在实际的工业控制中,PID控制依然是一种主要的控制方式,如何简单、有效的实现PID参数的整定有着重要的意义。随着控制系统日趋复杂,传统的PID控制难以达到满意的控制效果。模糊控制事先不需要获知对象的精确数学模型,而是基于人类的思维以及生产经验,用语言规则描述控制过程,并根据规则去调整控制算法或控制参数。本论文通过研究将模糊控制与PID结合,将操作人员和专家长期实践积累的经验知识用控制规则模型化,实时改变控制策略,对PID参数实现调整。模糊控制规则的优化是通过调整量化因子来实现的,量化因子选取不精确会影响控制系统的性能,本文提出序列对的思想,从而实现模糊规则精确化。本文主要做了三部分工作:第一,将模糊控制中的模糊推理思想和常规PID控制结合起来,将误差和误差变化作为输入,建立模糊控制初始规则库。本文提出序列对的概念,序列对的建立将专家的模糊经验规则精确化,得到精确的控制规则表。利用遗传算法进行寻优,得到优化的控制规则表,避免了在初始模糊规则表上的调整。第二,研究了模糊控制规则库优化方法,提出了一种新的规则调整的方法,即将模糊规则精确化,对精确化的规则按序排成序列,形成序列对。将序列对转化成向量,利用遗传算法根据K p, K I, K D建立目标函数,对误差和误差变化量精确的在线整定,实现对PID的三个参数在线整定。基于序列对的建立,本文利用神经网络的学习反馈功能对规则库进行在线调整,将模糊规则转化成向量的调整过程,不对模糊规则进行模糊化和反模糊化的操作。通过序列对的建立可以将模糊规则精确化,神经网络的调整建立在精确化的模糊规则之上,有利于利用神经网络进行规则库的训练、学习。第三,三维模糊控制器较二维模糊控制器有快速性,能获得较好的控制效果。但随着维数的增加,其控制规则随指数规律增加,给控制器的实现带来了相当大的难度,而且三维模糊系统不能从根本上消除静差和极限环振荡,因此本文将三维模糊控制器转化成积分和二维模糊控制并联的控制器,分析研究了二维并联型的性能优势。