İçeriğe atla
Arama sonuçlarına dön

Lineer Kuadratik Regülatör (LQR)

Ortaya koyan
Rudolf Kalman
Yıl
1960
Tür
algorithm
Aile
Optimal Control

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Lineer Kuadratik Regülatör (LQR), lineer bir dinamik sistem için karesel bir maliyet fonksiyonunu minimize etmek üzere lineer bir geri besleme yasası hesaplayan klasik bir optimal kontrol algoritmasıdır.

Kalman tarafından 1960 yılında tanıtılan LQR, lineer sistemler için kanıtlanabilir şekilde optimal, kapalı form bir çözüm sunar ve teorik zarafeti ve hesaplama verimliliği nedeniyle kontrol teorisi, robotik ve havacılık uygulamalarında temel olmaya devam etmektedir.

Yöntemin mantığı

LQR, lineer bir sistemi sıfıra yönlendirme (veya bir referansı izleme) sorununu, hem istenen durumdan sapmayı hem de çabayı (kontrol girdisinin büyüklüğü) cezalandırırken çözer. Temel fikir, karesel maliyetlere sahip lineer sistemler için optimal kontrol yasasının mevcut duruma göre lineer olmasıdır: u = −Kx, burada K çevrimdışı hesaplanan geri besleme kazanç matrisidir. Algoritma, önce optimal gidilecek maliyet fonksiyonunu bulmak için geriye doğru zamanlı bir Riccati diferansiyel denklemini (veya kararlı durum için cebirsel Riccati denklemini) çözer, ardından lineer geri besleme kazancını türetir. Bu, kazançların çevrimdışı hesaplanmasını çevrimiçi kontrolünden ayırarak son derece hızlı gerçek zamanlı uygulamayı mümkün kılar.

Tarih

Kalman'ın 1960 tarihli makalesi, Lineer Karesel Optimal Kontrol problemini ve Riccati denklemi aracılığıyla çözümünü tanıttı. Bryson ve Ho, teoriyi 1960'ların sonlarında genişlettiler ve 1969'da temel ders kitabını yayınladılar. Ayrık zamanlı versiyon, aynı dönemde Kalman ve diğerleri tarafından geliştirilerek dijital uygulamayı mümkün kıldı. LQR o zamandan beri modern kontrol teorisinde temel haline gelmiş, stokastik sistemlere (Lineer Karesel Gauss, LQG) ve doğrusal olmayan sistemlere (Diferansiyel Oyunlar, NMPC) uzantılarla birlikte.

Ne zaman kullanılır?

Sisteminiz lineer (veya doğrusallaştırma ile iyi yaklaştırılmışsa), amaç hem durum hatasını hem de kontrol çabasını doğal olarak birleştiriyorsa ve kanıtlanabilir şekilde optimal bir çözüm ile hızlı hesaplama gerektiriyorsa LQR'yi kullanın. LQR, ters sarkaçı dengeleme, uçak tutumunu kontrol etme veya uzay aracı yörüngelerini optimize etme gibi problemler için mükemmeldir. Sert kısıtlamalara sahip sistemler (bunun yerine MPC kullanın) veya güçlü doğrusal olmayan dinamikler için daha az uygundur.

Sınırlar ve dikkat edilmesi gerekenler

  • Lineer sistemlerle sınırlıdır; gerçek sistemler genellikle doğrusal değildir ve doğrusallaştırma gerektirir.
  • Durum veya girdi üzerindeki sert kısıtlamaları açıkça ele almaz; karesel cezalar yalnızca yumuşak kısıtlamalardır.
  • Maliyet fonksiyonu tasarımı (Q ve R seçimi) mühendislik yargısı ve ayarlama gerektirir.
  • Kalman kazancının sağlamlık özellikleri modelin doğru olduğunu varsayar; model uyumsuzluğu performansı düşürür.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Lineer sistemler için kanıtlanabilir şekilde optimal geri besleme yasasını karesel maliyetle sağlar.
  • Kazançların çevrimdışı hesaplanması; çevrimiçi kontrol sadece bir matris-vektör çarpımıdır (son derece hızlı).
  • Kazanç marjı ve faz marjı garantileri; doğal sağlamlık özellikleri (çıktıda sonsuz kazanç marjı).
  • Hesaplanması basittir; birçok sayısal algoritma mevcuttur (Schur ayrışımı, özdeğer yöntemleri).
  • Çok değişkenli sistemleri doğal olarak ele alır ve kontrol tasarımını sensör ve aktüatör kısıtlamalarından ayırır.

Uygulama alanları

  • Havacılık ve Uzay: Uçak ve uzay araçlarının tutum kontrolü, Mars gezginleri ve Ay iniş araçları için yörünge optimizasyonu.
  • Robotik: İki ayaklı yürüyücüleri dengeleme, manipülatör kolu yörünge takibi, dört rotorlu drone'ları stabilize etme.
  • İmalat: Hassas ekipmanların (CNC makineleri) hareket kontrolü, mekanik sistemlerde titreşim sönümleme.
  • Enerji sistemleri: Güç şebekesi frekansını ve voltajını stabilize etme, mikro şebekelerde jeneratör kontrolünü optimize etme.
  • Otomotiv: Araçlarda süspansiyon kontrolü, çekiş kontrolü ve direksiyon desteği.

Nasıl çalışır?

Nasıl çalışır?

1

Lineer sistem dinamiklerini (A, B matrisleri), tahmin ufkunı ve karesel maliyet matrislerini (durum için Q, girdi için R) tanımlayın.

2

Simetrik pozitif tanımlı çözüm matrisi P'yi elde etmek için sürekli zamanlı veya ayrık zamanlı cebirsel Riccati denklemini çözün.

3

Riccati çözümünü kullanarak optimal geri besleme kazanç matrisini K = R^(-1) * B^T * P hesaplayın.

4

Her kontrol adımında sisteme lineer geri besleme yasası u(t) = −K x(t) uygulayın.

Sık yapılan hatalar

  • Kararsız bir denge noktası veya zamanla değişen bir referans etrafında doğrusallaştırma, LQR çözümünü geçersiz kılabilir.
  • Q ve R ağırlıklarını fiziksel anlamlarını anlamadan keyfi olarak ayarlamak, zayıf kontrol performansına yol açar.
  • LQR'nin çevrimdışı bir hesaplama olduğunu unutmak; Q, R veya sistem parametrelerindeki değişiklikler Riccati denkleminin yeniden çözülmesini gerektirir.

Sık sorulan sorular

Q ve R ağırlık matrislerini nasıl seçerim?

Sistematik bir yaklaşım, Q'yu her bir köşegen girdisi 1/max_izin_verilen_durum_i^2 ile orantılı olan köşegen bir matris olarak ve R'yi 1/max_izin_verilen_girdi_i^2 ile orantılı olarak başlatmaktır. Ardından ampirik olarak ayarlayın: durum düzenlemesini sıkılaştırmak için Q'yu artırın, kontrol çabasını azaltmak için R'yi artırın. Aşma ve yerleşme süresi arasındaki ödünleşimler, bu ağırlıkları ayarladıkça ortaya çıkar.

Cebirsel Riccati denklemi nedir ve neden önemlidir?

Cebirsel Riccati denklemi (ARE), sonsuz ufuklu LQR problemini çözerken ortaya çıkan bir matris karesel denklemidir. P çözümü, herhangi bir durumdan gidilecek optimal maliyeti kodlar. ARE'yi çözmek LQR'nin hesaplama darboğazıdır; modern algoritmalar (örneğin, Schur ayrışımı aracılığıyla) bunu O(n^3) zamanda yapar, burada n durum boyutudur.

LQR zamanla değişen sistemleri idare edebilir mi?

Evet, zamanla değişen LQR, bir diferansiyel Riccati denklemini (DRE) geriye doğru zamanla çözer. Ancak bu, kararlı durum durumundan daha hesaplama açısından pahalı olan bir ODE'nin çözülmesini gerektirir. Zamanla değişen LQR, yörünge takibi veya yavaş değişen parametrelere sahip sistemler için kullanışlıdır.

LQR neden garantili sağlamlık marjlarına sahiptir?

LQR'nin optimal geri besleme yasası, sonsuz kazanç marjını (keyfi çarpımsal çıktı hatalarını tolere eder) ve çıktıda %50 faz marjını garanti eder. Bu kararlılık marjları, optimal çözümün yapısından gelir ve PID veya diğer sezgisel kontrolörlerin aksine ayrı olarak kontrol edilmeleri gerekmez.

İlgili yöntemler

Kaynaklar

  1. Kalman, R. E. (1960). Contributions to the theory of optimal control. Boletin de la Sociedad Matematica Mexicana, 5(2), 102-119.

    Yayın kaynağını aç
    Kopyalandı.
  2. Bryson, A. E., & Ho, Y. C. (1969). Applied Optimal Control: Optimization, Estimation and Control. Blaisdell Publishing.

    Yayın kaynağını aç
    Kopyalandı.
  3. Lewis, F. L., Vrabie, D., & Syrmos, V. L. (2012). Optimal Control (3rd ed.). John Wiley & Sons.

    DOI kaynağını aç
    Kopyalandı.