现代控制理论基础丨对偶原理和能观能控标准型

举报
AXYZdong 发表于 2022/02/04 17:07:33 2022/02/04
【摘要】 现代控制理论基础,对偶原理、能观标准型以及能控标准型。

Author:AXYZdong 自动化专业 工科男
有一点思考,有一点想法,有一点理性!
定个小小目标,努力成为习惯!在最美的年华遇见更好的自己!


1. 对偶原理

有两个系统,一个系统 1 \sum_1 为:

{ x 1 ˊ = A 1 x 1 + B 1 u 1 y 1 = C 1 x 1 \begin{cases} \acute{x_1}=A_1x_1+B_1u_1\\[2ex] y_1=C_1x_1 \end{cases}

另一个系统 2 \sum_2 为:

{ x 2 ˊ = A 2 x 2 + B 2 u 2 y 2 = C 2 x 2 \begin{cases} \acute{x_2}=A_2x_2+B_2u_2\\[2ex] y_2=C_2x_2 \end{cases}

若满足:

A 2 = A 1 T B 2 = C 1 T C 2 = B 1 T A_2=A_1^T,B_2=C_1^T,C_2=B_1^T

则称系统 1 \sum_1 与系统 2 \sum_2 是互为对偶的。

式中, x 1 , x 2 x_1,x_2 n n 维状态矢量; u 1 , u 2 u_1,u_2 r r m m 维控制矢量; y 1 , y 2 y_1,y_2 m m r r 维输出矢量; A 1 , A 2 A_1,A_2 n × n n\times n 系统矩阵; B 1 , B 2 B_1,B_2 各为 n × r n\times r n × m n\times m 维控制矩阵; C 1 , C 2 C_1,C_2 各为 m × n m\times n r × n r\times n 维输出矩阵。

在这里插入图片描述

两个基本性质:

  • 对偶的两个系统传递函数矩阵互为转置
  • 对偶的两个系统特征值相同

对偶原理:
系统 1 A 1 , B 1 , C 1 \sum_1(A_1,B_1,C_1) 2 A 2 , B 2 , C 2 \sum_2(A_2,B_2,C_2) 是互为对偶的两个系统,则 1 \sum_1 的能控性等价于 2 \sum_2 能观性, 1 \sum_1 的能观性等价于 2 \sum_2 能控性。或者说 ,若 1 \sum_1 是状态完全能控的(完全能观的),则 2 \sum_2 是状态完全能观的(完全能控的)

2. 能控标准型和能观测标准型

在实际应用中,常常根据所研究问题的需要, 将状态空间表达式化为相应的几种标准形式:

  • 如约旦标准型对于状态转移矩阵的计算,可控性和可观性的分析是十分方便的;
  • 对于系统的状态反馈则化为能控标准型是比较方便的;
  • 对于系统状态观测器的设计以及系统辨识,则将系统状态空间表达式化为能观标准型是方便的。

把状态空间表达式化成能控标准型(能观标准型)的理论根据是状态的非奇异变换不改变其能控性(能观性),只有系统是状态完全能控的(能观的)才能化成能控(能观)标准型。

2.1 能控标准型

{ x ˊ = A x + b u y = C x + d u 1 其中 , x n 维向量, u y 为标量 A B C d 为满足矩阵运算相应维数的矩阵。 \begin{cases} \acute{x}=Ax+bu\\[2ex] y=Cx+du \end{cases}(1) \\[2ex]其中,x为n维向量,u和y为标量 \\[2ex]A,B,C,d为满足矩阵运算相应维数的矩阵。

A A 的特征多项式为:

d e t [ λ I A ] = λ n + a n 1 λ n 1 + . . . + a 1 λ + a 0 det[\lambda I-A]=\lambda^n+a_{n-1}\lambda^{n-1}+...+a_1\lambda+a_0

系统(1)能控性矩阵:

Q c = ( b A b A 2 b A n 1 b ) Q_c= \begin{pmatrix} b & Ab &A^2b&\cdots &A^{n-1}b \end{pmatrix}

若系统能控,则: r a n k Q c = n rankQ_c=n

系统(1)能控,则通过线性变换将其变成如下形式的能控标准型。

x ˊ = ( 0 1 0 0 0 0 1 0 0 0 0 1 a 0 a 1 a 2 a n 1 ) x + ( 0 0 0 1 ) u y = ( β 0 β 1 β n 1 ) x + d u \acute{\overline{x}} =\begin{pmatrix} 0 & 1 & 0 &\cdots & 0 \\[2ex] 0 & 0 & 1 &\cdots & 0 \\[2ex] \vdots & \vdots & \vdots & \ddots & \vdots \\[2ex] 0 & 0 & 0 &\cdots & 1 \\[2ex] -a_{0} & -a_{1} & -a_2 & \cdots & -a_{n-1} \\ \end{pmatrix} \overline{x} + \begin{pmatrix} 0 \\[2ex] 0\\[2ex] \vdots \\[2ex] 0\\[2ex] 1 \\ \end{pmatrix}u\\[2ex] y= \begin{pmatrix} \beta_0 & \beta_1 &\cdots &\beta_{n-1} \end{pmatrix}x+du

式中:

{ β 0 = C [ A n 1 b + a n 1 A n 2 b + + a 1 b ] β n 2 = C ( A b + a n 1 b ) β n 1 = C b \begin{cases} \beta_0=C[A^{n-1}b+a_{n-1}A^{n-2}b+\cdots+a_1b]\\[2ex] \vdots \\[2ex] \beta_{n-2}=C(Ab+a_{n-1}b)\\[2ex] \beta_{n-1}=Cb \end{cases}

引入非奇异矩阵 P P 作变换:

x = P x ,或者: x = P 1 x A = P A P 1 b = P b C = C P 1 d = d 式中: P = ( p 1 p 2 p n ) 1 \overline{x}=Px,或者:x=P^{-1}\overline{x}\\[2ex] \overline{A}=PAP^{-1},\overline{b}=Pb,\overline{C}=CP^{-1},\overline{d}=d\\[2ex] 式中:P=\begin{pmatrix} p_1 & p_2 &\cdots &p_n \end{pmatrix}^{-1}

由于系统能控,所以 r a n k ( b A b A 2 b A n 1 b ) = n rank\begin{pmatrix} b & Ab &A^2b&\cdots &A^{n-1}b \end{pmatrix}=n 。列向量 b , A b , , A n 1 b b,Ab,\cdots,A^{n-1}b n n 个线性无关的列向量。由此可取:

( p 1 p 2 p n ) = ( b A b A n 1 b ) ( a 1 a 2 a n 1 1 a 2 a 3 1 0 a n 1 1 0 0 1 0 0 0 ) \begin{pmatrix} p_1 & p_2 &\cdots &p_n \end{pmatrix} =\begin{pmatrix} b & Ab &\cdots &A^{n-1}b \end{pmatrix} \begin{pmatrix} a_1 & a_2 & \cdots & a_{n-1}& 1 \\[2ex] a_2& a_3 & \cdots & 1 & 0 \\[2ex] \vdots & \vdots & \cdot & \vdots & \vdots \\[2ex] a_{n-1} &1 & \cdots & 0 & 0 \\[2ex] 1 & 0 & \cdots & 0 & 0\\ \end{pmatrix}

这样非奇异矩阵 P P 就可以求出。

2.2 能观测标准型

系统(1)能观测性矩阵:

Q 0 = ( C C A C A n 1 ) Q_0= \begin{pmatrix} C \\[2ex] CA \\[2ex] \vdots \\[2ex] CA^{n-1} \end{pmatrix}

若系统能观测,则: r a n k Q 0 = n rankQ_0=n

系统(1)能观测,则通过线性变换将其变成如下形式的能观测标准型。

x ˊ = ( 0 0 0 a 0 1 0 0 a 1 0 1 0 a 2 0 0 1 a n 1 ) x + ( β 0 β 1 β n 1 ) u y = ( 0 0 1 ) x + d u \acute{\overline{x}} =\begin{pmatrix} 0 & 0 & \cdots & 0 & -a_{0} \\[2ex] 1 & 0 & \cdots &0 & -a_{1} \\[2ex] 0 & 1 & \cdots & 0 & -a_{2} \\ \vdots & \vdots & \ddots & \vdots& \vdots\\ 0 & 0 & \cdots & 1 & -a_{n-1} \\ \end{pmatrix} \overline{x} + \begin{pmatrix} \beta_0 \\[2ex] \beta_1\\[2ex] \vdots \\[2ex] \beta_{n-1}\\ \end{pmatrix}u\\[2ex] y= \begin{pmatrix} 0 & 0 &\cdots & 1 \end{pmatrix}x+du

式中:

{ β 0 = C [ A n 1 b + a n 1 A n 2 b + + a 1 b ] β n 2 = C ( A b + a n 1 b ) β n 1 = C b \begin{cases} \beta_0=C[A^{n-1}b+a_{n-1}A^{n-2}b+\cdots+a_1b]\\[2ex] \vdots \\[2ex] \beta_{n-2}=C(Ab+a_{n-1}b)\\[2ex] \beta_{n-1}=Cb \end{cases}

变换矩阵可取:

P = ( a 1 a 2 a n 1 1 a 2 a 3 1 0 a n 1 1 0 0 1 0 0 0 ) ( C C A C A n 1 ) P= \begin{pmatrix} a_1 & a_2 & \cdots & a_{n-1}& 1 \\[2ex] a_2& a_3 & \cdots & 1 & 0 \\[2ex] \vdots & \vdots & \cdot & \vdots & \vdots \\[2ex] a_{n-1} &1 & \cdots & 0 & 0 \\[2ex] 1 & 0 & \cdots & 0 & 0\\ \end{pmatrix} \begin{pmatrix} C \\[2ex] CA \\[2ex] \vdots \\[2ex] CA^{n-1} \end{pmatrix}

这样非奇异矩阵 P P 就可以求出。

参考文献

[1]:刘豹,唐万生. 现代控制理论[M]. 北京:机械工业出版社,2006.7
[2]:王孝武. 现代控制理论基础[M]. 3版 北京:机械工业出版社,2013.7


  本次的分享就到这里


11

好书不厌百回读,熟读自知其中意。将学习成为习惯,用知识改变命运,用博客见证成长,用行动证明努力。
如果我的博客对你有帮助、如果你喜欢我的博客内容,请 “点赞” “评论” “收藏” 一键三连哦!
听说 👉 点赞 👈 的人运气不会太差,每一天都会元气满满呦!^ _ ^
**码字不易,大家的支持就是我坚持下去的动力。点赞后不要忘了👉关注👈我哦!


如果以上内容有任何错误或者不准确的地方,欢迎在下面👇留个言。或者你有更好的想法,欢迎一起交流学习~~~

【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。