Skip to content
Torna ai risultati

Controllo H-infinito

Introdotto da
George Zames
Anno
1981
Tipo
algorithm
Famiglia
Robust Control

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

Il controllo H-infinito (H∞) è un metodo di controllo robusto che minimizza il guadagno nel caso peggiore dalle perturbazioni alle uscite controllate, formulato come un problema di ottimizzazione minimax.

Introdotto da Zames all'inizio degli anni '80, il controllo H∞ fornisce un approccio rigoroso per progettare controllori a feedback che tollerano incertezze del modello, dinamiche non modellate e perturbazioni, mantenendo stabilità e prestazioni. Ciò lo rende essenziale per applicazioni che richiedono robustezza garantita.

L’intuizione alla base del metodo

A differenza dell'LQR, che assume un sistema perfettamente noto e rumore gaussiano, il controllo H∞ adotta una prospettiva del caso peggiore: cerca un controllore che minimizzi la massima amplificazione possibile delle perturbazioni su tutte le frequenze. L'idea chiave è definire obiettivi di prestazione pesati (ad esempio, sensibilità alle perturbazioni, sensibilità complementare al rumore di misura) e risolvere per un controllore che mantenga tutte queste risposte pesate limitate da un livello prescritto gamma. Se la soluzione esiste con gamma < 1, il controllore stabilizza robustamente il sistema e soddisfa simultaneamente tutte le specifiche di prestazione. Questa garanzia del caso peggiore rende il controllo H∞ potente per sistemi incerti, non lineari o altamente soggetti a perturbazioni.

Storia

Zames formulò il problema di minimizzazione della sensibilità e introdusse la norma H∞ all'inizio degli anni '80, fornendo una prospettiva nel dominio della frequenza sulla robustezza. Francis estese la teoria con la formulazione nello spazio degli stati (impianto generalizzato), e Doyle et al. fornirono la soluzione tramite equazioni di Riccati e la caratterizzazione LMI. Il libro di testo di Zhou (1996) divenne il riferimento standard. Il controllo H∞ ottenne un'ampia adozione industriale negli anni '90, con applicazioni in sistemi aerospaziali, di controllo di processo e automobilistici. Le varianti moderne includono H∞ a sensibilità mista, H∞ con incertezza strutturata e controllo H∞ distribuito.

Quando usarlo

Utilizzare il controllo H∞ quando è necessario garantire robustezza e prestazioni nonostante incertezze del modello, dinamiche non modellate o variazioni parametriche. È ideale per sistemi che operano in ambienti incerti (aerospaziale, automobilistico, industriale), quando le statistiche di disturbi e rumore sono sconosciute o non gaussiane, e quando sono necessarie garanzie di prestazioni nel caso peggiore. Evitare l'H∞ se si ha una conoscenza precisa dell'impianto (LQR potrebbe essere più semplice) o se il progetto richiede una gestione esplicita dei vincoli (utilizzare MPC invece).

Limiti e considerazioni

  • Progettazione del controllore conservativa; perseguire la garanzia del caso peggiore può portare a un controllo eccessivamente cauto e lento.
  • Richiede un'attenta messa a punto delle funzioni di ponderazione; una selezione errata dei pesi porta a prestazioni subottimali.
  • Assume la piena conoscenza del modello di impianto generalizzato; incertezze non strutturate e dinamiche trascurate possono degradare la robustezza.
  • Non gestisce esplicitamente i vincoli rigidi; i vincoli devono essere incorporati tramite funzioni di penalità o MPC.
  • Il controllo H∞ non lineare (giochi differenziali) è computazionalmente più difficile e manca di convergenza garantita.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Fornisce robustezza garantita all'incertezza del modello e alle variazioni parametriche senza assumere modelli probabilistici.
  • La formulazione minimax offre garanzie di prestazioni nel caso peggiore su tutti i disturbi e le frequenze.
  • Consente la progettazione multivariabile con gestione esplicita dei vincoli di sensori e attuatori tramite ponderazione.
  • Può essere risolto in modo convesso utilizzando metodi LMI o di Riccati; le soluzioni numeriche sono affidabili e ben testate.
  • Interpretazione naturale nel dominio della frequenza; facile incorporare obiettivi di controllo classici (margine di guadagno, margine di fase) come pesi.

Applicazioni

  • Aerospaziale: Controllo del beccheggio degli aeromobili con dinamiche non modellate, progettazione di autopiloti robusti che tollerano variazioni parametriche.
  • Automotive: Controllo robusto delle sospensioni insensibile ai cambiamenti di carico e ai disturbi stradali, gestione del motore in condizioni di incertezza.
  • Sistemi di potenza: Controllo del generatore robusto alle variazioni di carico e alle deviazioni di frequenza, regolazione della tensione delle microreti.
  • Controllo di processo: Controllo di reattori chimici che tollera disallineamenti del modello e variazioni delle materie prime, ottimizzazione di colonne di distillazione.
  • Robotica: Controllo di manipolatori con attrito articolare incerto, navigazione di robot mobili robusta al rumore dei sensori e agli ostacoli.

Come funziona

Come funziona

1

Definire il modello di impianto generalizzato che include il sistema, i canali di disturbo e rumore di misura, e gli obiettivi di prestazione pesati (canali di errore).

2

Selezionare funzioni di ponderazione dipendenti dalla frequenza che modellano il controllore per dare priorità alle prestazioni in diversi intervalli di frequenza (ad esempio, reiezione di disturbi a bassa frequenza, attenuazione del rumore ad alta frequenza).

3

Risolvere il problema di ottimizzazione H∞ utilizzando l'ottimizzazione convessa (disuguaglianze matriciali lineari, LMI) o le equazioni di Riccati per trovare il controllore che minimizza il guadagno nel caso peggiore (norma H∞).

4

Verificare che il gamma raggiunto sia inferiore a 1 e controllare i margini di robustezza (margine di guadagno, margine di fase, stabilità alle perturbazioni parametriche).

Errori comuni

  • Scegliere le funzioni di ponderazione arbitrariamente invece di derivarle da vincoli fisici e specifiche di prestazione.
  • Impostare in modo errato le forme dei pesi (ad esempio, troppo aggressive ad alte frequenze) porta a chattering o a uno sforzo di controllo eccessivo.
  • Ignorare l'incertezza strutturata e assumere che tutta l'incertezza sia non strutturata, portando a un eccessivo conservatorismo.
  • Dimenticare di verificare che il sistema a ciclo chiuso sia stabile e che gamma < 1 sia raggiungibile; progetti irrealizzabili sprecano risorse computazionali.

Domande frequenti

Che cos'è la norma H∞ e perché è importante per la robustezza?

La norma H∞ di un sistema è il guadagno di picco (il più grande valore singolare) su tutte le frequenze. Minimizzare la norma H∞ significa limitare la massima amplificazione delle perturbazioni, assicurando che perturbazioni limitate producano uscite limitate. Questo fornisce una garanzia rigorosa: se la norma H∞ è gamma < 1, qualsiasi perturbazione con ampiezza < 1 produce un'uscita con ampiezza < gamma, indipendentemente dalla frequenza.

Come si scelgono le funzioni di ponderazione?

Iniziare esprimendo gli obiettivi di prestazione in termini di intervalli di frequenza: ad esempio, i disturbi a bassa frequenza (1-10 rad/s) dovrebbero essere attenuati, mentre il rumore di misura ad alta frequenza (>1000 rad/s) può essere tollerato. Progettare W1 per modellare la sensibilità (risposta all'errore ai disturbi) e W2 per modellare la sensibilità complementare (sforzo di controllo e risposta al rumore). Utilizzare reti di ritardo o anticipo del primo ordine, quindi iterare basandosi sui diagrammi di Bode a ciclo chiuso.

Cosa rappresenta il modello di impianto generalizzato?

L'impianto generalizzato è una rappresentazione matriciale che include il sistema (G), gli ingressi di disturbo/rumore (w), le uscite controllate (z), gli ingressi di controllo (u) e le misurazioni (y). Cattura l'intero problema di controllo: w include disturbi e rumore, z include obiettivi di prestazione (errore, sforzo di controllo, ecc.), e il controllore deve minimizzare il guadagno da w a z stabilizzando il sistema.

Il controllo H∞ può gestire sistemi non lineari?

Il controllo H∞ non lineare utilizza la teoria dei giochi differenziali ed è significativamente più complesso. È possibile linearizzare un sistema non lineare e progettare H∞ per il modello linearizzato (robusto a piccole non linearità), oppure utilizzare la programmazione del guadagno (H∞ dipendente dai parametri) per sistemi con parametri che variano lentamente. Il controllo H∞ non lineare completo richiede la risoluzione di PDE non lineari (disuguaglianza di Hamilton-Jacobi), il che è generalmente intrattabile.

Metodi correlati

Fonti

  1. Zames, G. (1981). Feedback and optimal sensitivity: Model reference transformations, multiplicative seminorms, and approximate inverses. IEEE Transactions on Automatic Control, 26(2), 301-320.

    Apri il riferimento DOI
    Copiato.
  2. Francis, B. A. (1987). A Course in H∞ Control Theory. Lecture Notes in Control and Information Sciences, Springer-Verlag.

    Apri il riferimento DOI
    Copiato.
  3. Zhou, K., Doyle, J. C., & Glover, K. (1996). Robust and Optimal Control. Prentice Hall.

    Apri il riferimento della pubblicazione
    Copiato.