智能控制导论实验报告(2015) (zm)

《智能控制导论》上机实验报告

专业班级：自动化121

姓名：蒋德鹏

学号：201210401117

指导教师：詹跃东

昆明理工大学信息工程与自动化学院自动化系

2015年5月

洗衣机的模糊控制系统仿真

一、实验软件

Matlabb/Simulink 编程语言.

二、实验目的

1. 熟悉智能控制系统中的建模与控制过程；

2. 熟悉专家控制、模糊控制和神经网络的建模和控制算法的应用；

3. 熟悉专家控制、模糊控制和神经网络的编程语言的应用。 三、需要的预备知识

1. 熟悉Matlabb/Simulink 编程语言；

2. 熟悉专家控制、模糊控制和神经网络建模与控制方法；

3. 熟悉Matlabb/Simulink 的应用；

4. 熟悉Matlabb/Simulink 常用人机接口设计。 四、实验数据及步骤

1. 实验内容

洗衣机的模糊控制系统仿真； 2. 实验原理

模糊控制的基本原理和基本流程；

基本原理：模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的一种智能控制方法，它从行为上模仿人的模糊推理和决策过程。该方法首先将操作人员或专家经验编程模糊规则，然后将来自传感器的实时信号模糊化，将模糊化后的信号作为模糊规则的输入，完成模糊推理，将推理后得到的输出量加到执行器上。图为模糊控制原理框图。

图一 模糊控制原理框图

给定值

模糊化

模糊推理

规则库

逆模糊

传感器 执行机构

被控对象 精确量

模糊控制器

基本流程：

2. 实验步骤

（1）确定洗衣机模糊控制的结构

如图二所示为洗衣机模糊控制推理框图。

图二 洗衣机模糊控制推理框图

开始

确定模糊控制器的结构

定义输入、输出模糊集

定义隶属函数

污泥X 油脂

Y 洗涤时间Z

洗衣机模糊控

制器

建立模糊控制规则

模糊推理

Matlab 仿真

结束

首先是通过传感器检测到衣物上的各种信息，之后进行模糊化处理并确定污泥和油脂的隶属函数，再经过模糊推理和反模糊化处理最终即可得到洗涤时间。

（2）定义输入输出模糊集

将污泥分为3个模糊集：SD （污泥少），MD （污泥中）LD （污泥多）；将油脂分为3个模糊集:NG （油脂少），MG(油脂中)，LG （油脂多）；将洗涤时间分为5个模糊集：VS(很短)，S （短），M （中等），L （长），VL （很长）。

（3）定义隶属函数

1) 污泥隶属函数

????

?

??-=??

?-=-==50/)50()(50/)100(50/)(50/)50()(污泥χχμχχχμχχμμLD MD SD 100501005050050

0≤<≤<≤≤≤≤χχχχ

采用三角隶属函数可实现污泥的模糊化。

Matlab 实现污泥隶属度函数的设计，其仿真程序为： %Define N+1 triangle membership function clear all; close all;

N=2;

x=0:0.1:100; for i=1:N+1

f(i)=100/N*(i-1); end

u=trimf(x,[f(1),f(1),f(2)]); figure(1); plot(x,u);

for j=2:N

u=trimf(x,[f(j-1),f(j),f(j+1)]); hold on; plot(x,u);

end

u=trimf(x,[f(N),f(N+1),f(N+1)]); hold on;

plot(x,u);

xlabel('x');

ylabel('Degree of membership');

污泥程序仿真结果：

2）油脂隶属函数

??

??

?

??-=??

?-=-==50/)50()(50/)100(50/)(50/)50()(油脂Y Y Y Y Y Y Y LG

MG NG μμμμ 100

501005050

0500≤<≤<≤≤≤≤Y Y Y Y

采用三角形隶属函数实现油脂的模糊化。

Matlab 实现油脂隶属度函数的设计，其仿真程序为：

clear all;

close all; N=2;

x=0:0.1:100; for i=1:N+1

f(i)=100/N*(i-1); end

u=trimf(x,[f(1),f(1),f(2)]);

figure(1);

plot(x,u);

for j=2:N

u=trimf(x,[f(j-1),f(j),f(j+1)]);

hold on;

plot(x,u);

end

u=trimf(x,[f(N),f(N+1),f(N+1)]);

hold on;

plot(x,u);

xlabel('x');

ylabel('Degree of membership');

油脂程序仿真结果：

3）洗涤时间隶属函数

?

????????????-=??

?--=???--=???-=-==20/)40()(20/)60(15

/)25()(15/)40(15/)10()(15/)25(10/)(10/)10()(洗涤时间

Z Z Z Z Z Z Z Z Z Z Z Z Z VL L M S

VS μμμμμμ 60

406040402540

2525

1025

1010010

0≤≤≤<≤≤≤<≤≤≤<≤≤≤≤Z Z Z Z Z Z Z Z

采用三角形隶属函数实现洗涤时间的模糊化，其Matlab 仿真程序如下： %Define N+1 triangle membership function clear all; close all; z=0:0.1:60;

u=trimf(z,[0,0,10]); figure(1); plot(z,u);

u=trimf(z,[0,10,25]); hold on; plot(z,u);

u=trimf(z,[10,25,40]); hold on; plot(z,u);

u=trimf(z,[25,40,60]); hold on; plot(z,u);

u=trimf(z,[40,60,60]); hold on; plot(z,u);

xlabel('z');

ylabel('Degree of membership');

洗涤时间仿真程序结果：

(4)建立规则

根据人的操作经验设计模糊规则，模糊规则标准：“污泥越多，油脂越多，洗涤时间越长；污泥适中，油脂适中，洗涤时间适中；污泥越少，油脂越少，洗涤时间越短”。表一为洗衣机的模糊规则表。

表一洗衣机的模糊规则表

洗涤时间Z 污泥X

SD MD LD 油脂Y NG VS M L

MG S M L

LG M L VL

(5)洗衣机模糊控制系统仿真程序

%Fuzzy Control for washer

clear all;

close all;

a=newfis('fuzz_wash');

a=addvar(a,'input','x',[0,100]); %Fuzzy Stain

a=addmf(a,'input',1,'SD','trimf',[0,0,50]);

a=addmf(a,'input',1,'MD','trimf',[0,50,100]);

a=addmf(a,'input',1,'LD','trimf',[50,100,100]);

a=addvar(a,'input','y',[0,100]); %Fuzzy Axunge

a=addmf(a,'input',2,'NG','trimf',[0,0,50]);

a=addmf(a,'input',2,'MG','trimf',[0,50,100]);

a=addmf(a,'input',2,'LG','trimf',[50,100,100]);

a=addvar(a,'output','z',[0,60]); %Fuzzy Time

a=addmf(a,'output',1,'VS','trimf',[0,0,10]);

a=addmf(a,'output',1,'S','trimf',[0,10,25]);

a=addmf(a,'output',1,'M','trimf',[10,25,40]);

a=addmf(a,'output',1,'L','trimf',[25,40,60]);

a=addmf(a,'output',1,'VL','trimf',[40,60,60]);

rulelist=[1 1 1 1 1; %Edit rule base

1 2 3 1 1;

1 3 4 1 1;

2 1 2 1 1;

2 2

3 1 1;

2 3 4 1 1;

3 1 3 1 1;

3 2

4 1 1;

3 3 5 1 1];

a=addrule(a,rulelist);

showrule(a) %Show fuzzy rule base

a1=setfis(a,'DefuzzMethod','mom'); %Defuzzy

writefis(a1,'wash'); %Save to fuzzy file "wash.fis" a2=readfis('wash');

figure(1);

plotfis(a2);

figure(2);

plotmf(a,'input',1);

figure(3);

plotmf(a,'input',2);

figure(4);

plotmf(a,'output',1);

ruleview('wash'); %Dynamic Simulation

x=60;

y=70;

z=evalfis([x,y],a2) %Using fuzzy inference

五、实验结果及分析

(1)洗衣机控制器仿真结果

如图所示，该洗衣机模糊控制系统是一个两输入一输出的系统。两个输入分别有3个模糊化等级，因此形成九条规则。最终采用三角形隶属函数，输出有五个模糊化等级。

（2）输入污泥和油脂的隶属函数的仿真结果。污泥的语言值为：SD、MD、LD，油脂的语言值为：NG、MG、LG。图中显示不同等级的值域。

污泥的隶属函数

（3）输出仿真结果

如图所示为洗衣机输出洗涤时间的仿真结果。它的语言值设定为：VS、S、M、L、VL。图中显示不同等级的值域。

（4）洗衣机规则库

动态仿真模糊系统

上图为洗衣机模糊控制的规则库结果显示，图中根据输入X、Y的值来确定Z的值。

假定当前传感器测得的信息为X=60，Y=70，结果Z=24.9 。

六、总结

通过这两次实验让我更好的认识了模糊控制的精髓，同时锻炼了我的动手能力.。由上述实验内容可以看出，理论数值与仿真数值非常接近，所以该设计是符合理论和实际的。上面的仿真中总共设定了9条规则，当给定某一输入时，也就是给定了X与Y的假定值，将该输入分别与9条规则中各自设定的隶属函数进行对应，并将两个输入综合作用的结果与相应规则中的输出时间Z对应得到一个输出结果，从而总共可以得到9个输出时间Z的隶属函数图，由仿真图就可以很方便的看到这个过程。将9个输出按一定推理法整合在一个图上，这时再用到清晰化的方法比如最大隶属度法，中心法，加权平均法等进行解模糊，我们常使用的方法是取所有输出的中心或重心，最终确定一个输出时间，本仿真中最终输出就是最终洗涤时间Z。

通过本次实验，对于模糊控制有了一定的了解。模糊控制器是一种基于人的经验的控制系统，其优点是不需要知道被控对象严格的数字模型，而且还能够很好的解决非线性的问题。

RBF 网络监督控制仿真

一、实验软件

Matlabb/Simulink 编程语言.

二、实验目的

1. 熟悉智能控制系统中的建模与控制过程；

2. 熟悉模糊控制建模和控制算法的应用；

3. 熟悉模糊控制的编程语言的应用。 三、需要的预备知识

1. 熟悉Matlabb/Simulink 编程语言；

2. 熟悉模糊控制建模与控制方法；

3. 熟悉Matlabb/Simulink 的应用；

4. 熟悉Matlabb/Simulink 常用人机接口设计。 四、实验数据及步骤

1、实验内容 RBF 网络监督控制仿真

2.实验原理

RBF 网络逼近程序方法的基本原理和基本流程； 基本原理：神经网络控制器通过对传统控制器的输出学习，在线调整网络权值，使反馈输入趋近于零，从而使神经网络控制逐渐在控制作用中占据主导地位，最终取消反馈控制器作用。一旦系统出现干扰，反馈控制器重新起作用。因此，这种前馈加反馈的监督控制方法，不仅可以确保控制系统的稳定性和鲁棒性，而且有效地可以提高系统的精度和自适应能力。

基于RBF 网络的监督控制系统结构如图所示

RBF 神经网络监督控制

PD 控制

RBF

对象

基本流程：

开始

被控对象传递函数

离散化

取指令信号

设定各初始参数

Matlab仿真

比较仿真结果

结束

本实验的被控对象为

取采样时间为1ms，采用z变换经行离散化，离散化后的对象为

指令信号为幅值为0.5、频率为2Hz的方波信号。取指令信号r（k）作为网络的输入，网络隐含层神经元个数取m = 4，网络的初始权值 W 取0-1之间的随机值，高斯函数的参数值取，。

网络权值学习参数为。

3．实验结果：

（1）输入信号为方波，只用PD控制

方波位置跟踪

0.1

0.2

0.3

0.4

0.50.6

0.7

0.8

0.9

1

-0.5

-0.4-0.3-0.2-0.100.10.20.30.4

0.5time(s)

r a n d y

神经网络、PD 及总控制器输出的比较

（2）输入信号为方波，PD 控制加入RBF 监督后

0.1

0.2

0.3

0.4

0.50.6

0.7

0.8

0.9

1

-0.5

-0.4-0.3-0.2-0.100.1

0.20.30.4

0.5time(s)

r a n d y

00.10.20.30.4

0.50.60.70.80.91

-10

10time(s)

u n

00.10.20.30.4

0.50.60.70.80.91

-500

500time(s)

u p

00.10.20.30.4

0.50.60.70.80.91

-100

10time(s)

u

方波位置跟踪

神经网络、PD 及总控制器输出的比较

（3）输入信号为正弦波，只用PD 控制

00.10.20.30.4

0.50.60.70.80.91

-10

10

time(s)

u n

00.10.20.30.4

0.50.60.70.80.91

-500

500

time(s)

u p

00.10.20.30.4

0.50.60.70.80.91

-10

10time(s)

u

0.1

0.2

0.3

0.4

0.50.6

0.7

0.8

0.9

1

-0.5

-0.4-0.3-0.2-0.100.10.20.30.4

0.5time(s)

r a n d y

正弦波位置跟踪

神经网络、PD 及总控制器输出的比较

（4）输入信号为正弦波，PD 控制加上RBF 监督后

00.10.20.30.4

0.50.60.70.80.91

-2

2time(s)

u n

00.10.20.30.4

0.50.60.70.80.91

-5

5time(s)

u p

00.10.20.30.4

0.50.60.70.80.91

-100

10time(s)

u

00.10.20.30.4

0.50.60.70.80.91

-0.8

-0.6

-0.4

-0.2

0.2

0.4

0.6

time(s)

r a n d y

正弦波位置跟踪

神经网络、PD 及总控制器输出的比较

00.10.20.30.4

0.50.60.70.80.91

-2

2time(s)

u n

00.10.20.30.4

0.50.60.70.80.91

-5

5time(s)

u p

00.10.20.30.4

0.50.60.70.80.91

-100

10time(s)

u