Главная > Линейные оптимальные системы управления
НАПИШУ ВСЁ ЧТО ЗАДАЛИ
СЕКРЕТНЫЙ БОТ В ТЕЛЕГЕ
<< Предыдущий параграф Следующий параграф >>
Пред.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
След.
Макеты страниц

Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше

Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике

ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO

4.3.2. НЕСИНГУЛЯРНАЯ; ЗАДАЧА ОПТИМАЛЬНОГО НАБЛЮДЕНИЯ ПРИ НЕКОРРЕЛИРОВАННЫХ ШУМЕ, ВОЗБУЖДАЮЩЕМ СОСТОЯНИЕ, И ШУМЕ НАБЛЮДЕНИЙ

В этом разделе рассматривается несингулярная задача оптимального наблюдения, в которой предполагается, что шум, возбуждающий состояние, и шум наблюдений не коррелированы. Эта очень важная задача впервые была решена Калманом и Бьюсег [90]. Решение этой задачи оказало значительное влияние на развитие теории оптимальной фильтрации. Исторический очерк разработки так называемого фильтра Калмана — Бъюси дан в работа [166].

До некоторой степени удивительно, что вывод оптимального фильтра может быть основан на лемме 3.1 (разд. 3.3.3). Однако, прежде чем начать вывод, приведем следующую лемму, которая показывает, каким образом в любом дифференциальном уравнении можно изменить направление отсчета времени.

Лемма 4.1. Рассмотрим диффференциалъные уравнения

и

где

Тогда, если

то решения (4.77) и (4.78) связаны следующим образом:

Эту лемму легко доказать, заменив переменную t переменной .

Приступим теперь к определению оптимального наблюдателя. Вычитая уравнение (4.67) из (4.62а) и используя соотношение (4.62б), получим следующее дифференциальное уравнение для ошибки восстановления

где

где — пока еще произвольная матричная функция. Обозначим через матрицу дисперсий а через математическое ожидание

Теперь напишем

Используя соотношение (1.469), можно записать выражение для среднего значения квадрата ошибки восстановления в следующем виде:

Первый член этого выражения, очевидно, достигает минимума, когда Это можно обеспечить, полагая так как на основании теоремы 1.52 (разд. 1.11.2) e(t) удовлетворяет однородному дифференциальному уравнению

Можно обеспечить выбирая начальное условие, для наблюдателя в виде

Так как второй член выражения (4.86) не зависит от то его можно минимизировать независимо. Из теоремы 1.52 (разд. 1.11.2) получаем следующее дифференциальное уравнение для

Соответствующим начальным условием является

Введем теперь дифференциальное уравнение для матричной

функции которое получается из уравнения (4.89) путем обращения времени (лемма 4.1):

Здесь

при . В уравнении (4.91) используем конечное условие

Из леммы 4.1 непосредственно следует

Теперь применим лемму 3.1 (разд. 3.3.3) к уравнению (4.91). Эта лемма утверждает, что матрица достигает минимума, если матрица выбирается как где

В этом выражении — решение уравнения (4.91), где матрица К заменяется на т.е.

с конечным условием

Минимальная величина равна если минимизация проводится в смысле

Обращая время в уравнении (4.96), получаем, что матрица дисперсий минимизируется в смысле

если выбрать , где ,

и матрица удовлетворяет матричному уравнению Риккати

с начальным условием

Так как из (4.99) следует

для любой положительно определенной симметрической матрицы то приходим к заключению, что матрица коэффициентов усиления (4.100) оптимизирует наблюдатель. Кроме того, из выражения (4.86) следует, что для оптимального наблюдателя среднее значение квадрата ошибки восстановления определяется выражением

где матрица дисперсий

В заключение отметим, что полученный результат не зависит от конкретного момента который выбран для минимизации среднего значения квадрата ошибки восстановления. Тогда, если коэффициент усиления определяется в соответствии с выражением (4.100), то среднее значение квадрата ошибки восстановления одновременно минимизируется для всех

Полученные результаты можно суммировать следующим образом.

Теорема 4.5. Рассмотрим задачу оптимального наблюдения, сформулированную в определении 4.3. Предположим, что задача является несингулярной и что шум, возбуждающий состояние, и шум наблюденийне коррелированы. Тогда решение задачи оптимального наблюдения получается путем выбора матрицы коэффициентов усиления

где — решение матричного уравнения Риккати

с начальным условием

Начальное условие для наблюдателя должно быть выбрано в виде

Если удовлетворяются соотношения (4.105) и (4.108), то выражение

минимизируется при всех Матрица дисперсий ошибки восстановления определяется выражением

а среднее значение квадрата ошибки восстановления равно

Отметим, что, как это ни удивительно, решение задачи оптимального наблюдения не зависит от весовой матрицы

Оптимальный наблюдатель в теореме 4.5 известен как фильтр Калмана — Бъюси. В настоящем разделе будет дан вывод этого фильтра в предположении, что фильтр имеет форму наблюдателя. В первоначальном выводе Калмана и Бьюси [90], однако, доказывается, что этот фильтр является линейным оценивателем с минимальным средним значением квадрата ошибки, т. е. нельзя найти другой линейный функционал наблюдений и входного воздействия который дает оценку состояния с меньшей средней квадратической ошибкой восстановления. Можно также доказать (см., например, [79]), что если начальное состояние является гауссовым, а шум возбуждающий состояние, и шум наблюдений также являются гауссовыми процессами в виде белого шума, то фильтр Калмана — Бьюси дает оценку состояния которая имеет минимальную среднеквадратическую ошибку восстановления для всех оценок, которые можно получить, обрабатывая данные

Близкое соответствие задач оптимального регулирования и оптимального наблюдения очевидно, поскольку матричное уравнение Риккати для матрицы дисперсий наблюдателя является таким же уравнением Риккати с обращенным временем, которое используется в задаче регулирования. В следующих разделах будет использоваться это соответствие, которое будет называться свойством дуальности, при выводе соотношений для наблюдателей на основе результатов, полученных для регуляторов.

Матрицу коэффициентов усиления можно получить, решая матричное уравнение Риккати (4.106) в реальном масштабе

времени и используя выражение (4.105). С другой стороны, матрицу можно вычислить заранее, запомнить и воспроизвести в процессе восстановления состояние. Заметим, что в отличие от оптимального регулятора, описанного в гл. 3, оптимальный наблюдатель можно реализовать в реальном масштабе времени, так как уравнение (4.106) является дифференциальным уравнением с заданными начальными условиями, тогда как в задаче оптимального регулирования необходимо решать уравнение Риккати при заданных конечных условиях в обратном времени.

Из теоремы 3.3 (разд. 3.3.2) следует, что уравнение Риккати для регулятора можно получить, решая систему дифференциальных уравнений (где — размерность состояния). То же самое нужно выполнить для уравнения Риккати в наблюдателе, как указывалось в задаче 4.3.

Теперь рассмотрим кратко установившиеся свойства оптимального наблюдателя. То, что утверждается здесь, доказывается в разд. 4.4.3. Можно показать, что при нежестких ограничениях решение уравнения Риккати (4.106) для наблюдателя сходится к установившемуся решению которое не зависит от когда начальный момент времени приближается к бесконечности. Для системы с постоянными параметрами, когда все матрицы в определении 4.3 являются постоянными, установившееся решение Q также является постоянной матрицей и в общем случае представляет собой единственное неотрицательно определенное решение алгебраического уравнения Риккати для наблюдателя

Это уравнение получается из уравнения (4.106), если принять производную по времени равной нулю.

Соответственно установившемуся решению Q уравнения Риккати для наблюдателя получаем установившуюся матрицу коэффициентов усиления оптимального наблюдателя

В разд. 4.4.3 доказывается, что при нежестких ограничениях яаблюдатель с матрицей коэффициентов усиления К является асимптотически устойчивым. Назовем этот наблюдатель установившимся оптимальным наблюдателем. Поскольку в случае системы с постоянными параметрами установившийся наблюдатель также является наблюдателем с постоянными параметрами, весьма привлекательно использовать установившийся оптимальный наблюдатель, поскольку его легко реализовать. В случае системы с постоянными параметрами установившийся наблюдатель является оптимальным в том смысле, что предел

достигает минимума в сравнении со всеми другими наблюдателями с постоянными параметрами.

Завершим этот раздел следующим обсуждением, в котором ограничимся случаем наблюдателя с постоянными параметрами. Оптимальный наблюдатель обеспечивает компромисс между скоростью восстановления состояния и устойчивостью к шуму наблюдений. Баланс между этими двумя свойствами определяется величинами интенсивностей белого шума и Этот баланс можно изменять, поддерживая интенсивность постоянной и полагая

где М — постоянная положительно определенная симметрическая матрица, — положительный скаляр, который варьируется. Интуитивно ясно, что уменьшение улучшает скорость восстановления состояния, так как при этом можно уделять меньше внимания фильтрации шума наблюдений. Увеличение скорости восстановления сопровождается сдвигом полюсов наблюдателя в левую половину комплексной плоскости. В тех случаях, когда точное значение или неизвестно, целесообразно предположить, что имеет вид (4.115), и изменять до тех пор, пока не получатся удовлетворительные характеристики наблюдателя. Предельные свойства оптимального наблюдателя при или обсуждаются в разд. 4.4.4.

Пример 4.3. Оценка константы

Во многих случаях на практике параметры остаются постоянными на относительно длительных интервалах времени и только изредка изменяются. Для моделирования таких постоянных величин можно представить их в виде состояния невозмущенного интегратора со случайным начальным условием. Тогда пусть представляет собой константу. Предположим

где — скалярная случайная переменная со средним значением и дисперсией Предположим, что эта константа измеряется с шумом наблюдений т. е. наблюдается

где по предположению белый шум с постоянной скалярной интенсивностью

Оптимальный наблюдатель для описывается выражением

где скалярный коэффициент усиления из (4.105) определяется в виде

Дисперсия ошибки является решением уравнения Риккати

Уравнение (4.120) можно решить точно:

так что

Отметим, что при дисперсия ошибки достигает нуля. Это означает, что в итоге можно получить точную оценку . В результате также имеем Это означает, что не существует проблем, связанных с обработкой новых данных.

Характеристики этого наблюдателя не являются удовлетворительными, когда в действительности константа изредка изменяется или изменяется медленно. В таком случае можно моделировать константу как выход интегратора, возмущаемого белым шумом. Основанием для моделирования процесса таким методом является то, что проинтегрированный белый шум имеет составляющую с очень низкой частотой. Тогда напишем

где — белый шум с постоянной интенсивностью — белый шум, независящий, как и раньше, Легко найти, что установившийся оптимальный наблюдатель описывается уравнением

где

Используя форму передаточной функции, поручаем

где преобразования Лапласа для соответственно. Видно, что наблюдатель является фильтром первого порядка с коэффициентом усиления, равным единице при нулевой частоте и частоте срыва

Пример 4.4. Система управления положением

В примере 2.4 (разд. 2.3) была рассмотрена система управления положением, которая описывается дифференциальным уравнением состояния

Здесь где обозначает угловое перемещение угловую скорость Примем, как и в примере 2.4, что возмущающий момент воздействует на вал двигателя. Соответственно дифференциальное уравнение состояния необходимо модифицировать следующим образом:

где - момент инерции всех вращающихся частей. Если случайные изменения возмущающего момента достаточно быстры в сравнении с движением самой системы, то можно предположить, является белым шумом с постоянной скалярной интенсивностью Предположим также, что наблюдаемая переменная определяется выражением

где белый шум с постоянной скалярной интенсивностью

Вычислим установившийся оптимальный наблюдатель для этой системы. Уравнение Риккати для дисперсии принимает вид

Используя тот факт, что получим следующую систему дифференциальных уравнений, записанную через члены матрицы

Можно найти, что установившееся решение этих уравнений при определяется выражением

где

Отсюда следует, что установившаяся оптимальная матрица коэффициентов имеет вид

Характеристический полином матрицы можно найти в виде

Из этого следует, что полюса установившегося оптимального наблюдателя равны

Примем следующие численные значения параметров:

Предположим, что величина определяется из условия того, что среднеквадратическая величина возмущающего момента равна спектральная плотность постоянна

в диапазоне от —50 до 50 Гц и равна нулю вне этого диапазона частот. Аналогично предположим, что для шума наблюдений, который имеет среднеквадратическую величину около 0,01 рад, функция спектральной плотности постоянна в диапазоне от —500 до 500 Гц и равна нулю вне этого диапазона частот. Вычисления производятся таким образом, как если бы шумы были белыми с интенсивностью, указанной в (4.137), а затем делается проверка, выполняется ли это предположение.

При указанных численных значениях находим, что установившаяся матрица коэффициентов усиления равна

Полюса наблюдателя равны Расположение этих полюсов, очевидно, обеспечивает оптимальный компромисс между скоростью сходимости ошибки восстановления и устойчивостью к шуму наблюдений.

Частоту срыва оптимального наблюдателя можно определить из расположения полюсов. Характеристический полином наблюдателя равен

и представляет собой систему второго порядка с недемпфированной собственной частотой и относительным демпфированием около Недемпфированная собственная частота является также частотой срыва наблюдателя. Так как эта частота весьма мала в сравнении с полосой пропускания шума (~500 Гц) и полосой пропускания частот возмущений (~50 Гц), то можно предположить, что вполне допустимо аппроксимировать оба процесса белым шумом. Необходимо сравнить полосу пропускания частот возмущений и полосу пропускания шума наблюдений с полосой пропускания наблюдателя, так как из дифференциального уравнения для ошибки (4.82) следует, что оба процесса непосредственно влияют на поведение ошибки восстановления. В примере 4.5 в конце разд. 4.3.5 будет построен оптимальный фильтр без аппроксимации шума наблюдений белым шумом с проверкой справедливости этой аппроксимации.

Установившаяся матрица дисперсии ошибок восстановления определяется выражением

Находя квадратные корни из диагональных элементов, получаем, что среднеквадратическая ошибка восстановления положения составляет рад, а соответствующая ошибка для угловой скорости

Завершим этот пример рассмотрением найденного оптимального наблюдателя. Заметим, что фильтр полностью определяется отношением которое можно рассматривать как отношение сигнал — шум. Выражение (4.136) показывает, что при увеличении отношения возрастает, а полюса наблюдателя смещаются все дальше и дальше. В результате быстродействие наблюдателя возрастает, но. он также становится более чувствительным к шуму наблюдений. При поручаем дифференцирующий фильтр, который можно рассматривать следующим образом. В форме передаточной матрицы наблюдатель можно представить как

Здесь преобразования Лапласа для соответственно. По мере того как шум наблюдений становится меньше и меньше, т. е. выражение (4.141) сходится к

Это означает, что в качестве наблюдаемой переменной рассматривается восстановленное угловое положение и наблюдаемая переменная дифференцируется для того, чтобы получить восстановленную угловую скорость.

1
Оглавление
email@scask.ru