ADRC学习心得(持续更新)[通俗易懂]

ADRC学习心得(持续更新)[通俗易懂]两年前第一次接触到PID觉得很高深,很神奇;后来逐渐觉得单纯的PID小儿科了,又了解到专家PID,模糊PID,神经网络PID这些改进算法,再后来又知道了ADRC,便感控制领域浩如烟海,所学不过沧海一粟。然便纵真理无穷,进一寸自有一寸的欢喜。不敢说看了几篇论文,听了几节报告,做了几次仿真,就吃透ADRC了,不过只是一些粗浅的理解,记录一行歪歪斜斜的足迹。以便回首过眼云烟之时,可以安慰自己一句,我已经飞过。一、系统有关概念1、系统的状态空间模型描述一个系统,最常用的数学模型有:微分方程传递函数状

大家好,又见面了,我是你们的朋友全栈君。

两年前第一次接触到PID觉得很高深,很神奇;后来逐渐觉得单纯的PID小儿科了,又了解到专家PID,模糊PID,神经网络PID这些改进算法,再后来又知道了ADRC,便感控制领域浩如烟海,所学不过沧海一粟。然便纵真理无穷,进一寸自有一寸的欢喜。
不敢说看了几篇论文,听了几节报告,做了几次仿真,就吃透ADRC了,不过只是一些粗浅的理解,记录一行歪歪斜斜的足迹。以便回首过眼云烟之时,可以安慰自己一句,我已经飞过。

一、系统有关概念

1、系统的状态空间模型

描述一个系统,最常用的数学模型有:

  • 微分方程
  • 传递函数
  • 状态空间

其中状态空间模型常用于对系统进行数学计算。状态空间模型用状态方程表示。
{ x ˙ = A x + B u y = C x + D u ( 1 − 1 ) \left\{ \begin{array}{c} \dot{x}=Ax+Bu \\ y=Cx+Du \end{array} \right. (1-1) {
x˙=Ax+Buy=Cx+Du
(1
1)

ABCD是四个矩阵, x x x为状态向量,里面包含的状态变量个数一般等于系统阶数,且相互独立。 y y y为系统输出向量。
状态变量的选取一般是:
x 1 = y , x 2 = d y d t , . . . , x n = d n − 1 y d t n − 1 x_1=y, x_2=\frac{dy}{dt}, …, x_n=\frac{d^{n-1}y}{dt^{n-1}} x1=y,x2=dtdy,...,xn=dtn1dn1y

2、系统的状态观测

设计反馈的时候需要知道系统内部的状态变量 x x x。大部分情况下 x x x是不知道的,需要用一个观测器,通过系统的输入输出,去把它观测出来。如果在状态变量 x x x中包含了系统的扰动,那么在观测出来之后,就可以在控制器中把系统扰动尽可能消除。观测出的状态变量称为 x ^ \hat{x} x^。那么状态观测器的任务,就是使得 x x x的状态估计 x ^ \hat{x} x^尽可能接近 x x x。通常按照copycat的思路来设计状态观测去,即设计一个相同结构的系统 x ^ ˙ = A x ^ + B u + L ( y − y ^ ) \dot{\hat{x}}=A\hat{x}+Bu+L(y-\hat{y}) x^˙=Ax^+Bu+L(yy^),其中 L ( y − y ^ ) L(y-\hat{y}) L(yy^)这一项是矫正项。 L L L为矫正项增益矩阵。用数学公式表达如下:
{ e o b s = x − x ^ x ˙ = A x + B u x ^ ˙ = A x ^ + B y + L ( y − y ^ )          ( 1 − 2 ) \left\{ \begin{array}{c} e_{obs}=x-\hat{x}\\ \dot{x}=Ax+Bu\\ \dot{\hat{x}}=A\hat{x}+By+L(y-\hat{y}) \end{array} \right. \ \ \ \ \ \ \ \ (1-2) eobs=xx^x˙=Ax+Bux^˙=Ax^+By+L(yy^)        (12)通过数学变换,可以得到: e o b s ˙ = ( A − L C ) e o b s          ( 1 − 3 ) \dot{e_{obs}}=(A-LC)e_{obs} \ \ \ \ \ \ \ \ (1-3) eobs˙=(ALC)eobs        (13)这个方程的解是 e o b s ( t ) = e ( A − L C ) t e o b s ( 0 )          ( 1 − 4 ) e_{obs}(t)=e^{(A-LC)t}e_{obs}(0) \ \ \ \ \ \ \ \ (1-4) eobs(t)=e(ALC)teobs(0)        (14)可以看出,(A-LC)这一项决定了观测器的收敛速度。当 e o b s e_{obs} eobs降到 0 的时候,也就意味着 x x x x ^ \hat{x} x^相等,同时矫正项 L ( y − y ^ ) = 0 L(y-\hat{y})=0 L(yy^)=0。这就是状态观测器的数学模型。ADRC的核心是一个扩张状态观测器,它比一般的状态观测器多了一个总扰动的项,但基础是一样的。

二、ADRC控制器的结构

1、TD(跟踪微分器)

跟踪微分器实际上就是一个事先的过渡过程。提取含有随机噪声的输入信号及其微分,这两个值将被一起送入控制器。也就是说,TD的输入信号只有一个,即给定值,输出信号有两个。这样做的目的是解决PID控制器超调和响应速度之间的矛盾。
然而,微分运算对噪声有很严重的放大效果。由于真正意义上的微分环节( G ( s ) = s G(s)=s G(s)=s)是无法在物理上实现的,因此通常用一阶惯性环节( G ( s ) = s T s + 1 G(s)=\frac{s}{Ts+1} G(s)=Ts+1s)来代替。但是对于一阶惯性环节,要想追求逼近性好,就会不可避免的引入噪声的放大。因此,为了抑制高频噪声,考虑用一个二阶环节来取代一阶环节。当二阶系统处于临界阻尼状态,则过渡过程就不会产生超调。 G ( s ) = s ( T s + 1 ) 2 G(s)=\frac{s}{(Ts+1)^2} G(s)=(Ts+1)2s 式中,当时间常数T很小的时候有 lim ⁡ T → 0 s ( T s + 1 ) 2 = s \lim_{T \to 0} \frac{s}{(Ts+1)^2}\quad=s limT0(Ts+1)2s=s,也有微分的效果。并且这个二阶系统对于高频噪声有很高的抑制能力。因此TD中采用的通常是这种结构。过渡过程的阶数一般根据系统来决定,与系统同阶或者比系统高一阶。

2、ESO(扩张状态观测器)

ESO是ADRC控制器的核心,可以用一个扩张状态方程来描述。通过扩张状态观测的方式把系统上和输入量(u)无关的所有杂项(扰动)全部观测出来,以便用控制器去补偿这些扰动。设计ESO的思路如下:
考虑一个二阶系统:
y ¨ = a y ˙ + b y + c u + d                     ( 2 − 1 ) \ddot{ y}=a\dot{y}+by+cu+d \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ (2-1) y¨=ay˙+by+cu+d                   (21) d d d为扰动。显然二阶系统的状态变量有两个, x 1 x_1 x1 x 2 x_2 x2。一般情况下如果要写出状态方程的话应该是二阶的,即有两个状态变量。为了将扰动 d d d也纳入状态观测器,建立第三个状态变量 x 3 x_3 x3,使其等于 a y ˙ + b y + d a\dot{y}+by+d ay˙+by+d,即上式中除了输入 u u u之外的其他项(也可称作总扰动)。令 x 3 ˙ = h \dot{x_3}=h x3˙=h,那么按照一般状态方程的写法,可以列写出上面这个二阶系统的状态方程:
[ x 1 ˙ x 2 ˙ x 3 ˙ ] = [ 0 1 0 0 0 1 0 0 0 ] [ x 1 x 2 x 3 ] + [ 0 c 0 ] u + [ 0 0 1 ] h         ( 2 − 2 ) \begin{bmatrix} \dot{x_1} \\ \dot{x_2} \\ \dot{x_3} \\ \end{bmatrix} =\begin{bmatrix} 0&1&0 \\ 0&0&1 \\0&0&0 \\ \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \\ x_3 \\ \end{bmatrix} + \begin{bmatrix} 0 \\ c \\ 0 \\ \end{bmatrix}u + \begin{bmatrix}0 \\0 \\ 1 \\ \end{bmatrix}h\ \ \ \ \ \ \ (2-2) x1˙x2˙x3˙=000100010x1x2x3+0c0u+001h       (22)和输出方程:
y = [ 1 0 0 ] [ x 1 x 2 x 3 ]         ( 2 − 3 ) y= \begin{bmatrix} 1 & 0 & 0 \\ \end{bmatrix}\begin{bmatrix} x_1 \\ x_2 \\ x_3 \\ \end{bmatrix}\ \ \ \ \ \ \ (2-3) y=[100]x1x2x3       (23)这个状态方程即被称为扩张状态方程。扩张状态观测器的设计和传统状态观测器类似,也是 { x ^ ˙ = A x ^ + B u + L ( y − y ^ ) + E h y ^ = C x ^         ( 2 − 4 ) \left\{ \begin{array}{c} \dot{\hat{x}}=A\hat{x}+Bu+L(y-\hat{y})+Eh\\ \hat{y}=C\hat{x} \end{array} \right. \ \ \ \ \ \ \ (2-4) {
x^˙=Ax^+Bu+L(yy^)+Ehy^=Cx^
       (2
4)
其中 E h Eh Eh这一项和模型有关,大部分情况下是未知的,因此通常这一项被直接忽略,不然放着也没用。由于有了矫正项 L ( y − y ^ ) L(y-\hat{y}) L(yy^) ( L (L (L状是态观测器的增益矩阵,记为 [ l 1 l 2 l 3 ] \begin{bmatrix} l_1\\ l_2 \\ l_3\\ \end{bmatrix} l1l2l3),因此观测器中的矩阵A、B、C、D(为了区分记为 A 1 、 B 1 、 C 1 、 D 1 A_1、B_1、C_1、D_1 A1B1C1D1)和状态方程中的矩阵A、B、C、D是不一样的。

通过一定的数学变换,状态观测器方程(2-4)可化为如下形式:
x ^ ˙ = ( A − L C 1 ) x ^ + [ B L ] [ u y ] \dot{\hat{x}}=(A-LC_1)\hat{x}+\begin{bmatrix} B&L \\ \end{bmatrix}\begin{bmatrix} u\\y \\ \end{bmatrix} x^˙=(ALC1)x^+[BL][uy]观测器中的系统矩阵 A 1 = A − L C 1 A_1=A-LC_1 A1=ALC1,即 A 1 = [ − l 1 1 0 − l 2 0 1 − l 3 0 0 ] A_1=\begin{bmatrix} -l_1&1&0 \\ -l_2&0&1 \\-l_3&0&0 \\ \end{bmatrix} A1=l1l2l3100010,而新的输入矩阵; B 1 = [ B L ] B_1=\begin{bmatrix} B&L \\ \end{bmatrix} B1=[BL],即 B 1 = [ 0 − l 1 c − l 2 0 − l 3 ] B_1=\begin{bmatrix}0& -l_1 \\ c&-l_2 \\0&-l_3 \\ \end{bmatrix} B1=0c0l1l2l3为新的控制矩阵( c c c是原二阶系统中输入 u u u的系数), [ u y ] \begin{bmatrix} u\\y \\ \end{bmatrix} [uy]两个一起作为观测器输入;状态观测器的输出 y ^ \hat{y} y^实际上包含3个分量,即 y ^ = C 1 [ x 1 ^ x 2 ^ x 3 ^ ] \hat{y}=C_1\begin{bmatrix} \hat{x_1} \\ \hat{x_2} \\ \hat{x_3} \\ \end{bmatrix} y^=C1x1^x2^x3^那么在观测器的输出方程中, C 1 C_1 C1就是一个三阶单位矩阵,因为 y ^ = x ^ \hat{y}=\hat{x} y^=x^ D 1 D_1 D1是零矩阵。
为了让观测器系统稳定,需要进行极点配置。假设让这个三阶的状态观测器的三个极点全部位于左半平面的 − ω 0 -ω_0 ω0处,则增益 L L L就需要特别设计。令 A 1 A_1 A1的特征值 = − ω 0 -ω_0 ω0,可解得 l 1 = 3 ω 0 , l 2 = 3 ω 0 2 , l 3 = ω 0 2 l_1=3\omega_0,l_2=3\omega_0^2,l_3=\omega_0^2 l1=3ω0l2=3ω02l3=ω02 ω 0 ω_0 ω0即是观测器的带宽,应当根据实际系统来设计。如果带宽选择过小,可能会导致扩张状态 x 3 x_3 x3的观测 x 3 ^ \hat{x_3} x3^的跟随性变差,带宽选择过大的话有可能会引入额外的噪声。 u u u的系数 c c c在设计的时候有可能是不知道的,但是仿真表明 c c c的选择即使跟真实的系统有偏差,ESO也能正常工作(但这一点目前尚无严格的理论证明)。至此,扩张状态观测器设计完成!!

3、NLSEF(控制器)

ADRC的控制器部分的输入包含两个部分,分别是TD的输出结果(输入信号及其微分)和ESO的输出(包含三个元素的状态向量 y ^ \hat{y} y^)。因此它就有5个输入量。其中 y ^ \hat{y} y^的第三个分量 x 3 ^ \hat{x_3} x3^的作用,是通过观测,将复杂系统转化为纯积分器,简化控制。
依然是这个二阶系统
y ¨ = a y ˙ + b y + c u + d \ddot{ y}=a\dot{y}+by+cu+d y¨=ay˙+by+cu+d扩张状态 x 3 = a y ˙ + b y + d x_3=a\dot{y}+by+d x3=ay˙+by+d。假设状态观测器工作顺利, x 3 x_3 x3的观测值 x 3 ^ \hat{x_3} x3^就等于真实的 x 3 x_3 x3,即满足 x 3 = x 3 ^ x_3=\hat{x_3} x3=x3^那么将系统的输入,也即控制器的输出 u u u设计为 u = u 0 − x 3 ^ c u=\frac{u_0-\hat{x_3}}{c} u=cu0x3^带入上面的二阶系统,可以得到 y ¨ = u 0 \ddot{y}=u_0 y¨=u0即一个二阶积分器。设计一个PD控制器来控制 u 0 u_0 u0:(一般稳态的时候给定的目标值(reference)都是恒定的,即 r ˙ = 0 \dot{r}=0 r˙=0 r ¨ \ddot{r} r¨为前馈项,用于去除稳态误差。但很多时候都是把它忽略的,加上这一项之后有可能会影响响应速度) u 0 = K p ( r − x 1 ) + K d ( r ˙ − x 2 ) + r ¨ u_0=K_p(r-x_1)+K_d(\dot{r}-x_2)+\ddot{r} u0=Kp(rx1)+Kd(r˙x2)+r¨同样按照极点配置的方法,可得到 K p = ω c 2 K_p=ω_c^2 Kp=ωc2 K = 2 ω c K_=2ω_c K=2ωc。如此,控制器传递函数中阻尼系数 ξ = 1 ξ=1 ξ=1,处于临界阻尼,系统无超调。当然 K p 、 K d K_p、K_d KpKd设计的方法很多,可以综合超调和响应速度来调节。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/144393.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • pandas的连接函数concat()函数「建议收藏」

    pandas的连接函数concat()函数「建议收藏」pd.concat(objs,axis=0,join=’outer’,join_axes=None,ignore_index=False,keys=None,levels=None,names=None,verify_integrity=False,copy=True)参数含义objs:Series,DataFrame或Pa…

  • SoapUI 使用教程链接

    SoapUI 使用教程链接http://luyongxin88.blog.163.com/blog/#m=0&t=3&c=soapui

  • 记录一次成功的EC、BIOS降级操作[通俗易懂]

    记录一次成功的EC、BIOS降级操作[通俗易懂]记录一次成功的EC、BIOS降级操作(N1.0.16降至N1.0.7)笔记本型号:​ 机械革命X8ti操作环境:​ windows必备工具:DiskGeniusBIOS文件EFI启动文件(来源:机械革命)操作流程:打开DiskGenius,选中需要格式化的U盘,格式化FAT32(其他格式无效),分区表类型可以根据自身情况选择MBR还是GUID。…

  • 论概率:从局部随机性到整体确定性

    论概率:从局部随机性到整体确定性概率论与数理统计概率计算三原则学概率论拼的不是数学,而是语文能力独立性条件概率与贝叶斯公式全概率公式 概率计算三原则所有概率问题,都基于三个计算法则:加法法则:如果事件A和事件B相互排斥,而事件A有p种产生方式,事件B有q种产生方式,则事件”A或B”有p+q种产生方式。乘法法则:如果事件A和事件B相互独立,且事件A有p种产生方式,事件B有q种产生方式,则事件”A与B”有p*q种产生方式。.

  • js unit8array和java变量之间的关系

    js unit8array和java变量之间的关系unit8array如何同java进行交互最近一个项目遇到了一个二维码转换的问题,厂家给的demo只有js的转换方式,其中用到了Unit8,由于实际应用场景,转换应该由后端java代码进行实现,这里记录一下实现方式。JS对字符串操作的时候,有时候我们会用到UNIT8ARRAY,例如varbinary_string=window.atob(str);vararray=new…

  • python中dtype object_python的dtype有几种

    python中dtype object_python的dtype有几种NumPy中定义的不同标量数据类型。云海天教程网,大量的免费python教程,欢迎在线学习!NumPy数字类型是dtype(数据类型)对象的实例,每个对象具有唯一的特征。这些类型可以是np.bool_,np.float32等。数据类型对象(dtype)数据类型对象描述了对应于数组的固定内存块的解释,取决于以下方面:数据类型(整数、浮点或者Python对象)数据大小字节序(小端或大端)在结…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号