Skip to content
TheChatArchiveThe Chat Archive
gpt-3.5-turbo-0301· OpenAIAi2 WildChat-4.8M (AI2)

利用智能控制知识,选择一个被控对象,设计一个“模糊自适应 PID 控制器”或“自适应模糊控制 器”;并编写相关程序及原理

  1. User

    利用智能控制知识,选择一个被控对象,设计一个“模糊自适应 PID 控制器”或“自适应模糊控制 器”;并编写相关程序及原理

  2. Assistant

    选择一个被控对象

    本次选择电机转速控制作为被控对象。

    设计一个“模糊自适应 PID 控制器”

    1. 设计模糊控制器

    根据电机转速控制的特点,我们选择模糊控制器进行设计。模糊控制器由模糊化、规则库和解模糊三部分组成。

    1.1 模糊化

    将电机转速误差与调节量(输出)进行模糊化,得到模糊化变量集合:

    • 电机转速误差:负大、负中、负小、零、正小、正中、正大
    • 调节量:负大、负中、负小、微小、正小、正中、正大

    1.2 规则库

    根据电机转速误差和调节量的模糊化变量集合,建立规则库,共有 7*7=49 个规则。

    规则库中的规则可以使用人类的运动经验或者经验知识定义,也可以通过试错来确定。

    1.3 解模糊

    使用最大隶属度原则进行求解,得到最终输出。

    1. 设计自适应 PID 控制器

    基于模糊控制器,我们可以设计自适应 PID 控制器。自适应 PID 控制器包括三个部分:PID 控制器、模糊化器和自适应器。

    2.1 PID 控制器

    PID 控制器的表达式为:

    u(t)=Kpe(t)+Ki∫0te(τ)dτ+Kdde(t)dtu(t)=K_p e(t) + K_i \int_0^t e(\tau)d\tau + K_d\dfrac{de(t)}{dt}

    其中,u(t)u(t) 是输出,e(t)e(t) 是误差,KpK_p、KiK_i、KdK_d 分别是比例项、积分项、微分项的系数。

    2.2 模糊化器

    将输出 u(t)u(t) 进行模糊化,得到模糊化变量集合:

    • 调节量:负大、负中、负小、微小、正小、正中、正大

    2.3 自适应器

    使用模型参考自适应控制器来调整 PID 控制器的参数。模型参考自适应控制器的核心思想是根据参考模型与实际被控对象的误差来调整 PID 参数。

    具体来说,我们可以将参考模型与实际被控对象放在同一控制系统中,通过比较参考模型的输出与实际被控对象的输出,来计算误差,然后根据误差来调整 PID 参数。误差越大,则需要加大 KpK_p 来加快响应;误差越小,则需要增大 KiK_i 或 KdK_d 来减小稳态误差或提高系统的抗干扰能力。

    编写相关程序及原理

    下面给出该控制器的 MATLAB 代码实现。

    %% 模糊自适应PID控制器
    clear;clc;
    t = 0:0.1:10;           % 时间向量
    setpoint = 50;          % 设定点
    w = 50;                 % 电机无负载转速
    Kp = 0.6; Ki = 0.5; Kd = 0.08;  % PID控制器的系数
    e = zeros(1,length(t));    % 误差
    u = zeros(1,length(t));    % 控制量
    u(1) = Kp*e(1);         % 初始控制量
    e(2) = setpoint-w;      % 计算初始误差
    u(2) = Kp*e(2);         % 计算初始控制量
    
    for i = 3:length(t)
        % 计算误差
        e(i) = setpoint-w;
        
        % 模糊控制器
        fzy = zeros(7,7);   % 初始化模糊矩阵
        % 构造模糊矩阵
        for j = 1:7
            for k = 1:7
                fzy(j,k) = min(fze(j,e(i)),fzu(k,u(i-1)));
            end
        end
        % 解模糊
        uzi = zeros(1,7);   % 初始化解模糊向量
        for j = 1:7
            uzi(j) = FuzzyMaxMin(fzy(j,:));
        end
        % 偏差与控制量清洗
        uzi(isnan(uzi))=0;
        e(i) = FuzzyMaxMin(e(i),-10,0,10);
        u(i) = FuzzyMaxMin(uzi,-100,0,100);
        
        % 自适应PID控制器
        % 带参考模型的器
        ref = setpoint*ones(1,length(t));  % 参考模型
        y = zeros(1,length(t));           % 实际被控对象的输出
        yi = zeros(1,7);                  % 初始化模糊解模糊向量
        % 构造模糊化矩阵
        for j = 1:7
            yi(j) = fzy(j,4);  % 取中间一维
        end
        % 解模糊
        uy = FuzzyMaxMin(yi,-100,0,100);
        % 计算误差
        er = ref(i)-uy;
        % 计算调整参数
        Kp = Kp+0.1*er*e(i)/er(1);  % 根据比例误差加大Kp
        Ki = Ki+0.05*e(i)*t(i)/er(1);  % 根据积分误差加大Ki
        Kd = Kd+0.01*(e(i)-e(i-1))/er(1);  % 根据微分误差加大Kd
        % PID计算
        u(i) = Kp*e(i)+Ki*trapz(t(1:i),e(1:i))+Kd*(e(i)-e(i-1));
    end
    
    plot(t,e); hold on;
    plot(t,u);
    legend('误差','控制量');
    xlabel('t/s');ylabel('e/u');
    

    在以上 MATLAB 代码中,假设初始设定点为 5050,电机初始无负载转速为 5050。为了避免控制输出过大或过小,本次将控制量域设为 [−100,100][-100,100],将电机转速误差域设为 [−10,10][-10,10]。

    在 for 循环中,首先计算电机转速误差 ee,然后利用模糊控制器对误差变量和控制量进行模糊化,得到模糊化矩阵 fzyfzy,再利用最大隶属度原则进行解模糊,得到控制量。为了防止函数无法处理 NaN 值,需要进行处理。

    然后利用模型参考自适应控制器来调整 PID 控制器的参数。通过调整比例元、积分元、微分元三个参数,实现对电机转速的控制。

    最后,绘制出误差变量和控制量随时间的变化情况。

    参考资料:

    [1] 陈启元. 控制系统的基础: 第三版[M]. 高等教育出版社, 2011.

    [2] 关小民, 刘梓, 李政. 模型参考自适应控制在直线电机高精度控制中的应用[J]. 机电工程, 2018 (08): 847-849+852.