LQR 控制器

本文介绍了LQR控制器的设计原理,包括状态空间模型、Riccati方程的推导以及如何用MATLAB实现一个二阶系统的控制器设计与仿真,展示了如何最小化成本函数并控制系统的状态。
摘要由CSDN通过智能技术生成

LQR(Linear Quadratic Regulator)控制器

LQR(Linear Quadratic Regulator)是一种经典的线性控制器设计方法,用于设计线性时不变系统的状态反馈控制器,以最小化系统性能指标,通常是二次代价函数。下面,将详细推导LQR算法,并提供MATLAB应用示例。

推导LQR控制器:

考虑一个离散时间线性时不变系统的状态空间表达式:

x [ k + 1 ] = A x [ k ] + B u [ k ] x[k+1] = A x[k] + B u[k] x[k+1]=Ax[k]+Bu[k]

其中, x [ k ] x[k] x[k] 是系统状态, u [ k ] u[k] u[k] 是控制输入, A A A B B B 是系统矩阵。

LQR的目标是找到一个状态反馈控制器,它具有以下形式:

u [ k ] = − K x [ k ] u[k] = -K x[k] u[k]=Kx[k]

其中, K K K 是控制器增益矩阵,它需要优化。控制器的目标是最小化以下代价函数:

J = ∑ k = 0 ∞ ( x [ k ] T Q x [ k ] + u [ k ] T R u [ k ] ) J = \sum_{k=0}^{\infty} (x[k]^T Q x[k] + u[k]^T R u[k]) J=k=0(x[k]TQx[k]+u[k]TRu[k])

其中, Q Q Q 是状态权重矩阵, R R R 是控制输入权重矩阵。

我们首先需要解出Riccati方程来找到最优控制器增益 K K K和最小的代价函数 J J J

  1. 首先,我们定义代价函数的无穷时间累积:

J = lim ⁡ N → ∞ ∑ k = 0 N ( x [ k ] T Q x [ k ] + u [ k ] T R u [ k ] ) J = \lim_{N\to\infty}\sum_{k=0}^{N} (x[k]^T Q x[k] + u[k]^T R u[k]) J=Nlimk=0N(x[k]TQx[k]+u[k]TRu[k])

  1. 接下来,我们定义一个有限时间的代价函数,称为 J N J_N JN,并将其表示为与无穷时间代价函数的差值:

J N = ∑ k = 0 N ( x [ k ] T Q x [ k ] + u [ k ] T R u [ k ] ) − x [ N + 1 ] T Q x [ N + 1 ] J_N = \sum_{k=0}^{N} (x[k]^T Q x[k] + u[k]^T R u[k]) - x[N+1]^T Q x[N+1] JN=k=0N(x[k]TQx[k]+u[k]TRu[k])x[N+1]TQx[N+1]

这里,我们假设 x [ N + 1 ] x[N+1] x[N+1]是一个零向量,这是因为我们在有限时间内考虑代价。

  1. 然后,我们通过对 J N J_N JN u [ k ] u[k] u[k]求偏导,并令其等于零来找到最小值:

∂ J N ∂ u [ k ] = 2 R u [ k ] + 2 B T P x [ k ] = 0 \frac{\partial J_N}{\partial u[k]} = 2R u[k] + 2B^T P x[k] = 0 u[k]JN=2Ru[k]+2BTPx[k]=0

其中, P P P是状态权重矩阵的解,它满足离散时间的Riccati方程:

P = A T P A − A T P B ( R + B T P B ) − 1 B T P A + Q P = A^T P A - A^T P B (R + B^T P B)^{-1} B^T P A + Q P=ATPAATPB(R+BTPB)1BTPA+Q

  1. 一旦我们找到了 P P P,我们可以计算最优控制器增益 K K K

K = ( R + B T P B ) − 1 B T P A K = (R + B^T P B)^{-1} B^T P A K=(R+BTPB)1BTPA

步骤4:使用MATLAB实现LQR控制器和仿真

以下是针对一个二阶系统的MATLAB代码示例,包括控制器设计和性能仿真。假设我们有以下系统参数:

A = [ 1 1 0 1 ] , B = [ 0 1 ] , Q = [ 1 0 0 1 ] , R = 1 A = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}, \quad B = \begin{bmatrix} 0 \\ 1 \end{bmatrix}, \quad Q = \begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix}, \quad R = 1 A=[1011],B=[01],Q=[1001],R=1

% 定义系统矩阵
% 系统矩阵
A = [1, 1; 0, 1];
B = [0; 1];

% 权重矩阵
Q = [1, 0; 0, 1];
R = 1;

% 求解Riccati方程
P = dare(A, B, Q, R);

% 计算最优控制器增益矩阵 K
K = (R + B' * P * B)^(-1) * B' * P * A;

% 仿真系统响应
x0 = [100; 0]; % 初始状态
N = 100; % 仿真步数
x = zeros(2, N);
u = zeros(1, N);
x(:,1) =x0;

for k = 1:N
    u(k) = -K * x(:, k); % 计算控制输入
    x(:, k+1) = A * x(:, k) + B * u(k); % 更新状态
end

% 绘制状态和控制输入
figure(Color='w')
t = 0:N;
subplot(2, 1, 1);
plot(t, x(1, :), 'b', 'LineWidth', 2);
ylabel('状态 x_1');
title('LQR控制器仿真');
set(gca,'FontSize',18);
subplot(2, 1, 2);
stairs(t(1:end-1), u, 'r', 'LineWidth', 2);
xlabel('时间步骤');
ylabel('控制输入 u');
set(gca,'FontSize',18);


在这里插入图片描述

在这个示例中,我们首先定义了系统的 A A A B B B矩阵,然后设置了状态权重矩阵 Q Q Q和控制输入权重矩阵 R R R。接下来,我们使用dare函数来解Riccati方程,找到状态权重矩阵 P P P,然后计算最优控制器增益矩阵 K K K。这个矩阵 K K K可以用于状态反馈控制系统。

  • 3
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
LQR控制器(线性二次调节器)是一种常用的控制器设计方法,旨在优化系统的动态响应和稳定性。它是通过最小化系统状态的二次成本函数,来寻找最佳的反馈控制增益,从而实现系统的优化性能。 在Simulink中,我们可以使用LQR控制器来设计和模拟系统的控制。具体步骤如下: 1. 确定系统的状态空间模型,包括状态向量、输入向量和输出向量之间的关系。 2. 在Simulink中建立一个模型,将系统的状态空间模型与LQR控制器模块相连接。可以使用“State-Space”模块来表示系统的状态空间模型,并使用“LQR Controller”模块来表示LQR控制器。 3. 在LQR控制器模块中,设置系统的状态权重矩阵Q和输入权重矩阵R。这些权重矩阵的选择会直接影响到控制器的性能。通常情况下,根据系统的特性和需求,可以通过试验和调整来得到较好的结果。 4. 将输入信号连接到LQR控制器模块的输入端口,并将系统的输出信号连接到控制器的输出端口。 5. 在Simulink中运行模型,可以通过观察系统的输出响应和控制信号来评估LQR控制器的性能。如果需要,可以进行参数调整来进一步优化控制器的性能。 总之,Simulink是一款强大的仿真工具,可以让我们方便地建立和模拟各种控制系统。通过使用LQR控制器模块,我们可以快速设计和评估系统的控制策略,提高系统的性能和稳定性。

“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