带有扰动观测器的MPC电机控制

模型预测控制(Model Predictive Contro1, MPC)是一种先进的控制策略,虽然具有鲁棒性、建模简单、处理多变量系统、显示约束、预测未来行为和优化性能的能力等优势。它的不足在于预测控制行为的计算需要繁琐的计算量,以及抗干扰能力较弱。这里提出基于扰动观测器的鲁棒MPC控制策略;

速度模型建模

\dot{\omega}_m=\frac{1}{J_m}\left( k_fi_q-B_m\omega _m-T_L \right)

基于扰动前馈补偿的两种策略:

1) 通过扰动观测器估计当前时刻的负载转矩T_L,进而构造前馈组件\frac{T_L}{J_m}实现简单的前馈补偿来提高模型预测控制的抗干扰能力。

2) 除了当前时刻负载扰动的影响外,扰动未来可能行为的影响被主动嵌入到输出预测中,显著提高了时变扰动存在下的预测精度和动态性能,这类方法称为鲁棒MPC。

本次只针对第一个基于扰动前馈补偿策略设计,具体分为两方面:

第一方面扰动观测器设计;

第二方面MPC设计。

一、扩张状态观测器设计

\begin{cases} \dot{\omega}_m=\frac{1}{J_m}\left( k_fi_q-B_m\hat{\omega}_m-\hat{T}_L \right) -l_1\left( \hat{\omega}_m-\omega _m \right)\\ \dot{\hat{T}}_L=l_2\left( \hat{\omega}_m-\omega _m \right)\\ \end{cases}

具体地稳定性证明可以参考相关文献[1]。

估计负载扰动的方法有很多,这里就不多介绍,最常用的有扩张状态观测器和滑模观测器。想系统地了解和学习观测器系列的内容,可以参考视频B站up:拾小白电控foc。

二、MPC基本概念

MPC的主要步骤包括:

  • 模型预测:使用系统的数学模型预测未来的输出。
  • 滚动优化:在每个控制周期内,求解一个优化问题,找到最佳的控制序列。
  • 反馈修正:每个周期只实施第一个控制输入,然后重新测量系统状态并重复这个过程。

电机速度环一阶系统模型:

\dot{\omega}_m=\frac{1}{J_m}\left( k_fi_q-B_m\omega _m \right)

z=\omega _mi_q\left( k \right) =u\left( k \right)则采用前向欧拉离散化方法:

\begin{cases} z\left( k+1 \right) =\left( 1-\frac{T_sB_m}{J_m} \right) z\left( k \right) +\frac{T_sk_f}{J_m}u\left( k \right) =A_zz\left( k \right) +B_zu\left( k \right)\\ y_z\left( k \right) =z\left( k \right) =C_z\left( k \right)\\ \end{cases}

第一步预测:

\begin{cases} z\left( k+1 \right) =A_zz\left( k \right) +B_zu\left( k \right)\\ y_z\left( k+1 \right) =C_zz\left( k+1 \right)\\ \end{cases}

第二步预测:

\begin{cases} z\left( k+2 \right) =A_{2}^{2}z\left( k \right) +A_zB_zu\left( k \right) +B_zu\left( k+1 \right)\\ y_z\left( k+2 \right) =C_zz\left( k+2 \right)\\ \end{cases}

第三步预测:

\begin{cases} z\left( k+3 \right) =A_{z}^{3}z\left( k \right) +A_{z}^{2}B_zu\left( k \right) +A_zB_zu\left( k+1 \right) +B_zu\left( k+2 \right)\\ y_z\left( k+3 \right) =C_zz\left( k+3 \right)\\ \end{cases}

\cdots

N_p步预测:

\begin{cases} z\left( k+N_p \right) =A_{z}^{N_p}z\left( k \right) +A_{z}^{N_p-1}B_zu\left( k \right) +\cdots +\sum_{i=0}^{N_p-N_c}{A_{z}^{i}B_zu\left( k+N_c-1 \right)}\\ y_z\left( k+N_p \right) =C_zz\left( k+N_p \right)\\ \end{cases}

其中N_p是预测步长,N_c是控制步长。

定义预测输出序列Y_z、控制输入序列U_z如下:

Y_z=\left[ \begin{matrix} y_z\left( k \right)& y_z\left( k+1 \right)& \cdots& y_z\left( k+N_p \right)\\ \end{matrix} \right] ^T

U_z=\left[ \begin{matrix} u\left( k \right)& u\left( k+1 \right)& \cdots& u\left( k+N_c-1 \right)\\ \end{matrix} \right] ^T

因此,输出预测方程可以组织成矩阵形式如下:

Y_z=F_zz\left( k \right) +\varPhi _zU_z

F_z=\left[ \begin{matrix} C_zA_z& C_zA_{z}^{2}& \cdots& C_zA_{z}^{N_p}\\ \end{matrix} \right] ^T

\varPhi _z=\left[ \begin{matrix} C_zB_z& 0& \cdots& 0\\ C_zA_zB_z& C_zB_z& \cdots& 0\\ \vdots& \vdots& \vdots& \vdots\\ C_zA_{z}^{N_p-1}B_z& C_zA_{z}^{N_p-2}B_z& \cdots& C_zB_z\\ \end{matrix} \right]

参考信号序列:

Y_r=\left[ \begin{matrix} y_r\left( k \right)& y_r\left( k+1 \right)& \cdots& y_r\left( k+N_p \right)\\ \end{matrix} \right] ^T

因此代价函数被设计如下:

J=\left( Y_z-Y_r \right) ^TQ\left( Y_z-Y_r \right) +\left( U_z-U_r \right) ^TR\left( U_z-U_r \right)

其中z_r\left( k \right) =y_r\left( k \right)

展开代价函数:

J=\psi +\frac{1}{2}U_{z}^{T}GU_z+U_{z}^{T}H

G=2\left( \varPhi _{z}^{T}Q\varPhi _z+R \right)

\varPsi =\left( F_zz\left( k \right) -Y_r \right) ^TQ\left( F_zz\left( k \right) -Y_r \right) +U_{r}^{T}RU_r

H=2\left( \varPhi _{z}^{T}QF_zz\left( k \right) -\varPhi _{z}^{T}QY_r-RU_r \right)

将优化问题转化为二次规划约束问题,

\underset{U_z}{\min}J=\frac{1}{2}U_{z}^{T}GU_z+U_{z}^{T}H

求解得到最优的虚拟控制序列:

U^*=\left[ \begin{matrix} u^*\left( k \right)& u^*\left( k+1 \right)& \cdots& u^*\left( k+N_c-1 \right)\\ \end{matrix} \right] ^T

取第一个值。

加入约束U_{\min}\leqslant U_z\leqslant U_{\max},二次规划问题如下:

\underset{U_z}{\min}J=\frac{1}{2}U_{z}^{T}GU_z+U_{z}^{T}H \\ s.t.U_z\leqslant U_{\max} \\ -U_z\leqslant U_{\min}

三、带有扰动补偿的MPC控制

最终的控制律设计:

u\left( k \right) =u^*\left( k \right) +\frac{1}{k_f}\hat{T}_L

四、仿真

在0.5s处加入T_L=2.4N\cdot m

无扰动观测器的MPC控制

带有扰动观测器的MPC控制

转速跟踪:

负载扰动估计:

[1]Chen W, Yun J ,Guo L , et al.Disturbance-Observer-Based Control and Related Methods - An Overview.[J].IEEE Trans. Industrial Electronics,2016,63(2):1083-1095.

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/51743.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

HDFS原理

HDFS(Hadoop Distributed File System) HDFS——hadoop的分布式文件存储系统 HDFS原理19:49

day24——homework

1> 写一个日志文件&#xff0c;将程序启动后&#xff0c;每一秒的时间写入到文件中 1、2024- 7-29 10:31:19 2、2024- 7-29 10:31:20 3、2024- 7-29 10:31:21 ctrlc:停止程序 ./a.out 4、2024- 7-29 10:35:06 5、2024- 7-29 10:35:07 6、2024- 7-29 10:35:08 #include <…

视创云展:重塑线上会议体验,六大核心引领数字空间新纪元

视创云展以其革命性的“数字活动”解决方案为核心&#xff0c;精心构建了一个超越想象的未来数字世界。通过整合六大前沿技术模块&#xff0c;它不仅为参会者打造了一个身临其境的线上会议环境&#xff0c;更让每一位参与者都能跨越物理界限&#xff0c;深刻感受会议的每一个瞬…

前端八股速通(持续更新中...)

1、深拷贝和浅拷贝的区别 浅拷贝&#xff1a;浅拷贝是拷贝一层&#xff0c;引用类型共享地址。 如果属性是基本类型&#xff0c;拷贝的就是基本类型的值。 如果属性是引用类型&#xff0c;拷贝的就是内存地址。 意思是&#xff0c;当进行浅拷贝时&#xff0c;对于对象的每一…

PointCLIP: Point Cloud Understanding by CLIP

Abstract 近年来&#xff0c;基于对比视觉语言预训练(CLIP)的零镜头和少镜头学习在二维视觉识别中表现出了令人鼓舞的效果&#xff0c;该方法在开放词汇设置下学习图像与相应文本的匹配。然而&#xff0c;通过大规模二维图像-文本对预训练的CLIP是否可以推广到三维识别&#x…

关于#define的使用方法总结

文章目录 #define 预处理指令一、#define宏定义二、查看预处理文件三、#define 的使用方法四、C语言宏中“#”和“##”的用法五、常见的宏定义总结六、常考题目 #define 预处理指令 #define 是 C 和 C 编程语言中的预处理指令&#xff0c;用于定义宏&#xff08;macro&#xf…

斯坦福UE4 + C++课学习记录 13:UMG-血量条

文章目录 一、创建血量属性二、应用血量更改三、血量UI 一、创建血量属性 Unreal Motion Graphics (UMG)是 UE中用于创建用户界面 (UI) 的工具。它可以实现如下复杂功能&#xff1a; &#xff08;1&#xff09;动画&#xff1a;UMG 支持为控件添加动画。可以在 Widget Bluepri…

centos7已停用改用Rocky Linux9配置IPV4并安装docker

弃用Centos7&#xff0c;改用Rocky Linux9。 修改IP的方式有不同&#xff0c;不再是修改/etc/sysconfig/network-scripts/之下的脚本&#xff0c;系统也没有名叫network的服务。 系统通过NetworkManger和网络connetions来管理网卡和IP。 实际操作 Rocky Linux通过“系统连接”管…

扩散模型系列0 DDPM:Denoising Diffusion Probabilistic Models

前言&#xff1a; 从7月12号开始 学习了一些扩散模型的论文&#xff0c;越看越上瘾&#xff0c;对未知的渴求激励着我不断地读论文整理、学习、分析、理解 以前发的博客仅仅是对论文的翻译&#xff0c;现在觉得仅仅翻译是不够的&#xff0c;读了一篇论文以后&#xff0c;要形成…

智慧出行新纪元:Vatee万腾平台引领未来交通蓝图

在科技日新月异的今天&#xff0c;智慧出行已成为连接城市脉动、重塑生活方式的关键词。Vatee万腾平台&#xff0c;作为智慧交通领域的佼佼者&#xff0c;正以前瞻性的视角和创新的技术&#xff0c;为我们描绘出一幅未来交通的宏伟蓝图&#xff0c;让每一次出行都成为一次前所未…

扩散模型系列ControlNet: Adding Conditional Control to Text-to-Image Diffusion Models

向文本到图像扩散模型添加条件控制 摘要解读&#xff1a; 我对摘要英文的理解&#xff1a; 我们提出了一个神经网络架构ControlNet&#xff0c;可以向大规模的预训练好的文本到图像的扩散模型中添加空间条件控制。ControlNet锁住了准备生产的大规模扩散模型&#xff0c;并且重…

TCP为什么需要四次挥手?

tcp为什么需要四次挥手&#xff1f; 答案有两个&#xff1a; 1.将发送fin包的权限交给被动断开发的应用层去处理&#xff0c;也就是让程序员处理 2.接第一个答案&#xff0c;应用层有了发送fin的权限&#xff0c;可以在发送fin前继续向对端发送消息 为了搞清楚这个问题&…

生鲜云订单零售系统小程序的设计

管理员账户功能包括&#xff1a;系统首页&#xff0c;个人中心&#xff0c;用户管理&#xff0c;商品分类管理&#xff0c;商品信息管理&#xff0c;订单评价管理&#xff0c;订单管理&#xff0c;系统管理 微信端账号功能包括&#xff1a;系统首页&#xff0c;商品信息&#x…

力扣高频SQL 50题(基础版)第二十三题

文章目录 力扣高频SQL 50题&#xff08;基础版&#xff09;第二十三题596.超过5名学生的课题目说明实现过程准备数据实现方式结果截图 力扣高频SQL 50题&#xff08;基础版&#xff09;第二十三题 596.超过5名学生的课 题目说明 表: Courses -------------------- | Colum…

链表分割 C语言

链表分割_牛客题霸_牛客网 (nowcoder.com) ( 点击前面链接即可查看题目) /* struct ListNode {int val;struct ListNode *next;ListNode(int x) : val(x), next(NULL) {} };*/ #include <cstddef> class Partition { public:ListNode* partition(ListNode* pHea…

家具缓冲器:提升家居体验的得力助手

在家具和工业设备的设计与制造中&#xff0c;钢珠滑轨缓冲器的安装与否一直是一个备受争议的话题。钢珠滑轨缓冲器作为一种能够减少冲击和噪音的装置&#xff0c;其存在具的价值&#xff0c;但也并非在所有情况下是必需的。首先&#xff0c;从功能和使用体验的角度来看&#xf…

算力共享:如何理解、标识与调控多层次算力资源的异构性和复杂性,实现智能算力网生态诸要素有效互操作?

目录 鹏程云主机和NPU计算服务器关系 NPU计算服务器 两者关系 结论 两种不同类型的处理器或计算单元 FPGA MLU NS3(Network Simulator version 3) 一、基本属性 二、主要功能与特点 三、应用与前景 对象存储和HDD存储 一、定义与特点 二、应用场景 三、总结 对…

html+css+js前端作业和平精英6个页面页面带js

htmlcssjs前端作业和平精英6个页面页面带js 下载地址 https://download.csdn.net/download/qq_42431718/89595600 目录1 目录2 项目视频 htmlcssjs前端作业和平精英6个页面带js 页面1 页面2 页面3 页面4 页面5 页面6

3.2.微调

微调 ​ 对于一些样本数量有限的数据集&#xff0c;如果使用较大的模型&#xff0c;可能很快过拟合&#xff0c;较小的模型可能效果不好。这个问题的一个解决方案是收集更多数据&#xff0c;但其实在很多情况下这是很难做到的。 ​ 另一种方法就是迁移学习(transfer learning…

Go语言编程 学习笔记整理 第2章 顺序编程 前半部分

前言&#xff1a;《Go语言编程》编著 许式伟 吕桂华 等 1.1 变量 var v1 int var v2 string var v3 [10]int // 数组 var v4 []int // 数组切片 var v5 struct { f int } var v6 *int // 指针 var v7 map[string]int // map&#xff0c;key为string类型&#xff0c;value为in…