鲁棒控制:鲁棒性能

2024-05-11 04:28
文章标签 鲁棒性 鲁棒控制

本文主要是介绍鲁棒控制:鲁棒性能,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

鲁棒控制(Robust Control)是一种控制系统设计方法,其目标是使控制系统在面临参数摄动、外部干扰、建模误差等不确定性因素时,仍能够保持其期望的性能特性。鲁棒性是指控制系统在一定(结构,大小)的参数摄动下,维持某些性能的特性。

根据对性能的不同定义,鲁棒性可分为稳定鲁棒性和性能鲁棒性。稳定鲁棒性主要关注系统在面对不确定性时能否保持稳定,而性能鲁棒性则关注系统能否在不确定性影响下维持其性能指标。

鲁棒控制理论在工业自动化、航空航天、机械制造等领域有广泛应用。其主要的理论原理是在设计控制器时尽量利用不确定性信息,使控制器能够容忍不确定性参数的出现,并在一定范围内保持系统的稳定性和性能。

鲁棒控制的主要方法包括H∞控制理论、结构奇异值理论(μ理论)等。其中,H∞控制理论是一种基于频域特性的控制理论,它通过对系统频域特性的整形来实现对系统性能的优化。而结构奇异值理论则是一种基于系统结构特性的控制理论,它通过对系统结构特性的分析来设计控制器,使系统在面对不确定性时仍能保持其性能。

控制器综合结构

鲁棒控制器综合结构是一个设计过程,旨在构建能够在存在不确定性(如模型误差、外部干扰等)时维持系统性能和稳定性的控制器。这个过程涉及对控制系统的深入分析,并设计合适的控制策略来应对潜在的不确定性和扰动。

在鲁棒控制中,有几种关键的综合方法,如回路成形、H∞控制和结构奇异值(SSV)μ综合方法。其中,μ综合方法是一种多变量鲁棒控制设计方法,特别适用于设计满足多个性能要求的鲁棒控制器。在μ综合中,性能指标可以包括灵敏度、扰动响应、稳定裕度等多个方面,并通过确定权重函数或合成函数将这些指标加权或组合在一起。

在鲁棒控制器的综合结构中,通常会引入增广的对象模型,以表示系统的不确定性。这个模型可以包含系统的不确定性参数和可能的扰动。然后,通过选择合适的控制算法(如自适应控制、鲁棒控制、模糊控制等),并设计合适的控制器结构(如状态反馈控制器、输出反馈控制器等),来确保系统在面对不确定性时仍能保持其稳定性和性能。

鲁棒控制器的综合结构还需要考虑系统的硬件结构和传感器配置。高性能的传感器可以提供准确的系统状态信息,而合理的硬件结构可以确保控制器能够实时、准确地响应系统的变化。

鲁棒控制器综合结构是一个复杂的过程,需要综合考虑系统的不确定性、性能指标、硬件结构和传感器配置等多个方面。通过合理的设计和综合,可以构建出能够在存在不确定性时仍能保持高性能和稳定性的鲁棒控制器。

为了设计不确定对象P的鲁棒控制器,选择目标闭环带宽desBW,并使用简化的不确定性模型Usys进行灵敏度最小化设计。控制结构如下图所示。主要信号是干扰d、测量噪声n、控制信号u和被控对象输出y。滤波器Wperf和Wnoise反映了干扰和噪声信号的频率含量,或者等价地,反映了需要良好抗干扰和抗噪性能的频段。

我们的目标是通过抑制干扰d和最小化测量噪声n的影响来保持y接近于零。同样,我们想设计一个控制器,使增益从[d;n]到y“小”。请注意,

因此,感兴趣的传递函数由灵敏度函数1/(1+PC)和互补灵敏度函数PC/(1+PC)的性能加权和噪声加权组成。

D-K ITERATION SUMMARY:
-----------------------------------------------------------------
                       Robust performance               Fit order
-----------------------------------------------------------------
  Iter         K Step       Peak MU       D Fit             D
    1           223.6        100.4        101.4             2
    2           20.15        1.759        1.774            10
    3          0.9757       0.9681       0.9787            10
    4          0.9289       0.9289       0.9367             8
    5          0.9117       0.9118       0.9139            10
    6          0.9053       0.9053        0.906            10
    7           0.898        0.898        0.907            10
    8          0.8959       0.8959       0.8984            10
    9          0.8946       0.8946       0.8969             8

Best achieved robust performance: 0.895

鲁棒性能muBound是一个正标量。如果它接近于1,则说明设计成功,所需的有效闭环带宽匹配紧密。根据经验,如果muBound小于0.85,则可以提高可实现的性能。当muBound大于1.2时,对于给定的植物不确定性量,则无法实现所需的闭环带宽。

由于这里的muBound值大约为0.9,因此达到了目标,但最终还需要改进。为了验证目的,创建不同不确定度值的开环响应的波德图,并注意典型的零db交叉频率和相位裕度:

有重要的动力学和饱和与执行器相关,所以想要包括执行器模型。在使用的频率范围内,可以将执行器建模为具有速率和幅度饱和度的一阶系统。对于大多数信号,限制执行器性能的是速率限制,而不是极点位置。对于线性模型,速率限制的一些影响可以包含在扰动模型中。

控制结构

选择过滤器Wperf和Wnoise来实现所需的带宽和适当的滚降。从[d;n]到y的闭环传递函数为

y = [Wperf * S, Wnoise * T] [d;n]
其中S=1/(1+PC)、T=PC/(1+PC)分别为灵敏度函数和互补灵敏度函数。如果我们设计一个控制器,使闭环增益从[d;n]到y小于1,则

|S| < 1/|Wperf|, |T| < 1/|Wnoise|
通过为Wperf和Wnoise选择适当的幅度曲线,我们可以在带宽内实现较小的灵敏度(S),并在带宽外实现足够的滚降(T)。

这篇关于鲁棒控制:鲁棒性能的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/978499

相关文章

R-Adapter:零样本模型微调新突破,提升鲁棒性与泛化能力 | ECCV 2024

大规模图像-文本预训练模型实现了零样本分类,并在不同数据分布下提供了一致的准确性。然而,这些模型在下游任务中通常需要微调优化,这会降低对于超出分布范围的数据的泛化能力,并需要大量的计算资源。论文提出新颖的Robust Adapter(R-Adapter),可以在微调零样本模型用于下游任务的同时解决这两个问题。该方法将轻量级模块集成到预训练模型中,并采用新颖的自我集成技术以提高超出分布范围的鲁棒性

模型“鲁棒性”是什么,和“泛化性”有什么异同。

文章目录 1.范例2. 鲁棒性包含哪些内容2.1. 对噪声的鲁棒性2.2. 对不同分辨率或缩放的鲁棒性2.3. 对图像压缩的鲁棒性2.4. 对光照变化的鲁棒性2.5. 对姿态和视角变化的鲁棒性2.6. 对领域迁移的鲁棒性2.7. 对对抗样本的鲁棒性2.8. 对丢失数据或不完整数据的鲁棒性2.9. 对时序数据的鲁棒性 3.鲁棒性和泛化性的关系3.1.泛化性(Generalization)3.2

深度学习速通系列:鲁棒性和稳定性

在机器学习中,鲁棒性和稳定性是评估模型性能的两个关键指标,它们对于确保模型在实际应用中的可靠性至关重要。 鲁棒性(Robustness) 定义: 鲁棒性指的是模型对于输入数据的扰动、噪声、异常值或对抗性攻击的抵抗能力。一个鲁棒的模型能够在面对这些不利因素时保持其性能。 提高鲁棒性的方法: 数据增强: 通过对训练数据进行变换(如旋转、缩放、裁剪等),使模型能够更好地泛化到未见过的数据。对抗训

“复杂天气条件下北京道路图像识别的鲁棒性提升策略”

在复杂天气条件下,北京道路图像识别的鲁棒性提升策略需要综合考虑多种因素,包括天气状况、图像采集设备的性能、图像处理算法的优化等。以下是一些具体的策略: 一、预处理策略 图像去噪: 复杂天气条件下(如雨、雪、雾霾等),图像中常含有大量噪声。通过高斯滤波、中值滤波等算法对图像进行去噪处理,可以减少噪声对图像识别的影响。图像增强: 调整图像的对比度和亮度,以改善图像的视觉效果。在雾霾天气下,可以采用

鲁棒性(Robustness)

定义: 鲁棒性是系统或算法在面临异常情况、参数摄动、错误输入等不利因素时,仍然能够保持其正常功能、性能或稳定性的能力。简单来说,鲁棒性就是系统或算法“健壮”和“强壮”的程度。 特点: 鲁棒性关注的是系统在异常和危险情况下的生存能力。例如,计算机软件在遭遇输入错误、磁盘故障、网络过载或有意攻击时,能否保持正常运行,就体现了其鲁棒性。 鲁棒性也可以指控制系统在一定参数摄动下,维持其性能稳定的

ICP和NDT匹配算法精度、速度和鲁棒性对比

注意:如下实验是针对里程计任务而进行的,默认是帧间匹配,而对于帧到局部地图匹配情况下的长时间下的轨迹精度对比,请参考我的这篇博客: 【附优化方法的ICP源码】ICP与NDT匹配算法精度对比,以及手动实现的ICP和基于优化方法的ICP精度对比 1.实验条件 前提:以下ICP与NDT算法均使用的是PCL 1.8库中提供的实现方法,它们可以设置的参数较多,这里只探讨那些最常用的参数。 数据:杭州海

鲁棒控制问题描述

复杂的µ合成问题成为一个具有特殊结构控制器的设计问题。 H无穷范数(H∞ norm):对于线性时不变(LTI)系统,H∞范数通常定义为系统频率响应的最大幅值。换句话说,它是系统传递函数在复平面单位圆上的最大绝对值。最大奇异值:对于一个矩阵,其奇异值是该矩阵与其共轭转置矩阵乘积的特征值的平方根。对于方阵,这等同于特征值的绝对值。然而,对于系统传递函数的矩阵(例如,多输入多输出系统的传递

代码鲁棒性

鲁棒代码非常的重要,如今我已经发觉到了这一点,在我写人机大战的代码时候,由于文件中最后一行的错误,导致一晚上的结果都没了, 平时写代码一定要注意添加异常处理。 1、添加输出提示 python %s,string类型 %f,整型

鲁棒控制理论学习:静态状态反馈H∞控制器

鲁棒性,即系统的健壮性,是指在异常和危险情况下系统能够维持其功能和性能的能力。在控制系统中,鲁棒性表现为系统在参数摄动下维持某些性能的特性。例如,当控制系统面临输入错误、磁盘故障、网络过载或有意攻击等挑战时,其能否保持稳定并继续有效运行,就体现了其鲁棒性。 状态反馈和前馈是提升系统鲁棒性的两种重要手段。状态反馈是将系统的状态信息作为反馈信号,通过反馈回路来调整系统的控制输入,以达到期望的控制目标

时序分解 | Matlab实现RLMD鲁棒性局部均值分解

时序分解 | Matlab实现RLMD鲁棒性局部均值分解 目录 时序分解 | Matlab实现RLMD鲁棒性局部均值分解效果一览基本介绍程序设计参考资料 效果一览 基本介绍 Matlab实现RLMD鲁棒性局部均值分解,可直接替换 Matlab语言 1.算法新颖小众,用的人很少,包含分解图 2.直接替换数据即可用 适合新手小白 注释清晰~ 3.附赠excel测试数据