降阶系统总结
线性系统
{ E d x ( t ) d t = A x ( t ) + B u ( t ) , y ( t ) = C x ( t ) . \begin{cases} E\frac{dx(t)}{dt}=Ax(t)+Bu(t),\\ y(t)=Cx(t). \end{cases} {Edtdx(t)=Ax(t)+Bu(t),y(t)=Cx(t).
其中 E , A ∈ R n × n , B ∈ R n × p , C ∈ R m × n , x ( t ) ∈ R n , u ( t ) ∈ R p , y ( t ) ∈ R m E,A\in\mathbb{R}^{n\times n},B\in\mathbb{R}^{n\times p},C\in\mathbb{R}^{m\times n},x(t)\in\mathbb{R}^n,u(t)\in \mathbb{R}^p,y(t)\in \mathbb{R}^m E,A∈Rn×n,B∈Rn×p,C∈Rm×n,x(t)∈Rn,u(t)∈Rp,y(t)∈Rm.
系统
(
1
)
(1)
(1)的传递函数为
H
(
s
)
=
C
(
s
E
−
A
)
−
1
B
.
H(s)=C(sE-A)^{-1}B.
H(s)=C(sE−A)−1B.
渐进波形估计模型降阶方法(AWE)
AWE就是对传递函数 H ( s ) H(s) H(s)做 P a d e Pade Pade有理逼近得到 H ^ ( s ) \hat{H}(s) H^(s),再对 H ^ ( s ) \hat{H}(s) H^(s)做逆Laplace变换,得到传递函数 H ( s ) H(s) H(s)在时间域上的近似响应 h ^ ( t ) \hat{h}(t) h^(t),从而输出波形近似 y ^ ( t ) = h ^ ( t ) ∗ u ( t ) \hat{y}(t)=\hat{h}(t)*u(t) y^(t)=h^(t)∗u(t).
缺点:数值不稳定.
Krylov子空间模型降阶方法
构造
c
o
l
s
p
a
n
(
V
)
=
K
r
(
A
−
1
E
,
A
−
1
B
)
colspan(V)= K_r(A^{-1}E,A^{-1}B)
colspan(V)=Kr(A−1E,A−1B),利用
V
V
V可得系统
(
1
)
(1)
(1)的降阶系统:
{
E
~
d
x
~
(
t
)
d
t
=
A
~
x
~
(
t
)
+
B
~
u
(
t
)
,
y
~
(
t
)
=
C
~
x
~
(
t
)
.
\begin{cases} \tilde{E}\frac{d\tilde{x}(t)}{dt}=\tilde{A}\tilde{x}(t)+\tilde{B}u(t),\\ \tilde{y}(t)=\tilde{C}\tilde{x}(t). \end{cases}
{E~dtdx~(t)=A~x~(t)+B~u(t),y~(t)=C~x~(t).
其中,
E
~
=
V
T
E
V
,
A
~
=
V
T
A
V
,
B
~
=
V
T
B
,
C
~
=
C
T
V
,
x
~
(
t
)
∈
R
r
\tilde{E}=V^TEV,\tilde{A}=V^TAV,\tilde{B}=V^TB,\tilde{C}=C^TV,\tilde{x}(t)\in\mathbb{R}^r
E~=VTEV,A~=VTAV,B~=VTB,C~=CTV,x~(t)∈Rr.
则系统 ( 3 ) (3) (3)即为系统 ( 1 ) (1) (1)的 r r r阶降阶系统,并且降阶系统 ( 3 ) (3) (3)的传递函数匹配原始系统 ( 1 ) (1) (1)传递函数的前 r r r阶矩.
缺点:如果我们希望通过匹配传递函数的更多矩来获得更精确的降阶系统,我们就需要在 K r K_r Kr中添加更多的矩向量,那么降阶系统的阶数r将会相应增加。此外,如果线性系统是多输入的系统,那么 u ( t ) u(t) u(t)是向量而不是标量函数,从而 B B B相应的就会有许多列,这样的话 K r K_r Kr就会有许多列,也即 V V V会有许多列。这就可能导致降阶系统的阶数 r r r不够小,甚至接近原始系统的阶数 n n n.
对于形式特殊的矩阵有PRIMA算法和SPRIM算法.
平衡阶段模型降阶方法
优点:平衡阶段方法可以很容易得到降阶系统与原始系统之间的误差关系.
在对系统进行截断降阶之前,需要对原始系统做平衡变换.首先给出平衡变换的定义:
系统Hankel奇异值的定义是:一个线性时不变系统的Hankel奇异值是系统的可控Gram矩阵P和可观Gram矩阵Q的乘积的特征值的平方根,即
σ
i
=
λ
i
(
P
Q
)
,
i
=
1
,
2
,
⋯
,
n
.
\sigma_i=\sqrt{\lambda_i(PQ)},i=1,2,\cdots,n.
σi=λi(PQ),i=1,2,⋯,n.
接下去让我们考虑平衡截断的算法,考虑如下最小实现系统:
{
d
x
(
t
)
d
t
=
A
x
(
t
)
+
B
u
(
t
)
,
y
(
t
)
=
C
x
(
t
)
+
D
u
(
t
)
.
\begin{cases} \frac{dx(t)}{dt}=Ax(t)+Bu(t),\\ y(t)=Cx(t)+Du(t). \end{cases}
{dtdx(t)=Ax(t)+Bu(t),y(t)=Cx(t)+Du(t).
系统
(
5
)
(5)
(5)经平衡变换T作用后的平衡系统为:
{
d
x
^
(
t
)
d
t
=
A
^
x
^
(
t
)
+
B
^
u
(
t
)
,
y
^
(
t
)
=
C
^
x
^
(
t
)
+
D
^
u
(
t
)
.
\begin{cases} \frac{d\hat{x}(t)}{dt}=\hat{A}\hat{x}(t)+\hat{B}u(t),\\ \hat{y}(t)=\hat{C}\hat{x}(t)+\hat{D}u(t). \end{cases}
{dtdx^(t)=A^x^(t)+B^u(t),y^(t)=C^x^(t)+D^u(t).
其中
A
^
=
T
−
1
A
T
,
B
^
=
T
−
1
B
,
C
^
=
C
T
,
D
^
=
D
.
\hat{A}=T^{-1}AT,\hat{B}=T^{-1}B,\hat{C}=CT,\hat{D}=D.
A^=T−1AT,B^=T−1B,C^=CT,D^=D.
除此之外,还有
P
^
=
T
−
1
P
T
−
T
=
Q
^
=
T
T
Q
T
=
Σ
=
d
i
a
g
{
σ
1
I
n
1
,
σ
2
I
n
2
,
⋯
,
σ
k
I
n
k
}
\hat{P}=T^{-1}PT^{-T}=\hat{Q}=T^TQT=\Sigma=diag\{\sigma_1I_{n_1},\sigma_2I_{n_2},\cdots,\sigma_kI_{n_k}\}
P^=T−1PT−T=Q^=TTQT=Σ=diag{σ1In1,σ2In2,⋯,σkInk}
其中,
σ
i
\sigma_i
σi按降序排列,
∑
i
=
1
k
n
i
=
n
\sum_{i=1}^kn_i=n
∑i=1kni=n,这里
n
i
n_i
ni为
σ
i
\sigma_i
σi的重数.
以下为截断Hankel奇异值得到 q q q阶降阶模型的过程:
非线性系统
非线性系统具有以下形式:
{
d
x
(
t
)
d
t
=
f
(
x
(
t
)
)
+
b
u
(
t
)
,
y
=
c
T
x
(
t
)
.
\begin{cases} \frac{dx(t)}{dt}=f(x(t))+bu(t),\\ y=c^Tx(t). \end{cases}
{dtdx(t)=f(x(t))+bu(t),y=cTx(t).
其中
f
(
x
(
t
)
)
f(x(t))
f(x(t))是关于
x
(
t
)
x(t)
x(t)的非线性函数.
我们可以用如下非线性电路作为示例:
The quadratic reduction method(二次规约法)
假设 f ( x ) f(x) f(x)足够光滑而且其 T a y l o r Taylor Taylor展开如下:
其中 D f ( 0 ) D_f(0) Df(0)是 f f f在0处的Jacobian矩阵, H f ( 0 ) H_f(0) Hf(0)是Hessen tensor.
利用 f ( x ) f(x) f(x)的 T a y l o r Taylor Taylor展开可以得到如下的二次非线性系统,它是系统 ( 8 ) (8) (8)的近似:
投影矩阵
V
V
V由线性系统的
K
r
y
l
o
v
Krylov
Krylov子空间方法启发得到:
s
p
a
n
c
o
l
u
m
n
V
=
s
p
a
n
{
A
−
1
b
,
A
−
2
b
,
⋯
,
A
−
q
b
}
spancolumn{V}=span\{A^{-1}b,A^{-2}b,\cdots,A^{-q}b\}
spancolumnV=span{A−1b,A−2b,⋯,A−qb}
从而降阶系统是(
x
=
V
z
x=Vz
x=Vz):
{
d
z
d
t
=
A
^
z
+
A
^
V
T
A
−
1
z
T
V
T
W
V
z
+
A
^
V
T
b
1
u
(
t
)
,
y
=
c
T
V
z
.
\begin{cases} \frac{dz} {dt}=\hat{A}z+\hat{A}V^TA^{-1}z^TV^TWVz+\hat{A}V^Tb_1u(t),\\ y=c^TVz. \end{cases}
{dtdz=A^z+A^VTA−1zTVTWVz+A^VTb1u(t),y=cTVz.
其中
A
^
=
(
V
T
A
−
1
V
)
−
1
\hat{A}=(V^TA^{-1}V)^{-1}
A^=(VTA−1V)−1.
二次规约法虽然比如下传统线性系统近似更精确,但它在形成正交投影矩阵V的时候不包含 f f f的非线性部分.
Bilinearazation reduction method(双线性化降阶方法)
假设 f ( x ) f(x) f(x)可以写成如下多元级数表示的形式:
其中 ϕ j \phi_j ϕj是j元线性函数.
通常情况下, ϕ j \phi_j ϕj有不同的选择方式.以下根据Kronecker乘积给出一种具体表达式.记:
对非线性函数 f ( x ) f(x) f(x)进行多元函数展开,得:
将上式代入系统的状态方程,就有:
我们使用前两项逼近 f ( x ) f(x) f(x),即:
由以下可知Kronecker乘积满足的等式:
d
x
⊗
x
d
t
=
x
˙
⊗
x
+
x
⊗
x
˙
=
[
A
1
x
+
A
2
x
⊗
x
+
b
u
]
⊗
x
+
x
⊗
[
A
1
x
+
A
2
x
⊗
x
+
b
u
]
=
[
(
A
1
⊗
I
)
(
x
⊗
x
)
+
⋯
]
+
(
b
⊗
I
)
x
u
+
[
(
I
⊗
A
1
)
(
x
⊗
x
)
+
⋯
]
+
(
I
⊗
b
)
x
u
=
[
(
A
1
⊗
I
+
I
⊗
A
1
)
(
x
⊗
x
)
+
⋯
]
+
[
(
b
⊗
I
)
+
(
I
⊗
b
)
]
x
u
.
\begin{aligned} \frac{dx\otimes x}{dt} &= \dot{x}\otimes x+x\otimes\dot{x}\\ &=[A_1x+A_2x\otimes x+bu]\otimes x+x\otimes[A_1x+A_2x\otimes x+bu]\\ &=[(A_1\otimes I)(x\otimes x)+\cdots]+(b\otimes I)xu+[(I\otimes A_1)(x\otimes x)+\cdots]+(I\otimes b)xu\\ &=[(A_1\otimes I+I\otimes A_1)(x\otimes x)+\cdots]+[(b\otimes I)+(I\otimes b)]xu. \end{aligned}
dtdx⊗x=x˙⊗x+x⊗x˙=[A1x+A2x⊗x+bu]⊗x+x⊗[A1x+A2x⊗x+bu]=[(A1⊗I)(x⊗x)+⋯]+(b⊗I)xu+[(I⊗A1)(x⊗x)+⋯]+(I⊗b)xu=[(A1⊗I+I⊗A1)(x⊗x)+⋯]+[(b⊗I)+(I⊗b)]xu.
若记:
则可得如下双线性系统,它是对原始系统 ( 8 ) (8) (8)的近似:
考虑如下单输入单输出系统:
以下给出上述双线性系统的Volterra级数输入输出表达形式.上述系统的输入变量 u ( t ) u(t) u(t)和输出变量 y ( t ) y(t) y(t)的关系可以写成下列Volterra级数形式:
其中 h k h_k hk具有如下的形式:
已知 e A t e^{At} eAt的Laplace变换为 L { e A t } = ( s I − A ) − 1 \mathcal{L}\{e^{At}\}=(sI-A)^{-1} L{eAt}=(sI−A)−1.
从而 h k ( t 1 , t 2 , ⋯ , t k ) h_k(t_1,t_2,\cdots,t_k) hk(t1,t2,⋯,tk)的多元Laplace变换具有形式:
我们称 H k ( s 1 , s 2 , ⋯ , s k ) H_k(s_1,s_2,\cdots,s_k) Hk(s1,s2,⋯,sk)为双线性系统的第k阶传递函数.
同时我们化简 H k H_k Hk:
其中 m k ( l 1 , l 2 , ⋯ , l k ) m_k(l_1,l_2,\cdots,l_k) mk(l1,l2,⋯,lk)为 H k ( s 1 , s 2 , ⋯ , s k ) H_k(s_1,s_2,\cdots,s_k) Hk(s1,s2,⋯,sk)的矩,并且有:
由各阶传递函数的矩,我们构造多重Krylov子空间.记第一重Krylov子空间为 c o l s p a n V ( 1 ) = K q 1 ( A − 1 ; A − 1 b ) colspan{V^{(1)}}=K_{q1}(A^{-1};A^{-1}b) colspanV(1)=Kq1(A−1;A−1b).同时,对于 k = 2 , 3 , ⋯ , r k=2,3,\cdots,r k=2,3,⋯,r,则第 k k k重krylov子空间可以写为:
综合这些矩阵 { V ( k ) } \{V^{(k)}\} {V(k)},应用QR分解,可以得到标准列正交矩阵V,它满足:
利用V对原始双线性系统进行降阶.
假设矩阵A非奇异,则原始系统可以转化为:
利用变换矩阵V,就可以构造如下系统:
其中 x ~ ( t ) ∈ R q \tilde{x}(t)\in\mathbb{R}^q x~(t)∈Rq.再对上述系统的状态方程两端左乘 V T V^T VT,并且注意到 V T V = I q V^TV=I_q VTV=Iq,就可以得到如下降阶系统:
其中 A ~ = ( V T A − 1 V ) − 1 \tilde{A}=(V^TA^{-1}V)^{-1} A~=(VTA−1V)−1, N ~ = A ~ V T A − 1 N V \tilde{N}=\tilde{A}V^TA^{-1}NV N~=A~VTA−1NV, b ~ = A ~ V T A − 1 b \tilde{b}=\tilde{A}V^TA^{-1}b b~=A~VTA−1b, c ~ = V T c \tilde{c}=V^Tc c~=VTc.
至此,部分总结了线性与非线性系统的降阶方法.