H-infinity управление
- Автор метода
- George Zames
- Год
- 1981
- Тип
- algorithm
- Семейство
- Robust Control
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
H-infinity (H∞) управление — это робастный метод управления, который минимизирует наихудшее возможное усиление от возмущений до управляемых выходов, формулируемое как задача минимизации-максимизации (минимаксная задача).
Разработанное Замесом в начале 1980-х годов, H∞ управление предоставляет принципиальный способ проектирования контроллеров обратной связи, которые допускают неопределенность модели, неучтенную динамику и возмущения, сохраняя при этом стабильность и производительность, что делает его незаменимым для приложений, требующих гарантированной робастности.
Интуиция метода
В отличие от LQR, который предполагает идеально известную систему и гауссовский шум, H∞ управление использует подход наихудшего случая: оно ищет контроллер, который минимизирует максимально возможное усиление возмущений на всех частотах. Ключевая идея состоит в том, чтобы определить взвешенные цели производительности (например, чувствительность к возмущениям, дополнительная чувствительность к шуму измерений) и найти контроллер, который удерживает все эти взвешенные отклики в пределах заданного уровня гамма. Если решение существует с гамма < 1, контроллер робастно стабилизирует систему и одновременно удовлетворяет всем спецификациям производительности. Эта гарантия наихудшего случая делает H∞ управление мощным инструментом для неопределенных, нелинейных или сильно подверженных возмущениям систем.
История
Замес сформулировал задачу минимизации чувствительности и ввел H∞ норму в начале 1980-х годов, предоставив частотно-доменную перспективу робастности. Фрэнсис расширил теорию с помощью формулировки в пространстве состояний (обобщенный объект), а Дойл и др. предложили решение на основе уравнений Риккати и LMI-характеризацию. Учебник Чжоу (1996) стал стандартным справочником. H∞ управление получило широкое промышленное применение в 1990-х годах, с приложениями в аэрокосмической отрасли, управлении процессами и автомобильных системах. Современные варианты включают смешанную чувствительность H∞, H∞ со структурированной неопределенностью и распределенное H∞ управление.
Когда применять
Используйте H∞ управление, когда необходимо гарантировать робастную стабильность и производительность, несмотря на неопределенность модели, неучтенную динамику или вариации параметров. Оно идеально подходит для систем, работающих в неопределенных средах (аэрокосмическая отрасль, автомобилестроение, промышленность), когда статистика возмущений и шума неизвестна или негауссова, и когда требуются гарантии производительности в наихудшем случае. Избегайте H∞, если у вас есть точные знания об объекте (LQR может быть проще) или если проектирование требует явной обработки ограничений (используйте MPC вместо этого).
Ограничения и замечания
- Консервативное проектирование контроллера; стремление к гарантии наихудшего случая может привести к чрезмерно осторожному, вялому управлению.
- Требует тщательной настройки весовых функций; плохой выбор весов приводит к субоптимальной производительности.
- Предполагает полное знание обобщенной модели объекта управления; неструктурированная неопределенность и пренебрегаемая динамика могут ухудшить робастность.
- Не обрабатывает жесткие ограничения явно; ограничения должны быть включены через штрафные функции или MPC.
- Нелинейное H∞ управление (дифференциальные игры) вычислительно сложнее и не имеет гарантированной сходимости.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Обеспечивает гарантированную робастность к неопределенности модели и параметрическим вариациям без предположения о вероятностных моделях.
- Минимаксная формулировка дает гарантии производительности в наихудшем случае для всех возмущений и частот.
- Позволяет многомерное проектирование с явной обработкой ограничений датчиков и исполнительных механизмов посредством взвешивания.
- Может быть решено выпуклым образом с использованием LMI или методов Риккати; численные решения надежны и хорошо проверены.
- Естественная интерпретация в частотной области; легко включать классические цели управления (запас по амплитуде, запас по фазе) в качестве весов.
Применение
- Аэрокосмическая отрасль: Управление тангажом самолета с неучтенной динамикой, робастное проектирование автопилота, допускающее вариации параметров.
- Автомобилестроение: Робастное управление подвеской, нечувствительное к изменениям нагрузки и дорожным возмущениям, управление двигателем в условиях неопределенности.
- Энергетические системы: Управление генератором, робастное к изменениям нагрузки и отклонениям частоты, регулирование напряжения в микросетях.
- Управление процессами: Управление химическим реактором, допускающее рассогласование модели и вариации сырья, оптимизация ректификационной колонны.
- Робототехника: Управление манипулятором с неопределенным трением в суставах, навигация мобильного робота, робастная к шуму датчиков и препятствиям.
Как это работает
Как это работает
Определите обобщенную модель объекта управления, которая включает систему, каналы возмущений и шума измерений, а также взвешенные цели производительности (каналы ошибок).
Выберите частотно-зависимые весовые функции, которые формируют контроллер для приоритизации производительности в различных частотных диапазонах (например, подавление низкочастотных возмущений, ослабление высокочастотного шума).
Решите задачу H∞ оптимизации, используя выпуклую оптимизацию (линейные матричные неравенства, LMI) или уравнения Риккати, чтобы найти контроллер, минимизирующий усиление в наихудшем случае (H∞ норму).
Убедитесь, что достигнутая гамма меньше 1, и проверьте запасы робастности (запас по амплитуде, запас по фазе, устойчивость к параметрическим возмущениям).
Частые ошибки
- Произвольный выбор весовых функций вместо их вывода из физических ограничений и спецификаций производительности.
- Неправильная установка формы весов (например, слишком агрессивная на высоких частотах) приводит к дребезгу или чрезмерным управляющим воздействиям.
- Игнорирование структурированной неопределенности и предположение, что вся неопределенность неструктурирована, что приводит к чрезмерному консерватизму.
- Забывать проверять, что замкнутая система стабильна и что гамма < 1 достижима; невыполнимые проекты тратят вычислительные ресурсы впустую.
Часто задаваемые вопросы
Что такое H∞ норма и почему она важна для робастности?
H∞ норма системы — это пиковое усиление (наибольшее сингулярное значение) на всех частотах. Минимизация H∞ нормы означает ограничение максимального усиления возмущений, гарантируя, что ограниченные возмущения производят ограниченные выходы. Это обеспечивает жесткую гарантию: если H∞ норма гамма < 1, любое возмущение с амплитудой < 1 производит выход с амплитудой < гамма, независимо от частоты.
Как мне выбрать весовые функции?
Начните с выражения ваших целей производительности в терминах частотных диапазонов: например, низкочастотные (1-10 рад/с) возмущения должны быть ослаблены, в то время как высокочастотный шум измерений (>1000 рад/с) может быть допущен. Разработайте W1 для формирования чувствительности (отклик ошибки на возмущения) и W2 для формирования дополнительной чувствительности (управляющее воздействие и отклик на шум). Используйте сети первого порядка с запаздыванием или опережением, затем итерируйте на основе диаграмм Боде замкнутого контура.
Что представляет собой обобщенная модель объекта управления?
Обобщенный объект — это матричное представление, которое включает систему (G), входы возмущений/шума (w), управляемые выходы (z), управляющие входы (u) и измерения (y). Оно охватывает всю проблему управления: w включает возмущения и шум, z включает цели производительности (ошибка, управляющее воздействие и т. д.), и контроллер должен минимизировать усиление от w до z, стабилизируя при этом систему.
Может ли H∞ управление обрабатывать нелинейные системы?
Нелинейное H∞ управление использует теорию дифференциальных игр и значительно сложнее. Вы можете линеаризовать нелинейную систему и спроектировать H∞ для линеаризованной модели (робастной к малым нелинейностям) или использовать планирование усиления (H∞, зависящее от параметров) для систем с медленно меняющимися параметрами. Полное нелинейное H∞ требует решения нелинейных дифференциальных уравнений в частных производных (неравенство Гамильтона-Якоби), что обычно неразрешимо.
Похожие методы
Источники
Zames, G. (1981). Feedback and optimal sensitivity: Model reference transformations, multiplicative seminorms, and approximate inverses. IEEE Transactions on Automatic Control, 26(2), 301-320.
Открыть ссылку DOIСкопировано.Francis, B. A. (1987). A Course in H∞ Control Theory. Lecture Notes in Control and Information Sciences, Springer-Verlag.
Открыть ссылку DOIСкопировано.Zhou, K., Doyle, J. C., & Glover, K. (1996). Robust and Optimal Control. Prentice Hall.
Открыть ссылку на публикациюСкопировано.