【控制】滑模控制，滑模面的选择

目录	滑模控制的一点笔记和看法
1	【控制】滑动模型控制（Sliding Mode Control）
2	【控制】滑模控制，小例子，有程序有结果图
3	【控制】滑模控制，滑模面的选择

1 问题描述

假设存在一个被控系统
$$\begin{array}{rl}{\dot{x}}_1& =x_2\\ {\dot{x}}_2& =u\end{array}\text{\hspace{1em}(1)}$$

设计滑模面为
$$s=c{x}_1+x_2\text{\hspace{1em}(2)}$$

那么问题就是滑模面是什么？为什么要写成这种形式？

2 滑模面

滑模面一般可以设计为如下的形式
$$s(x)=\sum _{i=1}^{n-1}{c}_i{x}_i+x_n\text{\hspace{1em}(3)}$$

在滑模控制中，要保证多项式 $p^{n-1}+c_n{p}^{n-2}+\cdots +c_{2}p+c_1$ 为Hurwitz (简单来说这条条件是为了满足状态在 $s=0$ 的滑模面上可以收敛)。什么是Hurwitz，即上述多项式的特征值的实数部分在左半平面，即为负。

下面举例说明：
当 $n=2$ 时， $s(x)=c_1{x}_1+x_2$，为了保证多项式 $p+c_1$ 为Hurwitz，需要多项式 $p+c_1=0$ 的特征值实数部分为负，即 $c_1>0$。

接着明确一下，控制器的目的是为了使得状态 $x_1$ 和 $x_2$ 均达到零，我们令 $s=0$，分析一下结果有
$$\{\begin{array}{rl}& c{x}_1+x_2=0\\ & {\dot{x}}_1=x_2\end{array}\Rightarrow c{x}_1+{\dot{x}}_1=0\Rightarrow \{\begin{array}{rl}& x_1(t)={\text{e}}^{-ct}{x}_1(0)\\ & x_2(t)={\dot{x}}_1(t)=-c{x}_1(0){\text{e}}^{-ct}\end{array}\text{\hspace{1em}(4)}$$

通过式 (4) 可以看到状态 $x_1$ 和 $x_2$ 最终都是趋向于零的，而且速度是以指数速率趋紧的。指数速率意味着当 $t=1/c$ 时，趋零过程完成 $63.2\%$，当 $t=3/c$ 时，趋零过程完成 $95.021\%$。那么我们通过调节参数 $c$ 的大小即可实现对趋零速度的调节，$c$ 越大，速度越快。

因此如果满足了 $s=c{x}_1+x_2=0$，那么系统的状态 $x_1$ 和 $x_2$ 也将沿着滑模面趋近于零 ($s=0$ 称之为滑模面)。

3 趋近律

上述过程介绍了如果 $s=0$ 那么状态变量 $x_1,x_2$ 就会趋近于零，那么接下来考虑如何保证 $s=0$。也就是控制器 $u$ 将出现了。

针对式 (2) 的滑模面，其中并没有控制器 $u$，我们可以对式 (2) 取微分那么有
$$\begin{array}{rl}\dot{s}& =c{\dot{x}}_1+{\dot{x}}_2\\ & =c{x}_2+u\end{array}\text{\hspace{1em}(5)}$$

这时我们得到了 $u$ 的一个式子。但是怎么与状态 $x_1,x_2$ 建立联系呢？

解决办法就是已经规整好的趋近律。趋近律就是指的 $\dot{s}$ 的一个显式表达式，一般有

$$\dot{s}=\{\begin{array}{rl}& -ϵ\text{sgn}(s),ϵ>0\\ & -ϵ\text{sgn}(s)-ks,ϵ>0,k>0\\ & -k|s{|}^{\alpha }\text{sgn}(s)-ks,k>0,0<\alpha <1\end{array}\text{\hspace{1em}(6)}$$

其中 $\text{sgn}(s)$ 是符号函数，$s>0,\text{sgn}(s)=1;s<0,\text{sgn}(s)=-1;s=0,\text{sgn}(s)=0$。

结合趋近律式 (6) 和式 (2) 滑模面的微分，我们就可以得到控制器 $u$ 的代数方程表达式。

4 不同趋近律

令式 (2) 中的参数 $c$ 为2，我们研究不同趋近律的效果。
将 $c=2$ 代入式 (5) 有

$$\begin{array}{rl}\dot{s}& =2x_2+u\end{array}\text{\hspace{1em}(7)}$$

4.1 $-ϵ\text{sgn}(s)$

趋近律取 $-ϵ\text{sgn}(s)$ 有
$$\begin{array}{rl}\dot{s}& =2x_2+u=-ϵ\text{sgn}(s)\\ & \Rightarrow u=-ϵ\text{sgn}(s)-2x_2\end{array}\text{\hspace{1em}(8)}$$

代入式 (1) 系统变为

$$\begin{array}{rl}{\dot{x}}_1& =x_2\\ {\dot{x}}_2& =-ϵ\text{sgn}(s)-2x_2\end{array}\text{\hspace{1em}(9)}$$

4.2 $-ϵ\text{sgn}(s)-ks$

趋近律取 $-ϵ\text{sgn}(s)-ks$ 有
$$\begin{array}{rl}\dot{s}& =2x_2+u=-ϵ\text{sgn}(s)-ks\\ & \Rightarrow u=-ϵ\text{sgn}(s)-ks-2x_2\end{array}\text{\hspace{1em}(10)}$$

代入式 (1) 系统变为

$$\begin{array}{rl}{\dot{x}}_1& =x_2\\ {\dot{x}}_2& =-ϵ\text{sgn}(s)-ks-2x_2\end{array}\text{\hspace{1em}(11)}$$

4.3 $-k|s{|}^{\alpha }\text{sgn}(s)-ks$

趋近律取 $-k|s{|}^{\alpha }\text{sgn}(s)-ks$ 有
$$\begin{array}{rl}\dot{s}& =2x_2+u=-k|s{|}^{\alpha }\text{sgn}(s)-ks\\ & \Rightarrow u=-k|s{|}^{\alpha }\text{sgn}(s)-ks-2x_2\end{array}\text{\hspace{1em}(12)}$$

代入式 (1) 系统变为

$$\begin{array}{rl}{\dot{x}}_1& =x_2\\ {\dot{x}}_2& =-k|s{|}^{\alpha }\text{sgn}(s)-ks-2x_2\end{array}\text{\hspace{1em}(13)}$$

---

上述仿真过程所用的程序如下：

clear
clc

x_1(:,1) = 1;
x_2(:,1) = 2;

% Gains
c = 2;
epsilon = 1;
k = 1;
alpha = 0.5;

%%    
tBegin = 0;
tFinal = 100;
dT = 0.05;
times = (tFinal - tBegin) / dT;
t(1,1) = tBegin;

for i = 1:times
    % record time
    t(:,i+1) = t(:,i) + dT;
    
    % slide model plane
    s = c*x_2(:,i) + x_1(:,i);
    
    % control input
    u = -epsilon * sign(s) - 2 * x_2(:,i);
    u = -epsilon * sign(s) - k * s - 2 * x_2(:,i);
    u = -k * abs(s)^alpha * sign(s) - k * s - 2 * x_2(:,i);
    
    % update states
    dot_x_2 = u;
    x_2(:,i+1) = x_2(:,i) + dT * dot_x_2;
    dot_x_1 = x_2(:,i+1);
    x_1(:,i+1) = x_1(:,i) + dT * dot_x_1;
end

%%
plot(t,x_1, t,x_2, 'linewidth',1.5);
legend('$x_1$', '$x_2$', 'interpreter','latex');
grid on;

Ref.

1. 滑模控制器最强解析