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

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