# 哨兵电控学习调试历程

**Repository Path**: zijinyang/shaobing

## Basic Information

- **Project Name**: 哨兵电控学习调试历程
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2024-10-21
- **Last Updated**: 2024-10-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 哨兵电控学习调试历程
##本仓库记录在调试哨兵过程中发现的问题以及解决方案，和对于电控的学习历程

/*  2024 10.21 */
在查看华中科大2022年的步兵电控开源时发现，对于云台的调试，仅仅pid+前馈的精准度不足以达到更高精度的要求，且自适应能力不高，而模糊pid可以弥补这一点
###模糊pid
![输入图片说明](Readme.mdimage.png)
1.模糊化
对上一次的目标值和当前值的error进行记录，输入de/dt，对这个值进行模糊化（也就是划分领域）到论域上，对de/dt进行划分，输出 kp, ki, kd 的范围各不相同，把输入映射到论域上更好统一处理。确定论域的范围后，需要对论域进行模糊分类，模糊分类即对论域进行划分。
假设论域的范围为 [-3，3]，把论域平均分为 5 等份，即 [-3, -2], [-2, -1], [-1, 0], [0, 1], [1, 2], [2, 3]。接着把每个端点进行等级划分，依次为: -3—>NB(负大), -2—>NM(负中), -1---->NS(负小), 0—>ZO(零), 1---->PS(正小), 2---->PM(正中), 3---->PB(正大)。假设输入e的范围为 [-10, 10]，此刻 e 的值为 8，通过映射后的值为 2.4，2.4 在 [2, 3] 区间，则该点在正中与正大之间。
2.隶属度确定
常见的隶属度函数有三角形隶属度函数，梯形隶属度函数，抛物线型隶属度函数。以最简单的三角性隶属度函数为例，形状如下图所示：
![输入图片说明](Readme.mdimage.png)
由上图可知，隶属度函数的值域为 [0, 1]。若输入e经过映射后的值为 2.4，那么对应下图红线与绿线的值分别为 0.6，0.4, 这两个就是隶属度，表示该输入属于 PM 的概率为0.6，而属于 PB 的概率为0.4。所以隶属度也为概率。
![输入图片说明](Readme.mdimage.png)
![输入图片说明](Readme.mdimage.png)
3.模糊推理
一般对这样计算出的隶属度会先行建立一个论域划分的表，根据e和de/dt的论域划分来直接进行归属
![输入图片说明](Readme.mdimage.png)
![输入图片说明](Readme.mdimage.png)
![输入图片说明](Readme.mdimage.png)
之后举个例子：
假设此刻的输入 e 为8，de/dt 为-12，而e的范围为[-10,10]，de/dt 的范围为[-20,20]。则通过模糊化得到 e 的隶属度为0.6(PM)与0.4(PB)，de/dt 的隶属度为0.8(NM)与0.2(NS)，然后，对 e 与 de/dt 的隶属度进行两两组合，并进行查表，得到下表的关系：
![输入图片说明](Readme.mdimage.png)
计算出kp ki kd 各自的隶属度

4.去模糊
最后进行个输出的隶属度进行整合，例如 Kp, 由上面计算可知，Kp 的隶属度为 0.8(ZO)，0.12(NS)，0.08(NM)。
之后再进行查表计算出Kp
todo：
遗传算法再次优化模糊pid