【控制理论】深入理解鲁棒控制 | 滑模控制原理与应用实例解析

写在前面：
🌟 欢迎光临 清流君 的博客小天地，这里是我分享技术与心得的温馨角落。📝
个人主页：清流君_CSDN博客，期待与您一同探索 移动机器人 领域的无限可能。

🔍 本文系 清流君 原创之作，荣幸在CSDN首发🐒
若您觉得内容有价值，还请评论告知一声，以便更多人受益。
转载请注明出处，尊重原创，从我做起。

👍 点赞、评论、收藏，三连走一波，让我们一起养成好习惯😜
在这里，您将收获的不只是技术干货，还有思维的火花！

📚 系列专栏：【运动控制】系列，带您深入浅出，领略控制之美。🖊
愿我的分享能为您带来启迪，如有不足，敬请指正，让我们共同学习，交流进步！

🎭 人生如戏，我们并非能选择舞台和剧本，但我们可以选择如何演绎 🌟
感谢您的支持与关注，让我们一起在知识的海洋中砥砺前行~~~

---

---

引言

  本篇博客重点讲解鲁棒控制中的滑模控制，内容整理自 B站知名up主 DR_CAN 的视频，作为博主的学习笔记，分享给大家共同学习。

---

一、鲁棒控制的定义与重要性

1.1 鲁棒控制的英文含义

  鲁棒控制本身听上去不是很好理解，所以回归到它的英文Robust，它的含义就是强壮的意思。鲁棒当然就是它的音译，当理解了含义之后，就可以明白鲁棒控制，即控制器设计是很强壮的。

1.2 维基百科上的定义

  在维基百科上面有这样一段话介绍鲁棒控制：

  To achieve robust performance and/or stabilty in presence of bounded modeling error.

  其中有两点需要注意：presence 和 bounded。即存在有界误差。它的应用也非常广泛，比如空调系统，或者巡航系统，因为都存在一些误差，但是这些误差都是有界的，比如空调室外温度是有界的。比如巡航系统不管是在雨天或者在雪地，摩擦系数也都是有界的，但是是不确定的误差。

1.3 自适应控制示例

  举个例子，有这样的系统：
$$\dot{x}=a{x}^2+u$$叫做 自适应控制(Adaptive Controller)。

  假设 $a$ 是未知常数，可以令
$$u=\dot{x}d+x^2{\int }_0^{t}e{x}^{2}dt+ke$$  使得 $x$ 趋向于 $x_d$。在鲁棒控制中，条件变得更加苛刻：$a$ 不再是常数，只知道 $a$ 是有界的数，即
$$|a|\le |\overline{a}|$$  目标依然是令 $x\to x_d$ ，即
$$x_d-x=e\to 0$$  其中，$e$ 是误差。

---

二、鲁棒控制器设计

如何设计控制器呢？

  先看一般形式：
$$\dot{x}=f(x)+u$$  目标是令$x\to x_d$ ，误差的动态方程就是
$${\dot{e}}_d={\dot{x}}_d-\dot{x}={\dot{x}}_d-f(x)-u$$  前提条件是 $|f(x)|<\rho (x)$ 。可以令
$$u={\dot{x}}_d+ke+\rho \frac{|e|}{e}$$  其中
$$\frac{|e|}{e}=\text{sgn}\left(e\right)\{\begin{array}{c}\begin{array}{c}1\\ 0\end{array}\\ -1\end{array}\begin{array}{c}e>0\\ e=0\\ e<0\end{array}$$  在图上画出来的图形如下：

---

三、数学证明

  下面证明为什么这样的控制器设计可以使系统稳定。

3.1 李雅普诺夫稳定性

  从李亚普诺夫方程的角度考虑问题，令
$$V(e)=\frac{1}{2}{e}^2$$  对其求导可得
$$\begin{array}{rl}\dot{V}\left(e\right)& =e\dot{e}=e\left({\dot{x}}_d-f\left(x\right)-u\right)\\ & =e\left({\dot{x}}_d-f\left(x\right)-{\dot{x}}_d-ke-\rho \frac{|e|}{e}\right)\\ & =-k{e}^2-ef\left(x\right)-\rho |e|\\ & \le -k{e}^2+|e||f\left(x\right)|-\rho |e|\\ & \le -k{e}^2+|e|\rho -\rho |e|\end{array}$$  即$$\dot{V}(e)\le -k{e}^2$$  再回过头看 $V(e)=\frac{1}{2}{e}^2$，可以推出来
$$2V(e)=e^2$$  代入
$$\dot{V}(e)\le -2kV(e)$$  移到左边来
$$\dot{V}(e)+2kV(e)\le 0$$  得到微分方程不等式，引入新的大于 $0$ 的函数 $S(t)$，可以写成
$$\dot{V}(e)+2kV(e)+S(t)=0$$$$\dot{V}(e)+2kV(e)=-S(t)$$  上式为一阶线性非齐次方程。

  通解为
$$V(t)=V(0)e^{-2kt}-e^{-2kt}{\int }_0^t{e}^{2kt}s(\tau )d\tau .$$  注意：此处的 $e^{-2kt}$ 为指数函数，不是误差。

3.2 进一步分析

  在积分项里知道 $s(\tau )>0$，因为这是设的 $s(\tau )>0$。知道 $e$ 的指数都是大于 $0$ 的，所以积分项里的内容是大于 $0$ 的，积分项外面的这一项 $e^{-2kt}$ 也一定是大于 $0$ 的。所以整个减去的这一项都是大于 $0$ 的，可以得到
$$V(t)\le V(0)e^{-2kt}$$  在这种情况下，把 $V(t)$ 代进去
$$\frac{1}{2}{e}^2(t)\le \frac{1}{2}{e}^2(0)\text{exp}(-2kt)$$
  两边开方可得到
$$|e(t)|\le |e(0)|\text{exp}(-kt)$$  是一种指数渐进稳定的形式。

---

四、滑模控制原理

  下面做的这一系列的工作，就是为了证明当
$$\dot{x}=f(x)+u$$  其中，$|f(x)|<\rho (x)$ 时，可以令
$$u={\dot{x}}_d+ke+\rho \frac{|e|}{e}$$  这样就可以令 $e=x_d-x\to 0,t\to 0$

  现在把式子代进来
$$\dot{e}={\dot{x}}_d-\dot{x}={\dot{x}}_d-f(x)-u=-ke-f(x)-\rho (x)\frac{e}{|e|}$$  把 $u$ 代进去
$$e=-ke-f(x)-\rho (x)\frac{e}{|e|}$$

  先看前面一部分$e=-ke$ ，观察函数的相平面：

  横轴是 $e$，纵轴是$\dot{e}$，它是一条这样的线，在左半平面时，$e<0$，$\dot{e}>0$，所以它将沿着线向右移动；在右半平面时， $e>0$，$\dot{e}<0$，所以它将沿着线向左移动，最后都移动到 $0$ 点。

  引入后面这两项 $-f(x)-\rho (x)\frac{e}{|e|}$，其中 $f(x)$ 项是本身系统的项，而 $\rho (x)\frac{e}{|e|}$ 是引入的控制项。

  上面两项的目标是当系统偏离这条线时，引导系统状态滑到这条线上去。系统的状态变量可能在这条线的左面，也有可能在这条线的右边，但是因为有后面的一项，会不断地把系统状态往这条线上引导，所以这样的过程叫做滑模控制(Sliding Mode)。

  滑模控制(Sliding Mode Control, SMC) 是一种鲁棒控制方法。鲁棒控制是指控制系统在面对模型不确定性、外部干扰和未建模动态时，仍能保持期望性能的能力。滑模控制通过设计一个滑动面和相应的控制律，使得系统状态在滑动面上滑动，即使在存在不确定性和干扰的情况下，也能保证系统的最终稳定性和期望的性能。

---

五、实例解析

  现在来解刚刚的例子：
$$\dot{x}=a{x}^2+u$$  其中，$a$ 有界，即 $|a|\le |\overline{a}|$ ，$a{x}^2$ 就是一般形式中的 $f(x)$
$$|f(x)|=|a|x^2\le |\overline{a}|x^2<|\overline{a}|(x^2+0.1)$$  后面括号里不管写多少都可以，因为引入了常数以后，小于号就一定成立了，这就是 $\rho (x)$，

  所以就可以令
$$u=ke+{\dot{x}}_d+|\overline{a}|(x^2+0.1)\frac{|e|}{e}$$  这就是滑模控制器。

---

六、总结

  大家可以自己设计 Simulink 验证。比如可以令 $a$ 是小于 $3$ 的随机数，随时间不断变化，看控制器的反应。

  在下一篇博客里会再介绍两种另外的鲁棒控制器，并把它们放在一起给做比较。

  本篇博客的内容就到这里，欢迎大家关注后续内容。

---

参考资料

  【Advanced控制理论】17_Robust Controller_非线性鲁棒控制器_Sliding Mode_滑模控制

---

后记：

🌟 感谢您耐心阅读这篇关于 滑模控制原理与应用实例解析 的技术博客。 📚

🎯 如果您觉得这篇博客对您有所帮助，请不要吝啬您的点赞和评论 📢

🌟您的支持是我继续创作的动力。同时，别忘了收藏本篇博客，以便日后随时查阅。🚀

🚗 让我们一起期待更多的技术分享，共同探索移动机器人的无限可能！💡

🎭感谢您的支持与关注，让我们一起在知识的海洋中砥砺前行 🚀