PID控制器模糊控制器神经网络控制器的对比仿真

Posted fpga和matlab

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了PID控制器模糊控制器神经网络控制器的对比仿真相关的知识,希望对你有一定的参考价值。

up目录

一、理论基础

二、核心程序

三、测试结果


一、理论基础

1.1 PID控制器

 PID控制器产生于1915年,PID控制律的概念最早是由LYAPIMOV提出的,到目前为止,PID控制器以及改进的PID控制器在工业控制领域里最为常见。PID控制器(比例-积分-微分控制器),由比例单元 P、积分单元 I 和微分单元 D 组成。通过Kp,Ki和Kd三个参数的设定。PID控制器主要适用于基本线性和动态特性不随时间变化的系统。图1为PID控制器的基本结构框图。

       PID控制器以其结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。当控制对象不能通过有效的测量手段来获得系统参数时,最适合用PID控制技术。PID控制,实际中也有PI和PD控制。PID控制器就是根据系统的误差,利用比例、积分、微分计算出控制量进行控制的。从上图可知,PID 控制器由比例单元( P )、积分单元( I )和微分单元( D )组成。其输入 e (t) 与输出 u (t) 的关系为公式1:

 

1.2 模糊控制器

模糊控制规则:

EC

E

NB

NM

NS

ZE

PS

PM

PB

NB

NB

NB

NB

NB

NM

ZE

ZE

NM

NB

NB

NB

NB

NM

ZE

ZE

NS

NM

NM

NM

NM

ZE

PS

PS

NZ

NM

NM

NS

ZE

PS

PM

PM

PZ

NM

NM

NS

ZE

PS

PM

PM

PS

NS

NS

ZE

PM

PM

PM

PM

PM

ZE

ZE

PM

PB

PB

PB

PB

PB

ZE

ZE

PM

PB

PB

PB

PB

       在模糊控制器的设计过程中,选择合适的论域和量化因子、比例因子是至关重要的。量化因子选择过大,系统超调较大,过渡过程较长;选择过大,系统超调较小,但是响应速度变慢;比例因子选择过大导致系统振荡,过小时系统响应过程变长。

1.3 神经网络控制器

       神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法.它能表示出丰富的特性:并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等.这些特性是人们长期追求和期望的系统特性.它在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特的能力.神经网络可以和模糊逻辑一样适用于任意复杂对象的控制,但它与模糊逻辑不同的是擅长单输入多输出系统和多输入多输出系统的多变量控制.在模糊逻辑表示的SIMO系统和MIMO系统中,其模糊推理、解模糊过程以及学习控制等功能常用神经网络来实现.模糊神经网络技术和神经模糊逻辑技术:模糊逻辑和神经网络作为智能控制的主要技术已被广泛应用.两者既有相同性又有不同性.其相同性为:两者都可作为万能逼近器解决非线性问题,并且两者都可以应用到控制器设计中.不同的是:模糊逻辑可以利用语言信息描述系统,而神经网络则不行;模糊逻辑应用到控制器设计中,其参数定义有明确的物理意义,因而可提出有效的初始参数选择方法;神经网络的初始参数(如权值等)只能随机选择.但在学习方式下,神经网络经过各种训练,其参数设置可以达到满足控制所需的行为.模糊逻辑和神经网络都是模仿人类大脑的运行机制,可以认为神经网络技术模仿人类大脑的硬件,模糊逻辑技术模仿人类大脑的软件.根据模糊逻辑和神经网络的各自特点,所结合的技术即为模糊神经网络技术和神经模糊逻辑技术.模糊逻辑、神经网络和它们混合技术适用于各种学习方式智能控制的相关技术与控制方式结合或综合交叉结合,构成风格和功能各异的智能控制系统和智能控制器是智能控制技术方法的一个主要特点.所谓模糊控制,就是在被控制对象的模糊模型的基础上,运用模糊控制器近似推理手段,实现系统控制的一种方法.模糊模型是用模糊语言和规则描述的一个系统的动态特性及性能指标.模糊控制的基本思想是用机器去模拟人对系统的控制.它是受这样事实而启发的:对于用传统控制理论无法进行分析和控制的复杂的和无法建立数学模型的系统,有经验的操作者或专家却能取得比较好的控制效果,这是因为他们拥有日积月累的丰富经验,因此人们希望把这种经验指导下的行为过程总结成一些规则,并根据这些规则设计出控制器.然后运用模糊理论,模糊语言变量和模糊逻辑推理的知识,把这些模糊的语言上升为数值运算,从而能够利用计算机来完成对这些规则的具体实现,达到以机器代替人对某些对象进行自动控制的目的。
————————————————

       神经控制器在在实时控制系统中起着“大脑”的作用。神经网络具有自学习和自适应等智能特点,因而非常适用于控制器设计。对于复杂非线性系统,神经控制器所取得的控制效果往往明显优于常规控制器。近年来,神经控制器在工业、航空及机器人等领域控制系统的应用中已经取得许多成就。
      神经控制器与古典控制器和现代控制器相比,有优点也有缺点。优点是神经控制器的设计与被控制对象的数学模型无关,这是神经控制器的最大优点,也是神经网络能够在自动控制中立足的根本原因。缺点是神经网络需要在线或离线开展学习训练,并利用训练结果进行系统设计。这种训练在很大程度上依赖训练样本的准确性,而训练样本的选取依旧带有人为的因素。

        神经控制器的设计大致可以分为两种类型,一类是与传统设计手法相结合;一类是完全脱离传统手法,另行一套。无论是哪一类,都未有固定的模式,很多问题都还在探讨之中。究其原因是因为神经控制还是一门新学科,在社会上并不普及,为数众多的人甚至连“神经控制”都还没有听说过,神经系统的研究还处于摸索探讨阶段,神经网络虽然有了一些所谓的“理论”,但并不成熟,甚至连隐层节点的作用机理这一类简单的理论问题都没有搞清楚。而智能控制的“年龄”比神经网络还要年轻,现阶段的智能控制就没有理论。因此,神经控制器没有理论体系,更谈不上完善的理论体系,相应也就不存在系统化的设计方法。

在simulink中,通过如下模块建立基础的神经元:

 

 

二、核心程序

 

三、测试结果

up86通过matlab2021a仿真结果如下:

 

以上是关于PID控制器模糊控制器神经网络控制器的对比仿真的主要内容,如果未能解决你的问题,请参考以下文章

加了模糊控制器,仿真速度很慢,怎么解决?

精品课设经典PID与模糊PID控制的对比与分析

精品课设经典PID与模糊PID控制的对比与分析

精品课设经典PID与模糊PID控制的对比与分析

神经网络PID基于simulink的神经网络PID控制器仿真

基于PSO优化BP神经网络PID控制器matlab仿真