广义连续时间系统的最优预见控制器设计

基于观测器的广义系统有限时间控制器设计
张爱清
【期刊名称】《江汉大学学报（自然科学版）》
【年(卷),期】2006(34)4
【摘要】基于广义观测器,探讨了线性广义系统的有限时间控制问题.利用广义系统状态观测器理论,给出了系统无脉冲模和有限时间状态稳定的充分条件及基于广义观测器的状态反馈控制器的设计方法,所设计的控制器使闭环系统无脉冲模且保持有限时间状态稳定.通过解一组广义Riccati不等式得到观测器增益矩阵和状态反馈矩阵.
【总页数】3页(P53-55)
【作者】张爱清
【作者单位】江汉大学,数学与计算机科学学院,武汉,430056
【正文语种】中文
【中图分类】TP13
【相关文献】
1.T-S模糊广义系统基于观测器的H∞控制器的设计方法 [J], 李丽;张庆灵;何牧
2.Lurie广义系统基于观测器的控制器设计 [J], 周正
3.基于观测器的广义线性系统降阶H∞控制器设计 [J], 陈凌;廖勇;曾建平
4.非方广义系统的未知输入有限时间观测器设计 [J], 孙丽瑛;程兆林;王玉振
5.一类不确定广义系统故障估计的有限时间鲁棒观测器设计 [J], 梁天添;刘鑫;郑祥;李科信;王茂
因版权原因，仅展示原文概要，查看原文内容请购买。

广义系统h_∞降阶控制器的设计广义系统H_∞降阶控制器的设计引言：广义系统是一类多变量非线性时变系统，其模型描述较为复杂，控制设计难度较大。

H_∞降阶控制器是一种应用于广义系统的控制方法，能够有效地降低系统的复杂性，提高控制性能。

本文将介绍广义系统H_∞降阶控制器的设计原理和方法。

一、广义系统的特点广义系统是一种多变量非线性时变系统，其特点是系统的状态空间维数较高，参数随时间变化较大。

这使得广义系统的建模和控制设计变得复杂。

传统的控制方法往往难以应用于广义系统，因此需要采用一种更为先进的控制策略。

二、H_∞降阶控制器的原理H_∞降阶控制器是一种基于H_∞控制理论的控制器设计方法，通过将系统状态空间降阶，将高维的广义系统转化为低维的系统，从而简化控制器设计过程。

H_∞降阶控制器采用广义系统的最优降阶模型，通过优化控制器参数，使得系统的H_∞性能达到最优。

三、H_∞降阶控制器的设计步骤1. 确定广义系统的模型：根据实际问题，建立广义系统的数学模型，包括系统的状态方程和输出方程。

2. 确定控制器的结构：根据广义系统的特点，选择合适的控制器结构，常用的包括线性控制器、非线性控制器和模糊控制器等。

3. 降阶模型的构建：根据广义系统的特征，通过降阶技术将系统的状态空间维数降低，得到降阶模型。

4. 优化控制器参数：利用优化算法，对控制器的参数进行优化，使得系统的H_∞性能达到最优。

5. 控制器的实现：根据优化后的控制器参数，设计实现控制器的硬件或软件。

四、H_∞降阶控制器的优势1. 提高系统的性能：H_∞降阶控制器能够有效地降低系统的复杂性，提高系统的稳定性和鲁棒性。

2. 简化控制器设计：通过降阶技术，将高维的广义系统转化为低维的系统，简化了控制器的设计过程。

3. 适用性广泛：H_∞降阶控制器适用于各种复杂的广义系统，具有很高的通用性和适应性。

五、H_∞降阶控制器的应用领域H_∞降阶控制器在工业控制、航空航天、机器人等领域都有广泛的应用。

广义预测控制（G P C）GPC算法仿真被控对象模型动态矩阵控制算法的编程原理(1)设置GPC参数,例如采样周期，预测时域，控制时域，截断步长等。

(2)建立系统阶跃响应模型(3)设置初始时刻参数，例如系统的初始时刻值，柔化系数等。

(4)计算参考轨迹(5)计算控制作用增量(6)实施GPC控制(7)输出结果，绘制曲线GPC算法：1.初选控制参数：Q、R、P、M、 ysp 、?、?(z-1)2.采集输入、输出样本{?u(k),?y(k)}3.用RLS算法估计参数4.递推求解Diophantine方程，得到5.计算F(k)6.在线计算控制器参数d T7.得到控制增量?u(k)和控制输入u(k) ＝u(k－1) ＋?u(k)+1 ?k，进入下一周期预测计算和滚动优化GPC程序：%Clarke广义预测控制（C=1）（对象参数已知）%N1=d、N、Nu取不同的值clear all；close all;a=cell(1,2) ;b=cell(1,2) ;c=cell(1,1);d=cell(1,1);%对象参数syms k;k=length(k);if (0<=k<=150)a=[1 ]; b=[ ]; c=1; d=1;elseif (150<k<=300)a=[1 ]; b=[ ]; c=1; d=1;elseif (300<k<=450)a=[1 ]; b=[ ]; c=1; d=1;else (450<k<=600)a=[1 ]; b=[ ]; c=1; d=1;endna=length(a)-1;b=[zeros(1,d-1) b];nb =length(b)-1;%na、nb为多项式A、B阶次（因d！=1,对b添0）aa=conv(a,[1 -1]);naa=na+1;%aa的阶次N1=d;N=15;Nu=5;%最小输出长度、预测长度、控制长度gamma=1*eye(Nu);alpha=;%控制加权矩阵、输出柔化系数L=600;%控制步数uk=zeros(d+nb,1);%输入初值：uk(i)表示u(k-i)duk=zeros(d+nb,1);%控制增量初值yk=zeros(naa,1);%输出初值w=10*[ones(L/4,1);-ones(L/4,1);ones(L/4,1);-ones(L/4+d,1)]; %设定值xi=sqrt*randn(L,1);%白噪声序列%求解多步Diophantine方程并构建F1、F2、G[E,F,G]=multidiophantine(aa,b,c,N);G=G(N1: N, : );F1=zeros(N-N1+1,Nu); F2=zeros(N-N1+1,nb);for i=1:N-N1+1for j=1:min(i,Nu); F1(i,j)=F(i+N1-1,i+N1-1-j+1);endfor j=1:nb; F2(i,j)=F(i+N1-1,i+N1-1+j);endendfor k=1:Lif (1<=k<=150)time(k)=k;a=[1 ]; b=[ ]; c=1; d=1;y(k)=-aa(2:naa+1)*yk+b*duk(1:nb+1)+xi(k);%采集输出数据Yk=[y(k);yk(1:na)];%构建向量Y(k)dUk=duk(1:nb);%构建向量△U(k-j)elseif (150<k<=300)time(k)=k;a=[1 ]; b=[ ]; c=1; d=1;y(k)=-aa(2:naa+1)*yk+b*duk(1:nb+1)+xi(k);%采集输出数据Yk=[y(k);yk(1:na)];%构建向量Y(k)dUk=duk(1:nb);%构建向量△U(k-j)elseif (300<k<=450)time(k)=k;a=[1 ]; b=[ ]; c=1; d=1;y(k)=-aa(2:naa+1)*yk+b*duk(1:nb+1)+xi(k);%采集输出数据Yk=[y(k);yk(1:na)];%构建向量Y(k)dUk=duk(1:nb);%构建向量△U(k-j)else (450<k<=L)time(k)=k;a=[1 ]; b=[ ]; c=1; d=1;y(k)=-aa(2:naa+1)*yk+b*duk(1:nb+1)+xi(k);%采集输出数据Yk=[y(k);yk(1:na)];%构建向量Y(k)dUk=duk(1:nb);%构建向量△U(k-j)end%参考轨迹yr(k)=y(k);for i=1:Nyr(k+i)=alpha*yr(k+i-1)+(1-alpha)*w(k+d);endYr=[yr(k+N1:k+N)]';%构建向量Yk(k)%求控制量dU=inv(F1'*F1+gamma)*F1'*(Yr-F2*dUk-G*Yk); %ΔU du(k)=dU(1); u(k)=uk(1)+du(k);%更新数据for i=1+nb:-1:2uk(i)=uk(i-1);duk(i)=duk(i-1);enduk(1)=u(k);duk(1)=du(k);for i=naa:-1:2yk(i)=yk(i-1);endyk(1)=y(k);endsubplot(2,1,1);plot(time,w(1:L),'m:',time,y);xlabel('k');ylabel('w(k)、y(k)');legend('w(k)','y(k)');subplot(2,1,2);plot(time,u);xlabel('k');ylabel('u(k)');function[E,F,G]=multidiophantine(a,b,c,N)%********************************************************** *%功能：多步Diophanine方程的求解%调用格式：[E,F,G]=sindiophantine(a,b,c,N)(注：d=1)%输入参数：多项式A,B,C系数向量及预测步数（共4个）%输出参数：Diophanine方程的解E,F,G（共3个）%********************************************************** ***na=length(a)-1;nb =length(b)-1;nc=length(c)-1;%A、B、C的阶次%E、F、G的初值E=zeros(N);E(1,1)=1;F(1,:)=conv(b,E(1,:));if na>=ncG(1,:)=[c(2:nc+1) zeros(1,na-nc)]-a(2:na+1);%令c(nc+2)=c(nc+3)=...=0elseG(1,:)=c(2:nc+1) -[a(2:na+1)-zeros(1,nc-na)];%令a(nc+2)=a(nc+3)=...=0end%求E、F、Gfor j=1:N-1for i=1:jE(j+1,i)=E(j,i);endE(j+1,j+1)=G(j,1);for i=2:naG(j+1,i-1)=G(j,i)-G(j,1)*a(i);endG(j+1,na)=-G(j,1)*a(na+1);F(j+1,: )=conv(b,E(j+1,:));end仿真结果N=15 Nu=5 alpha=N=10 Nu=5 alpha=N=15 Nu=3 alpha=N=15 Nu=3 alpha=结论可以得出,当保持其他参数不变而改变一或几个变量时会有不同的情形。

现代控制工程简答题1、控制系统的基本构成及特点。

2、现代控制理论的主要内容。

3、控制系统的状态空间描述及意义。

4、线性定常非齐次连续系统状态（方程解）的动态特性。

参考答案：1、控制系统主要由具有动态特性的被控对象系统、实现控制作用的控制机构、完成数据收集的检测机构，以及实现性能指标评价和信息处理的计算机构等部分构成。

控制系统的主要特点为：以动态系统为控制对象，通过施加必要的操作，实现对象系统状态按照指定的规律进行变化，达到某一特定功能；强调动态过程和动态行为的目的性、稳定性、能观测性、可控性、最优性以及时实性等；控制系统的数学模型主要用微分方程描述，设计方法为动态优化方法。

，2、主要包括五个方面：①线性系统理论（状态空间描述、能控性、能观测性和稳定性分析，状态反馈、状态观测器及补偿理论和设计方法），②建摸和系统辩识（模型结构及参数辩识方法论、参数估计理论），③最优滤波理论（卡尔曼滤波理论），④最优控制理论（经典变分法、最大值原理法、动态规划法），⑤自适应控制理论（模型参考自适应控制方法论、自校正控制方法论、鲁棒稳定自适应理论等）。

3、控制系统的状态空间描述：由状态方程和输出方程组成的状态空间表达式。

状态方程是一个一阶微分方程组，描述系统输入与系统状态的变化关系，即系统的内部描述；输出方程是一个代数方程，主要描述系统状态与系统输出的关系，即系统的外部描述。

意义：状态空间描述反映了控制系统的全部信息，是对系统特性的全部描述，是实现现代控制系统分析、设计的重要手段。

4、线性定常非齐次连续系统状态（方程解）的一般形式为：动态特性：系统状态的动态运动（随时间变化过程）受两部分作用，第一部分为系统初始状态的转移作用，即系统的自由运动项；第二部分为控制输入信号激励下的受控作用，即系统的强迫运动项。

适当选择控制输入，可使系统状态在状态空间中获得满足要求的最佳轨线。

1、控制工程理论（控制科学）的基本任务及广义定义。