自适应控制

最新推荐文章于 2025-01-21 16:26:37 发布

梦沐星海

最新推荐文章于 2025-01-21 16:26:37 发布

阅读量5.1k

点赞数 1

CC 4.0 BY-SA版权

文章标签：自动化算法

本文链接：https://blog.csdn.net/weixin_53187505/article/details/124230523

本文详细介绍了如何设计一个针对二阶SISO系统的自适应控制器，利用Lyapunov稳定性原理，通过状态变量、控制器结构和参数估计误差来确保系统的稳定。关键步骤包括选择状态变量、设计控制器形式、构建Lyapunov函数并利用其指导自适应率更新。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

模型参考自适应控制系统结构

模型参考自适应控制系统的典型结构如下图所示，系统由参考模型、控制器和自适应率组成。

控制器包括被控对象的前馈控制器和反馈控制器，可以根据自适应率进行调整；
参考模型实际上是一种理想控制系统，其输出代表了期望的性能，对调节系统的特性要求，如超调量、阻尼时间等等；
自适应率用来消除被控对象输出和参考模型期望输出的误差，改变控制器参数或者生成辅助输入。

基于 $L y a p u n o v$ 稳定性原理的二阶 $S I S O$ 系统自适应控制器设计

考虑如下二阶 $S I S O$ 系统模型：

$x¨+θTΦ(x,x˙)=u\ddot{x}+\theta ^T \Phi(x,\dot{x})=u$

其中 $θ=[θ1θ2θ3]T∈R3\theta = [\theta _1\quad \theta _2\quad \theta _3]^T \in \mathbb{R}^3$ 是未知常数向量， $Φ(x,x˙)=[Φ1(x,x˙)Φ2(x,x˙)Φ3(x,x˙)]T∈R3\Phi(x,\dot{x}) = [\Phi _1(x,\dot{x}) \quad \Phi _2(x,\dot{x}) \quad \Phi _3(x,\dot{x})]^T \in \mathbb{R}^3$ 为已知的有节基函数， $θTΦ(x,x˙)\theta ^T \Phi(x,\dot{x})$ 代表系统的结构匹配不确定性。

选取状态变量 $x1=x,x2=x˙x_1=x,x_2=\dot{x}$ ，则有：

${x˙1=x2x˙2=−θTΦ(x,x˙)+u\begin{cases} \dot{x}_1=x_2 \\ \dot{x}_2=-\theta ^T \Phi(x,\dot{x})+u \end{cases}$

设计如下控制器：

$u=−(λ+1)x˙−λx+θ^TΦ(x,x˙)u=- (\lambda+1) \dot{x}-\lambda x +\hat{\theta}^T \Phi(x,\dot{x})$

$=−(λ+1)x2−λx1+θ^TΦ(x1,x2)=- (\lambda+1) x_2-\lambda x_1 +\hat{\theta}^T \Phi(x_1,x_2)$

其中 $θ^\hat{\theta}$ 是参数 $θ\theta$ 的估计值， $λ\lambda$ 为控制器输入参数且应该大于等于0。

接下来设计估计参数 $θ^\hat{\theta}$ 的更新率，这里结合 $L y a p u n o v$ 稳定性进行设计。假设参数估计的误差 $θ~=θ^−θ\tilde{\theta}=\hat{\theta}-\theta$ ，因为 $θ\theta$ 为常数，所以 $θ~˙=θ^˙\dot{ \tilde{\theta} } = \dot{\hat{\theta}}$ ，定义 $L y a p u n o v$ 函数：

$V(x1,x2,θ~)=12(λx1+x2)2+12θ~Tθ~V(x_1,x_2,\tilde{\theta})=\frac{1}{2} (\lambda x_1+x_2 )^2+\frac{1}{2}\tilde{\theta}^T \tilde{\theta}$

求导：

$V˙(x1,x2,θ~)=(λx1+x2)(λx˙1+x˙2)+θ~Tθ^˙\dot{V}(x_1,x_2,\tilde{\theta})=(\lambda x_1 +x_2)(\lambda \dot{x}_1 +\dot{x}_2)+\tilde{\theta}^T\dot{\hat{\theta}}$

$=(λx1+x2)(λx2−θTΦ(x1,x2)+u)+θ~Tθ^˙=(\lambda x_1 +x_2)(\lambda x_2 -\theta ^T \Phi(x_1,x_2)+u)+\tilde{\theta}^T\dot{\hat{\theta}}$

$=(λx1+x2)(λx2−θTΦ(x1,x2)−(λ+1)x2−λx1+θ^TΦ(x1,x2))+θ~Tθ^˙=(\lambda x_1 + x_2 )(\lambda x_2 - \theta ^T\Phi(x_1,x_2)- (\lambda+1) x_2-\lambda x_1 +\hat{\theta}^T \Phi(x_1,x_2))+\tilde{\theta}^T\dot{\hat{\theta}}$

$=−(λx1+x2)2+(λx1+x2)θ~TΦ(x1,x2)+θ~Tθ^˙= -(\lambda x_1 +x_2)^2 + (\lambda x_1 +x_2) \tilde{\theta}^T \Phi(x_1,x_2)+\tilde{\theta}^T\dot{\hat{\theta}}$

$=−(λx1+x2)2+θ~T((λx1+x2)Φ(x1,x2)+θ^˙)=-(\lambda x_1 +x_2)^2 +\tilde{\theta}^T ((\lambda x_1 +x_2)\Phi (x_1,x_2)+\dot{\hat{\theta}} )$

由 $L y a p u n o v$ 理论： $V˙≤−ρV+C\dot{V}\leq -\rho V +C$ ， $\rightarrow \sqrt{\frac{C}{2 \rho}}$ ，为了达到系统的稳定，设计 $θ^\hat{\theta }$ 的自适应更新率为：

$θ^˙=−(λx1+x2)Φ(x1,x2)−kθ^\dot{\hat{\theta}} =-(\lambda x_1 +x_2)\Phi (x_1,x_2) - k\hat{\theta}$

其中 $k$ 为自适应率输入参数，将 $θ^\hat{\theta }$ 的更新率带入则有：

$V˙(x1,x2,θ~)=−(λx1+x2)2−kθ~Tθ^\dot{V}(x_1,x_2,\tilde{\theta})=-(\lambda x_1 +x_2)^2-k\tilde{\theta}^T\hat{\theta}$

$=−(λx1+x2)2−kθ~T(θ~+θ)=-(\lambda x_1 +x_2)^2-k\tilde{\theta}^T(\tilde{\theta}+\theta)$

$-(\lambda x_1 + x_2)^2 - k\tilde{\theta}^T \tilde{\theta} - k\tilde{\theta} ^T \theta$

$≤−(λx1+x2)2−kθ~Tθ~+k2θ~Tθ~+k2θTθ\leq -(\lambda x_1 + x_2)^2 - k\tilde{\theta}^T \tilde{\theta} +\frac{k}{2}\tilde{\theta}^T\tilde{\theta}+\frac{k}{2}\theta ^T \theta$