控制系统：基础知识

收敛速度：
在数值分析中, 一个收敛序列向其极限逼近的速度称为收敛速度(Rate of convergence). 该概念多用于最优化算法中; 其被定义为一个迭代序列向其局部最优值逼近 (假设计算过程收敛, 并能达到最优值) 的速度, 是评价一个迭代法于该问题中发挥的性能的一个重要指针. [1]

---

倒立摆：

倒立摆的控制问题就是使摆杆尽快地达到一个平衡位置，并且使之没有大的振荡和过大的角度和速度。当摆杆到达期望的位置后，系统能克服随机扰动而保持稳定的位置。

倒立摆系统的输入为小车的位移（即位置）和摆杆的倾斜角度期望值，计算机在每一个采样周期中采集来自传感器的小车与摆杆的实际位置信号，与期望值进行比较后，通过控制算法得到控制量，再经数模转换驱动直流电机实现倒立摆的实时控制。

直流电机通过皮带带动小车在固定的轨道上运动，摆杆的一端安装在小车上，能以此点为轴心使摆杆能在垂直的平面上自由地摆动。作用力F平行于铁轨的方向作用于小车，使杆绕小车上的轴在竖直平面内旋转，小车沿着水平铁轨运动。当没有作用力时，摆杆处于垂直的稳定的平衡位置（竖直向下）。为了使杆子摆动或者达到竖直向上的稳定，需要给小车一个控制力，使其在轨道上被往前或朝后拉动。

例子：

---

小车倒立摆：

---

常见的控制算法有如下几种：：

(1)经典控制理论：通过对倒立摆系统的力学分析，建立系统的动力学数学模型，基于系统的输入输出的数学关系，推导出系统的传递函数。所谓输出反馈原理，就是根据

系统输出变化的信息来进行控制，即通过比较系统行为（输出）与期望行为之间的偏差，并消除偏差以获得预期的系统性能

(2)现代控制理论：状态反馈。通过对倒立摆系统物理模型的分析，建立系统的动力学模型，然后使用状态空间理论推导出状态方程和输出方程，应用状态反馈，实现对倒立摆的控制。常见的方法有：1）极点配置，2）线性二次型最优控制，3）鲁棒控制，4）状态反馈控制。

(3)模糊控制理论：主要是确定模糊规则，克服系统的非线性和不确定性实现对倒立摆的稳定控制。利用模糊数学的基本思想和理论的控制方法。在传统的控制领域里，控制系统动态模式的精确与否是影响控制优劣的最主要关键，系统动态的信息越详细，则越能达到精确控制的目的

(4)神经网络控制理论。利用神经网络能够充分逼近复杂的非线性关系，学习与适应严重不确定系统的动态特性，与其他控制方法结合实现对倒立摆的稳定控制神经网络控制是神经网络理论与控制理论相结合的产物，是发展中的学科。它汇集了包括数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、方法及研究成果

(5)拟人智能控制理论。不需要了解被控对象的数学模型，凭借人的知识与直觉经验并借助计算机快速模拟控制经验，把人的思维中的定性分析与控制理论中的定量计算相互结合，从而实现对倒立摆的控制。

(6)云模型控制理论。用云模型构成语言值，用语言值构成规则，形成一种定性的推理机制。这种方法不要求给出对象的精确的数学模型，而仅依据人的经验、感受和逻辑判断，将人用自然语言表达的控制经验，通过语言原子和云模型转换到语言控制规则器中，就能解决非线性问题和不确定性问题。

(7)自适应控制理论。主要是为倒立摆设计出自适应控制器。

(8)非线性控制理论。应用非线性控制的方法研究倒立摆的控制。

(9)遗传算法。该方法最早是由美国的 Michigen 大学的 John Holland 教授于 1975 年提出。以要寻优的参数组成染色体，通过模拟生物从父代到子代，再从子代到孙代，不断地进化演变的过程来进行迭代求解的。其模拟生物界优胜劣汰的进化过程来实现参数的寻优。

(10)变结构控制理论：滑模控制。

（11）几种控制算法相结合的控制方式。充分利用各控制算法的优越性，来实现一种组合式的控制方法，比如：神经网络控制与模糊控制理论结合的方法，模糊控制与PID控制结合的方法，神经网络控制与预测控制算法相结合的方法等。

---

PID算法：

PID控制的实质就是根据输入的偏差值，按照比例、积分、微分的函数关系进行运算，运算结果用以控制输出。


式中，Kp——比例增益，Kp与比例度成倒数关系； [2]
Tt——积分时间常数； [2]
TD——微分时间常数； [2]
u（t）——PID控制器的输出信号； [2]
e（t）——给定值r（t）与测量值之差。 [2]

比例控制算法
我们先说PID中最简单的比例控制，抛开其他两个不谈。还是用一个经典的例子吧。假设我有一个水缸，最终的控制目的是要保证水缸里的水位永远的维持在1米的高度。假设初试时刻，水缸里的水位是0.2米，那么当前时刻的水位和目标水位之间是存在一个误差的error，且error为0.8.这个时候，假设旁边站着一个人，这个人通过往缸里加水的方式来控制水位。如果单纯的用比例控制算法，就是指加入的水量u和误差error是成正比的。即

u=kp*error

假设kp取0.5，

那么t=1时（表示第1次加水，也就是第一次对系统施加控制），那么u=0.5*0.8=0.4，所以这一次加入的水量会使水位在0.2的基础上上升0.4，达到0.6.

接着，t=2时刻（第2次施加控制），当前水位是0.6，所以error是0.4。u=0.5*0.4=0.2，会使水位再次上升0.2，达到0.8.

如此这么循环下去，就是比例控制算法的运行方法。

可以看到，最终水位会达到我们需要的1米。

但是，单单的比例控制存在着一些不足，其中一点就是 –稳态误差！（我也是看了很多，并且想了好久才想通什么是稳态误差以及为什么有稳态误差）。

像上述的例子，根据kp取值不同，系统最后都会达到1米，不会有稳态误差。但是，考虑另外一种情况，假设这个水缸在加水的过程中，存在漏水的情况，假设每次加水的过程，都会漏掉0.1米高度的水。仍然假设kp取0.5，那么会存在着某种情况，假设经过几次加水，水缸中的水位到0.8时，水位将不会再变换！！！因为，水位为0.8，则误差error=0.2. 所以每次往水缸中加水的量为u=0.5*0.2=0.1.同时，每次加水缸里又会流出去0.1米的水！！！加入的水和流出的水相抵消，水位将不再变化！！

也就是说，我的目标是1米，但是最后系统达到0.8米的水位就不在变化了，且系统已经达到稳定。由此产生的误差就是稳态误差了。

（在实际情况中，这种类似水缸漏水的情况往往更加常见，比如控制汽车运动，摩擦阻力就相当于是“漏水”，控制机械臂、无人机的飞行，各类阻力和消耗都可以理解为本例中的“漏水”）

所以，单独的比例控制，在很多时候并不能满足要求。

积分控制算法
还是用上面的例子，如果仅仅用比例，可以发现存在暂态误差，最后的水位就卡在0.8了。于是，在控制中，我们再引入一个分量，该分量和误差的积分是正比关系。所以，比例+积分控制算法为：

u=kp*error+ ki∗∫∗∫error

还是用上面的例子来说明，第一次的误差error是0.8，第二次的误差是0.4，至此，误差的积分（离散情况下积分其实就是做累加），∫∫error=0.8+0.4=1.2. 这个时候的控制量，除了比例的那一部分，还有一部分就是一个系数ki乘以这个积分项。由于这个积分项会将前面若干次的误差进行累计，所以可以很好的消除稳态误差（假设在仅有比例项的情况下，系统卡在稳态误差了，即上例中的0.8，由于加入了积分项的存在，会让输入增大，从而使得水缸的水位可以大于0.8，渐渐到达目标的1.0.）这就是积分项的作用。

微分控制算法
换一个另外的例子，考虑刹车情况。平稳的驾驶车辆，当发现前面有红灯时，为了使得行车平稳，基本上提前几十米就放松油门并踩刹车了。当车辆离停车线非常近的时候，则使劲踩刹车，使车辆停下来。整个过程可以看做一个加入微分的控制策略。

微分，说白了在离散情况下，就是error的差值，就是t时刻和t-1时刻error的差，即u=kd*（error（t）-error（t-1）），其中的kd是一个系数项。可以看到，在刹车过程中，因为error是越来越小的，所以这个微分控制项一定是负数，在控制中加入一个负数项，他存在的作用就是为了防止汽车由于刹车不及时而闯过了线。从常识上可以理解，越是靠近停车线，越是应该注意踩刹车，不能让车过线，所以这个微分项的作用，就可以理解为刹车，当车离停车线很近并且车速还很快时，这个微分项的绝对值（实际上是一个负数）就会很大，从而表示应该用力踩刹车才能让车停下来。

切换到上面给水缸加水的例子，就是当发现水缸里的水快要接近1的时候，加入微分项，可以防止给水缸里的水加到超过1米的高度，说白了就是减少控制过程中的震荡。

离散时候使用：