现代控制工程基础-讲稿-4要点.ppt

现 代 控 制 工 程 基 础 H∞控制的标准设计问题： 对于给定的含有不确定性的被控对象G(s)，确定一个反馈控制器K(s)，使得闭环控制系统是内部稳定的，同时从w到z的闭环传递函数阵Gzw(s)满足(r0) H∞最优控制问题 H∞次优控制问题 可见，H∞控制是在系统存在不确定性时保持其稳定性的一种控制。 现 代 控 制 工 程 基 础 系统对不确定性的鲁棒性能控制往往转化为一类特殊的鲁棒稳定性问题的H∞控制，即有 鲁棒性能的H∞控制问题：确定一个反馈控制器K(s)，使得闭环控制系统是内部稳定的，同时传递函数阵P(s)满足(r0) 实际应用中，仅以鲁棒稳定为目的控制设计不多，往往与其它一些性能指标结合构成控制评价指标。 如对于乘法不确定性模型，确定部分的闭环控制传递函数和对被控对象的灵敏度分别是 现 代 控 制 工 程 基 础 此时，有 按稳定性分析，||Φ(s)||∞r1 (r10)是系统稳定的充要条件；同时，为了提高系统对不确定性的鲁棒性，应使||S(s)||∞r2 (r20)。因此，可以考虑取控制的性能指标为 这样就归入到了H∞控制，称为混合灵敏度设计。 考试说明： （1）时间2015年12月21日（星期一）上午 （2）地点工程训练中心303室 （3）开卷，全部非计算题 （4）要求完全由自己独立完成试卷 3.7 卡尔曼(Kalman)滤波 传统滤波主要是依据有用信号与噪声信号处于不同频带来实现。在20世纪中叶，人们根据实际信号的统计特性，利用最优化方法给出了信号真值的估计方法。由于实际信号中往往包含噪声和干扰信号，因此这种估计也可以看成是滤波。 卡尔曼滤波是通过对线性系统输入/输出信号的观测数据，应用最优化方法对线性系统状态进行最优估计的算法。因此，卡尔曼滤波是一种线性最优估计方法。 ? 卡尔曼滤波方法易于计算机编程实现, 并能够对现场采集的数据进行实时的估计。因此，卡尔曼滤波是目前应用最为广泛的滤波方法, 在控制、通信等多个领域得到了广泛应用。 现 代 控 制 工 程 基 础 条件： 设受到均值为零的白噪声ω(t)∈Rp干扰的线性系统为 现 代 控 制 工 程 基 础 （1）卡尔曼滤波问题 ω(t)与ν(t)彼此不相关，它们的协方差矩阵为（δ(t-t0)是δ函数） 其输出含有均值为零的白噪声ν(t)∈Rm，此时观测方程为 Q(t)和R(t)分别非负定对称矩阵和正定对称矩阵。 初始状态X(t0)的均值E[X(t0)]=b和协方差E[(X(t)-b)(X(t)-b)T]=P(t0)都为已知。 协方差：表示二个变量的总误差，定义为E[X,Y]=E[(X-E[X])(Y-E(Y))T] 现 代 控 制 工 程 基 础 任务： 我们的目标是从观测信号z(t)中估计出系统的状态变量X(t)，希望估计值 越接近实际状态值X(t)越好。这个问题就可表述为： 对于已知的控制式和观测式 从时间t0开始观测的值为z(t)，根据区间t0 ≤t ≤t1内的观测值z(t)找出状态X(t2)的最优线性估计 ，即要求 估计类型 t2 t1，预测（或外推）问题 t2 = t1，滤波问题 t2 t1，平滑（或内插）问题 卡尔曼滤波 是z(t)的线性函数 估计无偏差 估计误差的方差最小 现 代 控 制 工 程 基 础 （2）卡尔曼滤波算法 在T很小时有关系 离散化取等间隔采样t=Tk（T采样周期，k=0,1,2,…），那么在一个采样周期内（可认为u(τ)=u(k)、ω(τ)=ω(k)），有 观测式的离散化为 白噪声序列ω(k)和ν(k)的均值为零，且满足 现 代 控 制 工 程 基 础 最优预测算法 已知： 求：根据观测序列z(0)，z(1)，…，z(k)找出状态X(k+1)的最优线性估计 ，使得： 是观测序列z(0)，z(1)，…，z(k)的线性函数 估计误差的方差最小 估计无偏差 现 代 控 制 工 程 基 础 解：卡尔曼预测估计计算的方法很多，用数学归纳法推演的预测估计递推算法是： (a)由给定的 和P0，令 和 (b)由下式计算t0时刻的最优增益矩阵K(0)（观测估计误差的修正矩阵） (c) 由下式计算X(1)的最优预测估计 (d) 由下式计算估计误差的方差矩阵P(1) (e) 返回到(b)计算t1时刻（k=1）的K(1)，从而可计算 重复递推计算就可获得k=0,1,2,…时的状态预测估计值 现 代 控 制 工 程 基 础 最优滤波算法 已知： 求：根据观测序列z(0)，z(1)，…，z(k+1)找出状态X(k+1)的最优线性估