3. 模糊PID参数自整定在电机转速控制中的实现

任务目标

为直流电机转速控制系统设计模糊PID自整定控制器：以转速误差e和误差变化率ec为输入，在线调整PID增益（Kp、Ki、Kd），并在Simulink中建立仿真模型，对比固定PID与模糊PID在负载突变时的转速恢复性能。

系统结构与设计参数

被控对象为直流电机电枢控制模型：G(s)=10/(0.05s²+s)，额定转速1000 rpm。模糊PID控制器采用二维Mamdani型模糊推理，输入输出均归一化到[-1,1]区间。PID初始增益：Kp0=2.0，Ki0=0.5，Kd0=0.1，模糊输出为增益修正系数ΔKp、ΔKi、ΔKd，实际增益为：

Kp = Kp0 + ΔKp·kp_scale，Ki = Ki0 + ΔKi·ki_scale，Kd = Kd0 + ΔKd·kd_scale，其中比例因子kp_scale=1.0，ki_scale=0.3，kd_scale=0.05。

模糊规则表

表中三元组依次为ΔKp/ΔKi/ΔKd的模糊子集。隶属度函数采用三角形，输入输出均覆盖[-1,1]，解模糊采用重心法。

关键完整代码（MATLAB + Simulink）

以下代码创建模糊推理系统（FIS）并保存为.fis文件，供Simulink的Fuzzy Logic Controller模块调用。仿真模型结构：阶跃转速指令 → 误差计算 → 模糊PID控制器 → 电机模型 → 转速输出，负载转矩在t=2s时阶跃增加50%。

% 创建模糊PID自整定FIS
fis = newfis('fuzzyPID', 'Mamdani', 'min', 'max', 'min', 'max', 'centroid');

% 输入：误差e（归一化）
fis = addvar(fis, 'input', 'e', [-1 1]);
fis = addmf(fis, 'input', 1, 'NB', 'trimf', [-1.5 -1 -0.5]);
fis = addmf(fis, 'input', 1, 'NM', 'trimf', [-1 -0.5 0]);
fis = addmf(fis, 'input', 1, 'ZO', 'trimf', [-0.5 0 0.5]);
fis = addmf(fis, 'input', 1, 'PM', 'trimf', [0 0.5 1]);
fis = addmf(fis, 'input', 1, 'PB', 'trimf', [0.5 1 1.5]);

% 输入：误差变化率ec（归一化）
fis = addvar(fis, 'input', 'ec', [-1 1]);
fis = addmf(fis, 'input', 2, 'NB', 'trimf', [-1.5 -1 -0.5]);
fis = addmf(fis, 'input', 2, 'NM', 'trimf', [-1 -0.5 0]);
fis = addmf(fis, 'input', 2, 'ZO', 'trimf', [-0.5 0 0.5]);
fis = addmf(fis, 'input', 2, 'PM', 'trimf', [0 0.5 1]);
fis = addmf(fis, 'input', 2, 'PB', 'trimf', [0.5 1 1.5]);

% 输出：ΔKp, ΔKi, ΔKd（归一化）
fis = addvar(fis, 'output', 'dKp', [-1 1]);
fis = addvar(fis, 'output', 'dKi', [-1 1]);
fis = addvar(fis, 'output', 'dKd', [-1 1]);
for outVar = 1:3
    fis = addmf(fis, 'output', outVar, 'NB', 'trimf', [-1.5 -1 -0.5]);
    fis = addmf(fis, 'output', outVar, 'NM', 'trimf', [-1 -0.5 0]);
    fis = addmf(fis, 'output', outVar, 'ZO', 'trimf', [-0.5 0 0.5]);
    fis = addmf(fis, 'output', outVar, 'PM', 'trimf', [0 0.5 1]);
    fis = addmf(fis, 'output', outVar, 'PB', 'trimf', [0.5 1 1.5]);
end

% 规则表（按上表逐行添加，共25条）
% 规则权重均为1，AND连接
ruleList = [
1 1 5 1 4 1 1;   % e=NB,ec=NB → dKp=PB(5),dKi=NB(1),dKd=PS(4)
1 2 5 1 3 1 1;   % e=NB,ec=NM → dKp=PB,dKi=NB,dKd=NS(3)
1 3 4 2 1 1 1;   % e=NB,ec=ZO → dKp=PM(4),dKi=NM(2),dKd=NB(1)
1 4 4 2 1 1 1;
1 5 3 3 1 1 1;   % e=NB,ec=PB → dKp=PS(3),dKi=NS(3),dKd=NB
2 1 5 1 3 1 1;
2 2 4 2 3 1 1;
2 3 4 3 2 1 1;
2 4 3 3 2 1 1;
2 5 2 2 4 1 1;   % ZO(2)
3 1 4 2 2 1 1;
3 2 4 3 3 1 1;
3 3 2 2 3 1 1;
3 4 3 4 3 1 1;   % NS(3),PS(4)
3 5 2 5 2 1 1;   % NM(2),PM(5)
4 1 3 3 2 1 1;
4 2 2 2 4 1 1;
4 3 3 4 4 1 1;
4 4 2 5 5 1 1;
4 5 2 5 5 1 1;
5 1 2 2 5 1 1;
5 2 3 4 4 1 1;
5 3 2 5 5 1 1;
5 4 2 5 5 1 1;
5 5 1 5 5 1 1;   % NB(1),PB(5)
];

% 添加规则：前4列为输入索引，5-7列为输出索引，第8列为权重，第9列为AND(1)
fis = addrule(fis, ruleList);

% 保存FIS文件供Simulink使用
writefis(fis, 'fuzzy_pid_motor');
disp('FIS文件已生成: fuzzy_pid_motor.fis');

Simulink模型搭建步骤

1. 新建Simulink模型，添加以下模块：Step（转速指令1000）、Sum（误差计算）、Fuzzy Logic Controller（读取fuzzy_pid_motor.fis）、Gain模块（比例因子kp_scale=1.0、ki_scale=0.3、kd_scale=0.05）、积分器、求和模块、饱和模块（限幅0~12V）、电机传递函数10/(0.05s²+s)、Scope。
2. 模糊PID内部结构：将e和ec分别经Gain归一化（1/1000和1/500）后输入Fuzzy模块，输出ΔKp、ΔKi、ΔKd分别乘以对应比例因子，再与Kp0、Ki0、Kd0相加得到实际PID增益，驱动PID控制器（使用Simulink的PID Controller模块，设为外部增益输入模式）。
3. 负载扰动：在t=2s时通过Step模块（从0阶跃到5）叠加到电机输入端（等效负载转矩），模拟突加负载。
4. 仿真时间设为4s，求解器用ode45，最大步长0.001s。

验证方法与通过条件

运行仿真后，观察Scope中的转速响应曲线。通过条件：

• 启动阶段：转速超调量≤5%，调节时间（进入±2%误差带）≤0.8s；
• t=2s负载突变后：转速跌落≤80rpm，恢复时间（回到±2%误差带）≤0.5s；
• 对比固定PID（Kp=2.0，Ki=0.5，Kd=0.1）在相同负载扰动下的响应，模糊PID的转速跌落应更小、恢复更快。

若转速跌落过大或恢复过慢，可调整比例因子kp_scale、ki_scale、kd_scale或修改规则表灵敏度。

预期输出（基于代码逻辑的确定性结果）

由于模糊规则与PID参数调整方向一致，在负载突变瞬间误差增大，模糊规则输出正ΔKp和正ΔKi，使控制器快速增大输出以抑制转速跌落。与固定PID相比，模糊PID的转速跌落幅度预计减小约30%~50%，恢复时间缩短约40%~60%。具体数值需通过实际仿真读取，此处仅给出逻辑预期方向。