自控原理大作业.docx
《自控原理大作业.docx》由会员分享,可在线阅读,更多相关《自控原理大作业.docx(12页珍藏版)》请在冰豆网上搜索。
自控原理大作业
自控原理大作业
自实0701
王珠
200740190
选择初始系统的状态矩阵为:
A=[-1-2-2;0-11;10-1];B=[2;0;1];
C=[0.53-1];D=0;
因为rankQc=3Qc=[BA*BA^2*B]所以系统完全能控,可任意配置极点。
系统的特征多项式是:
|s*I-A|=s^3+3*s^2+5*s+5
这时,选超调量为4%,调节时间为ts=2.3s,S3=-12为非主导极点
所以有ε*ω=2ε=0.72ω=2.78
期望的极点为:
-2+1.9292i-2-1.9292i-12
所以期望的闭环特征多项式为:
s^3+16*s^2+55.73*s+92.76
k=[92.76-555.73-516-3]=[87.7650.7313]
P=[A^2*BA*BB]*[100;310;531]
K=k*
=[5.25730.2722.486]
[Nx;Nu]=[AB;CD]
*[0;1]Nx=[-0.4;0.6;0.6]Nu=1
=Nu+K*Nx=18.552u=-K*x+
*r代入状态方程得:
=(A-BK)x+
Bry=Cx+Du
进而得到原始与改进后的阶跃响应图:
用step观察得:
改进后的曲线终值为1,最大值为1.04,超调量为4%,与前设定相同,在2.33s达到1.01,与调节时间相近,因此得到验证。
要使性能指标
最小。
所以Go(s)=5/(s^3+3*s^2+5*s+5)
SRL原则有:
1+p*Go(-s)*Go(s)=0
取p=0.1,选择闭环极点为:
-1.7931;-0.6391+1.5862i-0.6391-1.5862i计算对应的K为:
K=[0.02360.0730.024]
=Nu+K*Nx=1.0488u=-K*x+
*r代入状态方程得:
=(A-BK)x+
Bry=Cx+Du
同理,计算p=1时,闭环极点为:
-1.9476;-0.7855+1.7360i
-0.7855-1.7360iK=[0.16670.61640.1851]
=1.4142
当p=10时,闭环极点-2.5357;-1.1885+2.2644i;-1.1885-2.2644i
K=[0.60963.57400.6936]
=3.3167
分别作出p取不同值时的阶跃响应曲线:
分析比较可得,p从0.1变化到10时,系统的调节时间依次减小,控制作用u变强,所以较大的p值对应于较快的响应与较强的控制作用。
现在我们设计全维状态观测器。
原特征多项式为:
s^3+3*s^2+5*s+5
其中观测器的期望极点为s1=s2=-3s3=-10
期望的特征方程为:
s^3+16*s^2+69*s+90
L=
*[a0’-a0;a1’-a1;a2’-a2]=[-17.2;12.8;16.8]
d
/dt=(A-LC)
+Bu+Ly
设不同的初始条件x=0;
1=2;
2=-1;
3=-2
用Simulation搭建如下图:
x1,x2,x3的估计值与原始状态的比较,以及输出响应,如下图所示:
现在我们讨论带有全维观测器的状态反馈控制系统的问题。
将极点配置到s1,s2,s3为-2+1.9292j;-2-1.9292j;-12上,
全维观测器的期望特征值为-8+4j;-8-4j;-12
前面已经求得K=[5.25730.2722.486]
观测器的期望特征方程为:
s^3+28*s^2+272*s+960
所以L=[168.4;53.4;219.4]
引入状态反馈,且终值为1,引入u=-K*
+
*r,所以有:
[
;
]=[A–BK;LCA-LC-BK]*[
;
]+
*[B;B]v
y=[0.53-1000]*[
;
]
用Simulation搭建如下图:
设真实的初始状态为[0;0;0],估计器的初始状态为[2;-1;-2]
得到的跟踪情况如下图:
系统的阶跃输出响应y为:
而未加状态反馈的系统输出为:
分析看出,系统不仅保证了终值为1的要求,而且在加入反馈之后,与之前仿真结果相比较,超调量较小,调节时间较短,估计器的设计也达到了预期的跟踪真实状态的目的。
现在我们讨论加入过程噪声影响估计器极点的选择的问题。
未加反馈前,从u到y的传递函数为:
G(s)=5/(s^3+3*s^2+5*s+5)
假设我们现在在受控对象前加入一个噪声干扰,也就是在u的位置同样的存在干扰噪声,并假设输入扰动噪声强度与传感噪声强度的比值q为500。
对此情况进行估计器的极点配置问题。
根据SRL方程有Ge(s)=G(s)=5/(s^3+3*s^2+5*s+5)
1+q*Ge(-s)*Ge(s)=0q=500
由此有估计器的极点为:
-4.7922;-2.3844+4.2033i;-2.3844-4.2033i
由前面可得,选择较强的控制作用,当p=10时,控制器的极点为:
-2.5357;-1.1885+2.2644i;-1.1885-2.2644i
这样控制器以及估计器的极点就选择好了。
之前用到了u=-K*x+
*r,现在我们采用积分控制与鲁棒跟踪。
[
I;
]=[0C;0A][xi;x]+[0;B](r+w)-[1;0]r
设置控制器的极点为:
-2.5357;-1.1885+2.2644i;-1.1885-2.2644i;-2.5357
控制器的期望特征多项式为:
s^4+7.45*s^3+25.02*s^2+48.45*s+42.05
K=[K1K0]=[8.412.34416.284-0.238]
观测器的期望特征多项式为:
s^3+9.56*s^2+46.21*s+111.91
L=[9.80;8.24;23.06]
观测器的方程为:
d
/dt=(A-LC)
+Bu+Ly
用Simulation搭建如下图:
输入r对应的阶跃响应y1与扰动输入w对应的输出响应y2
如下图所示:
分析最终得到的响应曲线的性质可知,控制作用较强,达到了对控制器极点的要求,而且,系统很好的抑制了干扰,稳态终值为1,达到了预期的目的,取代了u=-K*x+
*r,具有较好的积分控制与鲁棒跟踪特性。
综上所述,此系统达到了我们所要控制的要求。