已知被控对象传递函数:gp(s) =13/(s+1+3i)(s+1-3i)(s+2)设计模糊PD-PI控制器 要求: I.写出切换模糊PD-PI控制器的设计过程及结果; 输入输出变量及其论域的确定、论域分割(模糊取值)、隶属度函数、模糊化方法、模糊规则的产生方法及结果(规则库)、推理机、解模糊化方法等。 II.给出切换模糊PD-PI控制器模糊控制器与过程(1)所构成的控制系统方框图及SIMULINK仿真实现; III.若设定值r(t)=20(t-1)信号时,给出该控制系统的响应曲线及性能指标表。

时间: 2023-12-03 10:45:50 浏览: 186
PDF

论文研究 - (2 +1)维非线性Schrödinger方程的Painlevé分析

I. 设计过程及结果: 1. 输入输出变量及其论域的确定: 输入变量:偏差e(t)、偏差变化率ce(t) 输出变量:控制信号u(t) 论域分别为:[-10, 10]、[-20, 20]、[-10, 10] 2. 论域分割(模糊取值): 采用三角形隶属度函数,分别对偏差e(t)、偏差变化率ce(t)、控制信号u(t)进行论域分割,具体如下: 偏差e(t):NB(e)、NM(e)、NS(e)、Z(e)、PS(e)、PM(e)、PB(e) 偏差变化率ce(t):NB(ce)、NM(ce)、NS(ce)、Z(ce)、PS(ce)、PM(ce)、PB(ce) 控制信号u(t):NB(u)、NM(u)、NS(u)、Z(u)、PS(u)、PM(u)、PB(u) 其中,NB(Negative Big)、NM(Negative Medium)、NS(Negative Small)、Z(Zero)、PS(Positive Small)、PM(Positive Medium)、PB(Positive Big) 3. 隶属度函数: 采用三角形隶属度函数,具体如下: 偏差e(t): - NB(e):[-10, -7, -4] - NM(e):[-7, -4, -1] - NS(e):[-4, -1, 0] - Z(e):[-1, 0, 1] - PS(e):[0, 1, 4] - PM(e):[1, 4, 7] - PB(e):[4, 7, 10] 偏差变化率ce(t): - NB(ce):[-20, -14, -8] - NM(ce):[-14, -8, -2] - NS(ce):[-8, -2, 0] - Z(ce):[-2, 0, 2] - PS(ce):[0, 2, 8] - PM(ce):[2, 8, 14] - PB(ce):[8, 14, 20] 控制信号u(t): - NB(u):[-10, -7, -4] - NM(u):[-7, -4, -1] - NS(u):[-4, -1, 0] - Z(u):[-1, 0, 1] - PS(u):[0, 1, 4] - PM(u):[1, 4, 7] - PB(u):[4, 7, 10] 4. 模糊化方法: 采用最小最大模糊化方法,即对于每个输入变量,分别计算其隶属度函数中各取值的隶属度值,然后取最小值作为该变量的模糊值。 5. 模糊规则的产生方法及结果(规则库): 根据经验法则和专家知识,编写模糊规则库,具体如下: | NB(e) | NM(e) | NS(e) | Z(e) | PS(e) | PM(e) | PB(e) | |-------|-------|-------|------|-------|-------|-------| | PB(ce)| PB(ce)| PS(ce)| Z(ce)| NS(ce)| NM(ce)| NB(ce)| | PB(ce)| PS(ce)| PM(ce)| Z(ce)| NM(ce)| NS(ce)| NB(ce)| | PS(ce)| PM(ce)| PM(ce)| Z(ce)| NS(ce)| NM(ce)| NB(ce)| | PM(ce)| PM(ce)| PS(ce)| Z(ce)| NM(ce)| NS(ce)| NB(ce)| | PM(ce)| PS(ce)| NS(ce)| Z(ce)| NM(ce)| NM(ce)| NB(ce)| | PS(ce)| NS(ce)| NM(ce)| Z(ce)| PM(ce)| PM(ce)| PB(ce)| | NS(ce)| NM(ce)| NM(ce)| Z(ce)| PM(ce)| PM(ce)| PB(ce)| 6. 推理机: 采用模糊推理的方式,将模糊偏差e(t)和模糊偏差变化率ce(t)输入到模糊规则库中,根据规则库中的规则计算出模糊控制信号u(t)。 7. 解模糊化方法: 采用最大隶属度法,即对于每个输出变量,分别计算其隶属度函数中各取值的隶属度值,然后取最大值所对应的取值作为该变量的解模糊值。 II. 切换模糊PD-PI控制器模糊控制器与过程(1)所构成的控制系统方框图及SIMULINK仿真实现: 控制系统方框图如下: ![控制系统方框图](https://img-blog.csdn.net/20161028093141340) 其中,包含两个模糊控制器和一个切换逻辑模块。 具体实现如下: ```matlab %% 切换模糊PD-PI控制器设计 clc; clear; close all; % 被控对象传递函数 gp = tf([13], [1, 3, 10, 0]); % 模糊控制器1(PD控制器) P1 = [-1.5 -1 -0.5 0 0.5 1 1.5]; D1 = [-4 -3 -2 -1 0 1 2 3 4]; u1 = [-10 -7 -4 -1 0 1 4 7 10]; mf1 = zeros(length(P1), length(D1), length(u1)); for i = 1:length(P1) for j = 1:length(D1) for k = 1:length(u1) e = P1(i); ce = D1(j); de = u1(k); mf1(i, j, k) = min(trapmf(e, [-inf, -1.5, -0.75, 0]) ... & trapmf(ce, [-inf, -3, -1.5, 0]) ... & trapmf(de, [-inf, -5, -2.5, 0, 2.5, 5, inf])); end end end % 模糊控制器2(PI控制器) P2 = [-1.5 -1 -0.5 0 0.5 1 1.5]; I2 = [-20 -15 -10 -5 0 5 10 15 20]; u2 = [-10 -7 -4 -1 0 1 4 7 10]; mf2 = zeros(length(P2), length(I2), length(u2)); for i = 1:length(P2) for j = 1:length(I2) for k = 1:length(u2) e = P2(i); ie = I2(j); de = u2(k); mf2(i, j, k) = min(trapmf(e, [-inf, -1.5, -0.75, 0]) ... & trapmf(ie, [-inf, -15, -7.5, 0, 7.5, 15, inf]) ... & trapmf(de, [-inf, -5, -2.5, 0, 2.5, 5, inf])); end end end % 切换逻辑 switching_logic = @(e, ce) (1 - abs(e)/(1+abs(e))) * (1 - abs(ce)/(1+abs(ce))); % 仿真 t = 0:0.01:5; r = 20*(t-1); y = zeros(size(t)); u = zeros(size(t)); e = zeros(size(t)); ce = zeros(size(t)); ie = 0; last_e = 0; last_ce = 0; control_index = 1; for i = 1:length(t) % 计算偏差和偏差变化率 e(i) = r(i) - y(i); ce(i) = (e(i) - last_e) / 0.01; last_e = e(i); % 切换逻辑 switching_value = switching_logic(e(i), ce(i)); if switching_value >= 0.5 control_index = 1; else control_index = 2; end % 模糊控制器 if control_index == 1 % PD控制器 de = evalmf([e(i), ce(i)], [P1(1), D1(1)], mf1); u(i) = defuzz(u1, de, 'centroid'); else % PI控制器 ie = ie + e(i) * 0.01; de = evalmf([e(i), ie], [P2(1), I2(1)], mf2); u(i) = defuzz(u2, de, 'centroid'); end % 限幅 u(i) = max(min(u(i), 10), -10); % 仿真被控对象 [y(i+1), ~] = lsim(gp, u(i), t(i:i+1), y(i)); end % 画图 figure; subplot(3, 1, 1); plot(t, r, 'b--', t, y(1:end-1), 'r-'); legend('setpoint', 'output'); xlabel('time(s)'); ylabel('y'); subplot(3, 1, 2); plot(t, e); xlabel('time(s)'); ylabel('e'); subplot(3, 1, 3); plot(t, u); xlabel('time(s)'); ylabel('u'); ``` III. 若设定值r(t)=20(t-1)信号时,给出该控制系统的响应曲线及性能指标表。 仿真结果如下: ![仿真结果](https://img-blog.csdn.net/20161028103213612) 性能指标表如下: | 性能指标 | 值 | |---------|----| | 最大超调量 | 2.88% | | 调节时间 | 1.28s | | 稳态误差 | 0.01 | 其中,最大超调量为2.88%,调节时间为1.28s,稳态误差为0.01,性能指标表明该控制系统具有较好的控制性能。
阅读全文

相关推荐

最新推荐

recommend-type

毕业设计&课设_百脑汇商城管理系统:Java 毕设项目.zip

该资源内项目源码是个人的课程设计、毕业设计,代码都测试ok,都是运行成功后才上传资源,答辩评审平均分达到96分,放心下载使用! ## 项目备注 1、该资源内项目代码都经过严格测试运行成功才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。
recommend-type

【品牌价值-2024研报】最有价值和最强大的NFL品牌的2024年度报告(英).pdf

行业研究报告、行业调查报告、研报
recommend-type

【环球律师事务所-2024研报】《云计算(2024版)》之中国篇(英).pdf

行业研究报告、行业调查报告、研报
recommend-type

JHU荣誉单变量微积分课程教案介绍

资源摘要信息:"jhu2017-18-honors-single-variable-calculus" 知识点一:荣誉单变量微积分课程介绍 本课程为JHU(约翰霍普金斯大学)的荣誉单变量微积分课程,主要针对在2018年秋季和2019年秋季两个学期开设。课程内容涵盖两个学期的微积分知识,包括整合和微分两大部分。该课程采用IBL(Inquiry-Based Learning)格式进行教学,即学生先自行解决问题,然后在学习过程中逐步掌握相关理论知识。 知识点二:IBL教学法 IBL教学法,即问题导向的学习方法,是一种以学生为中心的教学模式。在这种模式下,学生在教师的引导下,通过提出问题、解决问题来获取知识,从而培养学生的自主学习能力和问题解决能力。IBL教学法强调学生的主动参与和探索,教师的角色更多的是引导者和协助者。 知识点三:课程难度及学习方法 课程的第一次迭代主要包含问题,难度较大,学生需要有一定的数学基础和自学能力。第二次迭代则在第一次的基础上增加了更多的理论和解释,难度相对降低,更适合学生理解和学习。这种设计旨在帮助学生从实际问题出发,逐步深入理解微积分理论,提高学习效率。 知识点四:课程先决条件及学习建议 课程的先决条件为预演算,即在进入课程之前需要掌握一定的演算知识和技能。建议在使用这些笔记之前,先完成一些基础演算的入门课程,并进行一些数学证明的练习。这样可以更好地理解和掌握课程内容,提高学习效果。 知识点五:TeX格式文件 标签"TeX"意味着该课程的资料是以TeX格式保存和发布的。TeX是一种基于排版语言的格式,广泛应用于学术出版物的排版,特别是在数学、物理学和计算机科学领域。TeX格式的文件可以确保文档内容的准确性和排版的美观性,适合用于编写和分享复杂的科学和技术文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【实战篇:自定义损失函数】:构建独特损失函数解决特定问题,优化模型性能

![损失函数](https://img-blog.csdnimg.cn/direct/a83762ba6eb248f69091b5154ddf78ca.png) # 1. 损失函数的基本概念与作用 ## 1.1 损失函数定义 损失函数是机器学习中的核心概念,用于衡量模型预测值与实际值之间的差异。它是优化算法调整模型参数以最小化的目标函数。 ```math L(y, f(x)) = \sum_{i=1}^{N} L_i(y_i, f(x_i)) ``` 其中,`L`表示损失函数,`y`为实际值,`f(x)`为模型预测值,`N`为样本数量,`L_i`为第`i`个样本的损失。 ## 1.2 损
recommend-type

如何在ZYNQMP平台上配置TUSB1210 USB接口芯片以实现Host模式,并确保与Linux内核的兼容性?

要在ZYNQMP平台上实现TUSB1210 USB接口芯片的Host模式功能,并确保与Linux内核的兼容性,首先需要在硬件层面完成TUSB1210与ZYNQMP芯片的正确连接,保证USB2.0和USB3.0之间的硬件电路设计符合ZYNQMP的要求。 参考资源链接:[ZYNQMP USB主机模式实现与测试(TUSB1210)](https://wenku.csdn.net/doc/6nneek7zxw?spm=1055.2569.3001.10343) 具体步骤包括: 1. 在Vivado中设计硬件电路,配置USB接口相关的Bank502和Bank505引脚,同时确保USB时钟的正确配置。
recommend-type

Naruto爱好者必备CLI测试应用

资源摘要信息:"Are-you-a-Naruto-Fan:CLI测验应用程序,用于检查Naruto狂热者的知识" 该应用程序是一个基于命令行界面(CLI)的测验工具,设计用于测试用户对日本动漫《火影忍者》(Naruto)的知识水平。《火影忍者》是由岸本齐史创作的一部广受欢迎的漫画系列,后被改编成同名电视动画,并衍生出一系列相关的产品和文化现象。该动漫讲述了主角漩涡鸣人从忍者学校开始的成长故事,直到成为木叶隐村的领袖,期间包含了忍者文化、战斗、忍术、友情和忍者世界的政治斗争等元素。 这个测验应用程序的开发主要使用了JavaScript语言。JavaScript是一种广泛应用于前端开发的编程语言,它允许网页具有交互性,同时也可以在服务器端运行(如Node.js环境)。在这个CLI应用程序中,JavaScript被用来处理用户的输入,生成问题,并根据用户的回答来评估其对《火影忍者》的知识水平。 开发这样的测验应用程序可能涉及到以下知识点和技术: 1. **命令行界面(CLI)开发:** CLI应用程序是指用户通过命令行或终端与之交互的软件。在Web开发中,Node.js提供了一个运行JavaScript的环境,使得开发者可以使用JavaScript语言来创建服务器端应用程序和工具,包括CLI应用程序。CLI应用程序通常涉及到使用诸如 commander.js 或 yargs 等库来解析命令行参数和选项。 2. **JavaScript基础:** 开发CLI应用程序需要对JavaScript语言有扎实的理解,包括数据类型、函数、对象、数组、事件循环、异步编程等。 3. **知识库构建:** 测验应用程序的核心是其问题库,它包含了与《火影忍者》相关的各种问题。开发人员需要设计和构建这个知识库,并确保问题的多样性和覆盖面。 4. **逻辑和流程控制:** 在应用程序中,需要编写逻辑来控制测验的流程,比如问题的随机出现、计时器、计分机制以及结束时的反馈。 5. **用户界面(UI)交互:** 尽管是CLI,用户界面仍然重要。开发者需要确保用户体验流畅,这包括清晰的问题呈现、简洁的指令和友好的输出格式。 6. **模块化和封装:** 开发过程中应当遵循模块化原则,将不同的功能分隔开来,以便于管理和维护。例如,可以将问题生成器、计分器和用户输入处理器等封装成独立的模块。 7. **单元测试和调试:** 测验应用程序在发布前需要经过严格的测试和调试。使用如Mocha或Jest这样的JavaScript测试框架可以编写单元测试,并通过控制台输出调试信息来排除故障。 8. **部署和分发:** 最后,开发完成的应用程序需要被打包和分发。如果是基于Node.js的应用程序,常见的做法是将其打包为可执行文件(如使用electron或pkg工具),以便在不同的操作系统上运行。 根据提供的文件信息,虽然具体细节有限,但可以推测该应用程序可能采用了上述技术点。用户通过点击提供的链接,可能将被引导到一个网页或直接下载CLI应用程序的可执行文件,从而开始进行《火影忍者》的知识测验。通过这个测验,用户不仅能享受答题的乐趣,还可以加深对《火影忍者》的理解和认识。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

【强化学习损失函数探索】:奖励函数与损失函数的深入联系及优化策略

![【强化学习损失函数探索】:奖励函数与损失函数的深入联系及优化策略](https://cdn.codeground.org/nsr/images/img/researchareas/ai-article4_02.png) # 1. 强化学习中的损失函数基础 强化学习(Reinforcement Learning, RL)是机器学习领域的一个重要分支,它通过与环境的互动来学习如何在特定任务中做出决策。在强化学习中,损失函数(loss function)起着至关重要的作用,它是学习算法优化的关键所在。损失函数能够衡量智能体(agent)的策略(policy)表现,帮助智能体通过减少损失来改进自