《应用非线性控制》第一章——介绍 1.1 为什么学习非线性控制系统

前言：

非线性控制研究的是如何分析和设计非线性控制系统——包含至少一个非线性器件的控制系统。对于分析，是指有一个设计好的非线性系统，我们去分析它的行为特征；对于设计，我们被给定一个非线性系统以及闭环系统的性能参数，任务是设计一个控制器能够满足那些性能参数。实际应用中分析与设计是密不可分的，这是因为一个非线性系统的设计往往是一个包含分析和设计的迭代过程。
本章介绍了后面章节将要讨论的特定分析设计方法的背景。1.1节解释了学习非线性系统的动机，1.2节阐述了非线性系统独特且丰富的行为特征，最后1.3节介绍了本书的内容结构

1.1 为什么学习非线性系统

在长期的工业应用中，线性控制已经被证明是十分强大且好用的。因此，很容易就会产生这样一个疑问，为什么这么多来自飞行器，控制，机器人（比如我），过程控制，以及生物医疗领域的科研人员，工程师开始对非线性控制产生越来越浓厚的兴趣？原因有如下几点：

非线性控制是对现有控制系统的提升： 线性控制方法依赖于一个关键假设，即小范围内系统呈现线性。当工作范围变大，一个线性控制器很有可能会效果变差甚至变得不稳定，这是由于系统里面的非线性部分不能被很好地补偿。然而一个非线性控制器，可以直接的在大范围内处理非线性部分。这点已经在机器人运动控制问题上得到了很好地体现。当一个线性控制器用来控制机器人运动时，它会忽略机器人关节运动所带来地非线性力。因此当机器人运动速度提升时，线性控制器的控制效果会极大地降低。这是因为机器人运动问题有很多动态力地参与，例如科里奥力以及向心力，它们随着速度地平方而改变。因此为了保持精度，线性控制器控制的机器人往往要牺牲速度和效率。但是，一个简单的非线性控制器——计算力矩控制器，就能完全地补偿机器人运动里面所有的非线性力，并且还能让机器人在高速大范围运动下依旧保持很高的精度。

非线性控制允许我们对强非线性进行分析： 线性系统的另一个假设是系统模型是可线性化的。但是常常有很多控制系统具有很强的非线性特征导致其不能够被线性化，这些所谓的强非线性特征就包括了：库仑摩擦，饱和效应，死区，回转间隙，迟滞等， 且它们在控制工程中经常出现。非线性特征往往会使系统产生不尽人意的响应，例如不稳定性和超级限制圆。因此线性控制方法并不能用来研究它们，所以就有必要发展出一个非线性方法来预测具有非线性特征的系统的性能。

非线性控制允许处理模型的不确定性： 在设计线性控制器的时候，我们假设能够获知系统模型的参数，这是一个非常必要的前提。但是许多控制问题的模型参数包括了很大的不确定性。这些不确定性有的是缓慢的参数变化，有的是突然的参数变化（例如机器人拿起了一个物件）。基于不准确或者模糊的系统参数的线性控制器性能会极大地降低甚至变得不稳定。而非线性控制器可以在控制器部分加入非线性项来允许最终的系统能够容忍模型的不稳定性。鲁棒性控制以及自适应控制就是基于这个原理的两种非线性控制器

非线性控制设计简单： 对于同一个控制问题，好的非线性控制器要比对应的线性控制器更为简单和直接。嗯？非线性控制还能比线性控制简单？这个看似矛盾的结论其实是因为非线性控制器的设计往往来源于受控对象的自然规律。举个栗子，考虑竖直平面上的一个单摆。如果让单摆从任意一个初始位置释放，那么单摆会摆动一会然后停在竖直位置。尽管这个问题可以通过线性化该模型，然后分析它的平衡点问题，那这样问题就变的复杂了。其实如果从物理层面出发的话，该模型的稳定与某个线性系统的特征值有很小的关系。如果从能量角度去分析，就是单摆的动能渐渐转换成了摩擦产生的内能，然后停在了最低势能点。

还有其他各种有的没的需要用到非线性控制技术的理由，比如成本和性能优化。在工业应用中，对于高端的有着非线性特征的机器，如果专门为它开发一个线性控制方法来控制它的话，这个过程可能会十分漫长且昂贵，并且相关控制方法代码的复用率也低。同时线性控制方法需要能在大范围内提供线性制动行为的执行机构，这些执行机构也不便宜。但非线性控制算法需要的控制器可能只需要用到带有非线性特征的一些便宜的元件。起停式控制（常用于家庭热水器）就是一个例子，它成本低响应快，且非线性。

至此，我说了这么多废话，你们应该能了解到非线性控制在自动化领域里的重要地位。而且哈，学习非线性控制技术能极大地提高你处理实际控制问题的能力和效率。同时它也让你对这个世界有了新的理解，那就是，世界是非线性的。过去非线性控制的发展受限于计算能力的不足。最近计算机算力的提升解决了这个问题。非线性控制再一次在科研和工业领域活跃起来，一方面算力的提升让非线性控制器的部署变得简单快速容易，另一方面高速度高精度的应用例如手术机器人和高端飞行器越来越不能满足于线性控制的效果。