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. 算法 Tricks(三)—— 数组(序列)任意区间最小(大)值

    序列(数组)的区间通过左右端点确定,这样首先设置一个最值变量用来记录最值,从左端点一步步移动到右端点,自然移动的过程中也可以计算整个区间的和,也即一次线性遍历下来,可同时获得多个有用信息. // 区间 ...

  2. [Angular] Angular Advanced Features - ng-template , ng-container, ngTemplateOutlet

    Previously we have tab-panel template defined like this: <ul class="tab-panel-buttons" ...

  3. aspcms产品详情页调取相关产品

    产品详情页调用相关产品最常见的应用就是装饰公司网站,设计师页面要求调取设计师做过的案例.aspcms本身有这个功能,但不能完全符合要求,看代码 {aspcms:content sort={aspcms ...

  4. boost::asio的http client应用笔记

    1 踩过的坑 1.1 io_service boost::asio::io_service::run()会一直运行到没有任务为止,假设中途调用stop().则全部等待中的任务会立马运行.要在停止的时候 ...

  5. Swift 中异常抛出和四种异常处理

    在Swift中你可以像其他语言一样抛出异常处理异常,今天我们就详细地说说Swift中的异常抛出和处理. 在一开始我们要定义错误或者说是异常,Swift中的一些简单异常可以使用枚举定义,注意这个枚举要继 ...

  6. [Recompose] Add Lifecycle Hooks to a Functional Stateless Component using Recompose

    Learn how to use the 'lifecycle' higher-order component to conveniently use hooks without using a cl ...

  7. [Angular] Using InjectionToken

    Previously we have 'OpaqueToken', but it is DEPRECATED. The new one is called 'InjectionToken'. The ...

  8. 在 Java 中如何进行 BASE64 编码和解码

    BASE64 编码是一种常用的字符编码,在很多地方都会用到.JDK 中提供了非常方便的 BASE64Encoder 和 BASE64Decoder,用它们可以非常方便的完成基于 BASE64 的编码和 ...

  9. Django---MVC设计模式

    把数据存储逻辑.业务逻辑和表现逻辑组合在一起的概念被称为软件架构的 Model-View-Controller (MVC)模式. 在这个模式中, Model 代表数据存层,View 代表的是系统中选择 ...

  10. 复制相关参数学习笔记--slave上的参数

    server_id server_uuid   relay_log io_thread 读取过来的本地日志. relaylog文件名前缀,可以是全路径.   relay_log_index relay ...