通常采用较简单的推理

30、方法。最基本的有Zadeh近似推理，它包含正向推理和逆向推理两类。推理结果的获得，表示模糊控制的规则推理功能已经完成。但是，至此所获得的结果仍然是一个模糊矢量，不能直接用来作为控制量，还必须进行一次转换，求得清晰的控制量输出，即为解模糊，常用的解模糊化算法包括最大隶属度平均算法、中位数法等。9.2 模糊PD控制器设计利用反馈控制系统中的误差信号e(t)及其变化率de(t)/dt来计算控制量的方法称为PD控制。典型的模糊PD控制器结构如图92所示，其中需要事先输入增益Kp，和Kd分别对误差及其变化率信号进行规范处理，使得其值域范围与模糊变量的论域吻合，然后对这两个信号模糊化后得出的信号（E，Ed

31、）进行模糊推理，并将得出的模糊量解模糊化，得出精确控制量U，通过规范化增益Ku后就可以得到控制信号u(t)。对于偏差、偏差变化率以及控制器输出模糊化采用7段模糊化子集定义，其示意图如图9-3所示。图9-2 模糊PD控制器框图图 9-3 7段模糊子集示意图从系统响应来看，如果误差e(t)=r(t)-y(t)为PB，则需要给出正的控制量u(t)。进一步的，如果de(t)/dt为PB和PM，由于误差大且误差有进一步增大的趋势，应该加大控制量u(t)，亦将u(t)设置为PB，相反的，如果误差变化率为NS，则说明误差有减小的趋势，故无需加大控制量，将其设置成PS即可；若变化率为PS，则应该加更小的控制量

32、，如选择PM；如果误差变化率为NB或NM，则说明无需加控制量即可消除误差，这是应该选择u(t)为PS或者Z。对于其他e(t)与de(t)/dt组合也可得出类似规则，这样可以得出表9-1中的规则表。 表9-1 PD控制器模糊逻辑 ecueNBNMNSZPSPMPBNBNBNBNMNMNSZZNMNBNBNMNS NS ZPSNSNMNMNMNS ZPSPSZNMNMNSZPSPMPMPSNSNSZPSPSPMPMPMNSZPSPMPMPMPBPBZZPMPMPMPBPB9.3 模糊控制器设计在matlab命令窗口中键入命令fuzzy，打开模糊推理系统编辑界面如图9-4所示。图9-4 模糊推理系统

33、编辑界面图9-5 双输入单输出模糊推理系统系统默认的是单输入、单输出，可以通过菜单项EditAdd Variable-Input添加一条输入，同时可以在界面上修改三路信号的变量名为e、ec和u，如图9-5所示。双击界面上的输入端e图标，将界面上默认的三端模糊子集及隶属度函数曲线。由于要建立7段模糊子集，首先选择EditRemove ALL MFs删除默认的MFs菜单，并将Number of MFs栏目的数值设置为7，则可以得出默认的7段隶属度函数的默认设置，将各隶属度函数的名称依次改写为NB，NM.，并微调默认隶属度函数的形状，则可以得出9-3所示的隶属函数曲线。同样的方法对各路输入、输出信号

34、进行设置后得到9-6所示。选择EditRules菜单项，可以得出图9-7所示的模糊规则编辑框，在其中将规则一一键入。有Add rule添加规则。选择 FileExport菜单项就可以分别建立起模糊推理系统保存为*.fis文件或存成MATLAB工作空间变量，在联合Simulink仿真时必须存成工作空间变量。9-6 设置模糊变量论域后的图像9-7 模糊规则编辑框9.4 Matlab/Simulink仿真已知受控对象的数学模型，可以建立起图9-8所示的仿真模型。在Matlab命令窗口中用如下语言对模型进行初始化。Kp=1;Kd=1;Ku=1;图 9-8 模糊PD控制系统仿真模型在Simulink中对

35、模糊PD控制系统进行仿真，系统输出信号如图9-9所示，可以看出，控制效果并不理想，系统存在超调比较大，可以通过减小Kp来减小超调，当Kp=0.5时系统输出信号如图9-10所示，可以看出，比例增益的减小系统超调量减小的同时，系统响应速度也有所降低。有第八节我用PID控制校正系统的经验可知PID参数：Kp=1.31，Kd=1.061；这可以作为模糊控制中的专家经验，由于我在模糊控制器的设计时已经确定输入偏差及偏差变化率的论域为-3 ,3，而模糊PD控制系统中的Kp，Kd实际上就是用来对偏差和偏差变化率信号进行归一化处理的，从而使得其值域范围与模糊变量的论域吻合。综上所述，理论设置系统参数为：Kp=

36、0.167；Kd=0.22.系统输出曲线如图9-11,可以看出存在较大静态误差；如果适当同步扩大kp=1,kd=1.3，得到图9-12所示曲线图，超调量、响应时间、稳态误差均较为满意。从这些分析中可以看出，论域的选则和归一化参数的确定对模糊控制系统的设计至关重要。图9-9模糊PD控制输出曲线图9-10 模糊PD控制输出曲线（Kp=0.5）图9-11 模糊PD控制输出曲线（Kp=0.167；Kd=0.22）图 9-12 模糊PD控制输出曲线（kp=1;kd=1.3）10控制理论发展的最新的动态和方法10.1完善已有的理论、方法、技术, 扩大其适用领域 随着控制系统复杂性的增加, 不确定因素的增多

37、,要求各控制理论分支有进一步的发展, 弥补各理论分支的缺点与不足, 以满足更高的控制性能指标。 比如:PID 控制需要进一步融入对象辨识、自适应、模糊推理及人工神经网络等现代控制理论和智能控制技术, 利用先进的技术手段合理的选择匹配、在线整定、实时动态调整PID 参数, 从而适应控制对象的变化, 满足不同系统的控制品质要求 。 预测控制需要建立高精度的信息预测模型, 研究新的滚动优化策略和更有效的反馈校正方法。鲁棒控制要求寻找保守性小,且易于验证的判据, 探求易实现便于设计的鲁棒控制方案。模糊控制需要提高稳态精度。寻找一般性的稳定分析方法。寻求系统化设计方法。神经网络控制需要加速算法的收敛速度

38、, 提高神经网络的泛化能力. 现有的控制理论在线性系统控制中大都能取得良好的控制效果, 但对离散、非线性复杂系统领域的研究大都刚刚起步, 或处于初级阶段, 远未达到人们的期望. 而实际工业生产过程的模型一般都很复杂, 通常具有非线性、分布参数和时变等特性。 因此将控制理论的研究领域推广到非线性复杂系统有重要的实际意。另外与宏观复杂系统控制相对的量子控制( QuantumControl) 也正在作为一个全新的学科领域蓬勃崛起, 它的发展也依赖于完善的控制理论和优化控制策略。 10.2增加控制理论体系的开放性, 吸取其它学科的先进成果 控制理论本身是一个开放式系统, 在其发展过程中不断吸收其它相关

39、学科的新技术、新思想, 才达到今天这种较为完善的境界, 为了进一步满足人们更高的控制要求, 控制理论需要对当代多种前沿学科、多种先进技术和多种科学方法加以高度综合集成。已有初步研究的混沌控制、可拓控制就是明证。10.3广义模型化 工业过程系统是一个具有高度复杂、不确定、多层次、网络性系统, 单纯依靠数学模型, 进行定量分析是不现实的。前面所介绍的预测控制中拓宽了模型的含义, 易于检测的阶跃响应模型、脉冲响应模型, 最小化模型类的CARIMA、CARMA 都可用于系统的描述。灰色系统理论的黑箱、白箱、方法采用、外模型、内模型相结合的广义模型如多层状态空间、多重广义算子模型等对系统的外部功能、内部

40、状态进行全面分析。大系统理论根据大系统的多级、多层、多段结构特性, 对不同的级别、层次、阶段选取相应的精度和粒度, 建立变粒度广义模型, 对各个子系统进行分析和并行处理。进一步拓宽, 利用数学模型和知识模型集成的广义模型进行定量定性相结合的系统分析, 已引起不少学者的注意。10.4多目标优化 对一个动态系统设计控制器时, 通常有多个相互矛盾的目标需要考虑, 如何分析和协调这些目标, 以达到最优化设计成为近年来的一重要课题。文献12 讨论了以时域性能指标为优化目标的多目标优化控制, 给出了多目标优化的数字化解决方式.10.5混合式控制理论1) 复合式控制: 各控制理论分支都有自己的长处与不足,

41、以一种控制理论为主, 结合其它控制理论优点构成复合式控制往往能取得更佳的控制效果。比如: 模糊控制与PID 控制相结合产生模糊PID 控制, 与自适应控制相结合产生模糊自适应控制, 与预测控制相结合产生模糊预测控制, 与神经网络相结合产生模糊神经网络控制; 将变结构控制引入到预测控制中得到变结构预测控制, 引入到模糊控制中得到鲁棒模糊控制,引入到神经网络控制中得到鲁棒神经网络控制; 将专家控制、自适应控制引入到PID 控制中得到专家自适应PID 控制等. 这些复合式控制都显示出旺盛的生命力, 代表了一种发展趋势。 2) 多模态控制、多模型自适应控制: 集多种控制理论优点于一身, 除了前面所说的复合式控制外还可以采用多模态控制和多模型自适应控制. 多模态控制指多个控制器存在于同一控制系统中, 在适当时刻切换处于工作态的控制器, 发挥控制作用。比如: 神经网络擅长于反射型推理, 专家系统擅长于解释型推理, 两者组合可实现专家控制与神经网络控制的双模态控制。神经网络控制器具有学习能力, 当系统运行条件发生变化时, 神经网络控制器进入训练状态, 这时专家系统控制器执行控制任务, 神经网络完成学习后, 控制任务再