模糊PID算法的python实现

原创

mob649e81624618 2024-08-10 03:55:06 ©著作权

文章标签 Python 控制算法控制系统 文章分类 Python 后端开发

©著作权归作者所有：来自51CTO博客作者mob649e81624618的原创作品，请联系作者获取转载授权，否则将追究法律责任

模糊PID算法的Python实现

控制系统是现代制造业和工业自动化的重要组成部分。而PID（比例-积分-微分）控制是一种广泛应用的控制算法。然而，PID控制器在处理非线性和不确定性时可能显得不够灵活。为了解决这一问题，模糊PID控制应运而生，它结合了模糊逻辑和PID控制的优点，能够在复杂和不确定的环境中提供更加精确的控制。

什么是模糊PID控制？

模糊PID控制是结合了模糊控制理论和经典PID控制理论的一种控制算法。模糊控制利用了模糊逻辑来处理不确定性和模糊性，而PID控制则可以实现快速的系统反应。通过将两者结合，模糊PID控制可以提高系统的稳定性和响应速度。

模糊控制的基本原理

模糊控制使用模糊集和模糊推理来对不确定性进行建模。在模糊控制器中，输入和输出都是模糊的，而不是精确的数值。这使得模糊控制器在处理不确定性时能够更具灵活性。

Python实现模糊PID控制

在Python中实现模糊PID控制的过程可以分为几个步骤：

定义模糊控制器的输入和输出变量。
设计模糊规则。
采用模糊推理方法生成模糊输出。
将模糊输出转化为清晰的控制信号。

代码示例

以下是一个简单的模糊PID控制器的Python实现示例：

import numpy as np
import skfuzzy as fuzz
import skfuzzy.control as ctrl
import matplotlib.pyplot as plt

# 定义输入和输出
error = ctrl.Antecedent(np.arange(-10, 11, 1), 'error')
error_dot = ctrl.Antecedent(np.arange(-10, 11, 1), 'error_dot')
output = ctrl.Consequent(np.arange(-10, 11, 1), 'output')

# 定义模糊集合
error['negative'] = fuzz.trimf(error.universe, [-10, -10, 0])
error['zero'] = fuzz.trimf(error.universe, [-10, 0, 10])
error['positive'] = fuzz.trimf(error.universe, [0, 10, 10])

error_dot['negative'] = fuzz.trimf(error_dot.universe, [-10, -10, 0])
error_dot['zero'] = fuzz.trimf(error_dot.universe, [-10, 0, 10])
error_dot['positive'] = fuzz.trimf(error_dot.universe, [0, 10, 10])

output['negative'] = fuzz.trimf(output.universe, [-10, -10, 0])
output['zero'] = fuzz.trimf(output.universe, [-10, 0, 10])
output['positive'] = fuzz.trimf(output.universe, [0, 10, 10])

# 定义模糊规则
rule1 = ctrl.Rule(error['negative'] & error_dot['negative'], output['negative'])
rule2 = ctrl.Rule(error['negative'] & error_dot['zero'], output['negative'])
rule3 = ctrl.Rule(error['negative'] & error_dot['positive'], output['zero'])
rule4 = ctrl.Rule(error['zero'] & error_dot['negative'], output['negative'])
rule5 = ctrl.Rule(error['zero'] & error_dot['zero'], output['zero'])
rule6 = ctrl.Rule(error['zero'] & error_dot['positive'], output['positive'])
rule7 = ctrl.Rule(error['positive'] & error_dot['negative'], output['zero'])
rule8 = ctrl.Rule(error['positive'] & error_dot['zero'], output['positive'])
rule9 = ctrl.Rule(error['positive'] & error_dot['positive'], output['positive'])

# 创建控制系统
pid_control = ctrl.ControlSystem([rule1, rule2, rule3, rule4, rule5, rule6, rule7, rule8, rule9])
pid_simulation = ctrl.ControlSystemSimulation(pid_control)

# 输入误差和变化率
pid_simulation.input['error'] = 5
pid_simulation.input['error_dot'] = 3

# 计算结果
pid_simulation.compute()

print(f'控制输出: {pid_simulation.output["output"]}')

结果分析

在上述代码中，我们首先定义了模糊控制器的输入（误差和误差变化率）和输出（控制信号）。然后我们使用scikit-fuzzy库创建了模糊集合，并定义了模糊规则以实现对输出的合理控制。

可视化分析

通过对模糊PID控制的结果进行可视化，可以更好地理解模型的性能。我们可以使用饼状图来表示模糊控制器各个输出的占比以及旅行图（Journey）来展示系统的控制过程。

饼状图示例

pie
    title 模糊控制输出占比
    "负向输出": 40
    "零输出": 30
    "正向输出": 30

旅行图示例

journey
    title 模糊PID控制旅行图
    section 初始化
      设置误差: 5: 5: 正常
      设置误差变化率: 3: 5: 正常
    section 控制过程
      计算结果: 计算中: 5: 正常
      输出控制信号: 输出: 5: 正常