做网站用什么平台,wordpress静态化占内存么,网上营销网站,自己做的网站还用维护呢可结合之前的文章一起理解#xff1a;
控制算法-PID算法总结-从公式原理到参数整定解析#xff08;附C源码#xff09;_pid自整定算法-CSDN博客
模糊控制算法实战讲解-案例温度控制#xff08;附C语言实现#xff09;-CSDN博客 目录
一、模糊PID控制的原理
1.1 模糊化… 可结合之前的文章一起理解
控制算法-PID算法总结-从公式原理到参数整定解析附C源码_pid自整定算法-CSDN博客
模糊控制算法实战讲解-案例温度控制附C语言实现-CSDN博客 目录
一、模糊PID控制的原理
1.1 模糊化
1.2 模糊规则库
1.3 模糊推理
1.4 去模糊化
1.5 PID控制输入计算
二、特点和应用场景
三、案例温度控制
简化版本
加入重心法后的模糊PID版本 模糊PID控制算法是将传统的PID控制与模糊逻辑控制相结合的一种控制策略。这种算法尝试通过模糊逻辑系统来自动调整PID控制器的参数比例系数Kp、积分系数Ki、微分系数Kd以适应系统动态变化的需求从而提高控制系统的性能。模糊PID控制在处理非线性、时变系统或者模型不完全已知的系统时尤其有效。
一、模糊PID控制的原理
传统的PID控制器根据偏差e(t)期望输出与实际输出之间的差值和偏差的变化率e1(t)来计算控制输入。PID控制器的输出由三部分组成比例P、积分I和微分D项计算公式为 在模糊PID控制中系统利用模糊逻辑根据当前的偏差e(t)和偏差变化率e1(t)来动态调整Kp、Ki、Kd的值以适应系统的变化。
1.1 模糊化
将偏差e(t)和偏差变化率e1(t)的精确值转换为模糊值这些模糊值对应于模糊集合中的语言变量例如“正大”、“正小”、“零”、“负小”、“负大”。
1.2 模糊规则库
建立一个模糊规则库这些规则基于专家知识或经验描述了在特定偏差和偏差变化率的情况下如何调整PID参数。例如如果偏差是正大且变化率是正小则增大比例系数Kp。
1.3 模糊推理
根据模糊化的输入e(t)和e1(t)和模糊规则库通过模糊推理得出每个PID参数的调整策略。
1.4 去模糊化
将模糊推理的结果转换为精确的PID参数值。
1.5 PID控制输入计算
使用调整后的PID参数计算控制输入u(t)
二、特点和应用场景
模糊PID控制器的主要优点是它结合了PID控制的直观性和模糊控制的适应性能够在系统模型不完全已知或存在较大不确定性时提供良好的控制性能。控制更平稳。
应用场景工业控制系统、机器人、汽车电子控制等领域
三、案例温度控制
考虑一个温度控制系统其中模糊PID控制器用于调整加热器的功率输出以维持设定的温度。根据温度偏差和偏差变化率的不同模糊控制器会动态调整Kp、Ki、Kd以快速响应温度变化并减小超调提高系统的稳定性和响应速度。
简化版本
控制目标是使系统温度维持在一个设定值比如25°C。
PID参数Kp,Ki,Kd需要根据温度偏差e(t)和偏差变化率e1(t)动态调整。 PID控制器的结构体
typedef struct {float Kp, Ki, Kd; // PID参数float integral; // 积分项累计值float prev_error; // 上一次的偏差
} PIDController;模糊规则
void adjustPIDParams(PIDController* pid, float error, float delta_error) {// 假设根据偏差的大小和变化率调整PID参数// 这里的逻辑非常简化实际应用中应该基于详细的模糊规则// 如果偏差大增加Kp来快速减少偏差if (error 5.0) pid-Kp 0.1;else if (error -5.0) pid-Kp - 0.1;// 如果偏差变化快增加Kd来减少超调if (delta_error 0.5) pid-Kd 0.05;else if (delta_error -0.5) pid-Kd - 0.05;// 保证PID参数在合理范围内if (pid-Kp 0) pid-Kp 0;if (pid-Kd 0) pid-Kd 0;
}控制逻辑
float computePIDOutput(PIDController* pid, float setpoint, float measured) {float error setpoint - measured;float delta_error error - pid-prev_error;// 简单的模糊逻辑调整PID参数adjustPIDParams(pid, error, delta_error);// 计算PID输出float output pid-Kp * error pid-Ki * pid-integral pid-Kd * delta_error;// 更新状态pid-integral error;pid-prev_error error;return output;
}int main() {PIDController pid {0.1, 0.01, 0.05, 0, 0}; // 初始化PID参数和状态float setpoint 25.0; // 目标温度float measured_temp 20.0; // 测量温度示例值// 模拟控制循环for (int i 0; i 100; i) {float control_signal computePIDOutput(pid, setpoint, measured_temp);// 应用control_signal到加热器...// 更新measured_temp...printf(Control Signal: %f\n, control_signal加入重心法后的模糊PID版本
1定义输入输出的模糊集合
输入温度误差e和误差变化率de。
每个输入都可以定义为几个模糊集合例如负大NB负小NS零ZE正小PS正大PB。
输出PID参数的调整量包括ΔKp、ΔKi和ΔKd。输出也可以定义为类似的模糊集合。 2定义隶属度函数 对于每个模糊集合定义一个隶属度函数来量化一个具体的输入值属于该模糊集合的程度。隶属度函数可以是三角形、梯形或是其他形状。
3模糊规则
基于经验或专家知识制定一组模糊规则用于描述输入模糊集合之间的关系以及它们如何影响输出模糊集合。例如“如果e是PB并且de是ZE则ΔKp是PB”。
4去模糊化 使用重心法或其他去模糊化方法将模糊输出转换为一个具体的数值用于调整PID参数。 只考虑e的影响以kp的变化量调整为例
#include stdio.h// 示例简化的隶属度计算函数
float calculateMembership(float value, float min, float max) {if (value min) return 0;else if (value max) return 1;else return (value - min) / (max - min);
}// 示例计算ΔKp的重心
float calculateDeltaKp(float e, float de) {// 示例隶属度值计算这里仅为示例实际情况下更复杂float eNB calculateMembership(e, -10, -5);float eNS calculateMembership(e, -5, -2);float eZE calculateMembership(e, -2, 2);float ePS calculateMembership(e, 2, 5);float ePB calculateMembership(e, 5, 10);// 示例简化的模糊规则处理假设只根据e的模糊集合调整Kpfloat deltaKp (eNB * -2) (eNS * -1) (eZE * 0) (ePS * 1) (ePB * 2);float totalMembership eNB eNS eZE ePS ePB;// 重心法去模糊化return totalMembership 0 ? deltaKp / totalMembership : 0;
}int main() {float e -3; // 示例误差值float de 0; // 示例误差变化率float deltaKp calculateDeltaKp(e, de);printf(Calculated ΔKp: %f\n, deltaKp);return 0;
}考虑e和de影响
#include stdio.h// 示例隶属度计算函数
float calculateMembership(float value, float min, float max) {if (value min) return 0;else if (value max) return 1;else return (value - min) / (max - min);
}// 示例根据e和de的模糊规则计算ΔKp
float calculateDeltaKp(float e, float de) {// 隶属度值计算float eNB calculateMembership(e, -10, -5);float deNB calculateMembership(de, -10, -5);float eNS calculateMembership(e, -5, -2);float deNS calculateMembership(de, -5, -2);float eZE calculateMembership(e, -2, 2);float deZE calculateMembership(de, -2, 2);float ePS calculateMembership(e, 2, 5);float dePS calculateMembership(de, 2, 5);float ePB calculateMembership(e, 5, 10);float dePB calculateMembership(de, 5, 10);float deltaKpValues[] {-2, -1, 0, 1, 2}; // 对应NB, NS, ZE, PS, PB// 模糊规则处理float rule1Output eNB * deNB * deltaKpValues[0]; // float rule2Output eNS * deNS * deltaKpValues[1]; // float rule3Output eZE * deZE * deltaKpValues[2]; // 如果e和de都是ZE则ΔKp保持不变float rule4Output ePS * dePS * deltaKpValues[3]; //float rule5Output ePB * dePB * deltaKpValues[4]; //// 假设这是根据所有规则计算出的ΔKp总和float deltaKpTotal rule1Outputrule2Output rule3Output rule4Output rule5Output ; float totalMembership eNB deNB eNS deNS eZE deZEePB dePB ; // 重心法去模糊化return totalMembership 0 ? deltaKpTotal / totalMembership : 0;
}int main() {float e -1; // 示例误差值float de 1; // 示例误差变化率float deltaKp calculateDeltaKp(e, de);printf(Calculated ΔKp: %f\n, deltaKp);return 0;
}
