利用MATLAB设计状态观测器.docVIP

实验5 利用MATLAB设计状态观测器 5.1 实验设备 同实验1。 5.2 实验目的 1、学习观测器设计算法； 2、通过编程、上机调试，掌握基于观测器的输出反馈控制系统设计方法。 5.3 实验原理说明 5.3.1 全阶观测器设计 考虑如下的线性时不变系统 =Ax+Bu?x (5.1) ??y=Cx 其中：x,u和y分别是系统的n维状态向量、m维控制输入向量和p维测量输出向量，A,B和C是已知的适当维数常数矩阵。根据系统模型（5.1）和输入输出信息来人为地构 x(t)随着时间的推移逼近系统的真实状态x(t)，即 造一个系统，使得其输出~ lim[~x(t)?x(t)]=0 t→∞ 通常称~x(t)为x(t)的重构状态或状态估计值，而这个用以实现系统状态重构的系统为状态观测器。 龙伯格观测器具有以下结构： 图5.1 状态估计的闭环处理方法 其中的矩阵L是误差信号的加权矩阵。观测器模型是 ~=A~xx+Bu+L(y?C~x) (5.2) =(A?LC)~x+Bu+Ly x是观测器的n维状态，L是一个n×p维的待定矩阵。 其中：~ x的动态方程： 状态估计误差e=x?~ =x?~ex x?Bu?Ly=Ax+Bu?(A?LC)~ (5.3) ~=Ax?(A?LC)x?LCx =(A?LC)e 16 根据线性时不变系统的稳定性结论，若矩阵A?LC的所有特征值均在左半开复平面中，即矩阵A?LC的所有特征值都具有负实部，则误差动态系统（5.3）是渐近稳定的，从而对任意的初始误差e(0)，随着时间t→∞，误差向量e(t)都将趋向于零。即无论系统的初始状态x(0)是什么，状态估计模型（5.2）的初始状态~x(0)可以任意选取，随着时间的推移，状态估计模型（5.2）的状态~x将趋于系统的实际状态，从而实现系统状态的重构。由此可见，只要通过适当选取矩阵L，使得矩阵A?LC的所有特征值都具有负实部，则状态估计模型（5.2）就是系统（5.1）的一个状态观测器。 由极点配置和观测器设计问题的对偶关系，也可以应用MATLAB中极点配置的函数来确定所需要的观测器增益矩阵。例如，对于单输入单输出系统，观测器的增益矩阵可以由函数 L=(acker(A’,C’,V))’ 得到。其中的V是由期望的观测器极点所构成的向量。类似的，也可以用 L=(place(A’,C’,V))’ 来确定一般系统的观测器矩阵，但这里要求V不包含相同的极点。 5.3.2 降阶观测器设计 假定系统（5.1）的矩阵C具有形式[10]（对一般结构的矩阵C，需要作适当的变换）。根据矩阵C的结构，将系统状态x分划成两部分： ?x?x=?a? ?xb? 其中的xa是一个标量。由 ?x?y=Cx=[10]?a?=xa ?xb? 可知：xa恰好是系统的输出，它能被直接测量得到。xb是n?1维向量，是状态向量中不能直接测量的部分。将状态空间模型（5.1）中的矩阵A和B作相应的分块，则该状态空间模型可以写成 a??Aaa?x?x?=?A?b??baAab??xa??Ba?+??u （5.4） ???Abb??xb??Bb? 其中的xb是要估计的状态，将已知信号和未知信号分离，可以得到 b=Abbxb+(Αbaxa+Bbu)x a?Aaaxa?Bau=Aabxbx 表5.1 状态空间模型的对应关系 进而，将其和全阶观测器设计时的标准模型（5.2）相比较，可得以下对应项之间的关系： 全阶观测器 ~x 降阶观测器 ~xb Abb Abaxa+Bbu A Bu y 17a?Aaaxa?Bau x C Aab L（n×1维矩阵） 根据上表给出的对应关系及全阶观测器的模型 L（(n?1)×1维矩阵） ~=(A?LC)~xx+Bu+Ly ~=(A?LA)~xbbbabxb+Abaxa+Bbu+L(xa?Aaaxa?Bau) （5.5） 然而，方程（5.5）还不是所要的降阶观测器。因为在方程（5.5）中，用到了xa的微分。由于xa就是测量输出信号，而测量信号往往含有噪声和误差，对这样的信号进行微分会放 a。 大噪声和误差，这在实际应用中是应该避免的。因此有必要消除式（5.5）中的x 通过将式（5.5）中的微分项放在一起可以克服上面讲到的困难，即得到： ?Ly%=(Abb?LAab)(x%b?Ly)+[(Abb?LAab)L+Aba?LAaa]yxb （5.6） +(Bb?LBa)u 定义 可以得到估计不可直接测量状态xb的观测器 xb?Ly=w ~~xb?Ly=w ?Abb?LAab=A ?L+A?LA=B?Abaaa ?B?LB=Fba 则式（5.6）可以写成 ~~+B=A?w?y+F?u （5.7） w 式（5.7）就是要设计的降阶观测器，不可直接测量的状态分量xb的估计量由下式给出： ~~+Ly x=wb 由于