自适应控制-控制器设计部分-Part2

自适应控制

14-基于Lyapunov稳定性理论设计模型参考自适应控制器

一、相关的稳定性理论

1. 平衡点：无外力作用于系统时，系统将保持不变；

2. 稳定：$\Vert x(t;x_0,t_0)-x_e\Vert <ϵ$；

   一致稳定：

   渐进稳定：$(1)x_e为稳定点；(2）若初始状态满足\Vert x_0-x_e\Vert <\delta (t_0)，就有{\lim }_{t\to \infty }\Vert x(t;x_0,t_0)-x_e\Vert =0$

   一致渐近稳定：

3. Figure：

   

4. 几个经典的结论

   1. 正定函数和半正定函数的定义：

      ​ 一个连续可微的函数 $V:R^n\to R$ ，在包含原点“ $0$ ”的区域：$U\in R^n$ 内被称为是正定的，如果以下两个条件成立：
      $$V(0)=0;V(x)>0,x\in U且x\ne 0$$
      以上函数被称为是半正定的，如果 $V(x)>0$ 被替换为 $V(x)\ge 0$ 。

   2. 时不变系统（Time Invariant Systems）的稳定性理论：

      ​ 对用如下状态方程描述的动力学系统：
      $$\dot{X}=f(X)$$
      设 $X=0$ 是以上系统的一个平衡点，即 $f(0)=0$ ，如果存在包含此平衡点的集合 $D\subset R^n$ 以及在此集合上定义的具有以下条件的连续可微函数：
      V : D → R V ( 0 ) = 0 且 V ( X ) > 0 , X ∈ D − { 0 } V:D \rightarrow R \\ V(0)=0 且 V(X)>0,X \in D-\{0\} V:D→RV(0)=0且V(X)>0,X∈D−{0}
      在此基础上，如果沿以上方程轨线的
      $$\dot{V}(X)=\frac{\partial V^T}{\partial x}\frac{\mathrm{dx}}{\mathrm{dt}}=\frac{\partial V^T}{\partial x}f(x)=-W(x)\le 0,X\in D$$
      则平衡点 $x(t)=0$ 稳定；

      ​ 如果进一步有：
      $$\dot{V}(X)<0,X\in D-0$$
      则平衡点 $x(t)=0$ 渐进稳定；

      ​ 如果进一步有：
      $$\dot{V}(X)<0，并且当\Vert x\Vert \to \infty 时，V(X)\to \infty$$
      则平衡点 $x(t)=0$ 全局渐进稳定。

   3. 时变系统的稳定性定理：

      1. K 类函数的定义：

         ​ 连续函数 $\alpha :[0,a)\to [0,\infty )$ 被称为是属于 K 类函数，如果它严格递增（Strictly Increasing）且 $\alpha (0)=0$ 。

      2. 定理：

         ​ 对用如下状态方程描述的动力学系统
         $$\dot{X}=f(X,t)$$
         设 $X=0$ 是以上系统的平衡点，即 $f(0,t)=0$ ，以及：
         D = { x ∈ R n , ∥ x ∥ < r } D=\{ x \in R^n,\left\| x \right\| <r \} D={x∈Rn,∥x∥<r}
         如果存在一个连续可微的函数 $V$ ，满足
         $$\begin{gathered} {\alpha }_1(\Vert x\Vert )\le V(x,t)\le {\alpha }_2(\Vert x\Vert ) \\ \frac{\mathrm{dV}}{\mathrm{dt}}=\frac{\partial V}{\partial t}+\frac{\partial V^T}{\partial t}f(x,t)\le 0,\forall t\ge 0 \end{gathered}$$
         其中，${\alpha }_1,{\alpha }_2,{\alpha }_3$ 为 K 类函数，则平衡点 $x(t)=0$ 一致稳定。

   4. 有界收敛集定理：

      ​ 对用如下状态方程描述的动力学系统
      $$\dot{X}=f(X,t)$$
      令 D = { x ∈ R n , ∥ x ∥ < r } D=\{ x \in R^n,\| x \|<r \} D={x∈Rn,∥x∥<r} ，并假设 $f(X,t)$ 在 $D\times [0,\infty )$ 上满足 Lipschitz 条件。如果存在一个连续可微的函数 $V$ ，满足
      $${\alpha }_1(\Vert x\Vert )\le V(x,t)\le {\alpha }_2(\Vert x\Vert )$$
      并且
      $$\frac{\mathrm{dV}}{\mathrm{dt}}=\frac{\partial V}{\partial t}+\frac{\partial V^T}{\partial x}f(x,t)\le -W(x)\le 0,\forall t\ge 0,\forall x\in D$$
      其中，${\alpha }_1,{\alpha }_2$ 为定义在 $[0,\infty )$ 上的 K 类函数，并且 $W(x)$ 在 $D$ 上连续。

      ​ 进一步，如果 $\frac{\mathrm{dV}}{\mathrm{dt}}$ 关于时间 $t$ 一致连续，则对于满足不等式
      $$\Vert x(t_0)\Vert <{\alpha }_2^{-1}({\alpha }_1(r))$$
      的初值的方程 $\dot{X}=f(X,t)$ 所有的解都有界，并且有
      $$W(x(t))\to 0,t\to \infty$$

      1. 定理说明系统所有的状态都有将有界，并且趋于集合 { x ∈ D ∣ W ( x ) = 0 } \{ x \in D | W(x)=0 \} {x∈D∣W(x)=0} ；
      2. 定理要求如果 $\frac{\mathrm{dV}}{\mathrm{dt}}$ 关于时间 $t$ 一致连续，而关于这一点的一个充分条件是 $\ddot{V}$ 有界。

   5. Kalman-Yakubovich 引理：

      1. 正实传递函数（Positive Real Transfer Function）的定义

         ​ 称带实系数有理传递函数 $G$ 为正实的，如果：
         $$\mathrm{Re}(\mathrm{G}(\mathrm{s}))\ge 0,\mathrm{Re}(\mathrm{s})\ge 0$$
         称传递函数 $G$ 为严格正实的，如果存在 $\epsilon >0$ 使得 $G(s-\epsilon )$ 是正实的。

      2. 正实性质（PR）的条件：

         ​ 一个带实系数有理传递函数 $G$ 为正实的，当且仅当满足以下条件时成立：

         1. 该函数在右半平面没有极点（开右半平面）；
         2. 如果函数在虚轴上或在无穷大上有极点，它们都是具有正残差的简单极点；
         3. $G(s)$ 的实部沿着 $i\omega$ 轴是非负的，即 $\mathrm{Re}(\mathrm{G}(\mathrm{i}\omega ))\ge 0$ 。

      3. 严格正实（SPR）的条件：

         1. 该函数在闭右半复平面上没有极点；
         2. 沿虚轴 $i\omega$ ，有 $\mathrm{Re}(\mathrm{G}(\mathrm{i}\omega ))>0$ 。（注：并没有要求 $\omega \to \infty$ 时，$\mathrm{Re}(\mathrm{G}(\mathrm{i}\omega ))>0$）

      4. 严格正实的性质：

         1. 频域：传递函数的 Nyquist 图处于一、四象限内（闭右复平面）；（注：并非说 Nyquist 图处于一、四象限一定是严格正实的）
         2. 时域：传递函数的相对阶为 $0or\pm 1$ ；（相对阶：$Deg(d)-Deg(n)$）
         3. 如果 $G(s)$ 为 PR（SPR），则 $1/G(s)$ 也为 PR（SPR）。

      5. Kalman-Yakubovich引理

         ​ 设线性定常系统
         $$\begin{gathered} \dot{X}=AX+BU \\ Y=CX \end{gathered}$$
         完全可控、可观测，则传递函数
         $$G(s)=C(sI-A{)}^{-1}B$$
         严格正实的充要条件是存在正定矩阵 $P,Q$ 使得：
         $$\begin{gathered} A^{T}P+PA=-Q \\ {B}^{T}P=C \end{gathered}$$

二、设计实例

1. 例1

   1. 参考模型：
      $$\frac{\mathrm{d}{\mathrm{y}}_{\mathrm{m}}}{\mathrm{dt}}=-a_m{y}_m+b_m{u}_c$$
      被控对象：
      $$\frac{\mathrm{dy}}{\mathrm{dt}}=-ay+bu$$
      其中，$a,b$ 为未知的常数，其中 $b$ 的符号要求已知。

   2. 选择自适应律：$u(t)={\theta }_1{u}_c(t)-{\theta }_{2}y(t)$

   3. 设计过程：
      $$\begin{array}{rl}S1:& 引入误差\\ & e=y-y_m⟶y_m=y-e\\ S2:& 对误差求导\\ & \frac{\mathrm{de}}{\mathrm{dt}}=\frac{\mathrm{dy}}{\mathrm{dt}}-\frac{\mathrm{d}{\mathrm{y}}_{\mathrm{m}}}{\mathrm{dt}}\\ & =-ay+bu-(-a_m{y}_m+b_m{u}_c)\\ & =-ay+b({\theta }_1{u}_c-{\theta }_{2}y)+a_m(y-e)-b_m{u}_c\\ & =-a_{m}e-(b{\theta }_2+a-a_m)y+b({\theta }_1-b_m)u_c\\ S3:& 简记\{\begin{array}{l}{\theta }_1^{\prime }=b{\theta }_1-b_m\\ {\theta }_2^{\prime }=b{\theta }_2+a-a_m\end{array}，有\frac{\mathrm{de}}{\mathrm{dt}}=-a_{m}e-(b{\theta }_2^{\prime })y+b({\theta }_1^{\prime })u_c\\ S4:& 取能量函数\\ & V(e,{\theta }_1^{\prime },{\theta }_2^{\prime })=\frac{1}{2}\left[e^2+\frac{1}{b\gamma }({\theta }_2^{\prime }{)}^2+\frac{1}{b\gamma }({\theta }_1^{\prime }{)}^2\right]\\ S5:& 对能量函数求导数\\ & \frac{\mathrm{dV}}{\mathrm{dt}}=e\cdot \frac{\mathrm{de}}{\mathrm{dt}}+\frac{1}{b\gamma }{\theta }_2^{\prime }\frac{\mathrm{d}{\theta }_2^{\prime }}{dt}+\frac{1}{b\gamma }{\theta }_1^{\prime }\frac{\mathrm{d}{\theta }_1^{\prime }}{dt}\\ & =-a_m{e}^2+{\theta }_2^{\prime }(\frac{{\dot{\theta }}_2^{\prime }}{b\gamma }-ye)+{\theta }_1^{\prime }(\frac{{\dot{\theta }}_1^{\prime }}{b\gamma }+u_{c}e)\\ S6:& 令\{\begin{array}{l}\frac{{\dot{\theta }}_2^{\prime }}{b\gamma }-ye=0\to {\dot{\theta }}_2^{\prime }=b\gamma ye\\ \frac{{\dot{\theta }}_1^{\prime }}{b\gamma }-u_{c}e=0\to {\dot{\theta }}_1^{\prime }=b\gamma u_{c}e\end{array}\\ S7:& \frac{{\mathrm{d}}^2\mathrm{V}}{\mathrm{d}{\mathrm{t}}^2}=-2a_{m}e\cdot \frac{\mathrm{de}}{dt}\\ & =-2a_{m}e(-a_{m}e-{\theta }_2^{\prime }y+{\theta }_1^{\prime }{u}_c)\end{array}$$

   4. 参数调整律与控制律形式如下：
      $$\begin{gathered} \frac{\mathrm{d}{\theta }_1}{\mathrm{dt}}=\frac{{\dot{\theta }}_1^{\prime }}{b}=-\gamma u_{c}e \\ \frac{\mathrm{d}{\theta }_2}{\mathrm{dt}}=\frac{{\dot{\theta }}_2^{\prime }}{b}=-\gamma ye \\ u(t)=\frac{-\gamma u_{c}e}{s}{u}_c(t)-\frac{-\gamma ye}{s}y(t) \end{gathered}$$

   5. Figure:

      

2. 例2

   1. 以状态空间形式描述的系统：
      $$\begin{gathered} \frac{\mathrm{d}{\mathrm{x}}_{\mathrm{m}}}{\mathrm{dt}}=A_m{x}_m+B_m{u}_c \\ \frac{\mathrm{dx}}{\mathrm{dt}}=Ax+Bu \end{gathered}$$

   2. 选择控制律的形式：
      $$u=M{u}_c-Lx$$

   3. 设计过程：
      $$\begin{array}{rl}S1:& 闭环系统化为\\ & \frac{\mathrm{dx}}{\mathrm{dt}}=Ax+B(M{u}_c-Lx)=(A-BL)x+BM{u}_c=\frac{\mathrm{dx}}{\mathrm{dt}}=A_c(\theta )x+B_c(\theta )u_c\\ S2:& 假设A_c(\theta ),B_c(\theta )满足\{\begin{array}{l}{A}_c({\theta }^0)=A_m\\ B_c({\theta }^0)=B_m\end{array}\\ S3:& 假设以下方程有解\{\begin{array}{l}A-BL=A_m\\ BM=B_m\end{array}\\ S4:& 因此(A-A_m)的列和B_m的列是B的列的线性组合，那么\\ & \{\begin{array}{l}L=(B^{T}B{)}^{-1}{B}^T(A-A_m)=(B_m^{T}B{)}^{-1}{B}_m^T(A-A_m)\\ M=(B^{T}B{)}^{-1}{B}^T{B}_m=(B_m^{T}B{)}^{-1}{B}_m^T{B}_m\end{array}\\ S5:& 引入误差变量\\ & e=x-x_m⟶x_m=x-e\\ S6:& 对误差变量求导\\ & \frac{\mathrm{de}}{\mathrm{dt}}=\frac{\mathrm{dx}}{\mathrm{dt}}-\frac{\mathrm{d}{\mathrm{x}}_{\mathrm{m}}}{\mathrm{dt}}\\ & =(A-BL)x+BM{u}_c-A_m{x}_m-B_m{u}_c\\ & =A_{m}e+(A-BL-A_m)x+(BM-B_m)u_c\\ & =A_{m}e+(A_c(\theta )-A_m)x+(B_c(\theta )-B_m)u_c\\ & =A_{m}e+\Psi (\theta -{\theta }^0)\\ S7:& 选择能量函数V(e,\theta )=\frac{1}{2}\left[\gamma e^{T}Pe+(\theta -{\theta }^0{)}^T(\theta -{\theta }^0)\right]\\ S8:& 对能量函数求导\frac{\mathrm{dV}}{\mathrm{dt}}=-\frac{\gamma }{2}{e}^{T}Qe+(\theta -{\theta }^0{)}^T(\frac{\mathrm{d}\theta }{\mathrm{dt}}+\gamma {\Psi }^{T}Pe)\\ S9:& 令\frac{\mathrm{d}\theta }{\mathrm{dt}}+\gamma {\Psi }^{T}Pe=0，有\frac{\mathrm{d}\theta }{\mathrm{dt}}=-\gamma {\Psi }^{T}Pe\end{array}$$

   4. 该方法要求系统中所有的状态变量都能被测量到。

3. 例3

   1. Figure：

      

   2. 推导过程：
      $$\begin{array}{rl}S1:& 误差函数为\\ & e=(kG(s)\theta -k_{0}G(s))u_c=kG(s)(\theta -{\theta }^0)u_c，其中{\theta }^0=\frac{k_0}{k}\\ S2:& 在状态空间中，参数\theta 和误差e之间的关系可以表示为\\ & \{\begin{array}{l}\frac{\mathrm{dx}}{\mathrm{dt}}=Ax+B(\theta -{\theta }^0)u_c\\ e=Cx\end{array}\\ S3:& 如果均质系统\dot{x}=Ax是渐进稳定的（传递函数严格正实，SPR），存在正定矩阵P和Q\\ & A^{T}P+PA=-Q\\ S4:& 选择如下李雅普诺夫函数\\ & V(x,\theta )=\frac{1}{2}\left[\gamma x^{T}Px+(\theta -{\theta }^0{)}^2\right]\\ S5:& 其导数为\\ & \frac{\mathrm{dV}}{\mathrm{dt}}=\frac{\gamma }{2}\left(\frac{\mathrm{d}{\mathrm{x}}^{\mathrm{T}}}{\mathrm{dt}}Px+x^{T}P\frac{\mathrm{dx}}{dt}\right)+(\theta -{\theta }^0)\frac{\mathrm{d}\theta }{\mathrm{dt}}\\ & =\frac{\gamma }{2}\left\{{\left[Ax+B{u}_v(\theta -{\theta }^0)\right]}^{T}Px+x^{T}P\left[Ax+B{u}_c(\theta -{\theta }^0)\right]\right\}+(\theta -{\theta }^0)\frac{\mathrm{d}\theta }{\mathrm{dt}}\\ & =-\frac{\gamma }{2}{x}^{T}Qx+(\theta -{\theta }^0)(\frac{\mathrm{d}\theta }{\mathrm{dt}}+\gamma u_c{B}^{T}Px)\end{array}$$

   3. 如果选择参数调整律为：
      $$\frac{\mathrm{d}\theta }{\mathrm{dt}}=-\gamma u_c{B}^{T}Px$$
      此时，在 $x\ne 0$ 的情况下，$dV/\mathrm{dt}<0$ 成立；当 $t\to \infty$ 时，状态向量 $x\to 0$ 且误差 $e=Cx\to 0$ ；但是不能保证参数误差 $\theta -{\theta }^0$ 趋于 $0$。

   4. 输出反馈

      1. 存在的问题：上述结果是非常严格的，因为它要求全部状态可测。

      2. 假设传递函数严格正实（SPR），存在正定矩阵 $P,Q$ ，使得：
         $$A^{T}P+PA=-Q$$

      3. 如果李雅普诺夫方程可以选择，就可以得到一个利用输出反馈的参数调整律，令：
         $$B^{T}P=C$$
         其中，$C$ 是系统的输出矩阵。选定此 $P$ 后，有：
         $$B^{T}Px=Cx=e$$
         于是参数调整律变化为：
         $$\frac{\mathrm{d}\theta }{\mathrm{dt}}=-\gamma u_c{B}^{T}Px=-\gamma u_{c}Cx=-\gamma u_{c}e$$

   5. MIT 方案：$$\frac{\mathrm{d}\theta }{\mathrm{dt}}=-\gamma \cdot e\cdot y_m$$

      基于Lyapunov稳定性理论的结果：$$\frac{\mathrm{d}\theta }{\mathrm{dt}}=-\gamma u_{c}e$$

   6. Figure：

      

15-增益调度自适应系统

一、增益调度系统概述

1. Figure：

   

2. 思想：利用辅助变量测出环境或者被控对象自身的变化，比如“增益”的变化，然后利用控制器补偿这种“增益”的变化所引起的控制系统性能的降低。

3. 实现：通过“函数设定”或“查表法”，又称为增益列表补偿法。

二、增益调度自适应控制系统举例

1. 例1：非线性阀门控制系统

   1. Figure：非线性阀门控制系统框图

      

      假设系统存在非线性环节 $f(\cdot )$，系统参数：
      $$\begin{array}{cc}{G}_0(s)=\frac{1}{(s+1{)}^3}& \nu =f(u)=u^4,u\ge 0\\ G_c(s)=K\left[1+\frac{1}{T_{i}s}\right]& T_i=1,K=0.15\end{array}$$
      $u_c$ 为阶跃信号，当其增大后，系统振荡。

   2. Figure：加上非线性环节后的控制系统的框图

      

      对非线性环节的逆的估计：
      $${\hat{f}}^{-1}(c)=\{\begin{array}{rlr}& 0.433c,& 0\le c\le 3\\ & 0.0538c+1.139,& 3\le c\le 16\end{array}$$
      加入非线性环节后，系统特性变好，当 $u_c$ 较大时，系统也不再振荡。

   3. 阀门的输入作为调度变量，改变“开环增益”来补偿阀门非线性特性对系统造成的影响。

   4. 总结：通过增加非线性补偿环节，闭环系统的特性有显著提高。可以通过改进补偿环节的近似程度进一步提高闭环系统的性能。

   5. 问题：阀门的非线性特性要是不知道呢？

2. 例2：水位控制系统

   1. Figure：水位控制系统框图

      

      其中：
      $$\begin{array}{rl}A(h)& ——水箱的横截面积，\\ h& ——液位的高度，\\ \rho & ——液体的密度，\\ p=\rho gh+p_a& ——液体内部的压强，其中p_a为标准大气压强（假设为常数）\\ {\omega }_i& ——输入流量，\\ {\omega }_o=k\sqrt{\Delta p}& ——输出流量，其中\Delta p=p-p_a。\end{array}$$

   2. 体积的表示：
      $$\begin{gathered} V={\int }_0^{h}A(\tau )\mathrm{d}\tau \\ \frac{\mathrm{dV}}{\mathrm{dt}}=\mathrm{A}(\mathrm{h})\frac{\mathrm{dh}}{\mathrm{dt}}={\omega }_{\mathrm{i}}-\mathrm{k}\sqrt{\rho \mathrm{gh}} \end{gathered}$$

   3. 推导过程

      1. 系统的状态空间描述：
         $$\begin{array}{rl}\dot{x}& =\frac{1}{A(x)}(u-c\sqrt{x})=f(x,u)\\ y& =x\end{array}$$
         其中：$x=h,u={\omega }_i,c=k\sqrt{\rho g}$ 。

      2. 引入增广系统：
         $$\begin{gathered} \{\begin{array}{l}\dot{x}=f(x,u)\\ \dot{\sigma }=x-r\end{array} \\ y=x \end{gathered}$$
         引入比例积分控制律：
         $$u=-k_1(\alpha )e-k_2(\alpha )\sigma$$
         其中，$\alpha$ 为期望的水位高度。有：
         $$\dot{x}=\frac{1}{A(x)}\left[-k_1(\alpha )e-k_2(\alpha )\sigma -c\sqrt{x}\right]$$

      3. 以上系统在平衡点 $(x_{ss},{\sigma }_{ss})$ 处线性化后得到：
         $$\begin{array}{rl}\left[\begin{array}{c}{\dot{x}}_{\delta }\\ {\dot{\sigma }}_{\delta }\end{array}\right]& =\left[\begin{array}{cc}-\frac{c\sqrt{(}\alpha )}{2A(\alpha )\alpha }-\frac{1}{A(\alpha )}{k}_1(\alpha )& -\frac{1}{A(\alpha )}{k}_2(\alpha )\\ 1& 0\end{array}\right]\left[\begin{array}{c}{x}_{\delta }\\ {\sigma }_{\delta }\end{array}\right]+\left[\begin{array}{c}\frac{1}{A(\alpha )}{k}_1(\alpha )\\ -1\end{array}\right]r_{\delta }\\ y_{\delta }& =\left[\begin{array}{cc}1& 0\end{array}\right]\left[\begin{array}{c}{x}_{\delta }\\ {\sigma }_{\delta }\end{array}\right]\end{array}$$
         简记为：
         $$\begin{array}{rl}{\dot{\xi }}_{\delta }& =\left[\begin{array}{cc}a(\alpha )-b(\alpha )k_1(\alpha )& -b(\alpha )k_2(\alpha )\\ 1& 0\end{array}\right]{\xi }_{\delta }+\left[\begin{array}{c}b(\alpha )k_1(\alpha )\\ -1\end{array}\right]r_{\delta }\\ y_{\delta }& =\left[\begin{array}{cc}1& 0\end{array}\right]\left[\begin{array}{c}{x}_{\delta }\\ {\sigma }_{\delta }\end{array}\right]\end{array}$$
         其中：
         $$\begin{array}{cc}b(\alpha )=\frac{1}{A(\alpha )}& a(\alpha )=-\frac{c\sqrt{\alpha }}{2A(\alpha )\alpha }\\ {\xi }_{\delta }={\left[\begin{array}{cc}{x}_{\delta }& {\sigma }_{\delta }\end{array}\right]}^T& x_{\delta }=x-\alpha \\ {\sigma }_{\delta }=\sigma -{\sigma }_{ss}& r_{\delta }=r-\alpha \end{array}$$

      4. 选取控制器参数：
         $$\begin{array}{rl}{k}_1(\alpha )& =A(\alpha )2\xi {\omega }_n\\ k_2(\alpha )& =A(\alpha ){\omega }_n^2\end{array}$$
         闭环系统方程：
         $$\begin{array}{rl}{\dot{\xi }}_{\delta }& =\left[\begin{array}{cc}a(\alpha )-2\xi {\omega }_n& -{\omega }_n^2\\ 1& 0\end{array}\right]{\xi }_{\delta }+\left[\begin{array}{c}2\xi {\omega }_n\\ -1\end{array}\right]r_{\delta }\\ y_{\delta }& =\left[\begin{array}{cc}1& 0\end{array}\right]{\xi }_{\delta }\end{array}$$
         被控对象的传递函数：
         $$G(s)=\frac{2\xi {\omega }_{n}s+{\omega }_n^2}{s^2+[2\xi {\omega }_n-a(\alpha )]s+{\omega }_n^2}$$

      5. 此时，控制律的形式：
         $$\begin{array}{rl}u& =-k_1(\alpha )e-k_2(\alpha )\sigma \\ \dot{\sigma }& =x-r\end{array}$$
         增益调度控制律：
         $$\begin{array}{rl}u& =-k_1(r)e-k_2(r)\sigma \\ \dot{\sigma }& =x-r\end{array}$$

      6. 引入增益调度控制器后，闭环系统变为：
         $$\begin{array}{rl}& \{\begin{array}{c}\dot{x}=f\left[x,-k_1(r)(x-r)-k_2(r)\sigma \right]\\ \dot{\sigma }=x-r\end{array}\\ & y=x\end{array}$$
         其中
         $$\dot{x}=\frac{1}{A(x)}\left[-k_1(r)(x-r)-k_2(r)\sigma -c\sqrt{x}\right]$$

      7. 此时被控对象的传递函数：
         $$G(s)=\frac{[2\xi {\omega }_n+\gamma (\alpha )]s+{\omega }_n^2}{s^2+[2\xi {\omega }_n-a(\alpha )]s+{\omega }_n^2}$$
         其中：
         $$\gamma (\alpha )=\frac{A^{\prime }(\alpha )c\sqrt{\alpha }}{A^2(\alpha )}$$

      8. 修改后的控制算法：
         $$\begin{array}{l}u=-k_1(r)e-k_2(r)\sigma \\ \dot{\sigma }=x-r\end{array}⟶\begin{array}{l}u=-k_1(r)e+\eta \\ \dot{\eta }=-k_2(r)e\end{array}$$

   4. Figure：原始增益调度算法与修改后的增益调度算法

      

      根据修改后的控制算法，闭环系统在平衡点线性化：
      $$\begin{array}{rl}{\dot{\xi }}_{\delta }& =\left[\begin{array}{cc}a(\alpha )-2\xi {\omega }_n& b(\alpha )\\ -\frac{{\omega }_n^2}{b(\alpha )}& 0\end{array}\right]{\xi }_{\delta }+\left[\begin{array}{c}2\xi \omega \\ \frac{{\omega }_n^2}{b(\alpha )}\end{array}\right]r_{\delta }\\ y_{\delta }& =\left[\begin{array}{cc}1& 0\end{array}\right]{\xi }_{\delta }\end{array}$$
      平衡点的传递函数：
      $$G(s)=\frac{2\xi {\omega }_{n}s+{\omega }_n^2}{s^2+[2\xi \omega -a(\alpha )]s+{\omega }_n^2}$$

   5. Figure：开环对象

      

   6. Figure：定系数 PI 控制律仿真图

      

      当阶跃信号 $r$ 很大时，系统会发生振荡。

   7. Figure：增益调度系统仿真框图

      

      当阶跃信号 $r$ 很大时，系统也不会发生振荡。

3. 例3：考虑如下非线性系统

   1. 系统的表示：
      $$\begin{array}{rl}\dot{x}& =f(x,u,\nu ,\omega )\\ y& =h(x,\omega )\\ y_m& =h_m(x,\omega )\end{array}$$
      其中：
      $$\begin{array}{rl}x& ——状态变量；\\ u& ——控制输入；\\ \nu & ——可测到的外部输入；\\ \omega & ——不确知的常参数；\\ y& ——被控输出；\\ y_m& ——能测量到的有关系统的信息。\end{array}$$

   2. 目的：设计“输出”反馈控制律，使系统能够“很好的”跟踪指令信号 $r$ 。

      ​ 具体来说，就是考虑存在不确定性 $\omega$ 的条件下，利用能够测量到的量（调度变量）$\rho =\left[\begin{array}{c}r\\ \nu \end{array}\right]$，最终使得控制偏差在给定范围或者趋于零，即 $e=y-r\to 0$ 。

   3. 以 $\rho$ 作为调度变量，$\rho =\alpha$ ，控制律形式如下：
      $$\begin{array}{l}\dot{\sigma }=e=y-r（为了消除稳态误差引入的项）\\ \dot{z}=F(\alpha )z+G_1(\alpha )\sigma +G_2(\alpha )y_m\\ u=L(\alpha )z+M_1(\alpha )\sigma +M_2(\alpha )y_m+M_3(\alpha )e\end{array}$$
      闭环系统方程如下：
      $$\begin{array}{l}\dot{x}=f(x,L(\alpha )z+M_1(\alpha )\sigma +M_2(\alpha )h_m(x,\omega )+M_3(\alpha )e,\nu ,\omega )\\ \dot{\sigma }=e=h(x,\omega )-r\\ \dot{z}=F(\alpha )z+G_1(\alpha )\sigma +G_2(\alpha )h_m(x,\omega )\\ y=h(x,\omega )\end{array}$$

      在平衡点 $(x,\sigma ,z)=(x_{ss},{\sigma }_{ss},z_{ss})$ 以及 $\rho =\alpha$ 处线性化处理得：
      $$\begin{gathered} \{\begin{array}{l}{\dot{\xi }}_{\delta }=A_f(\alpha ,\omega ){\xi }_{\delta }+B_f(\alpha ,\omega ){\rho }_{\delta }\\ y_{\delta }=C_f(\alpha ,\omega ){\xi }_{\delta }\end{array} \\ \begin{array}{cc}{A}_f=\left[\begin{array}{ccc}A+B{M}_2{C}_m+B{M}_{3}C& B{M}_1& BL\\ C& 0& 0\\ G_2{C}_m& G_1& F\end{array}\right]& B_f=\left[\begin{array}{cc}-B{M}_3& E\\ -I& 0\\ 0& 0\end{array}\right]\\ C_f=\left[\begin{array}{ccc}C& 0& 0\end{array}\right]& \end{array} \end{gathered}$$
      其中：
      $$\begin{array}{cccc}A=\frac{\partial f}{\partial x}& B=\frac{\partial f}{\partial u}& C=\frac{\partial h}{\partial x}& C_m=\frac{\partial h_m}{\partial x}\\ E=\frac{\partial f}{\partial \nu }& {\xi }_{\delta }=\left[\begin{array}{c}x-x_{ss}\\ \sigma -{\sigma }_{ss}\\ z-z_{ss}\end{array}\right]& {\rho }_{ss}=\rho -\alpha =\left[\begin{array}{c}{r}_{\delta }\\ {\nu }_{\delta }\end{array}\right]& \end{array}$$
      最终的增益调度控制律：
      $$\begin{array}{l}\dot{\sigma }=e=y-r\\ \dot{z}=F(\rho )z+G_1(\rho )\sigma +G_2(\rho )y_m（F(\rho )将固定的“值”用调度变量代替）\\ u=L(\rho )z+M_1(\rho )\sigma +M_2(\rho )y_m+M_3(\rho )e\end{array}$$

   4. 修改控制律，假设可以测量到 ${\dot{y}}_m$ ：
      $$\begin{array}{l}\dot{\phi }=F(\rho )\phi +G_1(\rho )e+G_2(\rho ){\dot{y}}_m\\ \dot{\eta }=L(\rho )\phi +M_1(\rho )e+M_2(\rho ){\dot{y}}_m\\ u=\eta +M_3(\rho )e\end{array}$$
      整个闭环系统变为：
      $$\begin{array}{l}\dot{x}=f(x,\eta +M_3(\rho )e,\nu ,\omega )\\ \dot{\phi }=F(\rho )\phi +G_1(\rho )e+G_2(\rho ){\dot{y}}_m\\ \dot{\eta }=L(\rho )\phi +M_1(\rho )e+M_2(\rho ){\dot{y}}_m\end{array}$$
      其中：
      $$\{\begin{array}{l}y=h(x,\omega )\\ e=h(e,\omega )-r\\ {\dot{y}}_m=\frac{\partial h_m}{\partial x}(x,\omega )f(x,\eta +M_3(\rho )e,\nu ,\omega )\end{array}$$
      整个闭环系统的状态空间表达式简写如下：
      $$\begin{gathered} \dot{X}=g(X,\rho ,\omega ) \\ y=h(x,\omega ) \end{gathered}$$
      其中：
      $$\begin{array}{cc}X=\left[\begin{array}{c}x\\ \phi \\ \eta \end{array}\right]& g(X,\rho ,\phi )=\left[\begin{array}{c}f(x,\eta +M_3(\rho )e,\nu ,\omega )\\ F(\rho )\phi +G_1(\rho )e+G_2(\rho ){\dot{y}}_m\\ L(\rho )\phi +M_1(\rho )e+M_2(\rho ){\dot{y}}_m\end{array}\right]\end{array}$$

   5. 定理：考虑上述状态空间下的闭环系统，假设 $\rho (t)$ 是连续可微的，$\rho (t)\in S$，$S$ 是 $D_{\rho }$ 的一个紧子集，并且 $\Vert \dot{\rho }(t)\Vert \le \mu ,\forall t\ge 0$ 。那么，存在正的常数 $k_1,k_2,k_3$ 和 $T$ ，使得如果 $\mu <k_1$ 且 $\Vert X(0)-X_{ss}(\rho (0),\omega )\Vert \le k_2$ ，那么 $X(t)$ 在 $t\ge 0$ 上为一致有界，并且：
      $$\Vert e(t)\Vert \le k\mu ,\forall t\ge T$$
      更进一步，如果 $\rho (t)\to {\rho }_{ss}$ 并且当 $t\to \infty$ 时 $\dot{\rho }(t)\to 0$ ，那么：
      $$e(t)\to 0,t\to \infty$$
      定理说明：如果调度变量缓慢变化并且初始状态离平衡点足够的近，那么跟踪误差将会与调度变量的变化值成正比，并且如果调度变量趋近于常值，则跟踪误差将趋近于零。

   6. 假如得不到 ${\dot{y}}_m$，则采用如下控制律：
      $$\begin{array}{l}\dot{\phi }=F(\rho )\phi +G_1(\rho )e+G_2(\rho )\vartheta \\ \dot{\eta }=L(\rho )\phi +M_1(\rho )e+M_2(\rho )\vartheta \\ u=\eta +M_3(\rho )e\\ \epsilon \dot{\xi }=-\xi +y_m,\vartheta =\frac{1}{\epsilon }(-\xi +y_m)\end{array}$$
      最终的闭环传递函数为：
      $$\begin{array}{l}\dot{X}=g(X,\rho ,\omega )+N(\rho )(\vartheta -{\dot{y}}_m)\\ \epsilon \dot{\vartheta }=-\vartheta +{\dot{y}}_m\\ y=h(x,\omega )\\ N(\rho )=\left[\begin{array}{c}0\\ G_2\\ M_2\end{array}\right]\end{array}$$

4. 例4：空间机器人重力补偿控制系统

5. 结论：增益调度方法思路简洁，可有效提高非线性控制系统的控制性能。

6. 问题：如何将增益调度的思路和基于参数估计的随机自适应系统有效结合？
   将会与调度变量的变化值成正比，并且如果调度变量趋近于常值，则跟踪误差将趋近于零。