H-infinity-Regelung
- Eingeführt von
- George Zames
- Jahr
- 1981
- Typ
- algorithm
- Familie
- Robust Control
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Die H-infinity (H∞)-Regelung ist eine robuste Regelungsmethode, die den maximalen Gewinn von Störungen auf geregelte Ausgänge minimiert und als Minimax-Optimierungsproblem formuliert ist.
Die in den frühen 1980er Jahren von Zames eingeführte H∞-Regelung bietet einen prinzipienbasierten Ansatz zur Auslegung von Rückkopplungsreglern, die Modellunsicherheiten, unmodellierte Dynamiken und Störungen tolerieren, während Stabilität und Leistung aufrechterhalten werden, was sie für Anwendungen, die garantierte Robustheit erfordern, unerlässlich macht.
Die Intuition hinter der Methode
Im Gegensatz zur LQR, die ein perfekt bekanntes System und Gaußsches Rauschen annimmt, verfolgt die H∞-Regelung eine Worst-Case-Perspektive: Sie sucht einen Regler, der die maximale mögliche Verstärkung von Störungen über alle Frequenzen minimiert. Die Kernidee besteht darin, gewichtete Leistungsziele (z. B. Empfindlichkeit gegenüber Störungen, komplementäre Empfindlichkeit gegenüber Messrauschen) zu definieren und einen Regler zu finden, der alle diese gewichteten Antworten durch ein vorgeschriebenes Niveau Gamma begrenzt. Wenn die Lösung mit Gamma < 1 existiert, stabilisiert der Regler das System robust und erfüllt gleichzeitig alle Leistungsanforderungen. Diese Worst-Case-Garantie macht die H∞-Regelung leistungsfähig für unsichere, nichtlineare oder stark störanfällige Systeme.
Geschichte
Zames formulierte das Problem der Empfindlichkeitsminimierung und führte die H∞-Norm in den frühen 1980er Jahren ein, was eine Frequenzbereichsperspektive auf Robustheit bot. Francis erweiterte die Theorie mit der Zustandsraumformulierung (verallgemeinerte Pflanze), und Doyle et al. lieferten die Riccati-Gleichungslösung und die LMI-Charakterisierung. Zhou's Lehrbuch (1996) wurde zum Standardwerk. Die H∞-Regelung fand in den 1990er Jahren breite industrielle Anwendung, mit Anwendungen in der Luft- und Raumfahrt, der Prozesssteuerung und der Automobiltechnik. Moderne Varianten umfassen Mixed-Sensitivity H∞, H∞ mit strukturierter Unsicherheit und verteilte H∞-Regelung.
Wann wird sie eingesetzt?
Verwenden Sie die H∞-Regelung, wenn Sie trotz Modellunsicherheiten, unmodellierter Dynamiken oder Parameteränderungen eine robuste Stabilität und Leistung garantieren müssen. Sie ist ideal für Systeme, die in unsicheren Umgebungen (Luft- und Raumfahrt, Automobilindustrie, Industrie) betrieben werden, wenn die Statistiken von Störungen und Rauschen unbekannt oder nicht-Gaußsch sind und wenn Sie Worst-Case-Leistungsgarantien benötigen. Vermeiden Sie H∞, wenn Sie genaue Pflanzenkenntnisse haben (LQR kann einfacher sein) oder wenn die Auslegung eine explizite Handhabung von Beschränkungen erfordert (verwenden Sie stattdessen MPC).
Grenzen und Hinweise
- Konservative Reglerauslegung; das Streben nach Worst-Case-Garantie kann zu übermäßig vorsichtiger, träger Regelung führen.
- Erfordert sorgfältige Abstimmung der Gewichtungsfunktionen; schlechte Gewichtungsauswahl führt zu suboptimaler Leistung.
- Geht von vollständiger Kenntnis des verallgemeinerten Pflanzenmodells aus; unstrukturierte Unsicherheit und vernachlässigte Dynamiken können die Robustheit beeinträchtigen.
- Behandelt harte Beschränkungen nicht explizit; Beschränkungen müssen über Straffunktionen oder MPC einbezogen werden.
- Nichtlineare H∞-Regelung (Differentialspiele) ist rechnerisch schwieriger und hat keine garantierte Konvergenz.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Bietet garantierte Robustheit gegenüber Modellunsicherheiten und parametrischen Variationen, ohne probabilistische Modelle anzunehmen.
- Die Minimax-Formulierung liefert Worst-Case-Leistungsgarantien für alle Störungen und Frequenzen.
- Ermöglicht multivariable Auslegung mit expliziter Berücksichtigung von Sensor- und Aktuatorbeschränkungen durch Gewichtung.
- Kann konvex mit LMI- oder Riccati-Methoden gelöst werden; numerische Lösungen sind zuverlässig und gut getestet.
- Natürliche Frequenzbereichsinterpretation; einfache Einbeziehung klassischer Regelungsziele (Übertragungsfaktorreserve, Phasenreserve) als Gewichte.
Anwendungen
- Luft- und Raumfahrt: Flugregelung mit unmodellierter Dynamik, robuste Autopilotenauslegung, die Parameteränderungen toleriert.
- Automobilindustrie: Robuste Fahrwerksregelung, unempfindlich gegenüber Laständerungen und Fahrbahnstörungen, Motorsteuerung unter Unsicherheit.
- Energiesysteme: Generatorregelung robust gegenüber Lastschwankungen und Frequenzabweichungen, Spannungsregelung von Mikronetzen.
- Prozesssteuerung: Regelung chemischer Reaktoren, die Modellfehlanpassungen und Rohstoffschwankungen toleriert, Optimierung von Destillationskolonnen.
- Robotik: Manipulatorsteuerung mit unsicherer Gelenkreibung, Navigation von mobilen Robotern robust gegenüber Sensorgrauschen und Hindernissen.
So funktioniert es
So funktioniert es
Definieren Sie das verallgemeinerte Pflanzenmodell, das das System, die Störungs- und Messrauschkanäle sowie die gewichteten Leistungsziele (Fehlerkanäle) umfasst.
Wählen Sie frequenzabhängige Gewichtungsfunktionen, die den Regler so formen, dass die Leistung in verschiedenen Frequenzbereichen priorisiert wird (z. B. Unterdrückung von Störungen bei niedrigen Frequenzen, Dämpfung von Rauschen bei hohen Frequenzen).
Lösen Sie das H∞-Optimierungsproblem mithilfe konvexer Optimierung (lineare Matrixungleichungen, LMI) oder der Riccati-Gleichungen, um den Regler zu finden, der den Worst-Case-Gewinn (H∞-Norm) minimiert.
Verifizieren Sie, dass das erreichte Gamma kleiner als 1 ist, und überprüfen Sie die Robustheitsmargen (Übertragungsfaktorreserve, Phasenreserve, Stabilität gegenüber parametrischen Störungen).
Häufige Fallstricke
- Willkürliche Auswahl von Gewichtungsfunktionen anstelle ihrer Ableitung aus physikalischen Beschränkungen und Leistungsanforderungen.
- Falsche Einstellung der Gewichtsformen (z. B. zu aggressiv bei hohen Frequenzen) führt zu Flattern oder übermäßigem Stellaufwand.
- Ignorieren von strukturierten Unsicherheiten und Annahme, dass alle Unsicherheiten unstrukturiert sind, was zu übermäßiger Konservativität führt.
- Vergessen, zu überprüfen, ob das geschlossene Regelsystem stabil ist und ob Gamma < 1 erreichbar ist; nicht realisierbare Auslegungen verschwenden Rechenzeit.
Häufig gestellte Fragen
Was ist die H∞-Norm und warum ist sie für die Robustheit wichtig?
Die H∞-Norm eines Systems ist der Spitzenwert des Gewinns (größter singulärer Wert) über alle Frequenzen. Die Minimierung der H∞-Norm bedeutet die Begrenzung der maximalen Verstärkung von Störungen und stellt sicher, dass begrenzte Störungen begrenzte Ausgänge erzeugen. Dies bietet eine harte Garantie: Wenn die H∞-Norm Gamma < 1 ist, erzeugt jede Störung mit Amplitude < 1 einen Ausgang mit Amplitude < Gamma, unabhängig von der Frequenz.
Wie wähle ich die Gewichtungsfunktionen aus?
Beginnen Sie damit, Ihre Leistungsziele in Bezug auf Frequenzbereiche auszudrücken: z. B. sollten Störungen bei niedrigen Frequenzen (1-10 rad/s) gedämpft werden, während Rauschen bei hohen Frequenzen (>1000 rad/s) toleriert werden kann. Entwerfen Sie W1 zur Formung der Empfindlichkeit (Fehlerantwort auf Störungen) und W2 zur Formung der komplementären Empfindlichkeit (Stellaufwand und Rauschantwort). Verwenden Sie Lag- oder Lead-Netzwerke erster Ordnung und iterieren Sie dann basierend auf Bode-Diagrammen des geschlossenen Regelkreises.
Was repräsentiert das verallgemeinerte Pflanzenmodell?
Die verallgemeinerte Pflanze ist eine Matrixdarstellung, die das System (G), Störungs-/Rausch-Eingänge (w), geregelte Ausgänge (z), Stellgrößen (u) und Messungen (y) umfasst. Sie erfasst das gesamte Regelungsproblem: w umfasst Störungen und Rauschen, z umfasst Leistungsziele (Fehler, Stellaufwand usw.), und der Regler muss den Gewinn von w nach z minimieren und gleichzeitig das System stabilisieren.
Kann die H∞-Regelung nichtlineare Systeme behandeln?
Die nichtlineare H∞-Regelung verwendet die Theorie der Differentialspiele und ist deutlich komplexer. Sie können ein nichtlineares System linearisieren und H∞ für das linearisierte Modell entwerfen (robust gegenüber kleinen Nichtlinearitäten) oder Gain-Scheduling (parameterabhängige H∞) für Systeme mit langsam variierenden Parametern verwenden. Vollständige nichtlineare H∞ erfordert die Lösung nichtlinearer partieller Differentialgleichungen (Hamilton-Jacobi-Ungleichung), was im Allgemeinen nicht handhabbar ist.
Verwandte Methoden
Quellen
Zames, G. (1981). Feedback and optimal sensitivity: Model reference transformations, multiplicative seminorms, and approximate inverses. IEEE Transactions on Automatic Control, 26(2), 301-320.
DOI-Referenz öffnenKopiert.Francis, B. A. (1987). A Course in H∞ Control Theory. Lecture Notes in Control and Information Sciences, Springer-Verlag.
DOI-Referenz öffnenKopiert.Zhou, K., Doyle, J. C., & Glover, K. (1996). Robust and Optimal Control. Prentice Hall.
Publikationsreferenz öffnenKopiert.