计算机控制系统仿真,[工学]计算机控制系统仿真第7章.ppt

[工学]计算机控制系统仿真第7章

例:已知单位反馈系统的开环传递函数 试利用Ziegler-Nichols经验整定公式分别设计P、PI、PID控制器(由频域响应整定),并求单位阶跃响应。 程序: example7_09 .m num=10;den=conv([1 0],conv([0.01 1],[0.025 1])); G=tf(num,den); s=tf('s'); [Gm,Pm,Wcg,Wcp]=margin(G); %增益裕量Gm和剪切频率Wcp. Tc=2*pi/Wcp; %计算剪切频率对应的时间周期Tc PKp=0.5*Gm; %频域响应整定法计算P控制器sys1=feedback(PKp*G,1,-1); step(sys1,'k-') %绘制闭环阶跃响应曲线(黑色) hold on, gtext(‘P’), pause PIKp=0.4*Gm; %频域响应整定法计算PI控制器 PITi=0.8*Tc; PIGc=PIKp*(1+1/(PITi*s)); sys2=feedback(PIGc*G,1,-1); step(sys2,'b-') %绘制闭环阶跃响应曲线(蓝色) hold on, gtext('PI'), pause PIDKp=0.6*Gm; %频域响应整定法计算PID控制器PIDTi=0.5*Tc; PIDTd=0.12*Tc; PIDGc=PIDKp*(1+1/(PIDTi*s)+PIDTd*s); sys3=feedback(PIDGc*G,1,-1); step(sys3,'r-') %绘制闭环阶跃响应曲线(红色) hold on, gtext('PID') title('P、PI、PID控制单位阶跃响应') xlabel('时间(秒)') ylabel('幅值') 7.4 基于状态空间模型的控制器设计方法 状态空间表达式模型是最新型与最科学的描述方法。它能够全面地表达系统的全部状态信息。它不仅可以描述线性系统,而且可以描述非线性系统。状态空间模型既能够描述单输入单输出(SISO)系统,也能够描述多输入多输出(MIMO)系统。 7.4.1 状态空间表达式的概念以及状态方程的解 1. 状态——动力学系统的状态可以定义为系统的集合。在未来已知系统外部输入的条件下,这些信息对于确定系统未来的行为是充分必要的。 2. 状态变量——动力学系统的状态变量是确定动力学系统状态的最小一组变量。 3. 状态向量——如果完全描述一个给定系统的动态行为需要n个状态变量,那么可以将这些状态变量看作是向量X(t)的各个分量,即 则 称为n维状态向量。 4. 状态空间——以各状态变量为坐标轴所组成的n维空间称为状态空间。在某一时刻的状态向量则可以用状态空间的某一个点来表示。 5. 状态空间表达式——描述系统输入、输出和状态变量之间关系的方程组称为系统的状态空间表达式,对于线性定常系统而言,具有以下形式: 6. 系统状态方程的解 齐次状态方程的解: 非齐次状态方程的解: 状态转移矩阵: 几个MATLAB函数 ilaplace( ) 求拉普拉斯反变换的函数 collect( ) 合并同类项的函数 det( ) 求方阵的行列式的函数 Int (F,tao,0,t ) 表示 【例7-6】 已知线性系统齐次状态方程如下,求系统状态方程的解。 解 用以下MATLAB程序计算齐次状态方程的解 程序执行后 表示状态转移矩阵: 【例7-7】 已知系统状态方程如下,求系统状态方程的解。 解: 用以下MATLAB程序计算状态方程的解 ←表示将符号变量phi0 中的变量 t 换成( t-tao) 程序执行结果为: 表示: 程序: example7_7 .m 7.4.2 状态反馈极点配置控制器设计 线性系统是状态能控时,可以通过状态反馈来任意配置系统的极点。把极点配置到S左半平面所希望的位置上,则可以获得满意的控制特性。 状态反馈的系统方程为 在MATLAB中,用函数命令place( ), acker( )可以方便地求出状态反馈矩阵K;该命令的调用格式为: K = place(A, B, P) 其中,P为一个行向量,其各分量为所希望配置的各极点。即:该命令计算出状态反馈阵K,使得(A-BK)的特征值为向量P的各个分量。 K = acker(A, B, P) 1.串联滞后-超前校正的作用及特点 如果需要同时改善系统的动态性能和稳态性能,则需要采用滞后—超前校正。滞后-超前校正的作用是利用校正网络的超前部分增大系统的相角裕量,利用滞后部

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于PyTorch的Embedding和LSTM的自动写诗实验LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络(RNN)架构,用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时往往会遇到梯度消失或梯度爆炸的问题,导致无法有效地捕捉长期依赖。LSTM通过引入门控机制(Gating Mechanism)和记忆单元(Memory Cell)来克服这些问题。 以下是LSTM的基本结构和主要组件: 记忆单元(Memory Cell):记忆单元是LSTM的核心,用于存储长期信息。它像一个传送带一样,在整个链上运行,只有一些小的线性交互。信息很容易地在其上保持不变。 输入门(Input Gate):输入门决定了哪些新的信息会被加入到记忆单元中。它由当前时刻的输入和上一时刻的隐藏状态共同决定。 遗忘门(Forget Gate):遗忘门决定了哪些信息会从记忆单元中被丢弃或遗忘。它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 输出门(Output Gate):输出门决定了哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。同样地,它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 LSTM的计算过程可以大致描述为: 通过遗忘门决定从记忆单元中丢弃哪些信息。 通过输入门决定哪些新的信息会被加入到记忆单元中。 更新记忆单元的状态。 通过输出门决定哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。 由于LSTM能够有效地处理长期依赖关系,它在许多序列建模任务中都取得了很好的效果,如语音识别、文本生成、机器翻译、时序预测等。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值