-
摘要: 研究了一类基于RSSI（Received signal strength indication）测距的分布式移动目标跟踪问题，提出了一种适用于事件触发无线传感器网络（Wireless sensor networks，WSNs）的分布式随机目标跟踪方法.首先考虑移动机器人模型的不确定性，引入了带有随机参数的过程噪声协方差，应用改进平方根容积卡尔曼滤波（Square root cubature Kalman filter，SRCKF）得到局部估计；然后采用无模型CI（Covariance intersection）融合估计方法以降低随机过程噪声协方差带来的不利影响.该方法充分利用有模型和无模型方法的优势，实现系统模型和量测不理想情况下的分布式目标跟踪.基于E-puck机器人的目标跟踪实验表明，事件触发的工作模式可有效地减少能量消耗，带随机参数的滤波方法更适合于随机目标的跟踪.
-
关键词:
- 事件触发 /
- RSSI /
- 随机目标跟踪 /
- 平方根容积卡尔曼滤波
Abstract: This paper is concerned with distributed target tracking problem using RSSI method and presents a distributed tracking method for maneuvering targets with event-triggered wireless sensor networks (WSNs). Firstly process noise covariance with random parameter is introduced under consideration of modeling uncertainties, and then a modified square root cubature Kalman filter (SRCKF) is employed to generate local estimates. Secondly, the non-model-based CI fusion estimation method is employed to reduce the adverse effects of random process noise covariance. The method combines advantages of both model-based and non-model-based estimation methods in the case of inaccurate model and unreliable measurements. Simulation and experiment of the E-puck robot tracking show that the event-triggered mechanism can greatly reduce energy consumption and that the filtering method with random parameters is more suitable for maneuvering target tracking. -
DC-DC变换器是指能完成直流电路电压转换的电力电子装置, 目前主要应用于直流电压转换、开关电源、直流电机驱动等场合.从功能上来区分, DC-DC变换器可以分为Buck变换器 (降压)、Boost变换器 (升压)、Boost-Buck变换器 (升--降压) 和Buck-Boost变换器 (降--升压) [1].随着现代工业技术的发展, 对直流变换器的要求越来越高, 既要求系统轻便、稳定、可靠, 又要求系统有较高的动态性能.由于DC-DC变换器是一类典型的开关非线性系统, 传统的线性控制设计方法很难保证系统较高的性能.因此, 结合DC-DC变换器模型特点, 研究先进的非线性控制方法已成为电力电子变换器系统研究的一个重要内容.本文主要针对Buck变换器, 提出一种新的非线性控制方法, 以实现电压的快速调节.
目前, 已有不少文献展开对Buck变换器的非线性控制方法研究.文献[2 $-$ 5]分别利用反步法、自适应控制、滑模控制、模糊控制对DC-DC变换器系统设计非线性控制算法, 以提高闭环系统的性能.文献[6]提出通过构造Lyapunov函数来分析和设计一类电力电子变换器的非线性控制系统.文献[7]利用非线性函数设计非线性PI控制器, 比传统线性PI有更好的调节效果和控制性能.文献[8]利用非线性采样输出反馈理论, 设计了一类针对Buck变换器的非线性控制算法, 以提高系统的鲁棒性.文献[9]利用扩展状态观测器, 设计了一类针对Buck变换器的非线性滑模控制算法, 提高了系统抗负载突变的能力.
值得指出的是, 前述所提及的非线性控制算法基本上都要求闭环系统满足局部利普希兹条件, 从而只能保证闭环系统的渐近稳定性[10].从收敛性角度来说, 在实际应用中, 更希望电压能在有限时间内收敛到参考电压.近年来, 有限时间控制算法作为一种新发展的非线性控制算法, 它可以保证闭环系统状态在有限时间内收敛到平衡点.目前, 这种控制方法在理论界[11-16]和应用界[17-23]已得到了广泛的关注.此外, 对于Buck变换器而言, 由于其外部负载常随时间而变化, 如何提高闭环系统抗负载变化能力也是控制算法设计关注的焦点问题之一.当系统存在干扰时, 有限时间控制算法还具有较强的抗负载变化能力, 具体见文献[24]中的理论分析以及文献[17]中的实验验证.文献[25]基于终端滑模控制技术, 对Buck变换器系统设计了有限时间控制器, 但该文献并没有考虑输入饱和受限和负载未知情况.
本文主要针对Buck变换器系统模型特点, 基于有限时间控制理论, 设计了一类有界的非线性自适应控制算法, 以实现电压的快速调节, 并同时满足系统对占空比函数有界约束的要求.首先, 基于时间尺度变换, 引入一个可调的参数, 得到变换后的系统; 然后, 通过构造合适的Lyapunov函数, 设计一类饱和的有限时间控制器; 最后, 利用齐次性理论, 得出系统是有限时间稳定的结论, 即输出电压在有限时间内收敛到参考电压.对负载未知情况, 基于有限时间观测器理论, 设计了自适应控制方法, 以实现对未知负载的估计.本文最后给出仿真实验结果, 并与PI控制算法进行了性能对比.仿真结果表明, 所提出的控制算法使得系统既具有较快的响应速度又有较强的抗负载变化能力.
1. 模型介绍及预备知识
1.1 Buck型DC-DC变换器系统模型
Buck型DC-DC变换器工作原理如图 1所示, 其中 $V_{\rm in}$ 是输入电压, $V_o$ 是输出电压, $S$ 是MOS型开关, $D$ 是二极管, $L$ 、 $C$ 、 $R$ 分别是电感、电容和负载电阻, $i_L$ 是电感电流.在开关频率足够快的情况下, DC-DC变换器可以近似为一般的状态空间模型, 其状态方程为[4]:
$ \begin{align}\label{zhtfc} &\dot i_L=\frac{1}{L} (\mu V_{\rm in}-V_o)\notag\\ &\dot V_o=\frac{1}{C} \left(i_L-\frac{V_o}{R}\right) \end{align} $
(1) 其中, $\mu$ 是控制输入, 即为MOS型开关管 $S$ 的占空比, $\mu \in [0, 1]$ .
假设 $V_{\rm ref}$ 为期望参考输出电压.令 $x_1=V_{\rm ref}-V_o$ 为输出电压误差, 则可以得到误差动态方程为
$ \begin{align}\label{wcdtfc} &\dot x_1=x_2=-\frac{{\rm d}V_o}{{\rm d}t}\notag\\ &\dot x_2=-\frac{1}{LC}x_1-\frac{1}{RC}x_2-\frac{V_{\rm in}}{LC}\mu +\frac{V_{\rm ref}}{LC}\notag\\ &y=x_1 \end{align} $
(2) 1.2 时间尺度坐标变换
为便于控制器设计, 对方程 (2) 进行时间尺度的坐标变换.令 $t=Ms$ , 其中 $M$ 为待设计的一个正常数.定义坐标变换:
$ \begin{align}\label{zbbh} &z_1(s)=x_1(Ms)=x_1(t)\notag \\ &z_2(s)=Mx_2(Ms)=Mx_2(t)\notag \\ &u(s)=M^2\mu(Ms)=M^2\mu(t) \end{align} $
(3) 那么根据式 (2) 可得:
$ \begin{align}\label{bianxing} &\frac{{\rm d}z_1(s)}{{\rm d}s}=\frac{{\rm d}x_1(Ms)}{{\rm d}s}=Mx_2(Ms)=z_2(s)\notag \\ &\quad\frac{{\rm d}z_2(s)}{{\rm d}s}=M\frac{{\rm d}x_2(Ms)}{{\rm d}s}=\notag\\ &\quad -\frac{1}{LC}M^2z_1(s)-\frac{1}{RC}Mz_2(s)-\notag\\ &\quad \frac{V_{\rm in}}{LC}u(s)+\frac{V_{\rm ref}}{LC}M^2 \end{align} $
(4) 为了便于设计控制器, 令
$ \begin{align}\label{canshutihuan} &b_1=\frac{1}{LC}M^2\notag \\ &b_2=\frac{1}{RC}M\notag \\ &f(s)=-\frac{V_{\rm in}}{LC}u(s)+\frac{V_{\rm ref}}{LC}M^2 \end{align} $
(5) 则方程 (2) 可简化为
$ \begin{align}\label{huajianmoxing} &\frac{{\rm d}z_1(s)}{{\rm d}s}=z_2(s)\notag \\ &\frac{{\rm d}z_2(s)}{{\rm d}s}=-b_1z_1(s)-b_2z_2(s)+f(s) \end{align} $
(6) 其中, $b_1>0, b_2>0$ , $f(s)$ 是控制器.
1.3 相关定义和引理
定义1.为了书写方便, 记
$ \begin{align}\label{sig} sig^\alpha(x)={\rm sgn}(x) |x|^\alpha \end{align} $
(7) 其中, $\alpha\geq0$ , $x\in \boldsymbol{R}$ , ${\rm sgn}(\cdot)$ 为符号函数.
定义2.定义一类新的饱和函数
$ \begin{align} sat_{\alpha}(x)=\left\{ {\begin{array}{*{20}c} { {\rm sgn}(x), |x|>1} \\ sig^\alpha(x), |x|\leq1 \end{array}} \right. \end{align} $
(8) 其中, $0\leq\alpha\leq1$ , $x\in \boldsymbol{R}$ .
定义3[4].令 $f(x)=(f_1(x), \cdots, f_n(x))^{\rm T}:{{\mathbf{R}}^{n}}\rightarrow {\bf R}^n$ 为一向量函数.若对任意的 $\varepsilon>0$ , 存在 $(r_1, \cdots, r_n)$ , 其中 $r_i>0, i=1, \cdots, n, $ 使得 $f(x)$ 满足:
$ f_i(\varepsilon^{r_1}x_1, \cdots, \varepsilon^{r_n}x_n)=\varepsilon^{k+r_i}f_i(x), \quad i=1, \cdots, n $
其中, $k>-{\rm min}\{r_i, i=1, \cdots, n\}$ , 则称 $f(s)$ 关于 $(r_1, \cdots, r_n)$ 具有齐次度 $k$ , 其中 $(r_1, \cdots, r_n)$ 称为扩张.
定义4[24].考虑系统
$ \begin{align} \dot x=f(x), x \in U \subseteq {{\mathbf{R}}^{n}}, f(0)=0 \end{align} $
(9) 其中, $f:U\rightarrow \boldsymbol{R}^n$ 为开区域 $U$ 上对 $x$ 连续的函数, 且开区域 $U$ 包含原点.系统的解 $x=0$ 为有限时间稳定当且仅当系统是稳定的且为有限时间收敛的.所谓有限时间收敛指的是:对 $\forall x_0\in U_0\subset {\bf R}^n$ , 存在一个连续函数 $T(x):U_0\setminus\{0\}\rightarrow(0, +\infty)$ , 使得系统 (9) 的解 $x(t, x_0)$ 满足:当 $t\in [0, T(x_0))$ 时, 有 $x(t, x_0)\in U_0\setminus{\{0\}}$ 和 $\lim\nolimits_{x\to T(x_0)}x(t, x_0)=0$ ; 当 $t>T(x_0)$ 时, 有 $x(t, x_0)=0$ .若 $U=U_0={\bf R}^n$ , 则系统是全局有限时间稳定的.
引理1[26].对于如下系统
$ \begin{align} \dot x=f(x)+\hat f(x), \quad x\in {{\mathbf{R}}^{n}} \end{align} $
(10) 其中, $f(x)$ 是连续的齐次向量空间, 且针对扩张 $(r_1, \cdots, r_n)$ 具有齐次度 $k < 0$ , 函数 $\hat f(x)$ 满足 $\hat f(0)=0$ .如果 $x=0$ 是系统 $\dot x=f(x)$ 的渐近稳定平衡点, 且对 $\forall x\neq0$ ,
$ \begin{align} \frac{\hat f_i(\varepsilon^{r_1}x_1, \cdots, \varepsilon^{r_n}x_{n})}{\varepsilon^{r_i+k}}=0, \quad i=1, 2, \cdots, n \end{align} $
(11) 那么 $x=0$ 是系统 (10) 的一个局部有限时间平衡点.如果系统 (10) 既是全局渐近稳定的, 又是局部有限时间稳定的, 那么它是全局有限时间稳定的.
2. 饱和有限时间控制器设计
在本节中, 主要针对坐标变换后的系统 (6) 进行饱和有限时间控制器设计.简便起见, 本节中省略的变量求导都是针对变量 $s$ .
定理1.对于系统 (6), 如果控制器设计成
$ \begin{align} f=-k_1sat_{\alpha_1}(z_1)-k_2sat_{\alpha_2}(z_2) \end{align} $
(12) 其中, $k_1 > 0, k_2 > 0, 0 < \alpha_1 < 1, \alpha_2=2\alpha_1/(1+\alpha_1)$ , 那么系统 (6) 的状态可以在有限时间被镇定到原点, 即在有限时间内, $(z_1(s), z_2(s))=0$ .
证明.证明可分为两个步骤.
步骤1. {证明全局渐近稳定性}
取Lyapunov函数:
$ \begin{align} V=k_1\int_0^{z_1}sat_{\alpha_1}(\rho){\rm d}\rho+\frac{1}{2}b_1z_1^2+\frac{1}{2}z_2^2 \end{align} $
(13) 由于 $\frac{{\rm d}\int_0^{z_1}sat_{\alpha_1}(\rho){\rm d}\rho}{{\rm d}s}=sat_{\alpha_1}(z_1)\dot z_1$ , 那么
$ \begin{align} &\dot V|_{(6)}=k_1sat_{\alpha_1}(z_1)z_2+b_1z_1z_2-b_1z_1z_2-b_2z_2^2+z_2f=\notag\\ &\quad k_1sat_{\alpha_1}(z_1)z_2-b_2z_2^2+z_2f \end{align} $
(14) 在所设计的控制器 (12) 作用下, 可得:
$ \begin{align} &\dot V|_{(6)-(12)}=k_1sat_{\alpha_1}(z_1)z_2-b_2z_2^2-\notag\\ &\quad k_1z_2sat_{\alpha_1}(z_1)-k_2z_2sat_{\alpha_2}(z_2)=\notag\\ &\quad -b_2z_2^2-k_2z_2sat_{\alpha_2}(z_2) \end{align} $
(15) 当 $|z_2|>1$ 时, $z_2sat_{\alpha_2}(z_2)=|z_2|$ , 当 $|z_2|\leq1$ 时, $z_2sat_{\alpha_2}(z_2)=|z_2|^{\alpha_2+1}$ , 故 $\dot V\leq0$ .
记集合 $\Psi=\{(z_1, z_2)|\dot V\equiv0\}$ .由式 (15) 可知 $\dot V\equiv0$ 意味着 $z_2\equiv0$ .亦即 $\dot z_2\equiv0$ .进一步根据式 (6) 和式 (12), 可以得到 $-b_1z_1-k_1sat_{\alpha_1}(z_1)\equiv0$ .注意到 $b_1, k_1$ 为正的增益, 从而 $z_1\equiv0$ .因此, 根据LaSalle不变集原理[27], 可以得出, 当 $s\to0$ 时, $(z_1(s), z_2(s))\to0$ , 即系统 (6) 在控制器 (12) 作用下是渐近稳定的.
步骤2.证明局部有限时间稳定
将闭环系统 (6) 和 (12) 重新写成如下形式:
$ \begin{align} &\dot z_1=z_2\notag\\ &\dot z_2=-k_1sat_{\alpha_1}(z_1)-k_2sat_{\alpha_2}(z_2)+g(z_1, z_2) \end{align} $
(16) 其中, $g(z_1, z_2)=-b_1z_1-b_2z_2$ .
由步骤1证明可知, 系统 (16) 是全局渐近稳定的, 那么系统的状态 $(z_1, z_2)$ 在有限时间内进入区域 $|z_1|\leq1, |z_2|\leq1$ .由饱和函数定义2, 此时系统 (16) 退化成为如下形式:
$ \begin{align} &\dot z_1=z_2\notag\\ &\dot z_2=-k_1sig^{\alpha_1}(z_1)-k_2sig^{\alpha_2}(z_2)+g(z_1, z_2) \end{align} $
(17) 对于系统 (17) 的标称系统:
$ \begin{align} \dot z_1&=z_2\notag\\ \dot z_2&=-k_1sig^{\alpha_1}(z_1)-k_2sig^{\alpha_2}(z_2) \end{align} $
(18) 构造Lyapunov函数如下:
$ \begin{align} W=k_1\int_0^{z_1}sig^{\alpha_1}(\rho) {\rm d}\rho+\frac {1}{2}z_2^2 \end{align} $
(19) 沿着系统 (18), 对式 (19) 进行求导, 得:
$ \begin{align} \dot W|_{(18)}=-k_2z_2sig^{\alpha_2}(z_2)=-k_2|z_2|^{\alpha_2+1} \end{align} $
(20) 故 $\dot W\leq0$ .
通过和步骤1类似的证明, 可以证明对于系统 (18), 当 $s\to\infty$ 时, 有 $(z_1(s), z_2(s))\to0$ , 亦即系统 (18) 是渐近稳定的.
另外由于 $0 < \alpha_1 < 1, \alpha_2=2\alpha_1/(1+\alpha_1)$ , 根据齐次性定义 (即定义3), 可知系统 (18) 的齐次度为 $m=(\alpha_1-1)/2 < 0$ , 其中 $r_1=1, r_2=(\alpha_1+1)/2$ .
接下来证明对于 $\forall(z_1, z_2)\neq(0, 0)$ , 有:
$ \lim\limits_{\varepsilon\to0}\frac{g(\varepsilon^{r_1}z_1, \varepsilon^{r_2}z_2)}{\varepsilon^{r_2+m}}=0 $
根据函数 $g(\cdot)$ 的定义, 有:
$ \begin{align} &\lim\limits_{\varepsilon\to0}\frac{g(\varepsilon^{r_1}z_1, \varepsilon^{r_2}z_2)}{\varepsilon^{r_2+m}}= \lim\limits_{\varepsilon\to0}\frac{-b_1\varepsilon^{r_1}z_1-b_2\varepsilon^{r_2}z_2}{\varepsilon^{r_2+m}}=\notag\\ &\quad \lim\limits_{\varepsilon\to0}(-b_1\varepsilon^{r_1-r_2-m}z_1-b_2\varepsilon^{-m}z_2)\notag \end{align} $
因为 $r_1 > r_2, m < 0$ , 所以 $\lim\nolimits_{\varepsilon\to0}(-b_1\varepsilon^{r_1-r_2-m}z_1-b_2\varepsilon^{-m}z_2)=0$ , 即 $\lim\nolimits_{\varepsilon\to0}\frac{g(\varepsilon^{r_1}z_1, \varepsilon^{r_2}z_2)}{\varepsilon^{r_2+m}}=0$ .因此, 根据引理1可知, 系统 (17) 是全局有限时间稳定的, 亦即系统 (16) 是局部有限时间稳定的.综合步骤1和步骤2, 可以得出系统 (6) 在控制器 (12) 的作用下是全局有限时间稳定.
注1.很显然, 所设计的控制器 (12) 是有界的.根据饱和函数的定义2, 可知 $|f|\leq k_1+k_2$ .因此, 为了满足实际系统对控制器饱和约束的条件, 可以调节控制参数 $k_1, k_2$ 满足任何约束条件.
3. Buck变换器快速有限时间降压控制算法设计
定理2.对于Buck型变换器系统 (1), 如果占空比函数设计成
$ \begin{align} \mu(t)=\frac{V_{\rm ref}}{V_{\rm in}}+\frac{LC}{M^2V_{\rm in}}[k_1sat_{\alpha_1}(x_1(t))+k_2sat_{\alpha_2}(M\cdot x_2(t))] \end{align} $
(21) 其中, $k_1 > 0, k_2 > 0, 0 < \alpha_1 < 1, \alpha_2=2\alpha_1/(1+\alpha_1)$ , 那么系统的输出电压 $V_o$ 可以在有限时间内达到参考电压 $V_{\rm ref}$ .
证明.首先, 对于所设计的控制器 (21), 在时间尺度 $t=Ms$ 变换下有:
$ \begin{align} &\mu(Ms)=\frac{V_{\rm ref}}{V_{\rm in}}+\frac{LC}{M^2V_{\rm in}}[k_1sat_{\alpha_1}(x_1(Ms))+\notag\\ &\quad k_2sat_{\alpha_2}(M\cdot x_2(Ms))] \end{align} $
(22) 在式 (22) 两边同时乘以 $M^2$ , 有:
$ \begin{align} &M^2\cdot\mu(Ms)=\frac{V_{\rm ref}}{V_{\rm in}}M^2+\frac{LC}{V_{\rm in}}[k_1sat_{\alpha_1}(x_1(Ms))+\notag\\ &\quad k_2sat_{\alpha_2}(M\cdot x_2(Ms))] \end{align} $
(23) 基于坐标变换 (3), 可得:
$ \begin{align} u(s)=\frac{V_{\rm ref}}{V_{\rm in}}M^2+\frac{LC}{V_{\rm in}}[k_1sat_{\alpha_1}(z_1(s))+k_2sat_{\alpha_2}(z_2(s))] \end{align} $
(24) 进一步, 根据式 (5) 可得:
$ \begin{align} &f(s)=-\frac{V_{\rm in}}{LC}u(s)+\frac{V_{\rm ref}}{LC}M^2=\notag\\ &\quad -k_1sat_{\alpha_1}(z_1(s))-k_2sat_{\alpha_2}(z_2(s)) \end{align} $
(25) 因此, 基于定理1, 可证明系统 (1) 在控制器 (21) 作用下是全局有限时间稳定的, 即输出电压 $V_o$ 能在有限时间内稳定到参考电压 $V_{\rm ref}$ .
注2.对于所设计的占空比函数 (21), 其大小满足:
$ \begin{align} \frac{V_{\rm ref}}{V_{\rm in}}-\frac{LC}{M^2V_{\rm in}}(k_1+k_2)\leq\mu\leq\frac{V_{\rm ref}}{V_{\rm in}}+\frac{LC}{M^2V_{\rm in}}(k_1+k_2) \end{align} $
(26) 由于 $0 < V_{\rm ref}/V_{\rm in} < 1$ , 因此很方便调节参数 $M, k_1, k_2$ 保证 $0 < \mu < 1$ .
4. Buck变换器快速自适应有限时间降压控制算法设计
本节中, 将考虑负载电阻突变情况下的有限时间降压控制算法设计问题.根据式 (1) 和 (2) 可知, 为了获得状态 $x_2$ , 需要精确知道负载 $R$ .然而实际中负载往往是随时间而变化的.接下来将主要基于有限时间观测器技术对未知负载在有限时间内估计其精确值.
令 $\hat R$ 为未知负载 $R$ 的估计值.为了便于设计, 令 $\theta=-1/R$ 为未知的参数, 令 $\hat\theta$ 为其估计值.
定理3.对于Buck变换器的未知负载电阻, 如果估计器设计为
$ \begin{align} &\dot{\hat{V}}_o=\frac{1}{C}(i_L+\hat\theta V_o)+l_1V_osig^{\beta_1}(V_o-\hat{V}_o)\notag\\ &\dot{\hat{\theta}}=l_2V_osig^{\beta_2}(V_o-\hat{V}_o) \end{align} $
(27) 那么估计值 $\hat\theta$ (或 $\hat R=-1/\hat\theta$ ) 在有限时间内收敛到真实值 $\theta$ (或 $R$ ), 其中 $l_1, l_2$ 为合适的正增益, $0.5 < \beta_1 < 1, \beta_2=2\beta_1-1$ .
证明.定义估计器误差
$ \begin{align} e_1=V_o-\hat{V}_o, e_2=\theta-\hat\theta \end{align} $
(28) 注意到 $\theta$ 是一个常数, 那么根据式 (27) 和 (28) 可得:
$ \begin{align} &\dot{\hat{e}}_1=\frac{V_o}{C}e_2-l_1V_osig^{\beta_1}(e_1)\notag\\ &\dot{\hat{e}}_2=-l_2V_osig^{\beta_2}(e_1) \end{align} $
(29) 基于文献[28]中的定理3.1, 可知存在合适的增益使得该系统是有限时间收敛的, 即估计值 $\hat\theta$ 在有限时间内收敛到真实值 $\theta$ , 亦即负载估计值 $\hat R=-1/\hat \theta$ 在有限时间内收敛到真实负载 $R$ .
基于定理3, 针对Buck变换器负载未知情况, 根据式 (1)、(2) 和式 (21), 可以设计自适应有限时间控制算法的形式如下:
$ \begin{align} &\mu (t)=\frac{V_{\rm ref}}{V_{\rm in}}+\frac{LC}{M^2V_{\rm in}} [k_1sat_{\alpha_1}(x_1(t))+k_2sat_{\alpha_2}(M\hat x_2)]=\notag\\ &\quad \frac{V_{\rm ref}}{V_{\rm in}}+\frac{LC}{M^2V_{\rm in}}[k_1sat_{\alpha_1}(V_{\rm ref}-V_o)+\notag\\ &\quad k_2sat_{\alpha_2}\left[\frac {M}{C}\left(\frac{V_o}{\hat R}-i_L\right)\right] \end{align} $
(30) 图 2给出了自适应有限时间电压调节控制算法框图.
图 2 自适应有限时间电压调节控制算法实现框图Fig. 2 The block diagram of adaptive finite-time voltage control algorithm5. 仿真实验
本实验采用针对电力电子及电机拖动开发的专用仿真软件PSIM (Power simulation) 软件进行仿真, 控制策略图见图 2, 其中三角波的频率选择100 kHz.
5.1 系统仿真参数
在仿真中Buck变换器的参数选取为:输入电压 $V_{\rm in}=12$ V, 电感值 $L=5$ mH, 电容值 $C=1 000 \mu$ F, 负载电阻值 $R=30 \Omega$ , 输出参考电压 $V_{\rm ref}=8$ V.为了进行对比, 采用自适应有限时间控制 (Automatic frequency control, AFC) 与PI (Proportional integral control) 控制两种算法.
对于自适应有限时间控制算法式 (30) 和 (27), 参数值分别选为: $M=0.001$ , $k_1=0.225$ , $k_2=1, \alpha_1=1/5$ , $l_1=160$ , $l_2=6, \beta_1=0.55$ .
对于PI控制算法, 其比例和积分增益分别为 $K_P=0.1$ , $K_I=0.05$ .
分别考虑在启动过程、参考电压变化以及负载突变情况下系统动态响应性能.
5.2 参考电压变化情况下动态响应
负载保持30 $\Omega$ 不变, 参考电压在1 s时从8 V变化到5 V, 其他参数保持不变.系统动态响应波形见图 3.可以明显看出, 所提出的快速有限时间电压控制算法对参考电压变化的响应速度明显优于PI控制, 其中AFC控制的系统在开始启动时的调节时间是0.007 s, 1 s时参考电压变化时的调节时间是0.06 s; PI控制系统在开始启动时的调节时间是0.32 s, 1 s时参考电压变化时的调节时间是0.24 s.
图 3 两种控制算法作用下输出电压响应曲线 (1 s时, 参考电压由8 V $\to$ 5 V)Fig. 3 The response curves for output voltage under two control algorithms (At 1 second, reference voltage is from 8 V $\to$ 5 V.)5.3 负载突变情况下动态响应
负载电阻变化如下:
$ \begin{align} {R}=\left\{ {\begin{array}{*{20}c} { {30}, 0\leq t\leq0.5 {\rm s}} \\ { {15}, 0.5 {\rm s} < t\leq1 {\rm s}} \\ { {30}, t > 1 {\rm s}} \\ \end{array}} \right. \end{align} $
(31) 其他参数保持不变.可以得到系统响应如图 4.负载电阻估计值响应曲线如图 5.
图 4 两种控制算法作用下输出电压响应曲线 (0.5 s时, 负载电阻由30 $\Omega\to15 \Omega$ ; 1 s时, 负载电阻由15 $\Omega\to30 \Omega$ )Fig. 4 The response curves for output voltage under two control algorithms (At 0.5 second, load resistance is from 30 $\Omega\to15 \Omega$ ; at 1 second, load resistance is from 15 $\Omega\to30 \Omega$ .AFC控制的系统在负载由30 $\Omega\to 15 \Omega$ 的调节时间为0.018 s, 电压波动范围为7.964 V $\sim$ 8 V, 在负载由15 $\Omega\to 30 \Omega$ 的调节时间为0.013 s, 电压波动范围为8 V $\sim$ 8.054 V。
PI控制的系统在负载由30 $\Omega\to 15 \Omega$ 的调节时间为0.034 s, 电压波动范围为7.631 V $\sim$ 8.365 V, 在负载由15 $\Omega\to 30 \Omega$ 的调节时间为0.048 s, 电压波动范围为7.628 V $\sim$ 8.368 V.
可见, 所提出的快速自适应有限时间降压控制方法对负载突变的响应更快, 电压波动更小.
上述结果表明, 相对于PI控制, 所提出的快速自适应有限时间降压控制算法具有较快的收敛性和较强的抗负载变化能力.
6. 结论
本文利用饱和有限时间控制和自适应控制理论设计出一类新的快速自适应降压控制算法, 使得即使负载未知情况下输出电压仍可以在有限时间内快速达到参考电压.通过构造Lyapunov函数从理论上严格证明了系统的全局有限时间稳定性.最后通过仿真对比, 验证了所提方法的有效性.
-
图 1 无线传感器网络环境下的分布式移动机器人跟踪系统
Fig. 1 The distributed mobile robot tracking system in WSNs
图 2 不同过程噪声协方差下的估计误差
Fig. 2 Results of the estimation errors with different process covariances
图 3 E-puck机器人目标跟踪实验平台
Fig. 3 The E-puck robot-based target tracking experiment platform
图 4 不同过程噪声协方差下的移动机器人跟踪结果
Fig. 4 Results of the mobile robot tracking with different process covariances
图 5 基于SRCKF的局部跟踪结果和CI融合估计结果的对比
Fig. 5 Comparison of the SRCKF-based local estimates and the CI fusion estimates of the mobile robot tracking
图 6 基于SRCKF的局部估计和CI融合估计 $X$ 轴误差对比
Fig. 6 Comparison of the SRCKF-based local estimation and the CI fusion estimation errors in the $X$ -coordinate
图 7 基于SRCKF的局部估计和CI融合估计 $Y$ 轴误差对比
Fig. 7 Comparison of the SRCKF-based local estimation and the CI fusion estimation errors in the $Y$ -coordinate
表 1 不同过程协方差情况下移动机器人跟踪的仿真结果
Table 1 The simulation results of the mobile robot tracking with the different process noise covariances
序号 q1 q2 局部1 局部2 局部3 平均 LCI CI 1 2.0 6.0 10.7446 10.7439 10.7589 10.7052 10.6792 10.7682 2 4.0 6.0 9.6714 9.6725 9.6676 9.6554 9.6555 9.6613 3 8.0 10.0 9.4976 9.4978 9.4981 9.4927 9.4940 9.4899 4 8.0 12.0 9.7339 9.7360 9.7365 9.7220 9.7289 9.7113 5 2.0 12.0 9.5359 9.5414 9.5236 9.3224 9.3629 9.3252 6 4.0 10.0 9.3189 9.3174 9.3135 9.2346 9.2505 9.2281 7 6.0 8.0 9.2046 9.2055 9.2082 9.1959 9.1985 9.1948 
下载: 导出CSV
-
[1] Li X, Lille I, Falcon R, Nayak A, Stojmenovic I. Servicing wireless sensor networks by mobile robots. IEEE Communications Magazine, 2012, 50(7):147-154 doi: 10.1109/MCOM.2012.6231291 [2] Yoo J H, Kim W, Kim H J. Event-driven Gaussian process for object localization in wireless sensor networks. In:Proceedings of the 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems. San Francisco, USA:IEEE, 2011. 2790-2795 [3] Zhang W A, Yang X S, Yu L. Sequential fusion estimation for RSS-based mobile robots localization with event-driven WSNs. IEEE Transactions on Industrial Informatics, 2016, 12(4):1519-1528 doi: 10.1109/TII.2016.2585350 [4] Chang D C, Fang M W. Bearing-only maneuvering mobile tracking with nonlinear filtering algorithms in wireless sensor networks. IEEE Systems Journal, 2014, 8(1):160-170 doi: 10.1109/JSYST.2013.2260641 [5] Zickler S, Veloso M. RSS-based relative localization and tethering for moving robots in unknown environments. In:Proceedings of the 2010 IEEE International Conference on Robotics and Automation. Anchorage, USA:IEEE, 2010. 5466 -5471 [6] Menegatti E, Zanella A, Zilli S, Zorzi F, Pagello E. Range-only slam with a mobile robot and a wireless sensor networks. In:Proceedings of the 2009 IEEE International Conference on Robotics and Automation. Kobe, Japan:IEEE, 2009. 8-14 [7] Luo Q H, Peng Y, Li J B, Peng X Y. RSSI-based localization through uncertain data mapping for wireless sensor networks. IEEE Sensors Journal, 2016, 16(9):3155-3162 doi: 10.1109/JSEN.2016.2524532 [8] 岳元龙, 左信, 罗雄麟.提高测量可靠性的多传感器数据融合有偏估计方法.自动化学报, 2014, 40(9):1843-1852 http://www.aas.net.cn/CN/abstract/abstract18453.shtmlYue Yuan-Long, Zuo Xin, Luo Xiong-Lin. Improving measurement reliability with biased estimation for multi-sensor data fusion. Acta Automatica Sinica, 2014, 40(9):1843-1852 http://www.aas.net.cn/CN/abstract/abstract18453.shtml [9] 汤文俊, 张国良, 曾静, 孙一杰, 吴晋.一种适用于稀疏无线传感器网络的改进分布式UIF算法.自动化学报, 2014, 40(11):2490-2498 http://www.aas.net.cn/CN/abstract/abstract18525.shtmlTang Wen-Jun, Zhang Guo-Liang, Zeng Jing, Sun Yi-Jie, Wu Jin. An improved distributed unscented information filter algorithm for sparse wireless sensor networks. Acta Automatica Sinica, 2014, 40(11):2490-2498 http://www.aas.net.cn/CN/abstract/abstract18525.shtml [10] 杨文, 侍洪波, 汪小帆.卡尔曼一致滤波算法综述.控制与决策, 2011, 26(4):481-488 http://www.cnki.com.cn/Article/CJFDTOTAL-KZYC201104002.htmYang Wen, Shi Hong-Bo, Wang Xiao-Fan. A survey of consensus based Kalman filtering algorithm. Control and Decision, 2011, 26(4):481-488 http://www.cnki.com.cn/Article/CJFDTOTAL-KZYC201104002.htm [11] Vercauteren T, Wang X D. Decentralized sigma-point information filters for target tracking in collaborative sensor networks. IEEE Transactions on Signal Processing, 2005, 53(8):2997-3009 doi: 10.1109/TSP.2005.851106 [12] Li W L, Jia Y M. Consensus-based distributed multiple model UKF for jump Markov nonlinear systems. IEEE Transactions on Automatic Control, 2012, 57(1):227-233 doi: 10.1109/TAC.2011.2161838 [13] Arasaratnam I, Haykin S. Cubature Kalman filters. IEEE Transactions on Automatic Control, 2009, 54(6):1254-1269 doi: 10.1109/TAC.2009.2019800 [14] 魏喜庆, 宋申民.无模型容积卡尔曼滤波及其应用.控制与决策, 2013, 28(5):769-773 http://www.cnki.com.cn/Article/CJFDTOTAL-KZYC201305025.htmWei Xi-Qing Song Shen-Min. Model-free cubature Kalman filter and its application. Control and Decision, 2013, 28(5):769-773 http://www.cnki.com.cn/Article/CJFDTOTAL-KZYC201305025.htm [15] 赵琳, 王小旭, 孙明, 丁继成, 闫超.基于极大后验估计和指数加权的自适应UKF滤波算法.自动化学报, 2010, 36(7):1007-1019 http://www.aas.net.cn/CN/abstract/abstract13751.shtmlZhao Lin, Wang Xiao-Xu, Sun Ming, Ding Ji-Cheng, Yan Chao. Adaptive UKF filtering algorithm based on maximum a posterior estimation and exponential weighting. Acta Automatica Sinica, 2010, 36(7):1007-1019 http://www.aas.net.cn/CN/abstract/abstract13751.shtml [16] 王璐, 李光春, 乔相伟, 王兆龙, 马涛.基于极大似然准则和最大期望算法的自适应UKF算法.自动化学报, 2012, 38(7):1200-1210 http://www.aas.net.cn/CN/abstract/abstract13671.shtmlWang Lu, Li Guang-Chun, Qiao Xiang-Wei, Wang Zhao-Long, Ma Tao. An adaptive UKF algorithm based on maximum likelihood principle and expectation maximization algorithm. Acta Automatica Sinica, 2012, 38(7):1200-1210 http://www.aas.net.cn/CN/abstract/abstract13671.shtml [17] Jwo D J, Wang S H. Adaptive fuzzy strong tracking extended Kalman filtering for GPS navigation. IEEE Sensors Journal, 2007, 7(5):778-789 doi: 10.1109/JSEN.2007.894148 [18] Yang X S, Zhang W A, Yu L, Xing K X. Multi-rate distributed fusion estimation for sensor network-based target tracking. IEEE Sensors Journal, 2016, 16(5):1233-1242 doi: 10.1109/JSEN.2015.2497464 [19] Zhang W A, Chen B, Chen M. Hierarchical fusion estimation for clustered asynchronous sensor networks. IEEE Transactions on Automatic Control, 2016, 61(10):3064-3069 doi: 10.1109/TAC.2015.2498701 [20] Deng Z L, Zhang P, Qi W J, Yuan G, Liu J F. The accuracy comparison of multisensor covariance intersection fuser and three weighting fusers. Information Fusion, 2013, 14(2):177 -185 doi: 10.1016/j.inffus.2012.05.005 [21] Bolognani S, Tubiana L, Zigliotto M. Extended Kalman filter tuning in sensorless PMSM drives. IEEE Transactions on Industry Applications, 2003, 39(6):1741-1747 doi: 10.1109/TIA.2003.818991 [22] Uhlmann J K. Covariance consistency methods for fault-tolerant distributed data fusion. Information Fusion, 2003, 4(3):201-215 doi: 10.1016/S1566-2535(03)00036-8 -
下载:
计量
- 文章访问数: 2028
- HTML全文浏览量: 310
- PDF下载量: 883
- 被引次数: 0
