Loading [MathJax]/jax/output/CommonHTML/jax.js

2/19/2015

[控制理論] 離散線性系統的 追蹤 與 調節 問題

Setpoint Tracking
考慮離散線性系統
{x(k+1)=Ax(k)+Bu(k)y(k)=Cx(k) xRn,yRp,uRm;一般而言,控制系統中常見的 追蹤(setpoint tracking)問題 (或稱 servo problem) 如下:
給定 setpoint  ysp (e.g., 步階訊號 or 常數),我們希望在系統達到穩態(steady-state) 之後,系統的輸出 y=ysp

若我們考慮給定的 setpoint ysp=0 則稱此類問題為 regulation problem。

回憶在最佳控制理論中的 LQR 方法給予我們對於線性系統的 regulation 問題提供一組最佳解,故我們的想問是否能將此法應用在 一般的追蹤問題?

答案是肯定的,僅需引入 deviation variable 做基本 座標轉換 即可。

現在我們令 ysp 為 output setpoint,定義系統穩態時候的狀態 與 控制力為 (xs,us) 則線性系統方程可改寫為
{xs=Axs+Busys=Cxs注意到對於穩態時 我們希望 ys=ysp 故 我們有 ysp=Cxs 現在我們將上式改寫為矩陣形式
{xs=Axs+Busysp=Cxs[IABC0][xsus]=[0ysp]    ()上述矩陣方程有解 (亦即可以解出 xs,us),且系統控制力無拘束,則我們可以定義 deviation variables 如下
{˜x(k):=x(k)xs˜u(k):=u(k)us現在觀察
˜x(k+1)=x(k+1)xs=Ax(k)+Bu(k)(Axs+Bus)=A(x(k)xs)+B(u(k)us)˜x(k+1)=A˜x(k)+B˜u(k)此表示我們的 deviation variable 仍然滿足原本給定的線性系統。且此時若考慮使用 deviation variable ˜x,˜u 則 我們的 setpoint tracking problem 被改寫為 regulation problem ;也就是說我們要找到一組 ˜u(k) 使得 ˜x(k)0 (此等價為 x(k)xs,故 Cx(k)Cxs=ysp)。解完此 regulation problem 之後,真實的控制力 u(k)=˜u(k)+us

Comment:
注意到上述論述建立在 (n+p)×(n+m) 的矩陣方程
{xs=Axs+Busysp=Cxs[IABC0][xsus]=[0ysp]    ()有解。但何時才有解/與此解是否唯一的問題 我們並未解決 !! 以下我們將對此點進行討論。


對任意 setpoint ysp, 上述矩陣方程 () 有解 的充分條件為:() 要有 linearly independent rows;亦即 pm 也就是說我們需要 控制力的數目 m 與 量測輸出的數目 p 至少要相等)。但在實際情況上卻是常常相反,我們可能會獲得非常多的量測輸出數目 (因為裝了很多 sensor),但實際可以調控的變數卻少於 sensor 數目。為了要解決此問題,我們可選定某矩陣 H 並引入新的 控制變數 rRnc 為 量測輸出的線性組合;亦即
r:=Hy如此一來,若 p>m 情況發生時,我們可選一部份的 輸出 ncm 作為控制變數 並且 對此引入的控制變數 r 也給定所需的 setpoint rsp

另外若 m>p (控制力數目 大於 量測輸出的數目) 時,則對某些 Hrsp,矩陣方程 () 有解 但此時唯一性並不被保證,故我們會希望有唯一解,此時需要對 穩態控制力  us 也給定 setpoint usp


總和以上所述,我們可以建構以下 Steady-State Target Problem
========================
Steady-State Target Problem
考慮最佳化問題
minxs,us12(|ususp|2Rs+|ysysp|2Qs)subject to
{xs=Axs+Busysp=Cxs[IABC0][xsus]=[0ysp]EuseFCxsf。其中 Rs 為 正定矩陣。且對 控制變數的 setpoints rsp,上述 target problem 為 feasible 。
========================

有了 steady-state 的解之後我們可以便可以求解 當初我們引入 deviation variable 的 regulation problem:
========================
Dynamic Regulation Problem
考慮以下 cost function
V(˜x(0),˜u)=12N1k=0|˜x(k)|2Q+|˜u(k)|2Rs.t.˜x(k+1)=A˜x(k)+B˜u(k)其中 ˜x(0)=ˆx(k)xs (此初始條件表示  透過 steady-state xs 平移估計狀態 ˆx 而得。);且所求得的 regulator 將會求解以下的 regulation problem
 min˜uV(˜x(0),˜u)s.t.E˜ueEusFC˜xfFCxs===================
上述 regulation problem 的 optimal cost 為 V(˜x(0)) 且對應的控制力為 ˜u0(˜x(0))



ref: J. B. Rawlings and D. Q. Mayne, "Model Predictive Control: Theory and Design"

沒有留言:

張貼留言

[人工智慧] 本地端 DeepSeek R1 快速安裝:以 Macbook Pro M4 Chip為例

最近火熱的 DeepSeek R1 模型由於採用了 distill 技術,可以大幅降低計算成本,使得一般人有機會在自家筆電上跑性能逼近 Open AI ChatGPT o1的大語言模型。本文簡單介紹一步安裝在 Macbook Pro 的方法以及使用方法,以下測試採用 Macboo...