模糊控制洗衣机的设计(MATLAB)

超、凢脫俗 2022-01-13 05:57 964阅读 0赞

## 模糊控制洗衣机的设计 ##

### 一、背景 ###

**模糊控制洗衣机的实现方法：**如图1为给出模糊控制洗衣机的控制结构图, 它是利用负载 它是利用负载、质料质料、水位水位、水温以及洗涤剂等检测水所得到的信息, 进行分段评估计算, 使其模糊化, 再根据模糊规则进行推理, 以决定最适当的和明确的水流/水位/洗涤时间/清洗方法以及脱水时间。  
图的图一![图1][1]

### 二、目的 ###

本实验是利用MATLAB模糊逻辑工具箱设计模糊洗衣机的控制器，将同时使用可视化界面以及命令行方式。

### 三、原理 ###

将模糊洗衣机的控制看作一个开环的决策过程，并且用MATLAB进行仿真两个输入一个输出模糊控制洗衣机推理系统设计。

##### 3.1模糊控制器的结构 #####

输入为衣物的污泥和油脂，输出为洗涤时间：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70]

##### 3.2定义隶属度函数 #####

**1、采用三角形隶属函数模糊化输入变量污泥（trimf）**  
（1）将污泥分为三个模糊集：SD（污泥少），MD（污泥中），LD（污泥多），取值范围为\[0, 100\].  
（2）隶属函数如下：  
![在这里插入图片描述][20190617181307688.png]  
（3）三角形隶属函数实现污泥模糊化。用MATLAB仿真污泥隶属函数如图3，设计程序如下：

%figure1.m
    N = 2;
    x = 0:0.1:100;
    for i = 1 : N+1
        f(i) = 100/N*(i-1);
    end
    u = trimf(x, [f(1), f(1), f(2)]);
    figure(1);
    plot(x, u);
    for j = 2 : N
        u = trimf(x, [f(j-1), f(j), f(j+1)]);
        hold on;
        plot(x,u);
    end
    u = trimf(x, [f(N), f(N+1), f(N+1)]);
    hold on;
    plot(x,u);
    xlable('x');
    ylable('Degree of membership');

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 1]  
**2、采用三角形隶属函数模糊化输入变量油脂（trimf）**  
（1）将油脂分为三个模糊集：NG（油脂少），MG（油脂中），LG（油脂多），取值范围\[0, 100\].  
（2）隶属函数如下：  
![在这里插入图片描述][20190617181546684.png]  
（3）三角形隶属函数实现油脂模糊化。用MATLAB仿真油脂隶属函数如图4，设计程序如下：

%figure2.m
    N = 2;
    y = 0:0.1:100;
    for i = 1 : N+1
        f(i) = 100/N*(i-1);
    end
    u = trimf(y, [f(1), f(1), f(2)]);
    figure(2);
    plot(y, u);
    for j = 2 : N
        u = trimf(y, [f(j-1), f(j), f(j+1)]);
        hold on;
        plot(y,u);
    end
    u = trimf(y, [f(N), f(N+1), f(N+1)]);
    hold on;
    plot(y,u);
    xlable('y');
    ylable('Degree of membership');

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 2]  
**3、采用三角形隶属函数模糊化输出变量洗涤时间（trimf）**  
（1）将洗涤时间分为五个模糊集：VS（很短），S（短），M（中等），L（长），VL（很长），取值范围\[0, 60\].  
（2）隶属函数如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 3]  
（3）三角形隶属函数实现洗涤时间模糊化。用MATLAB仿真洗涤时间隶属函数如图5，设计程序如下：

%figure3.m
    z = 0 : 0.1 : 60;
    u = trimf(z, [0,0,10]);
    figure(3);
    plot(z,u);
    u = trimf(z, [0,10,25]);
    hold on;
    plot(z,u);
    u = trimf(z, [10,25,40]);
    hold on;
    plot(z,u);
    u = trimf(z, [25,40,60]);
    hold on;
    plot(z,u);
    u = trimf(z, [40,60,60]);
    hold on;
    plot(z,u);
    xlable('z');
    ylable('Degree of membership');

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 4]

##### 3.3建立模糊控制规则 #####

根据人的经验设计如下模糊规则标准：  
“污泥越多，油脂越多，那么洗涤时间越长”  
“污泥适中，油脂适中，那么洗涤时间适中”  
“污泥越少，油脂越少，那么洗涤时间越短”  
污泥和油脂的取值各三个，进行任意组合，设立9条模糊控制规则，如表1所示。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 5]  
**1、模糊推理**  
（1）规则匹配  
假设当前传感器测得的信息为： 分别带入到所属的隶属函数中，求得隶属度为：  
![在这里插入图片描述][20190617181950489.png]  
可知有4种隶属度，4条匹配的模糊规则，如表2。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 6]  
（2）规则触发。由表2可知，被触发的规则有4条：  
Rule1:IF x is MD AND y is MG THEN z is M;  
Rule2:IF x is MD AND y is LG THEN z is L;  
Rule3:IF x is LD AND y is MG THEN z is L;  
Rule4:IF x is LD AND y is LG THEN z is VL。  
（3）规则前提推理。在同一条规则内，前提之间通过“与”的关系得到规则结论。前提之间通过取小运算，得到每一条规则总前提的可信度：规则1前提的可信度为min(4/5,3/5)=3/5.规则2的前提的可信度为min(4/5,2/5)=2/5…由此得到洗衣机规则前提可信度表如下表3.  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 7]  
（4）每条规则的推理。合成将上述两个表进行“合成”运算，得到每条规则的输出（规则的可信度）：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 8]  
（5）模糊系统总的输出（聚合）.取各条规则推理结果的并，即：  
![在这里插入图片描述][20190617182228740.png]  
（6）去模糊化。模糊系统总的输出实际上是三个规则推理结果的并集，需要进行反模糊化，才能得到精确的推理结果。采用最大平均法。

### 四、实验过程及结果 ###

##### 4.1 使用命令行方式建立FIS<?font> #####

**1、 使用MATLAB中的相关命令和函数建立wash.m文件，建立过程中参考MATLAB中的Fuzzy Logic Toolbox用户指南了解相关函数的使用方式。  
2、 编写程序代码如下：**

%wash.m
    a = newfis('fuzz_wash');
     	
    a = addvar(a, 'input', 'x', [0,100]);
    a = 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]);
    a = 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]);
    a = 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 = [1 1 1 1 1;
                1 2 3 1 1;
                1 3 4 1 1;
                
                2 1 2 1 1;
                2 2 3 1 1;
                2 3 4 1 1;
             
                3 1 3 1 1;
                3 2 4 1 1;
                3 3 5 1 1];
            
    a = addrule(a, rulelist);
    showrule(a)
     
    a1 = setfis(a, 'DefuzzMethod', 'mom');
    writefis(a1, 'wash');
     
    a2 = readfis('wash');
     
    figure(1);
    plotfis(a2);
     
    figure(2);
    plotmf(a, 'input', 1);
     
    figure(3);
    plotmf(a, 'input', 1);
     
    figure(4);
    plotmf(a, 'output', 1);
     
    ruleview('wash');
    x = 60;
    y = 70;
    z = evalfis([x,y], a2);

**3、运行结果如下：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 9]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 10]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 11]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 12]  
**4、分析**  
（1）在MATLAB命令行输入a = readfis(‘wash’)，运行结果如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 13]  
（2）输入fuzzy(a)，显示模糊推理编辑器：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 14]  
（3）点击FIS 编辑器中的x对应图像，参看污泥x的隶属函数，如图，同理可以查看油脂y和洗涤时间z的隶属函数并进行编辑：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 15]  
（4）点击“wash(mamdani)”打开模糊规则编辑器，如图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 16]  
（5）输入evalfis(\[50,90\],a)，得到结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 17]

### 五、小结 ###

（1）需要用MATLAB建立模糊推理系统FIS的过程，使用模糊工具箱以及Fuzzy Logic Toolbox用户指南，熟悉MATLAB常用命令；  
（2）建立FIS之前先确定了每个步骤所需要的具体方法，比如确定模糊控制系统为双输入单输出系统，对输入输出变量的模糊化采用三角形隶属度函数trimf。编写模糊规则，前提之间通过取小运算，得到每一条规则总前提的可信度。用evalfis函数求得最后结果等；  
（3）使用MATLAB命令行方式建立模糊洗衣机控制器的全部操作；

[1]: /images/20220113/546ed3bb078d42329b33beb7afe114ed.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70]: /images/20220113/5c33531d62f442ccbc03079cb89905f6.png
[20190617181307688.png]: /images/20220113/bcd2232aad9943b9814ef4132b801b6f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 1]: /images/20220113/9e02d0051ce4498fba4550182dfcdb76.png
[20190617181546684.png]: /images/20220113/12f7b6b55aee4e4da447abe78bd4161a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 2]: /images/20220113/32c38c043e004c89b8c97b5d7e8f71b3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 3]: /images/20220113/4f0dec50370f412a84fce37a62ad00e2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 4]: /images/20220113/a248ae6a7a7c4dd59a2a334b463bbde4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 5]: /images/20220113/d3fb9f6f8f6644ffb9f31d0682eea663.png
[20190617181950489.png]: /images/20220113/31623ef11d224b6da315eb141a929931.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 6]: /images/20220113/90753a426508420e8b47b2b0abc9fafb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 7]: /images/20220113/6a6e09967ed74f3aaba9b7c439b03c3a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 8]: /images/20220113/a50018d78e314f7ca305e1989d304b66.png
[20190617182228740.png]: /images/20220113/ac1e3ac49eea45f6b69169d785db9309.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 9]: /images/20220113/f6e038ca9c454270b4a286f9b0424cd1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 10]: /images/20220113/d2550b92edd940e8a4615ba55785180e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 11]: /images/20220113/041946d5047643d9984bdef913809513.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 12]: /images/20220113/b16082406ab8472ca90e0cf0d243efcd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 13]: /images/20220113/cb02a02954ec4e3bb3020bf7e4cdd1c8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 14]: /images/20220113/301560f49aed46efb0299a1963db3e62.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 15]: /images/20220113/1909525b126640ca860a0d2127b24aca.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 16]: /images/20220113/8e029912a5f149be8ae4819ae6855710.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ0MDU3NDQz_size_16_color_FFFFFF_t_70 17]: /images/20220113/7053758d9fe7464e83ffc488c85e2061.png