专家PID控制系统Matlab仿真

1、专家PID控制系统Matlab仿真摘要：分析了一个速度控制器的控制仿真。其传递函数为：523500G (s)=s 3 + 87.35s 2 +1047 s使用专家PID控制系统，输入信号为阶跃信号，取采样时间为1ms，画出阶 跃响应曲线和误差变化曲线。0引言专家控制(Expert Control)的实质是基于受控对象和控制规律的各种知识，并 以智能的方式利用这些知识来设计控制器。利用专家经验来设计PID参数便构 成专家PID控制。典型的二阶系统单位阶跃响应误差曲线如图1、2所示。对于典型的二阶系统 阶跃响应过程作如下分析，根据误差及其变化，可设计专家PID控制器，该控 制器可分为五种情况进行设

2、计。1设计根据误差及其变化，可设计专家PID控制器，该控制器可分为以下五种情况 进行设计：当|e(k)lM1时，说明误差的绝对值已经很大，不论误差变化趋势如何， 都应考虑控制器的输出应按最大或最小)输出，以达到迅速调整误差，使误差 绝对值以最大速度减小。此时，它相当于实施开环控制。当e(k) Ae(k)0时，说明误差在朝误差绝对值增大方向变化，或误差为某一常值，未发生变化。此时，如果|e(k)|M2，说明误差也较大，可考虑由控 制器实施较强的控制作用，以达到扭转误差绝对值朝减小方向变化，并迅速减小 误差的绝对值。此时，如果|e(k)k m2，说明尽管误差朝绝对值增大方向变化， 但误差绝对值本身

3、并不很大，可考虑控制器实施一般的控制作用，只要扭转误差 的变化趋势，使其初误差绝对值减小方向变化。当e(k) A e (k) 0，e(k) A e (k-1)0或e(k) = 0时，说明误差的绝对值朝减 小的方向变化，或者已经达到平衡状态。此时，可考虑采取保持控制器输出不变。(4)当e(k) Ae(k) 0，e(k) Ae(k-1) 0时，说明误差处于极值状态。如果此时 误差的绝对值较大，可考虑实施较强的控制作用。(5)当I e(k) 10.8%Rule1:Unclosed control firstlyu(k)=0.45;elseif abs(x(1)0.40u(k)=0.40;elseif

4、 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(1)=0) %Rule3u(k)=u(k);endif x(1)*x(2)0&x(2)*x2_1=0.05u(k)=u_1+2*kp*error_1;elseu(k)=u_1+0.6*kp*error_1;endendif abs(x(1)=10u(k)=10;e

5、ndif u(k)=10u(k)=10;endif u(k)=-10u(k)=-10;endyout(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(1)*u(k)+num(2)*u_1+num(3 )*u_2+num(4)*u_3;error(k)=rin(k)-yout(k);%Return ofPIDparameters% %u_3=u_2;u_2=u_1;u_1=u(k);y_3=y_2;y_2=y_1;y_1=yout(k);Calculating Ie_1=x(1);ec_1=x(2);error_2=error_1;error_1=error(k

6、);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);f

7、igure(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);plotfis(a);fuzzy fuzzpidx(1)=error(k);%Calculating P x(2)=error(k)-error_1;%Calculating D x(3)=x(3)+erro

8、r(k);%神经网络控制系统Matlab仿真摘要：分析了一个速度控制器的控制仿真。被控制对象的近似数学模型为:youta) =。(k)网以(S1)+ u (k -1)1 + yout2(k 一 1)式中，系数 a(k)是慢时变的，a(k) = 1.2(1-0.8e-0.ik)。0引言神经网络的结构选择4-5-3，学习速率门=0.28和惯性系数a= 0.04，加权系数初始值取区间-0.5,0.5上的随机数。输入指令信号分为两种：rin(k)=sin(2;t)。取S=2时为正弦跟踪，初始权值取随机值，运行稳定后用稳定权 值代替随机值。其跟踪结果和相应的曲线如图所示。图1正弦跟踪响应曲线（s=12）

9、1分析PID控制要取得较好的控制效果，就必须通过调整好比例、积分和微分三种 控制作用，形成控制量中既相互配合又相互制约的关系，这种关系不一定是简单 的“线性组合”，从变化无穷的非线性组合中可以找出最佳的。神经网络所具有 的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的PID 控制。采用BP网络，可以建立参数ki，kp，kd自学习的PID控制器。图2误差曲线图3输出响应曲线0.4timefstimefsj图4参数自适应整定曲线程序：%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;%BP based PID Control clear a

10、ll;close all;xite=0.20;alfa=0.05;S=1; %Signal typeIN=4;H=5;Out=3; %NN Structure if S=1 %Step Signalwo=0.7576 0.2616 0.5820 -0.1416 -0.1325;-0.1146 0.2949 0.8352 0.22050.4508;0.7201 0.4566 0.7672 0.49620.3632;%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;endif S=2 %Sine Signalwi=-0.6394-0.7023;-0.269

11、6-0.3756wi=-0.2846-1.0668;0.2193-0.5097-0.8603-0.2596;-0.2013-0.5024-0.74840.0988;-0.1210-0.4708-1.0749-0.5437;0.5543-1.6820-0.71760.2049;0.8297-1.6000-0.3625-0.2859;-0.0724-0.6463-0.08580.0347;0.1925-0.63460.1425 -0.7660;0.0279-0.54060.4358 -0.1324;0.2369-0.4564%Output from NN%Input to NN%wi=0.50*r

12、ands(H,IN); wi_1=wi;wi_2=wi;wi_3=wi; wo=1.04380.54780.86820.14460.1537;0.17160.58111.12140.50670.7370;1.00630.74281.05340.78240.6494;%wo=0.50*rands(Out,H); wo_1=wo;wo_2=wo;wo_3=wo; end x=0,0,0; du_1=0; u_1=0;u_2=0;u_3=0;u_4=0;u_5=0; y_1=0;y_2=0;y_3=0;Oh=zeros(H,1); middle layer I=Oh; middle layer er

13、ror_2=0; error_1=0; ts=0.001; for k=1:1:6000 time(k)=k*ts;if S=1 rin(k)=1.0;elseif S=2 rin(k)=sin(1*2*pi*k*ts);end%Unlinear model a(k)=1.2*(1-0.8*exp(-0.1*k); yout(k)=a(k)*y_1/(1+y_1A2)+u_1;error(k)=rin(k)-yout(k);xi=rin(k),yout(k),error(k),1;x(1)=error(k)-error_1; x(2)=error(k);x(3)=error(k)-2*erro

14、r_1+error_2;epid=x(1);x(2);x (3);I=xi*wi;for j=1:1:HOh(j)=(exp(I(j)-exp(-I(j) )/(exp(I(j)+exp(-I (j); %Middle LayerendK=wo*Oh;%OutputLayerfor l=1:1:OutK(l)=exp(K(l)/(exp(K (l) )+exp(-K(l);%Getting kp,ki,kdendkp(k)=K(1);ki(k)=K(2);kd(k)=K(3);Kpid=kp(k),ki(k),kd(k);du(k)=Kpid*epid;u(k)=u_1+du(k);dyu(k

15、)=sign(yout(k)-y_1)/(du(k)-du_1+0.0001);%Output layerfor j=1:1:OutdK(j)=2/(exp(K(j)+exp(-K(j)A2;endfor l=1:1:Outdelta3 (l)=error(k)*dyu(k)*epid (l) *dK(l);endfor l=1:1:Outfor i=1:1:Hd_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);endendwo=wo_1+d_wo+alfa*(wo_1-wo_2);%Hidden layersubplot(313);plot(time,kd,

16、b);xlabel(time(s);ylabel(kd);for i=1:1:HdO(i)=4/(exp(I(i)+exp(-I(i)人2;endsegma=delta3*wo;for i=1:1:Hdelta2(i)=dO(i)*segma(i);end d_wi=xite*delta2*xi;wi=wi_1+d_wi+alfa*(wi_1-wi_2);%Parameters Update du_1=du(k);u_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u1=u(k);y_2=y_1;y_1=yout(k);wo_3=wo_2;wo_2=wo_1;wo_1=wo;wi_3=wi_2;wi_2=wi_1;wi_1=wi;error_2=error_1;error_1=error(k);endfigure(1);plot(time,rin,r,time,yout,b);xl