洗衣機模糊控制器設(shè)計

洗衣機的模糊控制器設(shè)計洗衣機的模糊控制傳統(tǒng)的洗衣機都是人們用肉眼觀看后，根據(jù)人的經(jīng)驗來調(diào)整洗衣時間和用水量，而模糊控制就是以人對被控對象的控制經(jīng)驗為依據(jù)而設(shè)計的控制器，這樣就能實現(xiàn)控制器模擬人的思維方式來控制洗衣機。以模糊洗衣機的設(shè)計為例其控制是一個開環(huán)的決策過程，模糊控制按以下步驟進行。[4]洗衣機的時間控制確定模糊控制器的結(jié)構(gòu)選用單變量二維模糊控制器。控制器的輸入為衣物的污泥和油脂，輸出為洗滌時間。定義輸入、輸出模糊集將污泥分為3個模糊集：SD(污泥少)，MD〔污泥中〕，LD〔污泥多〕；取值范圍為[0,100]。將油脂分為3個模糊集：NG〔油脂少〕，MG〔油脂中〕，LG〔油脂多〕；將洗滌時間分為5個模糊集：VS〔很短〕，S〔短〕，M〔中等〕，L〔長〕，VL〔很長〕。定義隸屬函數(shù)選用如下隸屬函數(shù)：采用三角形隸屬函數(shù)可實現(xiàn)污泥的模糊化。采用Matlab進行仿真，污泥隸屬函數(shù)設(shè)計仿真程序如下：Closeall；N=2；x=0:0.1:100;fori=1:N+1f(i)=100/N*(i-1);endu=trimf(x,[f(1),f(1),f(2)]);figure(1)；plot(x,u);forj=2:Nu=trimf(x,[f(j-1),f(j),f(j+1)]);holdon;plot(x,u);endu=trimf(x,[f(N),f(N+1),f(N+1)]);holdon;plot(x,u);xlabel(‘x’);ylabel(‘Degreeofmembership’);污泥程序仿真結(jié)果如圖1所示：圖1污泥隸屬函數(shù)將油脂分為三個模糊集:NG〔無油脂〕MG〔油脂中〕LG(油脂多)，取值范圍為[0，100]選用如下隸屬函數(shù)：采用三角形隸屬函數(shù)實現(xiàn)油脂的模糊化，仿真程序如下：Clearall;N=2;x=0:0.1:100;fori=1:N+1f(i)=100/N*(i-1);endu=trimf(y,[f(1),f(1),f(2)]);figure〔1〕；plot(y,u);forj=2:Nu=trimf(y,[f(j-1),f(j),f(j+1)]);holdon;plot(y,u);endu=trimf(y,[f(N),f(N+1),f(N+1)]);holdon;plot(y,u);xlabel(‘y’);ylabel(‘Degreeofmembership’);油脂程序仿真結(jié)果如圖2所示：圖2油脂隸屬函數(shù)將洗滌時間分為五個模糊集：VS(很短)S〔短〕M〔中等〕L(很長)取值范圍為[0,60]選用如下隸屬函數(shù)：采用三角形隸屬函數(shù)實現(xiàn)洗滌時間的模糊化,其Matlab仿真程序如下：Closeall;Z=0:0.1:60;U=trimf(z,[0,0,10]);Figure(1);Plot(z,u);U=trimf(z,[0,10,25]);holdon;plot(z,u);U=trimf(z,[10,25,40]);holdon;plot(z,u);U=trimf(z,[25,40,60]);holdon;plot(z,u);U=trimf(z,[40,60,60]);holdon;plot(z,u);xlabel(‘z’)ylabel(“Degreeofmembership”);洗滌時間仿真程序結(jié)果如圖3所示：圖3洗滌時間隸屬函數(shù)建立模糊控制規(guī)那么根據(jù)人的操作經(jīng)驗設(shè)計模糊規(guī)那么，模糊規(guī)那么設(shè)計的標準為：“污泥越多，油脂越多，洗滌時間越長”；“污泥適中，油脂適中，洗滌時間適中”；“污泥越少，油脂越少，洗滌時將越短”。建立模糊控制表根據(jù)模糊規(guī)那么設(shè)計標準，建立模糊規(guī)那么表，見表1。洗衣機的模糊規(guī)那么洗滌時間z污泥xNGMGLG油脂ySDVS*MLMDSMLLDMLVL表1第*條規(guī)那么為：“IF衣物污泥少且沒有油脂THEN洗滌時間很短”。模糊推理分以下幾步進行：規(guī)那么匹配假定當前傳感器測得的信息為：〔污泥〕=60，〔油脂〕=70，分別代入所屬的隸屬函數(shù)中，求隸屬度為，，通過上述4種隸屬度，可得到4條匹配的模糊規(guī)那么，見表2。模糊推理結(jié)果洗滌時間z污泥xNGMG(3/5)LG(2/5)油脂ySD000MD(4/5)0LG(1/5)0表2規(guī)那么觸發(fā)由表3-2可知，被觸發(fā)的規(guī)那么有4條，即Rule1：IFyisMDandxisMGTHENzisMRule2：IFyisMDandxisLGTHENzisLRule3：IFyisLDandxisMGTHENzisLRule4：IFyisLDandxisLGTHENzisVL規(guī)那么前提推理在同一條規(guī)那么內(nèi)，前提之間通過“與”的關(guān)系得到規(guī)那么結(jié)論。前提的可信度之間通過取小運算，得到每一條規(guī)那么總前提的可信度為規(guī)那么1前提的可信度為：min(4/5,3/5)=3/5規(guī)那么2前提的可信度為：min(4/5,2/5)=2/5規(guī)那么3前提的可信度為：min(1/5,3/5)=1/5規(guī)那么4前提的可信度為：min(1/5,2/5)=1/5由此得到洗衣機規(guī)那么前提可信度表，即規(guī)那么強度表，見表3。規(guī)那么前提可信度洗滌時間z污泥xSDMD(4/5)LD(1/5)油脂yNG000MG(3/5003/52/5LG(1/5)01/51/5表3將上述兩個表進行“與”運算得到每條規(guī)那么總的可信度輸出，見表4。規(guī)那么總的可信度洗滌時間z污泥xSGMG(3/5)LG(2/5)油脂yND000MD(4/5)0min()min()LD(1/5)0min()min()表4模糊系統(tǒng)的輸出模糊系統(tǒng)總的輸出為各條規(guī)那么可信度推理結(jié)果的并集，即=[11]可見，有3條規(guī)那么被觸發(fā)。反模糊化模糊系統(tǒng)總的輸出實際上是3個規(guī)那么推理結(jié)果的并集，需要進行反模糊化才能得到更精確的推理結(jié)果。下面以最大平均法為例，進行反模糊化。洗衣機的模糊推理過程如圖4和圖5所示。由圖可知，洗滌時間隸屬度最大值為。將代入洗滌時間隸屬度函數(shù)中的，得到規(guī)那么前提隸屬度。與規(guī)那么結(jié)論隸屬度的交點，即得到采用最大平均值法，可得精確輸出為即所需要的洗滌時間為25分鐘。1.01.04/5MDMG(a)規(guī)那么一MMDLGLGLDLVL1.0b)規(guī)那么二二(c)規(guī)那么三100x100y1.01.01.01.01.01.01.0100x100x060100y100yzz60z40201010000000004/53/53/52/52/51/51/52/5圖4洗衣機的3個規(guī)那么被觸發(fā)仿真實例采用Matlab中模糊控制工具箱可設(shè)計洗衣機模糊控制系統(tǒng)。洗衣機模糊控制系統(tǒng)仿真程序如下：closeall：a=newfis(‘fuzz-wash’)；a=addvar(a，‘input’，‘x’，[0，100])；%FuzzyStaina=addmf(a，‘input’，1，‘SD’，‘trimf’，[0，0，50])；a=addmf(a，‘input’，1，‘MD’，‘trimf’，[0，50，100])；a=addmf(a，‘input’，1，‘LD’，‘trimf’，[50，100，100])；a=addvar(a，‘input’，‘y’，[0，100])；%FuzzyAxungea=addmf(a，‘input’，2，‘NG’，‘trimf’，[0，0，50])；a=addmf(a，‘input’，2，‘MG’，‘trimf’，[0，50，100])；a=addmf(a，‘input’，2，‘LG’，‘trimf’，[50，100，100])；a=addvar(a，‘output’，‘z’，[0，60])；%FuzzyTimea=addmf(a，‘output’，1，‘VS’，‘trimf’，[0，0，10])；a=addmf(a，‘output’，1，‘S’，‘trimf’，[0，10，25])；a=addmf(a，‘output’，1，‘M’，‘trimf’，[10，25，40])；a=addmf(a，‘output’，1，‘L’，‘trimf’，[25，40，60])；a=addmf(a，‘output’，1，‘VL’，‘trimf’，[40，60，60])；rulelist=[11111：12311：13411：21211：22311：23411：31311：32411：33511]；a=addrule(a，rulelist)；showrule(a)%showfuzzyrulebaseal=setfis(a，‘DefuzzMethod’，‘mom’)；%Defuzzywritefis(al，‘wash’)；%Savetofuzzyfile“washfis”a2=readfis(‘wash’)；figure(1)；plotfis(a2)；figure(2)；plotmf(a，‘intput’，1)；figure(3)；plotmf(a，‘intput’，2)；figure(4)；plotmf(a，‘output’，1)；ruleview(‘wash’)；%DynamicSimulationx=60；y=70；z=evalfis([x，y]，a2)