【Advanced控制理论】Nonlinear Backstepping Control反馈线性化控制基本原理及Simulink仿真（附Simulink程序）

最近在学习b站上DR_CAN的Advanced控制理论课程，打算将自己感觉重要的部分以BLOG的方式记笔记。本节课链接为：https://www.bilibili.com/video/BV1BW411M7v4

假设一模型图如下，

其中$\alpha$为弹性系数，物块质量为$m$，物块水平位移记为$x$，在物块右端施加一外力使得物块以期望轨迹运动。其动态方程可写为：$$m\ddot{x}+\alpha x^3=F$$

令：$$F=u——(Input)$$$$x_1=x——(Displacement)$$$$x_2=\dot{x}——(Velocity)$$
可得：$$\dot{x_1}=\dot{x}=x_2\text{\hspace{1em}(1)}$$$$\dot{x_2}=\ddot{x}=-\frac{\alpha }{m}{x}_1^3+\frac{1}{m}u\text{\hspace{1em}(2)}$$

求出$u$即可求得$\dot{x_2}$，即可求得$\dot{x_1}$，这种方式称为Chain of Integrator。
引入$e(error)$，其中$x_{1d}$为期望的$x_1$值，$$e=x_{1d}-x_1\text{\hspace{1em}(3)}$$$$\dot{e}=\dot{x_{1d}}-\dot{x_1}=\dot{x_{1d}}-x_2\text{\hspace{1em}(4)}$$

我们的目标是$e\to 0$，即需要找到Lyapunov函数$V(e)$，使得$V(e)$为$PD$，$\dot{V}(e)$为$ND$，即可得到$e\to 0$。设$$V_1=\frac{1}{2}{e}^2\text{\hspace{1em}(5)}$$

这样$V_{1(0)}=0且V_{1(e\ne 0)}>0$，即$V_1$为$PD$，$$\dot{V_1}=\frac{\partial V_1}{\partial e}\cdot \frac{de}{dt}=e\dot{e}=e(\dot{x_{1d}}-x_2)\text{\hspace{1em}(6)}$$

我们希望${\dot{V}}_1$为$ND$，设：$$x_{2d}={\dot{x}}_{1d}+k_{1}e\text{\hspace{1em}(7)}$$

其中$k_1>0$为系统增益(GAIN)，$x_{2d}$为期望的$x_2$值，这样代入$(6)$式可得${\dot{V}}_1=-k_1{e}^2$为$ND$，所以我们的新目标为$\delta \to 0$，其中：$$\delta =x_{2d}-x_2\text{\hspace{1em}(8)}$$$$\dot{\delta }=\dot{x_{2d}}-\dot{x_2}\text{\hspace{1em}(8.5)}$$

将$(8)$式代入$(6)$式和$(7)$式可得：$$\dot{V_1}=e(\dot{x_{1d}}-(x_{2d}-\delta ))=-k_1{e}^2+e\delta \text{\hspace{1em}(9)}$$

我们期望$e\delta \to 0$，即有这样一个系统$V_{(e,\delta )}$为$PD$，${\dot{V}}_{(e,\delta )}$为$ND$。将$(8.5)$式代入$(2)$式和$(7)$式可得：$$\dot{\delta }={\ddot{x}}_{1d}+k_1\dot{e}-(-\frac{\alpha }{m}{x}_1^3+\frac{1}{m}u)$$

再代入$(4)$式可得：$$\dot{\delta }={\ddot{x}}_{1d}+k_1(\dot{x_{1d}}-x_2)+\frac{\alpha }{m}{x}_1^3-\frac{1}{m}u\text{\hspace{1em}(10)}$$

设$$V_2=V_1+\frac{1}{2}{\delta }^2（PD）$$$${\dot{V}}_2={\dot{V}}_1+\delta \dot{\delta }$$

代入$(9)$式得：$${\dot{V}}_2=-k_1{e}^2+e\delta +\delta \dot{\delta }=-k_1{e}^2+\delta (e+\dot{\delta })$$

我们期望${\dot{V}}_2$为$(ND)$，则假设$$e+\dot{\delta }=-k_2\delta$$

其中$k_2>0$为系统增益（GAIN），将上式代入$(10)$可得：$$e+{\ddot{x}}_{1d}+k_1(\dot{x_{1d}}-x_2)+\frac{\alpha }{m}{x}_1^3-\frac{1}{m}u=-k_2\delta$$

整理得：$$u=me+m{\ddot{x}}_{1d}+m{k}_1({\dot{x}}_{1d}-x_2)+\alpha x_1^3+m{k}_2\delta \text{\hspace{1em}(11)}$$

检验：将$(8)$式代入$(4)$式和$(7)$式可得：$$\dot{e}=\dot{x_{1d}}-x_{2d}+\delta =\dot{x_{1d}}-({\dot{x}}_{1d}+k_{1}e)+\delta =-k_{1}e+\delta$$

将$(11)$式代入$(10)$式可得：$$\dot{\delta }=-e-k_2\delta$$

将结果写成矩阵的形式为：$$\left[\begin{array}{c}\dot{e}\\ \dot{\delta }\end{array}\right]=\left[\begin{array}{cc}-k_1& 1\\ -1& -k_2\end{array}\right]\left[\begin{array}{c}e\\ \delta \end{array}\right]$$

可以看到他们之间为线性关系，整个过程称为Feedback Linearization，设：$${\lambda }_1+{\lambda }_2=\Lambda =-k_1-k_2<0$$$${\lambda }_1\cdot {\lambda }_2=|A|=k_1{k}_2+1>0$$

得出：$${\lambda }_1<0,{\lambda }_2<0$$

关于系统的平衡点，可以看到$$当\left[\begin{array}{c}\dot{e}\\ \dot{\delta }\end{array}\right]=0时\left[\begin{array}{c}e\\ \delta \end{array}\right]=0$$

系统为Asympototically Stable。

============================================================================
接下来进行Matlab Simulink仿真如下：

Desired系统如下图：
当输入为正弦曲线时，系统进行仿真得到结果如图，其中黄线为期望轨迹，蓝线为控制器实现的轨迹，可以看到5s后的曲线轨迹追踪基本一致。
此时我们也可以得到输入u的曲线图，即输入F的曲线如下：
Simulink程序源文件：
链接：https://pan.baidu.com/s/17UZsi_GtJT-a0_cGKPqNAw
提取码：tvvo