基于自適應(yīng)模糊控制的拖拉機(jī)自動(dòng)導(dǎo)航系統(tǒng)

1、基于自適應(yīng)模糊控制的拖拉機(jī)自動(dòng)導(dǎo)航系統(tǒng)摘要：闡述了一種基于自適應(yīng)模糊控制的拖拉機(jī)自動(dòng)導(dǎo)航系統(tǒng)。由PLC、電控開(kāi)關(guān)液壓閥和比例方向液壓閥組成自動(dòng)轉(zhuǎn)向控制系統(tǒng)，設(shè)計(jì)了PD轉(zhuǎn)向控制算法；為提高拖拉機(jī)自動(dòng)導(dǎo)航的精度和穩(wěn)定性，提出了一種基于遺傳算法的自適應(yīng)模糊控制方法，采用遺傳算法在線(xiàn)優(yōu)化模糊控制規(guī)則以及輸出比例因子，既保留了傳統(tǒng)模糊控制的優(yōu)點(diǎn)，又有效了改善了系統(tǒng)的控制品質(zhì)；仿真和田間實(shí)驗(yàn)結(jié)果表明，該方法可以迅速消除跟蹤誤差，相應(yīng)速度快，超調(diào)小，系統(tǒng)工作穩(wěn)定，穩(wěn)態(tài)跟蹤誤差不超過(guò)10cm。關(guān)鍵詞：拖拉機(jī)；模糊控制；遺傳算法；自動(dòng)導(dǎo)航；自適應(yīng)控制引言為提高農(nóng)用車(chē)輛自動(dòng)導(dǎo)航的精度和穩(wěn)定性，許多學(xué)者對(duì)其導(dǎo)航方法

2、進(jìn)行了研究。文獻(xiàn)111分別對(duì)線(xiàn)性模糊控制方法、模糊控制方法、最優(yōu)控制方法、神經(jīng)網(wǎng)絡(luò)控制方法以及純追蹤算法進(jìn)行了研究?？傮w來(lái)說(shuō)，目前對(duì)于自適應(yīng)導(dǎo)航控制方法研究較少。 模糊控制具有不依賴(lài)精確的數(shù)學(xué)模型、魯棒性好等特點(diǎn)。對(duì)于一個(gè)確定的模糊控制器，當(dāng)被控對(duì)象受到參數(shù)攝動(dòng)和外部干擾等不確定因素影響時(shí)，仍可以保證系統(tǒng)最終趨于穩(wěn)定，但是會(huì)降低系統(tǒng)的控制品質(zhì)，出現(xiàn)諸如振蕩加劇、過(guò)渡時(shí)間過(guò)長(zhǎng)等缺點(diǎn)。因此有必要研究自適應(yīng)模糊控制方法，在控制過(guò)程中的不同階段，對(duì)模糊控制器進(jìn)行自動(dòng)調(diào)整。拖拉機(jī)本身是一個(gè)具有大延遲、高度非線(xiàn)性以及時(shí)變性和不確定性的復(fù)雜系統(tǒng)，而且農(nóng)田地況較差，輪胎和地面作用過(guò)程復(fù)雜，難以建立精確的數(shù)學(xué)模

3、型，因此應(yīng)避免運(yùn)用車(chē)輛模型進(jìn)行控制，但是也應(yīng)該充分挖掘車(chē)輛模型所蘊(yùn)含的車(chē)輛狀態(tài)信息，以改善導(dǎo)航系統(tǒng)性能。 本文提出一種基于遺傳算法的自適應(yīng)模糊控制算法，以RTK-DGPS為導(dǎo)航傳感器，構(gòu)建拖拉機(jī)自動(dòng)導(dǎo)航系統(tǒng)，并進(jìn)行拖拉機(jī)田間自動(dòng)導(dǎo)航實(shí)驗(yàn)。1 拖拉機(jī)自動(dòng)導(dǎo)航控制系統(tǒng)研究平臺(tái)為福田雷沃FT704拖拉機(jī)，前輪轉(zhuǎn)向，后輪驅(qū)動(dòng)。自動(dòng)導(dǎo)航控制系統(tǒng)如圖1所示。 圖1 導(dǎo)航控制系統(tǒng)系統(tǒng)采用分層控制策略，兩層之間通過(guò)CAN總線(xiàn)（ISO11783協(xié)議標(biāo)準(zhǔn)）同信。PPC-3710GS型工控機(jī)作為上層控制器，通過(guò)串口接受RTK-DGPS輸出的GGA和VTG兩種數(shù)據(jù)格式（輸出頻率5Hz），獲取車(chē)輛的位置、航向和速度信息

4、，經(jīng)過(guò)導(dǎo)航控制算法輸出期望前輪轉(zhuǎn)角。KSC-10PLC作為下層控制器，實(shí)時(shí)采集角度傳感器數(shù)據(jù)，獲取當(dāng)前前輪轉(zhuǎn)角，與期望轉(zhuǎn)角相比較，通過(guò)轉(zhuǎn)向控制算法，輸出功率PWM信號(hào)和功率開(kāi)關(guān)信號(hào)，驅(qū)動(dòng)開(kāi)關(guān)閥和比例方向閥，實(shí)現(xiàn)前輪轉(zhuǎn)向動(dòng)作，并實(shí)時(shí)檢測(cè)壓力傳感器的輸出信號(hào)，實(shí)現(xiàn)自動(dòng)駕駛模式和人工駕駛模式的自動(dòng)切換。2 基于遺傳算法的自適應(yīng)模糊導(dǎo)航控制器 采用拖拉機(jī)的橫向偏差E和航向偏差作為模糊控制器的輸入，輸出量為期望前輪轉(zhuǎn)角U。橫向偏差E基本論域選擇為-30cm,30cm，量化因子為Ke=0.5，航向偏差基本論域選擇為-15°，15°，量化因子為K=1，即兩輸入變量的模糊論域均為-15,1

5、5，同時(shí)令輸出變量的模糊論域與輸入相等。模糊控制器可以用解析式概括為12 U=-(E+(1-) （0,1） （1）其中，為規(guī)則修正因子，又稱(chēng)為加權(quán)因子。通過(guò)調(diào)整值，可以調(diào)整控制規(guī)則。這種基于解析式的模糊控制器可以將變量的基本論域劃分得很細(xì)，不僅有利于提高控制精度，而且易于計(jì)算機(jī)實(shí)現(xiàn)，避免了常規(guī)模糊控制器規(guī)則繁瑣的缺點(diǎn)。采用模擬生物進(jìn)化過(guò)程的遺傳算法對(duì)模糊控制的修正因子以及輸出比例因子進(jìn)行在線(xiàn)整定，以達(dá)到自適應(yīng)控制。控制算法原理如圖2所示。 圖2 基于GA的導(dǎo)航控制原理圖遺傳算法具有魯棒性強(qiáng)、并行搜索和群體尋優(yōu)等優(yōu)點(diǎn)，是一種有效的參數(shù)優(yōu)化手段。其基本操作主要包括編碼、解碼、選擇、交叉和變異，設(shè)計(jì)

6、如下：（1）編碼和解碼考慮到拖拉機(jī)前輪轉(zhuǎn)向范圍為-25°，30°，模糊控制器輸出比例因子大小范圍選擇為Kµ0.2,1.67。編碼方式采用搜索能力較強(qiáng)的二進(jìn)制編碼，染色體是長(zhǎng)度為10位的二進(jìn)制串，占6位，Kµ占4位。相應(yīng)的解碼方式為 （2）式中 binrep()6位字符串表示的二進(jìn)制整數(shù) binrep(Kµ)4位字符串表示的二進(jìn)制整數(shù) （2）適應(yīng)度函數(shù)的構(gòu)造適應(yīng)度函數(shù)的選取直接影響GA的收斂速度以及能否找到最優(yōu)解。由于根據(jù)ITAE指標(biāo)設(shè)計(jì)的系統(tǒng)超調(diào)量小，阻尼適中，具有良好的動(dòng)態(tài)特性，而且在農(nóng)用車(chē)輛自動(dòng)導(dǎo)航中，橫向跟蹤偏差是衡量控制效果的首要指標(biāo)，

7、故選擇橫向跟蹤偏的ITAE指標(biāo)的倒數(shù)為適應(yīng)度函數(shù)，即為 （3）式中 y(t)t時(shí)刻的橫向跟蹤偏差，m在實(shí)際尋優(yōu)中，為提高算法運(yùn)算速度，保證控制的實(shí)時(shí)性，改進(jìn)為 （4）式中 t分段積分區(qū)間長(zhǎng)度，為0.1s Y（k)kt時(shí)刻的橫向跟蹤偏差，m 拖拉機(jī)前進(jìn)速度，m/s round對(duì)結(jié)果取整為計(jì)算適應(yīng)度函數(shù)，采用簡(jiǎn)化的兩輪車(chē)運(yùn)動(dòng)學(xué)模型推算y(k)，由于不考慮車(chē)輛離心力和側(cè)滑，兩輪車(chē)模型雖然在實(shí)際過(guò)程中不能完全精確描述車(chē)輛的運(yùn)動(dòng)狀態(tài)，但是在很大程度上還是能夠反映車(chē)輛真實(shí)運(yùn)動(dòng)變化趨勢(shì)的。同時(shí)將液壓轉(zhuǎn)向系統(tǒng)簡(jiǎn)化為一階慣性環(huán)節(jié)13，以預(yù)定直線(xiàn)路徑為橫軸建立跟蹤坐標(biāo)系，前進(jìn)方向?yàn)闄M軸正方向，跟蹤起點(diǎn)橫坐標(biāo)為零，

8、則可得如圖3所示的非線(xiàn)性運(yùn)動(dòng)學(xué)模型為 圖3 兩輪車(chē)運(yùn)動(dòng)學(xué)模型 （5） 式中 x跟蹤距離，m v速度，m/s y橫向跟蹤偏差，m L軸距，m 航向跟蹤偏差，rad 前輪轉(zhuǎn)向角，rad 慣性時(shí)間常數(shù)，s d期望前輪轉(zhuǎn)角，rad （3）選擇策略采用按適應(yīng)度比例分配的輪盤(pán)賭選擇法，即利用個(gè)體適應(yīng)度比例的概率決定其后代留存的可能。若個(gè)體i的適應(yīng)度為fi，則其被選中的概率為 （6） (4) 遺傳算子主要包括交叉和變異兩個(gè)遺傳算子。交叉算子采用單點(diǎn)交叉方式；變異算子，以變異概率對(duì)染色體的每個(gè)二進(jìn)制位進(jìn)行邏輯取反。遺傳算法的流程如圖4所示。 、Kµ參數(shù)編碼 隨機(jī)產(chǎn)生初始群體 解碼并計(jì)算適應(yīng)度 產(chǎn)生群

9、體 滿(mǎn)足終止條件？ 選擇、交叉、變異 輸出、Kµ 圖4 基于GA的、Kµ參數(shù)優(yōu)化流程3 前輪轉(zhuǎn)向控制器由于KSC-10型PLC支持多任務(wù)運(yùn)行模式，所以將下層控制器的任務(wù)劃分為：任務(wù)1，按照ISO11783規(guī)定的時(shí)間周期向?qū)Ш娇刂破鲌?bào)告前輪轉(zhuǎn)角；任務(wù)2，負(fù)責(zé)前輪轉(zhuǎn)向控制以及駕駛模式的切換和上報(bào)。任務(wù)1的優(yōu)先級(jí)高于任務(wù)2。前輪自動(dòng)轉(zhuǎn)向控制是通過(guò)轉(zhuǎn)向控制算法輸出一定的功率型號(hào)，控制比例閥門(mén)的開(kāi)度，通過(guò)調(diào)節(jié)流量來(lái)調(diào)節(jié)前輪的轉(zhuǎn)向速度，從而實(shí)現(xiàn)轉(zhuǎn)角的控制。本文采用位置式數(shù)字PD控制器實(shí)現(xiàn)前輪轉(zhuǎn)角控制，期望轉(zhuǎn)角與當(dāng)前轉(zhuǎn)角之差作為控制器輸入。轉(zhuǎn)向控制原理如圖5所示。 圖5 轉(zhuǎn)向控制結(jié)構(gòu)考慮

10、到比例方向閥有兩路PWM輸入，而且有700mA的電流死區(qū)，控制算法改進(jìn)為 (7)式中 IpdPD算法輸出值 Kp比例系數(shù) ek當(dāng)前角度誤差 KD微分系數(shù) ek-1前一次角度誤差 Iout控制器最終輸出值Iout的正負(fù)極性分別代表左路和右路PWM輸入，相應(yīng)代表前輪的兩個(gè)轉(zhuǎn)動(dòng)方向。在轉(zhuǎn)向過(guò)程中的某一時(shí)刻，必然有一路PWM輸入需要置為0。4 算法與系統(tǒng)實(shí)驗(yàn)4.1 前輪轉(zhuǎn)向控制實(shí)驗(yàn)為盡可能考慮農(nóng)田地面狀況對(duì)前輪轉(zhuǎn)向控制的影響，找了一塊剛秋收后的玉米地進(jìn)行轉(zhuǎn)向控制實(shí)驗(yàn)。選擇頻率為0.2Hz，幅值為15°方波指令曲線(xiàn)和正弦指令曲線(xiàn)對(duì)轉(zhuǎn)向控制器進(jìn)行測(cè)試。經(jīng)過(guò)多次調(diào)試，當(dāng)Kp=250，KD=20時(shí)，

11、轉(zhuǎn)向控制效果較佳。測(cè)試結(jié)果如圖6所示。 圖 6 指令曲線(xiàn)跟蹤 (a) 方波曲線(xiàn)跟蹤 (b) 正弦曲線(xiàn)跟蹤可見(jiàn)，轉(zhuǎn)向控制系統(tǒng)可以較好地完成信號(hào)跟蹤任務(wù)。對(duì)于方波信號(hào)，跟蹤一個(gè)30°的階躍信號(hào)（從-15°到15°或反之）大約需要1.21.4s，對(duì)于正弦波，跟蹤延遲約為0.20.4s，可滿(mǎn)足實(shí)際自動(dòng)導(dǎo)航需求。另外，在正負(fù)峰值處，跟蹤曲線(xiàn)并不完全對(duì)稱(chēng)，這是由于左右轉(zhuǎn)向時(shí)執(zhí)行機(jī)構(gòu)參數(shù)不同造成的。4.2 導(dǎo)航控制算法仿真首先在Matlab環(huán)境下，采用式(5)所描述的兩輪車(chē)模型，對(duì)設(shè)計(jì)的自適應(yīng)導(dǎo)航控制算法進(jìn)行仿真驗(yàn)證，仿真程序采用M語(yǔ)言編寫(xiě)。運(yùn)動(dòng)學(xué)參數(shù)為：=2m/s，L=2.3

12、m，=0.1s。遺傳算法的種群大小為40，進(jìn)化代數(shù)為40代，交叉概率為0.6，變異概率為0.02.拖拉機(jī)初始狀態(tài)為3.5m,0.4rad,0.2rad，分別代表橫向偏差、航向偏差和前輪轉(zhuǎn)向偏差，導(dǎo)航控制周期為200ms。與之對(duì)比，常規(guī)模糊控制的規(guī)則因子選擇為0.6，輸出比例因子為1。仿真結(jié)果如圖7所示。 圖7 直線(xiàn)跟蹤仿真由圖可見(jiàn)，基于GA的自適應(yīng)模糊控制與常規(guī)模糊控制相比，消除誤差的速度更快，幾乎沒(méi)有超調(diào)和振蕩，具有良好的動(dòng)態(tài)性能，在理論上是可行的。通過(guò)大量仿真發(fā)現(xiàn)，在GA每步進(jìn)化中，基本不超過(guò)10代即可尋找到最優(yōu)解，其中一步的進(jìn)化過(guò)程如圖8所示 圖8 適應(yīng)度曲線(xiàn)另外，在拖拉機(jī)自動(dòng)導(dǎo)航過(guò)程中

13、，導(dǎo)航控制算法的實(shí)時(shí)性問(wèn)題也是必須考慮的問(wèn)題。將上述自適應(yīng)控制方法在工控機(jī)的Visual C +6.0環(huán)境下進(jìn)行驗(yàn)證，進(jìn)化代數(shù)設(shè)置為10代，經(jīng)統(tǒng)計(jì)發(fā)現(xiàn)，美不優(yōu)化平均耗時(shí)10ms左右，與200ms的導(dǎo)航控制周期相比，其算法延時(shí)造成的影響可以忽略不計(jì)。4.3 田間自動(dòng)導(dǎo)航試驗(yàn)試驗(yàn)地點(diǎn)選擇在一塊秋收后的玉米地，地面顛簸不平。轉(zhuǎn)向控制器采用上述設(shè)計(jì)的數(shù)字PD控制器，拖拉機(jī)速度為2m/s左右，分別對(duì)常規(guī)模糊控制方法和基于GA的自適應(yīng)模糊控制方法進(jìn)行試驗(yàn)，實(shí)驗(yàn)結(jié)果如圖9所示。 （a） （b） 圖9 自動(dòng)導(dǎo)航系統(tǒng)跟蹤（a）常規(guī)模糊控制 （b）基于GA的自適應(yīng)模糊控制由圖可見(jiàn)，基礎(chǔ)常規(guī)模糊控制的直線(xiàn)跟蹤，存在

14、一定的超調(diào)和振蕩，穩(wěn)態(tài)時(shí)最大偏差為20cm左右，而基于自適應(yīng)模糊控制的直線(xiàn)跟蹤可以迅速消除橫向偏差，超調(diào)較小，振蕩也較小，穩(wěn)態(tài)時(shí)最大橫向偏差為10cm左右，跟蹤曲線(xiàn)變化相對(duì)平緩，具有良好的動(dòng)態(tài)特性。考慮到地面顛簸不平對(duì)GPS天線(xiàn)造成一定定位誤差情況下，這個(gè)跟蹤精度是可以接受的。5 結(jié)論(1)對(duì)電控液壓轉(zhuǎn)向機(jī)構(gòu)進(jìn)行了研究，設(shè)計(jì)的位置數(shù)字PD轉(zhuǎn)向控制器，具有良好的動(dòng)態(tài)性能，可以滿(mǎn)足農(nóng)業(yè)機(jī)械自動(dòng)導(dǎo)航的需求。(2)對(duì)拖拉機(jī)自動(dòng)導(dǎo)航控制算法進(jìn)行了研究，設(shè)計(jì)的基于遺傳算法的自適應(yīng)模糊控制器，可以顯著提高拖拉機(jī)自動(dòng)導(dǎo)航時(shí)的跟蹤精度，改善系統(tǒng)的控制品質(zhì)。 參考文獻(xiàn)1 Noguchi N,Will J,Reid

15、 J,et al. Development of a master-slave robot system for farm operationsJ. Computer and Electronics in Agriculture,2004,44(1):119.2 Kaizu Y,Yokoyama S,Imou K,et al. Vision-based navigation of a rice transplanter C/2004 CIGR International Confenrence,Vol.2,Beijing,2004:III 147.3周建軍，張漫.基于模糊控制的農(nóng)用車(chē)輛路線(xiàn)跟蹤

16、J.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009,40（4）：151156.4周俊，姬長(zhǎng)英.視覺(jué)導(dǎo)航輪式移動(dòng)機(jī)器人橫向預(yù)測(cè)模糊控制J.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2002,33（6）：7679.5呂安濤，毛恩榮，宋正河，等.一種拖拉機(jī)自動(dòng)駕駛復(fù)合模糊控制方法J.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2006，37（4）： 1720.6呂安濤，宋正河，毛恩榮.拖拉機(jī)自動(dòng)轉(zhuǎn)向最優(yōu)控制方法的研究J.農(nóng)業(yè)工程學(xué)報(bào)，2006，22（8）：116 119.7朱忠祥，宋正河，謝斌，等.拖拉機(jī)隊(duì)列自動(dòng)控制系統(tǒng)J.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009,40（8）：149154.8陳軍，朱忠祥，鳥(niǎo)巢諒，等.拖拉機(jī)沿曲線(xiàn)路徑的跟蹤控制J.農(nóng)業(yè)工程學(xué)報(bào)，2006,22（11）：108111

17、.9周俊，姬長(zhǎng)英，劉成良.農(nóng)用輪式移動(dòng)機(jī)器人視覺(jué)導(dǎo)航系統(tǒng)J.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2005,36（3）：9094.10陳軍，朱忠祥，鳥(niǎo)巢諒，等.基于神經(jīng)網(wǎng)絡(luò)的農(nóng)用車(chē)輛自動(dòng)跟蹤控制J.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007,38（5）： 131133.11張智剛，羅錫文.基于Kalman濾波和純追蹤模型的農(nóng)業(yè)機(jī)械導(dǎo)航控制J.農(nóng)業(yè)機(jī)械學(xué) 報(bào)，2009,40（增 刊）：612.12李士勇.模糊控制、神經(jīng)控制和智能控制論M.哈爾濱：哈爾濱工業(yè)大學(xué)出版社，1998.13呂安濤.基于GPS/IMU的拖拉機(jī)自動(dòng)駕駛方法的研究D.北京：中國(guó)農(nóng)業(yè)大學(xué)，2006. Matlab仿真代碼%fuzzy tunning PID control

18、clear all;clear all; a=newfis('fuzzpid'); a=addvar(a,'input','e',-3,3); %parameter ea=addmf(a,'input',1,'NB','zmf',-3,-1);a=addmf(a,'input',1,'NM','trimf',-3,-2,0);a=addmf(a,'input',1,'NS','trimf',-3,-1,1

19、);a=addmf(a,'input',1,'Z','trimf',-2,0,2);a=addmf(a,'input',1,'PS','trimf',-1,1,3);a=addmf(a,'input',1,'PM','trimf',0,2,3);a=addmf(a,'input',1,'PB','smf',1,3); a=addvar(a,'input','ec',-3,3

20、); %parameter eca=addmf(a,'input',2,'NB','zmf',-3,-1);a=addmf(a,'input',2,'NM','trimf',-3,-2,0);a=addmf(a,'input',2,'NS','trimf',-3,-1,1);a=addmf(a,'input',2,'Z','trimf',-2,0,2);a=addmf(a,'input',

21、2,'PS','trimf',-1,1,3);a=addmf(a,'input',2,'PM','trimf',0,2,3);a=addmf(a,'input',2,'PB','smf',1,3); a=addvar(a,'output','kp',-0.3,0.3); %parameter kpa=addmf(a,'output',1,'NB','zmf',-0.3,-0.1);a=ad

22、dmf(a,'output',1,'NM','trimf',-0.3,-0.2,0);a=addmf(a,'output',1,'NS','trimf',-0.3,-0.1,0.1);a=addmf(a,'output',1,'Z','trimf',-0.2,0,0.2);a=addmf(a,'output',1,'PS','trimf',-0.1,0.1,0.3);a=addmf(a,'outp

23、ut',1,'PM','trimf',0,0.2,0.3);a=addmf(a,'output',1,'PB','smf',0.1,0.3); a=addvar(a,'output','ki',-0.06,0.06); %parameter kia=addmf(a,'output',2,'NB','zmf',-0.06,-0.02);a=addmf(a,'output',2,'NM','t

24、rimf',-0.06,-0.04,0);a=addmf(a,'output',2,'NS','trimf',-0.06,-0.02,0.02);a=addmf(a,'output',2,'Z','trimf',-0.04,0,0.04);a=addmf(a,'output',2,'PS','trimf',-0.02,0.02,0.06);a=addmf(a,'output',2,'PM','trimf&

25、#39;,0,0.04,0.06);a=addmf(a,'output',2,'PB','smf',0.02,0.06); a=addvar(a,'output','kd',-3,3); %parameter kda=addmf(a,'output',3,'NB','zmf',-3,-1);a=addmf(a,'output',3,'NM','trimf',-3,-2,0);a=addmf(a,'output&#

26、39;,3,'NS','trimf',-3,-1,1);a=addmf(a,'output',3,'Z','trimf',-2,0,2);a=addmf(a,'output',3,'PS','trimf',-1,1,3);a=addmf(a,'output',3,'PM','trimf',0,2,3);a=addmf(a,'output',3,'PB','smf',1,3)

27、; rulelist=1 1 7 1 5 1 1; 1 2 7 1 3 1 1; 1 3 6 2 1 1 1; 1 4 6 2 1 1 1; 1 5 5 3 1 1 1; 1 6 4 4 2 1 1; 1 7 4 4 5 1 1; 2 1 7 1 5 1 1; 2 2 7 1 3 1 1; 2 3 6 2 1 1 1; 2 4 5 3 2 1 1; 2 5 5 3 2 1 1; 2 6 4 4 3 1 1; 2 7 3 4 4 1 1; 3 1 6 1 4 1 1; 3 2 6 2 3 1 1; 3 3 6 3 2 1 1; 3 4 5 3 2 1 1; 3 5 4 4 3 1 1; 3 6

28、3 5 3 1 1; 3 7 3 5 4 1 1; 4 1 6 2 4 1 1; 4 2 6 2 3 1 1; 4 3 5 3 3 1 1; 4 4 4 4 3 1 1; 4 5 3 5 3 1 1; 4 6 2 6 3 1 1; 4 7 2 6 4 1 1; 5 1 5 2 4 1 1; 5 2 5 3 4 1 1; 5 3 4 4 4 1 1; 5 4 3 5 4 1 1; 5 5 3 5 4 1 1; 5 6 2 6 4 1 1; 5 7 2 7 4 1 1; 6 1 5 4 7 1 1; 6 2 4 4 5 1 1; 6 3 3 5 5 1 1; 6 4 2 5 5 1 1; 6 5

29、2 6 5 1 1; 6 6 2 7 5 1 1; 6 7 1 7 7 1 1; 7 1 4 4 7 1 1; 7 2 4 4 6 1 1; 7 3 2 5 6 1 1; 7 4 2 6 6 1 1; 7 5 2 6 5 1 1; 7 6 1 7 5 1 1; 7 7 1 7 7 1 1; a=addrule(a,rulelist);a=setfis(a,'DefuzzMethod','mom');writefis(a,'fuzzpid'); a=readfis('fuzzpid'); %PID controllerts=0.00

30、1;sys=tf(5.235e005,1,87.35,1.047e004,0);dsys=c2d(sys,ts,'tustin');num,den=tfdata(dsys,'v'); u_1=0.0;u_2=0.0;u_3=0.0; y_1=0;y_2=0;y_3=0; x=0,0,0' error_1=0;e_1=0.0;ec_1=0.0; kp0=0.40;kd0=1.0;ki0=0.0; for k=1:1:500time(k)=k*ts; rin(k)=1; %using fuzzy inference to tunning PIDk_pid=e

31、valfis(e_1,ec_1,a);kp(k)=kp0+k_pid(1);ki(k)=ki0+k_pid(2);kd(k)=kd0+k_pid(3); u(k)=kp(k)*x(1)+kd(k)*x(2)+ki(k)*x(3); if k=300 %adding disturbance(1.0v at time 0.3s) u(k)=u(k)+1.0;endif u(k)>=10 u(k)=10;endif u(k)<=-10 u(k)=-10;end yout(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(1)*u(k)+num(2)*u_1+num(3)*u_2+num(4)*u_3;error(k)=r