Robust Control System:反馈控制有承受一定类不确定能力的影响,这一直保持在这种不确定的条件(制)稳定、动态特性(灵敏度)和稳态特性(逐步调整)的能力。

非结构不确定性(Unstructured Uncertainty),如外界扰动带来的影响——H∞控制(本文的内容)

结构不确定性(Structured Uncertainty)如系统參数的不确定性变化——μ分析与μ综合

标准鲁棒控制问题的一般模型(双端子模型)即下线性分式变换形式:

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbGlnaHRfbGo=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">

G为增广控制对象;K控制器;u是控制输入。y是被測量输出或对象输出(u和y各自是系统传递函数或者状态空间里的输入和输出)。w是外部输入或參考输入。如:扰动、噪声;z是被控制的输出。

相应的增广状态方程为:

可记为:

传递函数为:

可见由w到z的闭环传递函数为:

由此传递函数可得到闭环系统的框图也能够绘制成例如以下形式:

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbGlnaHRfbGo=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">

鲁棒控制要解决的问题就是设计出一个真实有理镇定控制器使得闭环系统内稳定,且满足:
1)标准控制问题:
2)最优控制问题:

\min {\left\| {{T_{wz}}\left( s \right)} \right\|_{\rm{2}}}" alt="">

3)最优控制问题:
      

{H_\infty }" alt="">次优控制问题:

{\left\| {{T_{wz}}\left( s \right)} \right\|_\infty } < \gamma" alt="">。是一个正实数。


1、干扰抑制(最小灵敏度)问题 =>鲁棒标准问题

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbGlnaHRfbGo=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="" style="font-family:'Microsoft YaHei'; font-size:18px">


(即灵敏度函数
问题:

2、鲁棒镇定问题=>鲁棒标准问题

1)加性不确定系统


广义控制对象

2)乘性不确定系统


广义控制对象

问题:寻找控制器K。镇定G,且满足

3、跟踪问题=>鲁棒标准问题

watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbGlnaHRfbGo=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="">

如果r是一能量有限的输入信号
已知P和W,设计控制器C1和C2,使使系统内稳定,且v尽可能好地跟踪r
为保证存在最优的真实有理控制器。取目标函数(

{\rho}u" alt="">是加权控制能量项)


取:

y = \left[ {\begin{array}{*{20}{c}} r \\ v \end{array}} \right]" alt="">


问题:寻找控制器K,镇定G,且满足

4、模型匹配问题=>鲁棒标准问题


T1是一个模型。设计參数Q式模型T2QT3匹配T1。由第二个图能够得到:

问题:寻找K,镇定G,且满足

\min {\left\| {{T_{zw}}\left( s \right)} \right\|_\infty } = \min {\left\| {{T_1} - {T_2}Q{T_3}} \right\|_\infty }" alt="">

5、混合灵敏度问题=>鲁棒标准问题

系统原图參考最小灵敏度问题

前面讲了灵敏度函数。补灵敏度函数。从控制对象的鲁棒稳定性出发,要求补灵敏度越小越好,可是从扰动个信号w对输出y的影响来说。要求灵敏度越小越好,但两者又是相互矛盾的。所以这就须要有个折中。

考虑到一般扰动信号具有低频性。而模型的不确定性通常是因为忽略了高频动力学特性引起的。所以所下面式中的Q1和Q2一般没有交集。故非常难求得满足下式的控制器。

\begin{gathered} {\left\| {S\left( {j\omega } \right)} \right\|_\infty } < {\varepsilon _1},\omega \in {Q_1} \hfill \\ {\left\| {T\left( {j\omega } \right)} \right\|_\infty } < {\varepsilon _2},\omega \in {Q_2} \hfill \\ \end{gathered} " alt="">

故引入加权函数W1和W2,分别作为Q1和Q2的权,控制器的条件能够写成:

广义控制对象


问题:

{\left\| {{T_{wz}}\left( s \right)} \right\|_\infty } < \gamma " alt="">

版权声明:本文博主原创文章,博客,未经同意不得转载。

H∞一般控制问题的鲁棒叙述性说明的更多相关文章

  1. Robust Locally Weighted Regression 鲁棒局部加权回归 -R实现

    鲁棒局部加权回归 [转载时请注明来源]:http://www.cnblogs.com/runner-ljt/ Ljt 作为一个初学者,水平有限,欢迎交流指正. 算法参考文献: (1) Robust L ...

  2. 鲁棒图(Robustness Diagram)

    鲁棒图与系统需求分析 鲁棒图(Robustness Diagram)是由Ivar Jacobson于1991年发明的,用以回答“每个用例需要哪些对象”的问题.后来的UML并没有将鲁棒图列入UML标准, ...

  3. 基于2D-RNN的鲁棒行人跟踪

    基于2D-RNN的鲁棒行人跟踪 Recurrent Neural Networks RNN 行人跟踪 读"G.L. Masala, et.al., 2D Recurrent Neural N ...

  4. SIFT+HOG+鲁棒统计+RANSAC

    今天的计算机视觉课老师讲了不少内容,不过都是大概讲了下,我先记录下,细讲等以后再补充. SIFT特征: 尺度不变性:用不同参数的高斯函数作用于图像(相当于对图像进行模糊,得到不同尺度的图像),用得到的 ...

  5. 如何编写高质量的 JS 函数(2) -- 命名/注释/鲁棒篇

    本文首发于 vivo互联网技术 微信公众号 链接:https://mp.weixin.qq.com/s/sd2oX0Z_cMY8_GvFg8pO4Q作者:杨昆 上篇<如何编写高质量的 JS 函数 ...

  6. python练习 英文字符的鲁棒输入+数字的鲁棒输入

    鲁棒 = Robust 健壮 英文字符的鲁棒输入 描述 获得用户的任何可能输入,将其中的英文字符进行打印输出,程序不出现错误.‪‬‪‬‪‬‪‬‪‬‮‬‫‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‫‬‪‬‪‬‪ ...

  7. CVPR2020:基于自适应采样的非局部神经网络鲁棒点云处理(PointASNL)

    CVPR2020:基于自适应采样的非局部神经网络鲁棒点云处理(PointASNL) PointASNL: Robust Point Clouds Processing Using Nonlocal N ...

  8. 【论文阅读】Beyond OCR + VQA: 将OCR融入TextVQA的执行流程中形成更鲁棒更准确的模型

    论文题目:Beyond OCR + VQA: Involving OCR into the Flow for Robust and Accurate TextVQA 论文链接:https://dl.a ...

  9. 解读ICDE'22论文:基于鲁棒和可解释自编码器的无监督时间序列离群点检测算法

    摘要:本文提出了两个用于无监督的具备可解释性和鲁棒性时间序列离群点检测的自动编码器框架. 本文分享自华为云社区<解读ICDE'22论文:基于鲁棒和可解释自编码器的无监督时间序列离群点检测算法&g ...

随机推荐

  1. jmeter--基本组件介绍

    一.JMeter 介绍 Apache JMeter是100%纯Java桌面应用程序,被设计为用于测试客户端/服务端结构的软件(例如web应用程序).它可以用来测试静态和动态资源的性能,例如:静态文件, ...

  2. 2015,我的投资理财策略(股权众筹+P2P网贷+活期理财)

    纸币流行,尤其是当今中国的市场经济,纸币几乎是一直是贬值的,每个人的财富都在被不断地稀释,可能是被政府.如果你不注意保值增值,你就越来越穷.     当年的万元户,在今天看来就是一个笑话,其实不怎么好 ...

  3. Spring view controller

    https://www.zifangsky.cn/648.html https://www.zifangsky.cn/665.html https://www.zifangsky.cn/671.htm ...

  4. Android 仿今日头条频道管理(下)(GridView之间Item的移动和拖拽)

    前言 上篇博客我们说到了今日头条频道管理的操作交互体验,我也介绍了2个GridView之间Item的相互移动.详情请參考:Android 仿今日头条频道管理(上)(GridView之间Item的移动和 ...

  5. 损失函数 - Andrew Ng机器学习公开课笔记1.2

    线性回归中提到最小二乘损失函数及其相关知识.对于这一部分知识不清楚的同学能够參考上一篇文章<线性回归.梯度下降>. 本篇文章主要解说使用最小二乘法法构建损失函数和最小化损失函数的方法. 最 ...

  6. mybatis-generator使用

    开发工具:eclipse,依赖环境 :maven 首先在eclipse marketplace中安装mybatis-generator,如图: 安装后需要重启. 新建一个maven项目MybatisG ...

  7. Google guava工具类的介绍和使用

    概述 工具类 就是封装平常用的方法,不需要你重复造轮子,节省开发人员时间,提高工作效率.谷歌作为大公司,当然会从日常的工作中提取中很多高效率的方法出来.所以就诞生了guava.. 高效设计良好的API ...

  8. JScript使用正则表达式的经验

    作者:朱金灿 来源:http://blog.csdn.net/clever101 在JScript使用正则表达式时有不少元字符在试图对其进行匹配时需要进行特殊的处理.要匹配这些特殊字符,必须首先将这些 ...

  9. ZOJ 1108 FatMouse's Speed (HDU 1160) DP

    传送门: ZOJ:http://acm.zju.edu.cn/onlinejudge/showProblem.do?problemId=108 HDU :http://acm.hdu.edu.cn/s ...

  10. [Node.js] Testing ES6 Promises in Node.js using Mocha and Chai

    Writing great ES6 style Promises for Node.js is only half the battle. Your great modules must includ ...