智能控制开发实验..docVIP

智能控制开发实验 姓 名：凌 锐 学 号：SQ09028024004 专 业：车辆工程 任课教师：陈 谋 2010年9月9日 目录 一、一级倒立摆模糊控制 3 1．实验要求 3 2．模糊控制器设计 3 3．仿真结果及分析 4 二、一级倒立摆神经网络控制 6 1．实验要求 6 2．一级倒立摆神经网络控制器设计 6 3. 神经网络控制器仿真效果曲线 8 三、二级倒立摆神经网络控制 9 1．实验要求 9 2．二级倒立摆神经网络控制器设计 9 3. 神经网络控制器仿真效果曲线 11 四、三级倒立摆神经网络控制 12 一点说明： 12 三级倒立摆的LQR控制器设计 12 致谢 14 一、一级倒立摆模糊控制 1．实验要求 设计模糊控制器对一级倒立摆进行控制，在Simulink下进行仿真，使其达到稳定状态，并在远程实验室下进行动画验证。 2．模糊控制器设计 由于本实验有很多不确定因素，对实际输入输出量的把握不是很到位，因此只能通过调节比例因子和量化因子进行“盲调”。这样虽然多花了时间，却也可以达到实际的控制效果。将输入变量E、EC及输出变量U的论域选为正负对称的范围，且都为（-6，6）。 选择E, EC, U的模糊集合为{负大，负中，负小，零，正小，正中，正大}，表示为{NB,NM,NS,ZE,PS,PM,PB}。 选择隶属度函数：三角型。 模糊变量E，EC，U的隶属函数曲线如下： 图1. E，EC，U的隶属函数曲线 模糊控制规则 NB NM NS ZE PS PM PB NB PB PB PM PM PS PS ZE NM PB PM PM PS PS ZE NS NS PM PM PS PS ZE NS NS ZE PM PS PS ZE NS NS NM PS PS PS ZE NS NS NM NM PM PS ZE NS NS NM NM NB PB ZE NS NS NM NM NB NB 推理方法采用‘mamdani’推理方法。 去模糊化方法采用重心法。 3．仿真结果及分析 模糊控制结构图及参数调整 （1） （2） 图2.一阶倒立摆模糊控制系统结构 其中，图2（2）是模糊控制器的具体结构图。 在模糊控制器中，两个输入（即误差和误差的倒数）前要加入量化因子，将连续论域转化为离散论域，误差的量化因子 ；对误差倒数，量化因子为；模糊输出的控制量u 的比例因子为。 量化因子的大小对控制系统的动态性能影响很大。选的较大时，系统超调较大，过渡时间较长；选择越大系统超调越小，但系统的响应速度变慢，对超调的抑制作用十分明显。本例中，经过反复调试，最终选择K_x=0.05, K_dx=0.3, K_phi=0.95, K_dphi=0.7。 输出比例因子作为模糊控制器的总增益，它的大小影响着控制器的输出，也影响着模糊控制系统的特性。选择过小会使系统动态动态响应过程变长，且会有负的稳态误差。而选择过大会导致系统振荡加剧，且产生正的稳态误差。在此例中经过反复调试选择K_U=-80。 4．仿真结果 图3 模糊控制器的一阶倒立摆控制效果 由上图的仿真结果可以看到，小车的位移和摆杆的角度都很快地达到零，且超调量都比较小，符合本实验的要求。 二、一级倒立摆神经网络控制 1．实验要求 利用LQR设计控制器并训练神经网络对一级倒立摆进行控制。 2．一级倒立摆神经网络控制器设计 系统控制结构图 设计的神经网络控制器如下图所示。 图4 一级倒立摆控制系统结构 LQR控制器设计 将一级倒立摆的模型进行线性化后得到模型A,B,C,D。利用MATLAB命令LQR设计线性二次型最优控制反馈阵K，利用u=-K*XX’算出输出量。因此便得到了输入输出的导师样本。 A =[ 0 1.0000 0 0; 0 -4.9725 -0.7178 0; 0 0 0 1.0000; 0 3.7294 7.8959 0]; B =[ 0 0.9756 0 -0.7317]; C =[ 1 0 0 0; 0 1 0 0; 0 0 1 0; 0 0 0 1]; D =[ 0 0 0 0]; Q=[8000 0 0 0;0 0 0 0;0 0 1000;0 0 0 0];