基于李雅普诺夫函数的跟踪控制(三)
前言
本系列将会介绍基于李雅普诺夫函数的跟踪控制问题,以多个不同的例子来具体说明,如何根据李雅普诺夫函数来求解控制律,实现跟踪控制。总共分为7篇博客讲解,分别针对不同的情况。
跟踪控制—系列博客总览
- 一阶时不变系统,系统已知,且无扰动
- 一阶时不变系统,系统已知,有扰动
- 高阶时不变系统,系统已知,且无扰动
- 一阶时不变系统,系统部分已知,且无扰动
- 一阶时变系统,系统部分已知,且无扰动
- 一阶时变系统,系统部分未知,且有扰动
- 一阶时不变系统,系统完全未知,且无扰动
本期讲解的是:高阶时不变系统,系统已知,且无扰动。
问题描述
已知系统
x
˙
=
f
(
x
)
+
u
y
˙
=
x
(1)
\begin{matrix} \dot x=f(x)+u \\ \dot y=x \tag{1} \end{matrix}
x˙=f(x)+uy˙=x(1)
其中,
f
(
x
)
f(x)
f(x)已知,,求解
u
u
u使得
y
y
y跟踪
y
d
y_d
yd。
求解
对于这个问题,首先得拆解问题,首先设计 x x x跟踪 y d y_d yd,然后设计 u u u跟踪 x d x_d xd。
(1) 设计 x x x跟踪 y d y_d yd
设
x
x
x跟踪
y
d
y_d
yd的误差及其导数
e
1
(
t
)
=
y
d
(
t
)
−
y
(
t
)
(2)
e_1(t)=y_d(t)-y(t) \tag{2}
e1(t)=yd(t)−y(t)(2)
e
1
(
t
)
˙
=
y
d
(
t
)
˙
−
y
(
t
)
˙
=
y
d
(
t
)
˙
−
x
(3)
\dot {e_1(t)}=\dot{y_d(t)}-\dot{y(t)} = \dot{y_d(t)}- x \tag{3}
e1(t)˙=yd(t)˙−y(t)˙=yd(t)˙−x(3)
取李雅普诺夫函数:
V
1
=
1
2
e
1
2
(4)
V_1 = \frac{1}{2}e_1^2 \tag{4}
V1=21e12(4)
则,
V
˙
1
=
e
1
(
e
˙
1
)
=
e
1
(
y
d
(
t
)
˙
−
x
)
(5)
\dot V_1 = e_1(\dot e_1) = e_1(\dot{y_d(t)}- x) \tag{5}
V˙1=e1(e˙1)=e1(yd(t)˙−x)(5)
令:
−
k
1
e
1
=
=
y
d
(
t
)
˙
−
x
(8)
-k_1e_1= = \dot{y_d(t)}- x \tag{8}
−k1e1==yd(t)˙−x(8)
则可以得到:
V
˙
1
=
−
k
1
e
1
2
(7)
\dot V_1 = -k_1e_1^2 \tag{7}
V˙1=−k1e12(7)
所以:
x
d
=
y
d
(
t
)
˙
+
k
1
e
1
(8)
x_d=\dot{y_d(t)}+k_1e_1 \tag{8}
xd=yd(t)˙+k1e1(8)
(2) 设计 u u u跟踪 x d x_d xd
设
u
u
u跟踪
x
d
x_d
xd的误差及其导数
e
2
(
t
)
=
x
d
(
t
)
−
x
(
t
)
(9)
e_2(t)=x_d(t)-x(t) \tag{9}
e2(t)=xd(t)−x(t)(9)
e
2
(
t
)
˙
=
x
d
(
t
)
˙
−
x
(
t
)
˙
=
y
d
(
t
)
¨
+
k
1
(
y
d
(
t
)
˙
−
x
)
−
f
(
x
)
−
u
(
t
)
(10)
\dot {e_2(t)}=\dot{x_d(t)}-\dot{x(t)} = \ddot{y_d(t)}+k_1( \dot{y_d(t)}-x)-f(x)-u(t) \tag{10}
e2(t)˙=xd(t)˙−x(t)˙=yd(t)¨+k1(yd(t)˙−x)−f(x)−u(t)(10)
取李雅普诺夫函数:
V
2
=
1
2
e
2
2
(11)
V_2 = \frac{1}{2}e_2^2 \tag{11}
V2=21e22(11)
则,
V
˙
2
=
e
2
(
e
˙
2
)
=
e
2
(
y
d
(
t
)
¨
+
k
1
(
y
d
(
t
)
˙
−
x
)
−
f
(
x
)
−
u
(
t
)
)
(12)
\dot V_2 = e_2(\dot e_2) = e_2( \ddot{y_d(t)}+k_1( \dot{y_d(t)}-x)-f(x)-u(t)) \tag{12}
V˙2=e2(e˙2)=e2(yd(t)¨+k1(yd(t)˙−x)−f(x)−u(t))(12)
令:
−
k
2
e
2
=
=
y
d
(
t
)
¨
+
k
1
(
y
d
(
t
)
˙
−
x
)
−
f
(
x
)
−
u
(
t
)
(13)
-k_2e_2= = \ddot{y_d(t)}+k_1( \dot{y_d(t)}-x)-f(x)-u(t) \tag{13}
−k2e2==yd(t)¨+k1(yd(t)˙−x)−f(x)−u(t)(13)
则可以得到:
V
˙
2
=
−
k
2
e
2
2
(14)
\dot V_2 = -k_2e_2^2 \tag{14}
V˙2=−k2e22(14)
所以:
u
(
t
)
=
y
d
(
t
)
¨
+
k
1
(
y
d
(
t
)
˙
−
x
)
−
f
(
x
)
+
k
2
e
2
(15)
u(t) = \ddot{y_d(t)}+k_1( \dot{y_d(t)}-x)-f(x) +k_2e_2 \tag{15}
u(t)=yd(t)¨+k1(yd(t)˙−x)−f(x)+k2e2(15)
(3) 同时收敛分析
以上的 V 1 V_1 V1和 V 2 V_2 V2必须保证同时收敛,也就是能够同时实现 x x x跟踪 y d y_d yd,然后设计 u u u跟踪 x d x_d xd。
因此取:
V
=
V
1
+
V
2
=
1
2
e
1
2
+
1
2
e
2
2
(16)
V = V_1+V_2= \frac{1}{2}e_1^2 + \frac{1}{2}e_2^2 \tag{16}
V=V1+V2=21e12+21e22(16)
V
˙
=
V
1
˙
+
V
2
˙
=
−
k
1
e
1
2
−
k
2
e
2
2
(17)
\dot V = \dot{V_1}+\dot{V_2}= -k_1 e_1^2 - k_2 e_2^2 \tag{17}
V˙=V1˙+V2˙=−k1e12−k2e22(17)
d
o
t
V
<
=
0
dot V <=0
dotV<=0,而且
V
V
V是一个负定的,因此,当存在
e
1
e_1
e1和
e
2
e_2
e2不等于0时,一定有
V
˙
<
0
\dot V <0
V˙<0,
V
V
V将会一直下降,同时
V
V
V是满足
V
>
=
0
V >=0
V>=0,所以
V
V
V就会一直趋近于0,即e下降,直到
e
=
0
e=0
e=0。因此当
e
1
e_1
e1和
e
2
e_2
e2都为0时,系统才会稳定。