《智能控制作业(共15页).doc》由会员分享，可在线阅读，更多相关《智能控制作业(共15页).doc（15页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精选优质文档-倾情为你奉上一、已知某一炉温控制系统，要求温度保持在600恒定。针对该控制系统有以下控制经验： 若炉温低于600 ，则升压；低得越多升压越高。 若炉温高于600 ，则降压；高得越多降压越低。 若炉温等于600 ，则保持电压不变。 设计模糊控制器为一维控制器，输入语言变量为误差，输出为控制电压。输入、输出变量的量化等级为7级，取5个模糊集。试设计隶属度函数误差变化划分表、控制电压变化划分表和模糊控制规则表。要求有程序及注释，仿真结果和分析。（1） 确定模糊控制器的输入输出变量将600作为给定值t0 ,测量炉温为t(k)，则：输入变量：e(k)= t(k)-t0 输出变量：触发电压
2、u 的变化量，该 u直接控制供电电压的高低。（2）输入输出变量的模糊语言描述输入输出变量的语言值：负大（NB）,负小（NS）,零（ZE）,正小（PS）,正大（PB）设：e的论域为X，u 的论域为Y，均量化为七个等级：X= -3，-2，-1，0，1，2，3，Y=-3，-2，-1，0，1，2，3语言变量 E 和 U 的隶属函数赋值表（论域离散）：隶属度输入量e的变化等级3210123模糊集PB000000.51PS000010.50ZE000.510500NS00.510000NB10.500000隶属度输出量u的变化等级3210123模糊集PB000000.51PS000010.50ZE000.
3、510500NS00.510000NB10.500000（3）模糊控制规则if E =NB then U =PBif E =NS then U =PSif E =ZE then U =ZEif E =PS then U =NSif E =PB then U =NB（4）求模糊控制表IFNBeNSeZOePSePBeTHENPBuPSuZOuNSuNBu（5）控制量转化为精确量： 采用加权平均法： （6）计算模糊关系R=(NBePBu)+ (NSePSu)+(ZEeZEu)+ (PSeNSu) +(PBeNBu)ZEeZEu =（0, 0, 0.5,1, 0.5,0,0） （0,0 , 0.5,
4、 1 , 0.5 , 0,0）分别计算出矩阵NBePBu，NSePSu， ZEeZEu，PSeNSu ，PBeNBu求并集得：查询表：e3210123u3210123实际控制时，将测量到的误差量化后，从查询表中得到控制量再乘以比例因子Kn，即作为控制的实际输出。（7）模糊决策模糊控制器的输出为误差向量和模糊关系的合成，即u=eR。当误差e为NB时，e=1,0.5,0,0,0,0,0，控制器的输出u：（8）控制量的反模糊化控制器输出为一维模糊向量，即：如果按照“隶属度最大原则”进行反模糊化，则选择控制量为 u =3，增大压力使温度升高。这与e=NB时的实际操作经验是一致的。程序设计及仿真%Fuz
5、zy Control for water tankclear all;close all; a=newfis(fuzz_temp); a=addvar(a,input,e,-3,3); %Parameter ea=addmf(a,input,1,NB,zmf,-3,-1);a=addmf(a,input,1,NS,trimf,-3,-1,1);a=addmf(a,input,1,Z,trimf,-2,0,2);a=addmf(a,input,1,PS,trimf,-1,1,3);a=addmf(a,input,1,PB,smf,1,3); a=addvar(a,output,u,-3,3);
6、%Parameter ua=addmf(a,output,1,NB,zmf,1,3);a=addmf(a,output,1,NS,trimf,-1,1,3);a=addmf(a,output,1,Z,trimf,-2,0,2);a=addmf(a,output,1,PS,trimf,-3,-1,1);a=addmf(a,output,1,PB,smf,-3,-1); rulelist=1 1 1 1; %Edit rule base 2 2 1 1; 3 3 1 1; 4 4 1 1; 5 5 1 1; a=addrule(a,rulelist); a1=setfis(a,DefuzzMeth
7、od,mom); %Defuzzywritefis(a1,temp); %Save to fuzzy file temp.fisa2=readfis(temp); figure(1);plotfis(a2);figure(2);plotmf(a,input,1);figure(3);plotmf(a,output,1); flag=1;if flag=1 showrule(a) %Show fuzzy rule base ruleview(temp); %Dynamic Simulationenddisp(-);disp( fuzzy controller table:e=-3,+3,u=-3
8、,+3 );disp(-); for i=1:1:7 e(i)=i-4; Ulist(i)=evalfis(e(i),a2);endUlist=round(Ulist) e=-3; % Erroru=evalfis(e,a2) %Using fuzzy inference仿真结果：图1 系统控制图图2 输入隶属度函数图3 输出隶属度函数图4 规则表图5 动态图二、参照RBF网络的自校正控制方法，设计基于RBF网络的模型参考自校正控制器，并进行MATLAB仿真。被控对象为采样周期为，参考模型为，其中。要求：编写仿真程序，画出控制曲线和误差曲线，并进行分析。神经网络自校正控制有两种结构类型：直接型
9、、间接型。直接型自校正控制也称直接逆动态控制，属于前馈控制；间接自校正控制是一种由辨识器对对象参数在线估计，用调节器实现参数的自动整定相结合的自适应控制技术，通常用于结构已知而参数未知但恒定（或者参数缓慢时变）的随机系统。神经网络间接自校正控制结构如图6所示，它由两个回路组成：（1）自校正控制器与被控对象构成的反馈回路。（2）控制器参数调整回路（由神经网络辨识器构成）。神经网络辩识器自校正控制器被控对象ryu图6 神经网络间接自校正控制框图考虑被控对象：其中u，y分别为对象的输入和输出，j为非零函数。若给定参考输入r，则控制器算法应为：未知函数g和j可通过在线训练RBF网络进行辨识(估计)，辨
10、识结果分别记为Ng和Nj则控制算法变为：设计2个RBF网络分别辨识未知函数g和j 。网络结构如图7所示，其中W和V为权值向量，网络输入均为y(k)。两个网络的结构完全相同。图7 神经网络辨识器设网络的径向基向量为H=h1,hmT，hj为高斯基函数： 其中j=1,m。m为网络隐层神经元个数，bj为神经元j的基宽度参数，bj0，Cj为第j个节点的中心矢量: 设网络权向量为：则两个RBF网络的输出分别为：辨识后，采用RBF网络对系统的预测输出为：设神经网络调整的性能指标为：采用梯度下降法调整网络的权值：其中hw和hv为学习速率。神经网络权值的调整过程为：其中a为动量因子。神经网络自校正控制系统的结构
11、如图8所示。 图8 神经网络自校正控制系统结构图可以看出，两个RBF网络实际上是模拟了由输出量y到两个非线性函数的映射关系被控对象为：则有仿真程序如下：%Self-Correct control based RBF Identificationclear all;close all; xite1=0.15;xite2=0.50;alfa=0.05; w=0.5*ones(6,1);v=0.5*ones(6,1); cij=0.50*ones(1,6);bj=5*ones(6,1);h=zeros(6,1); w_1=w; w_2=w_1;v_1=v; v_2=v_1;u_1=0; y_1=0;
12、 ts=0.02;for k=1:1:5000 time(k)=k*ts; r(k)=1.0*sin(0.1*pi*k*ts); % g(k)=0.8*sin(y_1); f(k)=15; y(k)=g(k)+f(k)*u_1; for j=1:1:6 h(j)=exp(-norm(y(k)-cij(:,j)2/(2*bj(j)*bj(j); end Ng(k)=w*h; Nf(k)=v*h; ym(k)=Ng(k)+Nf(k)*u_1; e(k)=y(k)-ym(k); d_w=0*w; for j=1:1:6 d_w(j)=xite1*e(k)*h(j); end w=w_1+d_w+al
13、fa*(w_1-w_2); d_v=0*v; for j=1:1:6 d_v(j)=xite2*e(k)*h(j)*u_1; end v=v_1+d_v+alfa*(v_1-v_2); u(k)= (r(k) - Ng(k)/Nf(k); u_1=u(k); y_1=y(k); w_2=w_1; w_1=w; v_2=v_1; v_1=v;end figure(1);plot(time,r,r,time,y,b);xlabel(Time(second);ylabel(Position tracking); figure(2);plot(time,g,r,time,Ng,b);xlabel(Time(second);ylabel(g and Ng); figure(3);plot(time,f,r,time,Nf,b);xlabel(Time(second);ylabel(f and Nf);专心-专注-专业仿真结果如下：图9 控制曲线图10 误差曲线 通过曲线分析可知控制效果良好，控制曲线基本吻合，误差较小。