广义模态控制

广义模态控制

  • 1. 模态及模态控制的思想
  • 2. 控制方法数学推导
  • 3. 解的几个条件
  • 4. 举例计算

温馨提示:在阅读本文之前,读者最好具有一定的模态的相关知识,可以阅读笔者的另一篇博客模态反馈控制中的第1节来了解。

1. 模态及模态控制的思想

我们知道,系统的时域运动可以由以下方程表示:
x ( t ) = ∑ i = 1 n C i e λ i t = ∑ i = 1 n x i ( t ) x(t) = \sum _{i=1} ^n C_i e^{\lambda_i t} = \sum_{i=1} ^n x_i (t) x(t)=i=1nCieλit=i=1nxi(t)其中的 e λ i t e^{\lambda_i t} eλit即为极点 λ i \lambda_i λi对应的运动模态。

而模态控制,就是想办法向系统中添加期望的模态,或消除系统中的不良模态,以使系统达到期望的动态特性的控制方法。

2. 控制方法数学推导

设原系统的特征方程为
Δ 0 ( s ) = det ⁡ ( s I − A ) = s n + ∑ i = 1 n − 1 a i s i (1) \Delta_0 ({\rm s} ) = \det \left( {\rm s} I - A \right) = {\rm s}^n + \sum_{i=1} ^{n-1} a_i {\rm s}^i \tag{1} Δ0(s)=det(sIA)=sn+i=1n1aisi(1)注意:式(1)为首一式,即第一项(最高幂次项)的系数为1
相应地,系统的传递函数为
W 0 ( s ) = C T ( s I − A ) − 1 B = M 0 ( s ) Δ 0 ( s ) W_0 ( {\rm s} ) = C^{\rm T} \left( {\rm s} I - A \right)^{-1} B = \frac{M_0 ( {\rm s} )}{\Delta_0 ({\rm s} )} W0(s)=CT(sIA)1B=Δ0(s)M0(s)分母即式(1)所示,分子为
M 0 ( s ) = ∑ i = 1 m b i s i M_0 ( {\rm s} ) = \sum_{i=1} ^m b_i {\rm s}^i M0(s)=i=1mbisi一般地,对于实际系统来说,分子的阶次不会超过分母的阶次,即 m ≤ n m \leq n mn

在系统的前向通路中,加入一个控制器 R ( s ) = Q ( s ) / P ( s ) R ( {\rm s} ) = Q ( {\rm s} ) / P ( {\rm s} ) R(s)=Q(s)/P(s),其阶数为 ν \nu ν,即 deg ⁡ P ( s ) = ν \deg P ( {\rm s} ) = \nu degP(s)=ν。对于实际系统来说,同样有分子阶次不超过分母阶次,即 deg ⁡ Q ( s ) ≤ deg ⁡ P ( s ) \deg Q ( {\rm s} ) \leq \deg P ( {\rm s} ) degQ(s)degP(s)

将控制器 R ( s ) R ( {\rm s} ) R(s)表示为
R ( s ) = Q ( s ) P ( s ) = ∑ i = 0 ν q i s i s ν + ∑ i = 0 ν − 1 p i s i (2) R ( {\rm s} ) = \frac{Q ( {\rm s} )}{P ( {\rm s} )} = \frac{ \sum_{i=0} ^\nu q_i {\rm s}^i }{ {\rm s}^\nu + \sum_{i=0} ^{\nu-1} p_i {\rm s}^i } \tag{2} R(s)=P(s)Q(s)=sν+i=0ν1pisii=0νqisi(2)注意到这里的分母 P P P同样为首一式。

前向通路中加入控制器后,整个新系统的闭环传函可以立即写出:
W ( s ) = R ( s ) W 0 ( s ) 1 + R ( s ) W 0 ( s ) = M ( s ) Δ ( s ) = Q ( s ) P ( s ) M 0 ( s ) Δ 0 ( s ) 1 + Q ( s ) P ( s ) M 0 ( s ) Δ 0 ( s ) = Q ( s ) M 0 ( s ) P ( s ) Δ 0 ( s ) + Q ( s ) M 0 ( s ) (3) \begin{aligned} W ( {\rm s} ) &= \frac{ R ( {\rm s} ) W_0 ( {\rm s} ) }{1 + R ( {\rm s} ) W_0 ( {\rm s} ) } = \frac{M ( {\rm s} ) }{ \Delta ( {\rm s} ) } \\ &= \frac{ \frac{Q ( {\rm s} )}{P ( {\rm s} )} \frac{M_0 ( {\rm s} )}{\Delta_0 ({\rm s} )} }{1 + \frac{Q ( {\rm s} )}{P ( {\rm s} )} \frac{M_0 ( {\rm s} )}{\Delta_0 ({\rm s} )} } \\ &= \frac{Q( {\rm s} ) M_0( {\rm s} )}{P( {\rm s} ) \Delta_0( {\rm s} ) +Q( {\rm s} ) M_0( {\rm s} )} \tag{3} \end{aligned} W(s)=1+R(s)W0(s)R(s)W0(s)=Δ(s)M(s)=1+P(s)Q(s)Δ0(s)M0(s)P(s)Q(s)Δ0(s)M0(s)=P(s)Δ0(s)+Q(s)M0(s)Q(s)M0(s)(3)
Δ ( s ) = P ( s ) Δ 0 ( s ) + Q ( s ) M 0 ( s ) , (3–1) \Delta ( {\rm s} ) = P( {\rm s} ) \Delta_0( {\rm s} ) +Q( {\rm s} ) M_0( {\rm s} ), \tag{3--1} Δ(s)=P(s)Δ0(s)+Q(s)M0(s),(3–1) M ( s ) = Q ( s ) M 0 ( s ) (3–2) M ( {\rm s} ) = Q( {\rm s} ) M_0( {\rm s} ) \tag{3--2} M(s)=Q(s)M0(s)(3–2)下面看式(3–1)和(3–2)的阶数。
对于式(3–1)来说:
deg ⁡ Δ ( s ) = max ⁡ { deg ⁡ P ( s ) + deg ⁡ Δ 0 ( s ) , deg ⁡ Q ( s ) + deg ⁡ M 0 ( s ) } \deg \Delta ( {\rm s} ) = \max \left\{ \deg P( {\rm s} ) + \deg \Delta_0( {\rm s} ), \quad \deg Q( {\rm s} ) + \deg M_0( {\rm s} ) \right\} degΔ(s)=max{degP(s)+degΔ0(s),degQ(s)+degM0(s)}由于 deg ⁡ P ( s ) = ν , deg ⁡ Δ 0 ( s ) = n \deg P( {\rm s} ) = \nu, \deg \Delta_0( {\rm s} ) = n degP(s)=ν,degΔ0(s)=n,而 Q ( s ) Q( {\rm s} ) Q(s) M 0 ( s ) M_0( {\rm s} ) M0(s)均为分子,阶数分别不超过 ν \nu ν n n n,故
deg ⁡ Δ ( s ) = n + ν = n ˉ (4) \deg \Delta ( {\rm s} ) = n + \nu = \bar n \tag{4} degΔ(s)=n+ν=nˉ(4)
期望系统的特征方程为 Δ ∗ ( s ) \Delta ^* ( {\rm s} ) Δ(s),那么只需要满足
Δ ∗ ( s ) = Δ ( s ) = P ( s ) Δ 0 ( s ) + Q ( s ) M 0 ( s ) (5) \Delta ^* ( {\rm s} ) = \Delta ( {\rm s} ) = P( {\rm s} ) \Delta_0( {\rm s} ) +Q( {\rm s} ) M_0( {\rm s} ) \tag{5} Δ(s)=Δ(s)=P(s)Δ0(s)+Q(s)M0(s)(5)即可。解式(5),即可得到控制器的分子分母 P ( s ) , Q ( s ) P( {\rm s} ), Q( {\rm s} ) P(s),Q(s)

3. 解的几个条件

  1. 式(5)解存在的充分必要条件是: Δ 0 ( s ) \Delta_0( {\rm s} ) Δ0(s) M 0 ( s ) M_0( {\rm s} ) M0(s)互质,且 n ˉ ≥ 2 n − 1 \bar n \geq 2n - 1 nˉ2n1
  2. 2 ν + 1 ≥ n ˉ 2\nu + 1 \geq \bar n 2ν+1nˉ时,式(5)有无穷个解;只有当 2 ν + 1 = n ˉ 2\nu + 1 = \bar n 2ν+1=nˉ时,式(5)有唯一解。
  3. 由1可以知,当且仅当 ν ≥ n − 1 \nu \geq n-1 νn1时,才能通过设置控制器 R ( s ) R ( {\rm s} ) R(s)使系统得到期望的极点分布。因此,控制器 R ( s ) R ( {\rm s} ) R(s)的最小阶次 ν 0 = n − 1 \nu_0 = n-1 ν0=n1

4. 举例计算

设原系统的传函为
W 0 ( s ) = k 0 s ( T s + 1 ) W_0 ({\rm s}) = \frac{k_0}{{\rm s} \left( T{\rm s} + 1 \right) } W0(s)=s(Ts+1)k0为其设计模态控制器。

写出其分子分母(注意是首一式):
Δ 0 ( s ) = s ( s + 1 T ) , M 0 ( s ) = k 0 T \Delta_0 ( {\rm s} ) = {\rm s} \left( {\rm s} + \frac{1}{T} \right), \qquad M_0 ( {\rm s} ) = \frac{k_0}{T} Δ0(s)=s(s+T1),M0(s)=Tk0原系统阶次 n = 2 n=2 n=2,则控制器的最小阶次为 ν 0 = n − 1 = 1 \nu_0 = n-1 = 1 ν0=n1=1。这样总阶次为 n ˉ = n + ν = 3 \bar n = n + \nu = 3 nˉ=n+ν=3,即新系统中有3个期望极点。

假设新系统的3个期望极点为 λ 1 ∗ = − δ , λ 2 ∗ = λ 3 ∗ = − 2 δ \lambda_1^* = -\delta, \lambda_2^* = \lambda_3^* = -2 \delta λ1=δ,λ2=λ3=2δ(期望极点是人为设计的,根据系统的具体要求而进行的,而非根据系统表现测算的)。那么期望系统的特征方程为
Δ ∗ ( s ) = ( s + δ ) ( s + 2 δ ) 2 \Delta^* ( {\rm s} ) = \left( {\rm s} + \delta \right) \left( {\rm s} + 2\delta \right)^2 Δ(s)=(s+δ)(s+2δ)2另一方面,由于系统的控制器为一阶的( ν 0 = 1 \nu_0 = 1 ν0=1),故可以设
P ( s ) = s + p 0 , Q ( s ) = q 1 s + q 0 P ( {\rm s} ) = {\rm s} + p_0, \qquad Q ( {\rm s} ) = q_1 {\rm s} + q_0 P(s)=s+p0,Q(s)=q1s+q0注意其中 P ( s ) P ( {\rm s} ) P(s)为首一式。

代入式(5)有
Δ ∗ ( s ) = Δ ( s ) = P ( s ) Δ 0 ( s ) + Q ( s ) M 0 ( s ) ⟹ \Delta ^* ( {\rm s} ) = \Delta ( {\rm s} ) = P( {\rm s} ) \Delta_0( {\rm s} ) +Q( {\rm s} ) M_0( {\rm s} ) \Longrightarrow Δ(s)=Δ(s)=P(s)Δ0(s)+Q(s)M0(s) s ( s + 1 T ) ( s + p 0 ) + k 0 T ( q 1 s + q 0 ) = ( s + δ ) ( s + 2 δ ) 2 {\rm s} \left( {\rm s} + \frac{1}{T} \right) \left( {\rm s} + p_0 \right) + \frac{k_0}{T} \left( q_1 {\rm s} + q_0 \right) = \left( {\rm s} + \delta \right) \left( {\rm s} + 2\delta \right)^2 s(s+T1)(s+p0)+Tk0(q1s+q0)=(s+δ)(s+2δ)2将括号展开,对应 s {\rm s} s不同阶次的系数,可以得到
{ p 0 + 1 T = 5 δ p 0 T + k 0 T q 1 = 8 δ 2 k 0 q 0 T = 4 δ 3 \begin{cases} p_0 + \frac{1}{T} = 5 \delta \\ \frac{p_0}{T} + \frac{k_0}{T} q_1 = 8 \delta^2 \\ \frac{k_0 q_0}{T} = 4 \delta^3 \end{cases} p0+T1=5δTp0+Tk0q1=8δ2Tk0q0=4δ3解得
{ p 0 = 5 δ − 1 T q 1 = 8 δ 2 T k 0 − 5 δ k 0 + 1 k 0 T q 0 = 4 δ 3 T k 0 \begin{cases} p_0 = 5\delta - \frac{1}{T} \\ q_1 = \frac{8 \delta^2 T}{k_0} - \frac{5\delta}{k_0} + \frac{1}{k_0T} \\ q_0 = \frac{4 \delta^3 T}{k_0} \end{cases} p0=5δT1q1=k08δ2Tk05δ+k0T1q0=k04δ3T则系统的控制器的传递函数为
R ( s ) = Q ( s ) P ( s ) = ( 8 δ 2 T k 0 − 5 δ k 0 + 1 k 0 T ) s + 4 δ 3 T k 0 s + 5 δ − 1 T = ( 8 δ 2 T 2 − 5 δ T + 1 ) s + 4 δ 3 T 2 k 0 T s + 5 δ k 0 T − k 0 R ( {\rm s} ) = \frac{Q ( {\rm s} )}{P ( {\rm s} )} = \frac{ \left( \frac{8 \delta^2 T}{k_0} - \frac{5\delta}{k_0} + \frac{1}{k_0T} \right) {\rm s} + \frac{4 \delta^3 T}{k_0} }{{\rm s} + 5\delta - \frac{1}{T} } = \frac{ \left( 8 \delta^2 T^2 - 5\delta T + 1 \right) {\rm s} + 4 \delta^3 T^2 }{ k_0 T {\rm s} + 5\delta k_0 T - k_0 } R(s)=P(s)Q(s)=s+5δT1(k08δ2Tk05δ+k0T1)s+k04δ3T=k0Ts+5δk0Tk0(8δ2T25δT+1)s+4δ3T2

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/news/45933.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

宝塔部署Java+Vue前后端分离项目经验总结

前言 之前部署服务器都是在Linux环境下自己一点一点安装软件,听说用宝塔傻瓜式部署更快,这次浅浅尝试了一把。 确实简单! 1、 买服务器 咋买服务器略,记得服务器装系统就装 Cent OS 7系列即可,我装的7.6。 2、创建…

Linux面试笔试题(1)

1、以长格式列目录时,若文件test的权限描述为:drwxrw-r–,则文件test的类型及文件主的权限是__A____。 A.目录文件、读写执行 B.目录文件、读写 C.普通文件、读写 D.普通文件、读 在这个问题中,我们需要解析文件权限的描述&…

ChatGPT在智能城市规划和交通优化中的应用如何?

智能城市规划和交通优化是应对城市化挑战、提高城市可持续性的重要领域。在这方面,ChatGPT作为一种强大的自然语言处理模型,可以发挥重要作用,帮助实现更智能、高效的城市规划和交通管理。本文将详细探讨ChatGPT在智能城市规划和交通优化中的…

Python typing函式庫和torch.types

Python typing函式庫和torch.types 前言typingSequence vs IterableCallableUnionOptionalFunctionsCallableIterator/generator位置參數 & 關鍵字參數 Classesself自定義類別ClassVar\_\_setattr\_\_ 與 \__getattr\_\_ torch.typesbuiltins 參數前的* …

[RDMA] 高性能异步的消息传递和RPC :Accelio

1. Introduce Accelio是一个高性能异步的可靠消息传递和RPC库,能优化硬件加速。 RDMA和TCP / IP传输被实现,并且其他的传输也能被实现,如共享存储器可以利用这个高效和方便的API的优点。Accelio 是 Mellanox 公司的RDMA中间件,用…

Visual Studio 2022 你必须知道的实用调试技巧

目录 1、什么是bug? 2.调试是什么?有多重要? 2.1我们是如何写代码的? 2.2又是如何排查出现的问题的呢? ​编辑 2.3 调试是什么? 2.4调试的基本步骤 2.5Debug和Release的介绍 3.Windows环境调试介绍…

基于Java+SpringBoot的房源出租信息管理系统【源码+论文+演示视频+包运行成功】

博主介绍:✌csdn特邀作者、博客专家、java领域优质创作者、博客之星,擅长Java、微信小程序、Python、Android等技术,专注于Java技术领域和毕业项目实战✌ 🍅文末获取源码联系🍅 👇🏻 精彩专栏推…

【腾讯云Cloud Studio实战训练营】用Vue+Vite快速构建完成交互式3D小故事

👀前置了解:(官网 https://cloudstudio.net/) 什么是Cloud Studio? Cloud Studio 是基于浏览器的集成式开发环境(IDE),为开发者提供了一个永不间断的云端工作站。用户在使用 Cloud Studio 时无需安装&#…

FPGA_学习_16_IP核_ROM(延迟一拍输出)

在寻找APD最合适的偏压的过程中,一般会用到厂商提供一条曲线,横坐标是温度的变化,纵坐标表示击穿偏压的变化,但每个产品真正的击穿偏压是有差异的。 为了能够快速的找到当前温度下真实的击穿偏压,我们可以这样做&#…

5.5.webrtc的线程管理

今天呢,我们来介绍一下线程的管理与绑定,首先我们来看一下web rtc中的线程管理类,也就是thread manager。对于这个类来说呢,其实实现非常简单,对吧? 包括了几个重要的成员,第一个成员呢就是ins…

小研究 - Android 字节码动态分析分布式框架(三)

安卓平台是个多进程同时运行的系统,它还缺少合适的动态分析接口。因此,在安卓平台上进行全面的动态分析具有高难度和挑战性。已有的研究大多是针对一些安全问题的分析方法或者框架,无法为实现更加灵活、通用的动态分析工具的开发提供支持。此…

五款拿来就能用的炫酷表白代码

「作者主页」:士别三日wyx 「作者简介」:CSDN top100、阿里云博客专家、华为云享专家、网络安全领域优质创作者 「推荐专栏」:小白零基础《Python入门到精通》 五款炫酷表白代码 1、无限弹窗表白2、做我女朋友好吗,不同意就关机3、…

无涯教程-PHP - XML GET

XML Get已用于从xml文件获取节点值。以下示例显示了如何从xml获取数据。 Note.xml 是xml文件&#xff0c;可以通过php文件访问。 <SUBJECT><COURSE>Android</COURSE><COUNTRY>India</COUNTRY><COMPANY>LearnFk</COMPANY><PRICE…

c#设计模式-结构型模式 之 桥接模式

前言 桥接模式是一种设计模式&#xff0c;它将抽象与实现分离&#xff0c;使它们可以独立变化。这种模式涉及到一个接口作为桥梁&#xff0c;使实体类的功能独立于接口实现类。这两种类型的类可以结构化改变而互不影响。 桥接模式的主要目的是通过将实现和抽象分离&#xff0c;…

excel 核心快捷键用法

1、wps怎样只复制公示计算出来的数据 1.1、按下快捷键“CtrlC”&#xff0c;复制该单元格。 1.2、按下快捷键“ShiftCtrlV”&#xff0c;即“粘贴为数值”&#xff0c;即可只复制数字而不复制该单元格的公式 1.3、wps怎样只复制公示计算出来的数据_百度知道https://zhidao.baid…

数据结构之并查集

并查集 1. 并查集原理2. 并查集实现3. 并查集应用3.1 省份数量3.2 等式方程的可满足性 4. 并查集的优缺点及时间复杂度 1. 并查集原理 并查表原理是一种树型的数据结构&#xff0c;用于处理一些不相交集合的合并及查询问题。并查集的思想是用一个数组表示了整片森林&#xff0…

如何将图片应用于所有的PPT页面?

问题&#xff1a;如何快速将图片应用到所有PPT页面&#xff1f; 解答&#xff1a;有两种方法可以解决这个问题。第一种用母板。第二种用PPT背景功能。 解决有时候汇报的时候&#xff0c;ppt中背景图片修改不了以及不知道如何查找&#xff0c;今天按照逆向过程进行操作 方法1…

尚硅谷css3笔记

目录 一、新增长度单位 二、新增盒子属性 1.border-box 怪异盒模型 2.resize 调整盒子大小 3.box-shadow 盒子阴影 案例&#xff1a;鼠标悬浮盒子上时&#xff0c;盒子有一个过度的阴影效果 三、新增背景属性 1.background-origin 设置背景图的原点 2.background-clip 设置背…

vue watch监听对象 新旧值一样

vue3中watch监听新旧值一样的处理方式 废话不多说&#xff0c;直接上代码 const objectReactive reactive({user: {id: 1,name: zhangsan,age: 18,}, }) watch(() > objectReactive.user,(n, o) > {console.log(n, o)if (JSON.stringify(n) JSON.stringify(o)) {retu…

【Elasticsearch】spring-boot-starter-data-elasticsearch的使用以及Elasticsearch集群的连接

更多有关博主写的往期Elasticsearch文章 标题地址【ElasticSearch 集群】Linux安装ElasticSearch集群&#xff08;图文解说详细版&#xff09;https://masiyi.blog.csdn.net/article/details/131109454基于SpringBootElasticSearch 的Java底层框架的实现https://masiyi.blog.c…