A Novel Method Based on Dynamic Model Correction on Train Integrated Navigation Positioning
-
摘要: 扩展卡尔曼滤波(Extended Kalman filter, EKF)的准确性依赖于观测的质量、观测对象的非线性程度及动态模型的准确性. 该方法通常假设其动态模型是不变的, 而且默认为非线性程度较弱, 这些在实际的车辆运动中都是不可靠的处理方式. 本文提出了一种利用最小二乘支持向量机(Least squares support vector machine, LSSVM)的技术增强扩展卡尔曼滤波的新算法. LSSVM改进后的EKF算法(LSSVM-EKF)一定程度上弥补了EKF处理强非线性问题的不足; 而且可以自适应地估计历史数据的动态建模偏差, 并使用估计偏差来补偿动态模型. 开发了一种引入Allan方差的K折交叉验证方法来确定LSSVM的训练参数; 将动态模型偏差通过有限数据集与LSSVM一起训练; 并引入无损变换将LSSVM与EKF进行了集成. 为了验证算法, 最后设计了车载试验, 并采用列车数据验证了文中所提的方法, 结果表明LSSVM-EKF可以较好地适应实际车辆运动环境, 可以提供一种可用的车辆定位方法.Abstract: The accuracy of extended Kalman filter (EKF) depends on the quality of the observation, the degree of nonlinearity of the observed object, and the accuracy of the dynamic model. The default is that the degree of nonlinearity is weak, and it is usually assumed that the dynamic model is constant, which is an unreliable treatment in actual vehicle motion. This paper proposes a new algorithm for enhancing the extended Kalman filtering using the technique of least squares support vector machine (LSSVM). The improved EKF algorithm (LSSVM-EKF) of LSSVM compensates for the insufficiency of the strong nonlinear problem of the EKF processing to some extent; and it can adaptively estimate the dynamic modeling deviation of historical data and use the estimated bias to compensate the dynamic model. A K-fold cross-validation method that introduces the Allan variance is developed to determine the training parameters of the LSSVM. The dynamic model deviation is trained with the LSSVM through the finite data set. The lossless transform is introduced to integrate the LSSVM with the EKF. In order to verify the algorithm, the paper finally designs the vehicle test, and uses the train data to verify the proposed method. The results show that LSSVM-EKF can adapt to the actual vehicle motion environment and provide a usable vehicle positioning method.
-
一个切换系统是由一个切换信号和一组子系统所构成的特殊混杂系统[1-2].在切换系统的研究中, 切换信号具有双重角色.如果切换信号选择地合适, 那么切换系统可以继承子系统的性质[3-6]甚至产生子系统没有的性质[7-8].如果切换信号选择地不合适, 那么切换时刻可能出现大的控制信号抖振行为[9-10].这种控制信号抖振行为是切换系统特有的暂态行为.考虑到控制信号抖振的存在通常会引发系统性能降级甚至失稳问题, 因此, 抑制控制信号抖振行为变得尤为重要.目前, 切换系统的研究成果多数是关于稳态性质的, 而关于暂态性能, 特别是由切换引起的暂态性能的研究成果极少.因此, 本文将考虑如何设计切换信号以减轻由切换引发的不希望的控制信号抖振这种暂态行为.
无扰切换控制有效地抑制了切换系统在切换时刻可能出现的不希望的控制信号抖振[11].无扰切换性能是对切换时刻控制信号抖振抑制水平的刻画.典型的无扰切换控制策略是对已经事先设计好的控制器进行修正[12-16].对已有控制器修正方法的应用要求切换系统具有事先已知的切换时间或者切换顺序.对一般切换系统而言, 由于切换时间和切换顺序都是事先未知的, 所以, 上面提到的控制器修正策略[12-16]很难应用于解决一般切换系统的无扰切换控制问题.为了解决这一问题, 文献[17]提出了一种控制信号受限的方法, 其主要思想是对控制器增益的幅值施加限制.这种增益受限的思想相当于对控制信号在全状态空间内进行限制.就无扰切换控制目标而言, 文献[17]增加了过多的限制.为了减轻这种限制, 最近, 文献[18-20]对文献[17]的无扰切换控制方法进行了改进, 只要求控制信号幅值在子系统激活区间内受限即可.但是, 文献[18-20]中的无扰切换控制仍然具有额外的限制, 与无扰切换控制本旨不完全吻合.应该指出的是, 无扰切换控制的本旨是减小或者抑制切换时刻处的控制信号抖振.因此, 对切换时刻处的控制信号抖振进行抑制是本文的一个主要研究动机.
众所周知, 跟踪问题是控制领域的一个经典控制问题.关于切换系统跟踪控制问题的研究, 已经存在大量的研究成果[21-26].一个主要成果是利用多Lyapunov函数方法设计切换律和控制器实现切换系统的跟踪控制目标[27-29].有必要说明的是, 目前, 关于切换系统跟踪控制问题的研究都没有考虑如何减轻切换时刻可能出现的大的控制信号抖振问题.然而, 切换时刻处剧烈的控制信号抖振往往会降低系统的跟踪效果, 甚至引发系统故障.因此, 在实现跟踪控制目标的同时, 有必要对切换时刻处大的控制信号抖振进行抑制.但是, 同时实现跟踪和切换时刻处的控制信号抖振抑制是一个艰巨的任务.主要原因在于已有的跟踪控制方法不能直接用于实现无扰切换控制, 并且已有的无扰切换控制方法很难用来实现跟踪控制.所以, 解决跟踪无扰切换控制问题具有重要意义.这也正是本文研究的另一个主要动机.
航空发动机控制系统是高度复杂的非线性系统[30].随着航天业的飞速发展, 航空发动机的精度要求变得越来越高.航空发动机的高精度要求势必导致高精度要求的控制设计.切换控制在航空发动机控制系统中具有着重要的意义.该意义主要体现在航空发动机的控制任务特点与模型特点上.一方面, 从航空发动机的控制任务角度讲, 多目标控制是航空发动机的一个主要特点[30-32].由于航空发动机在实际工作过程中要受到多种安全边界的限制, 所以航空发动机的控制目标必须是多目标.由于单一的控制器设计很难满足航空发动机的多目标要求, 所以对航空发动机控制系统实施切换控制是非常有必要的.另一方面, 从航空发动机的模型描述角度讲, 航空发动机是高精度、高复杂度的非线性控制系统, 单一的线性模型几乎不可能描述其动态特性[33-34].因此, 有必要对航空发动机建立多个线性模型.切换线性模型因为具有额外的设计自由度与较容易的设计工具而经常被用来刻画发动机控制系统.通过利用切换线性系统的控制方法为每个子系统分别设计线性控制器, 然后利用切换信号将子系统的控制器联系在一起形成切换控制器进而控制航空发动机[35].
另外, 在航空发动机的控制设计中, 无扰切换是至关重要的, 因为大的控制信号抖振可能会降低发动机的安全性, 致使发动机出现喘振、超温和熄火等危险.基于切换线性模型, 许多学者对航空发动机的控制设计进行了研究并取得了一定的研究成果, 如火箭冲压发动机的推力调节[36]、超燃冲压发动机的进气道安全保护[37]与涡扇发动机的预测控制器设计[38]等.然而, 关于航空发动机的无扰切换控制问题的研究结果却非常少.文献[39]和[40]分别应用跟踪控制方法和重置技术对已经事先设计好的控制器进行修正, 进而解决了航空发动机控制设计中的无扰切换控制问题.但是, 文献[39]和[40]却要求子系统的工作顺序是事先已知的, 这意味着文献[39]和[40]中的无扰切换控制方法对于子系统工作顺序事先未知的航空发动机是不适用的.因此, 设计一般性的无扰切换控制方法解决航空发动机控制设计中的无扰切换控制问题是非常有必要的.
针对一类切换线性系统, 本文基于多Lyapunov函数方法提出了状态跟踪无扰切换控制问题的一个解决方案.与已有结果相比, 本文主要具有以下4方面的贡献:
1) 给出一个新的无扰切换性能定义.与文献[17-20]相比, 本文的无扰切换性能描述更加符合无扰切换的本旨.本文只对切换时刻处的控制信号抖振进行了限制, 然而, 在文献[17-20]中, 不仅对切换时刻处的控制信号抖振进行了限制, 而且在子系统激活区间甚至整个状态空间内, 也对控制信号进行了限制.从无扰切换的本旨来看, 只对切换时刻处的控制信号抖振进行限制即可.因此, 本文的无扰切换性能描述更加符合无扰切换的本旨.
2) 同时实现状态跟踪和无扰切换控制.由于状态跟踪性能与无扰切换性能通常是相互冲突的, 所以已有的仅用来实现状态跟踪性质的状态空间分割方法[27-29]不能直接用来保证无扰切换性能, 已有的仅用来实现无扰切换控制的控制器修正方法[12-16]很难用来保证状态跟踪性质.为了解决状态跟踪性能要求与无扰切换性能要求之间的冲突, 本文提出了能同时保证状态跟踪性能和无扰切换性能的状态空间划分方法.
3) 给出一个使切换线性系统状态跟踪无扰切换控制问题可解的充分条件.该条件不要求每个子系统的状态跟踪无扰切换控制问题可解.
4) 将所提出控制方法应用于涡扇航空发动机模型的转速调节上, 实现该模型的状态跟踪无扰切换控制设计.
本文主要包括4部分.第1节给出了切换系统状态跟踪无扰切换控制问题的描述.在第2节中, 通过多Lyapunov函数方法, 我们给出了切换系统状态跟踪无扰切换控制问题的一个解决方案.在第3节中, 通过将所提出的状态跟踪无扰切换控制方案应用于一个涡扇航空发动机模型上, 验证了所提出控制方案的有效性.最后, 在第4节中, 我们对文章内容进行了总结.
注1. 本文中$ {{\bf R}^n} $表示$ n $维欧氏空间, $ L_2[0, \infty) $表示区间$ [0, \infty) $上平方可积函数的全体, $ {\bf N} $与$ {S} $分别表示非负整数集与正整数集.符号$ * $表示对称矩阵的对称部分.设$ \pmb\zeta \in {\bf R}^n $, 则$ ||\pmb\zeta||_2 $表示$ \pmb\zeta $的欧氏范数.
1. 问题描述
考虑切换系统
$$ \begin{equation} \dot{{\pmb x}}(t) = A_{\sigma(t)} {\pmb x}(t)+B_{\sigma(t)} {\pmb u}(t)+F_{\sigma(t)}{\pmb d}(t) \end{equation} $$ (1) 其中, $ {\pmb x}(t)\in {\bf R}^n $表示系统的状态, $ \pmb u(t)\in {\bf R}^q $表示系统的控制输入, $ \pmb d(t)\in L_2[0, \infty) $表示系统的外部干扰输入, $ \sigma(t):[0, \infty)\rightarrow S = \{1, 2, \cdots, s\} $表示系统的切换信号, $ s $为子系统个数.切换信号$ \sigma(t) $可以用由序列$ \{ {\pmb x_0};({i_0}, {t_0}), ({i_1}, {t_1}), \cdots , ({i_n}, {t_n}), \cdots |{i_n} \in S, n \in {\bf N}\} $进行描述, 式中, $ x_0 $为系统的初始状态, $ t_0 $为系统的初始时间, $ t_n $为第$ n $个切换时刻, $ \sigma(t) = i_n $表示第$ i_n $个子系统工作.文中假设切换信号$ \sigma(t) $在有限时间内只发生有限次切换, 且矩阵$ B_i $为列满秩矩阵.
考虑参考模型
$$ \begin{equation} \dot{\pmb x}_r(t) = G\pmb x_r(t)+H\pmb r(t) \end{equation} $$ (2) 其中, $ \pmb x_r(t)\in {\bf R}^n $表示参考模型的状态, $ \pmb r(t)\in {\bf R}^p $表示参考模型的输入.
定义状态跟踪误差$ \pmb e(t) = \pmb x(t)-\pmb x_r(t) $, 对于第$ i $个子系统, 考虑如下形式的控制器
$$ \begin{equation} \pmb u(t) = M_{1i}\pmb e(t)+M_{2i}\pmb x_r(t)+M_{3i}\pmb r(t) \end{equation} $$ (3) 其中, $ M_{1i}, M_{2i} $与$ M_{3i} $为待设计的控制器增益矩阵.
联立式(1)~(3)可得
$$ \begin{align} \dot{\pmb e}(t) = &\dot{\pmb x}(t)-\dot{\pmb x}_r(t) = \nonumber\\ &X_{1\sigma(t)}\pmb e(t)+X_{2\sigma(t)}\pmb x_r(t)+\nonumber\\ &X_{3\sigma(t)}\pmb r(t)+F_{\sigma(t)}\pmb d(t) \end{align} $$ (4) 其中, $ X_{1i} = A_{i}+B_{i}M_{1i}, X_{2i} = B_{i}M_{2i}+A_{i}-G, X_{3i} = B_{i}M_{3i}-H, i\in S $.
首先, 给出无扰切换性能的定义.
定义1. 对于给定的非负常值$ \alpha_1, \alpha_2 $和$ \alpha_3 $, 如果
$$ \begin{align} &||\pmb u(t_n^+)-\pmb u(t_n^-)||_2^2\leq\nonumber\\ &\qquad \alpha_1||\pmb e(t_n)||_2^2+\alpha_2||\pmb x_r(t_n)||_2^2+\alpha_3||\pmb r(t_n)||_2^2 \end{align} $$ (5) 在任意的切换时刻$ t_n $处均成立, 则称切换系统(1)在控制器(3)下关于$ (\alpha_1, \alpha_2, \alpha_3, \sigma(t)) $具有无扰切换性能.此外, 称$ \alpha_1, \alpha_2, \alpha_3 $为无扰切换性能水平.
注2. 式(5)左侧的项表示控制信号$ \pmb u(t) $在切换时刻$ t_n $处的抖振幅值.值得注意的是在式(5)左侧出现了$ t_n^+ $与$ t_n^- $, 但是在式(5)右侧却没有出现$ t_n^+ $与$ t_n^- $.这是因为控制信号$ \pmb u(t) $在切换时刻$ t_n $处通常是不连续的, 而变量$ \pmb e(t), \pmb x_r(t) $与$ \pmb r(t) $在切换时刻$ t_n $处是连续的.式(5)刻画了切换时刻处控制信号抖振的抑制水平.定义1的主要理论参考依据为文献[17-20].在文献[17-20]的无扰切换性能描述中, 控制信号受限的时间为子系统激活时间区间或者整个状态空间.而无扰切换的本旨是抑制切换时刻处的控制信号抖振.因此, 在文献[17-20]的无扰切换性能描述中存在多余的控制信号受限时间.也就是说, 除了切换时刻外, 控制信号在其他时间受限均是不必要的.定义1则改进了这一不足, 只对切换时刻处的控制信号抖振进行限制.所以定义1比文献[17-20]中的无扰切换性能定义更符合无扰切换控制的本旨.
接下来, 给出系统(1)状态跟踪无扰切换控制问题的定义.
定义2. 考虑具有参考模型(2)和控制器(3)的切换系统(1).若存在一个切换规则$ \sigma(t) $和一组具有式(3)形式的控制器使切换系统(1)满足定义1的无扰切换性能和下面的状态跟踪性能:
1) 当$ \pmb d(t)\equiv0 $时, 有$ \mathop {\lim }\nolimits_{t\to\infty}\pmb e(t) = 0 $;
2) 当$ \pmb d(t)\neq0 $时, 在零初始条件下, 对于任意的$ \pmb d(t)\in\; L_2[0, \infty) $, 有
$$ \begin{equation} \int_0^\infty {{\pmb e^\text{T}}(\tau )} \pmb e(\tau ){\rm d}\tau \le \lambda^2 \int_0^\infty {{\pmb d^\text{T}}(\tau )} \pmb d(\tau ){\rm d}\tau \end{equation} $$ (6) 其中, $ {\lambda} $为一个给定的非负常值称为$ L_2 $-增益水平, 则称切换系统(1)的状态跟踪无扰切换控制问题可解.
本文的控制目标为:通过设计切换律$ \sigma(t) $和控制器(3)为切换系统(1)的状态跟踪无扰切换控制问题提供一个解决方案.
在建立本文主要结果之前, 给出一个需要用到的引理.
引理1[41]. 对于任意的正定矩阵$ V $和矩阵$ U $, 有
$$ \begin{equation*} UV^{-1}U\geq U+U^\text{T}-V \end{equation*} $$ 2. 主要结果
为实现切换系统(1)的状态跟踪无扰切换控制目标, 通过多Lyapunov函数方法建立如下定理1.
定理1. 考虑切换系统(1).对于给定的非负常值$ \alpha_1 $, $ \alpha_2 $, $ \alpha_3 $, $ \lambda $, 如果存在正定矩阵$ R_i $, 矩阵$ M_{2i}, M_{3i}, N_{1i}, Z_{ip} $, 非正常值$ \rho_{ij}, \beta_{ij} $, $ i\in S $满足:
$$ \begin{equation} X_{2i} = 0 \end{equation} $$ (7) $$ \begin{equation} X_{3i} = 0 \end{equation} $$ (8) $$ \begin{equation} \left[ {\begin{array}{*{20}{c}} {{\Lambda _{11i}}} & {{F_i}} & {R_i} & {{J_i}{R_i}} \\ * & { - \lambda^2 I} & 0 & 0 \\ * & * & { - I} & 0 \\ * & * & * & { - {Q_i}} \\ \end{array}} \right] < 0 \end{equation} $$ (9) $$ \begin{equation} \left[ {\begin{array}{*{20}{c}} { - {\alpha _2}I} & {{{(\Delta M_{ip}^2)}^\text{T}}} \\ * & { - { {1 \over 3}}I} \\ \end{array}} \right] < 0 \end{equation} $$ (10) $$ \begin{equation} \left[ {\begin{array}{*{20}{c}} { - {\alpha _3}I} & {{{(\Delta M_{ip}^3)}^\text{T}}} \\ * & { - { {1 \over 3}}I} \\ \end{array}} \right] < 0 \end{equation} $$ (11) $$ \begin{equation} \left[ {\begin{array}{*{20}{c}} {{\Phi _{11i}}} & {N_{1i}^\text{T} - {{Z_{ip}}^\text{T}}} & {{L_i}{R_i}} \\ * & { - { {1 \over 3}}I} & 0 \\ * & * & { - {O_i}} \\ \end{array}} \right] \le 0, i \neq p, p\in S \end{equation} $$ (12) 其中
$$ \begin{equation*} \begin{aligned} &{\Lambda _{11i}} = {\bar \Lambda _{11i}}+ \bar \Lambda _{11i}^\text{T}+ \sum\limits_{j = 1}^s {{\rho _{ij}}} {R_i}\\ &{\bar \Lambda _{11i}} = {R_i}A_i^\text{T} + N_{1i}^T{B_i}^\text{T}\\ & \Delta M_{ip}^2 = {M_{2i}} - {M_{2p}}, i \neq p, p \in S\\ & \Delta M_{ip}^3 = {M_{3i}} - {M_{3p}}, i \neq p , p \in S\\ &{\Phi _{11i}} = - 3{R_i} +R_p+ \sum\limits_{j = 1}^s {{\beta _{ij}}} {R_i}+ \alpha _1^{ - 1}I\\ &{J_i} = [\sqrt { - {\rho _{i1}}}, \sqrt { - {\rho _{i2}}}, \cdots, \sqrt { - {\rho _{ii - 1}}}, \\ &\; \; \; \; \sqrt { - {\rho _{ii + 1}}}, \cdots , \sqrt { - {\rho _{is}}} ], \\ &{L_i} = [\sqrt { - {\beta _{i1}}}, \sqrt { - {\beta _{i2}}}, \cdots, \sqrt { - {\beta _{ii - 1}}}, \\ &\; \; \; \; \sqrt { - {\beta _{ii + 1}}}, \cdots, \sqrt { - {\beta _{is}}} ] \\ &{Q_i} = {\rm{diag}}\{ {R_1}, {R_2}, \cdots , {R_{i - 1}}, {R_{i + 1}}, \cdots, {R_s}\} \end{aligned} \end{equation*} $$ 那么, 在控制器(3)与切换律
$$ \begin{equation} \sigma (t) = \arg \mathop {\min }\limits_{i \in S} \{{\pmb e^\text{T}}{R_i^{-1}}\pmb e\} \end{equation} $$ (13) 下, 切换系统(1)的状态跟踪无扰切换控制问题可解.
证明. 本证明分为状态跟踪性质的证明和无扰切换性能的证明两部分.首先, 证明状态跟踪性质.根据式(7)和(8)将系统(4)描述为
$$ \begin{align} \dot{\pmb e}(t) = &X_{1\sigma(t)}\pmb e(t)+X_{2\sigma(t)}\pmb x_r(t)+\nonumber\\ &X_{3\sigma(t)}\pmb r(t)+F_{\sigma(t)}\pmb d(t) = \nonumber\\ &X_{1\sigma(t)}\pmb e(t)+F_{\sigma(t)}\pmb d(t) \end{align} $$ (14) 为系统(14)的第$ i $个子系统选择Lyapunov函数$ W_i = \pmb e^\text{T}R_i^{-1}\pmb e $.沿着系统(14)的状态轨线, 对Lyapunov函数求导数可得:
$$ \begin{align} \label{p1.1} \dot{W}_i(\pmb e(t)) = &2\dot{\pmb e}^\text{T}(t)R_i^{-1}\pmb e(t) = \\ &\pmb e^\text{T}(t)({X_{1i}^\text{T}R_i^{-1} + R_i^{-1}{X_{1i}}})\pmb e(t)+\\ &2\pmb e^\text{T}(t)R_i^{-1}F_i\pmb d(t) \end{align} $$ (15) 于是, 有
$$ \begin{align} \dot{W}_i(\pmb e(t))+\pmb e^\text{T}(t)\pmb e(t)-\lambda^2 \pmb d^\text{T}(t)\pmb d(t) = \pmb\eta^\text{T}(t)\Omega_i\pmb \eta(t) \end{align} $$ (16) 其中, $ \pmb\eta^\text{T}(t) = [\pmb e^\text{T}(t)\; \pmb d^\text{T}(t)] $,
$$ \begin{equation*} \begin{aligned} {\Omega _i} = & \left[ {\begin{array}{*{20}{c}} {{\Omega _{11i}}} & {R_i^{-1}{F_i}} \\ * & { - \lambda^2 I} \\ \end{array}} \right] \\ {\Omega _{11i}} = & X_{1i}^\text{T}R_i^{-1} + R_i^{-1}{X_{1i}} +I \end{aligned} \end{equation*} $$ 由切换规则(13)可知, 当第$ i $个子系统工作时, 有
$$ \begin{equation} \pmb e^\text{T}(t)R_i^{-1}\pmb e(t) \leq \pmb e^\text{T}(t)R_j^{-1}\pmb e(t), \quad j = 1, 2, \cdots, s \end{equation} $$ (17) 联立式(16)与(17)可得, 当第$ i $个子系统工作时, 有
$$ \begin{align} \label{p1.4} &\dot{W}_i(\pmb e(t))+\pmb e^\text{T}(t)\pmb e(t)-\lambda^2 \pmb d^\text{T}(t)\pmb d(t) = \\ &\; \; \; \; \; \pmb\eta^\text{T}(t)\Omega_i\pmb\eta(t)\leq\\ & \pmb\eta^\text{T}(t)\Omega_i\pmb\eta(t)+\pmb e^\text{T}(t)\sum\limits_{j = 1}^s {{\rho _{ij}}} (R_i^{-1} - R_j^{-1})\pmb e(t) = \\ &\; \; \; \; \; \; \pmb\eta^\text{T}(t)\Psi_i\pmb\eta(t) \end{align} $$ (18) 其中
$$ \begin{equation*} \begin{aligned} {\Psi _i} = & \left[ {\begin{array}{*{20}{c}} {{\Psi _{1i}}} & {{R_i^{-1}}{F_i}} \\ * & { - \lambda^2 I} \\ \end{array}} \right]\\ {\Psi _{1i}} = & {\Omega _{11i}} + \sum\limits_{j = 1}^s {{\rho _{ij}}} (R_i^{-1} - R_j^{-1}) \\ \end{aligned} \end{equation*} $$ 于是, 如果$ {\Psi _i}<0 $, 那么在第$ i $个子系统的工作时间区间内, 有
$$ \begin{equation} \dot{W}_i(\pmb e(t))+\pmb e^\text{T}(t)\pmb e(t)-\lambda^2 \pmb d^\text{T}(t)\pmb d(t)\leq 0 \end{equation} $$ (19) 成立.令$ N_{1i} = M_{1i}R_i $并对式(9)应用Schur引理得:
$$ \begin{equation} {\Xi _i} = \left[ {\begin{array}{*{20}{c}} {{\Xi _{1i}}} & {{F_i}} \\ * & { - \lambda^2 I}\\ \end{array}} \right] < 0 \end{equation} $$ (20) 其中
$$ \begin{equation*} \begin{aligned} {\Xi _{1i}} = & {X_{1i}}{R_i} + {R_i}X_{1i}^\text{T} + {R_i}{R_i}+ \\ &\; \; \; \; \; \; \sum\limits_{j = 1}^s {{\rho _{ij}}} ({R_i} - {R_i}R_j^{ - 1}{R_i}) \end{aligned} \end{equation*} $$ 对式(20)两边同时分别乘以$ \text{diag}\{R_i^{-1}, I\} $得$ \Psi_i<0 $, 从而得式(19).对于$ d(t)\neq0 $, 当第$ i $个子系统工作时, 从$ \tau = t_n $到$ t_{n+1} $对式(17)两边的函数同时进行积分得:
$$ \begin{align} \label{p1.8} &\int_{{t_n}}^{{t_{n + 1}}} {[{\pmb e^\text{T}}(\tau)\pmb e(\tau) - {\lambda^2}} {\pmb d^\text{T}}(\tau)\pmb d(\tau)]{\rm d}\tau\le \\ &\qquad\qquad W_i(\pmb e({t_n})) - W_i(\pmb e({t_{n + 1}})) \end{align} $$ (21) 利用切换规则(13)可得:
$$ \begin{equation} W_{i_n}(\pmb e(t_{n+1})) = W_{i_{n+1}}(\pmb e(t_{n+1})) \end{equation} $$ (22) 联立式(21)和式(22)有
$$ \begin{equation*} \begin{aligned} &\int_0^t {[{\pmb e^\text{T}}(\tau )\pmb e(\tau ) - \lambda^2 {\pmb d^\text{T}}(\tau )\pmb d(\tau )]{\rm d}\tau }\le\nonumber\\ &\qquad\qquad {W_{\sigma (0)}}(\pmb e(0)) - {W_{\sigma (t)}}(\pmb e(t)) \end{aligned} \end{equation*} $$ 因为$ {W_{i}}(\pmb e(t))\geq0 $, 所以, 在零初始条件下, 当$ t\rightarrow\infty $时, $ L_2 $-增益性质(6)成立.当$ \pmb d(t)\equiv0 $时, 易知
$$ \begin{align*} \dot{W}_i(\pmb e(t)) = &2\dot{\pmb e}^\text{T}(t)R_i^{-1}\pmb e(t) = \nonumber\\ &\pmb e^\text{T}(t)(X_{1i}^\text{T}R_i^{-1}+R_i^{-1}X_{1i})\pmb e(t) \end{align*} $$ 根据式(17), 当第$ i $个子系统激活时, 有
$$ \begin{align} \dot{W}_i(\pmb e(t)) = &\pmb e^\text{T}(t)(X_{1i}^\text{T}R_i^{-1}+R_i^{-1}X_{1i})\pmb e(t)\leq\\ & \pmb e^\text{T}(t)(X_{1i}^\text{T}R_i^{-1}+R_i^{-1}X_{1i})\pmb e(t)+\\ &\pmb e^\text{T}(t)\sum\limits_{j = 1}^s {{\rho _{ij}}} (R_i^{-1} - R_j^{-1})\pmb e(t) = \\ &\pmb e^\text{T}(t)\Upsilon_i\pmb e(t), \end{align} $$ (23) 其中, $ \Upsilon_i = X_{1i}^\text{T}R_i^{-1}+R_i^{-1}X_{1i}+\sum\limits_{j = 1}^s {{\rho _{ij}}} (R_i^{-1} - R_j^{-1}) $.由于$ \Psi_i<0 $, 在第$ i $个子系统的工作时间区间内, 有$ \dot{W}_i(\pmb e(t))<0, \forall \pmb e(t) \neq 0 $.与式(19)联立, 可得$ \mathop {\lim }\nolimits_{t \to \infty } \pmb e(t) = 0 $
接下来, 证明切换切换系统(1)满足无扰切换性能(5).假设在切换时刻$ t_n $处, 第$ p $个子系统代替第$ i $个子系统开始工作, 对于任意的$ i, p \in S, i \neq p $, 在切换时刻$ t_n $处, 设$ \mathcal{U}_{ip}(t_n) = ||\Delta M_{ip}^1\pmb e(t_n) + \Delta M_{ip}^2{\pmb x_r}(t_n) + \Delta M_{ip}^3\pmb r(t_n)||_2^2- {\alpha _1}||\pmb e(t_n)||_2^2 - {\alpha _2}||{\pmb x_r}(t_n)||_2^2 - {\alpha _3}||\pmb r(t_n)||_2^2 $, 其中, $ \Delta M_{ip}^1 = {M_{1i}} - {M_{1p}} $.于是, 有
$$ \begin{align} \mathcal{U}_{ip}(t_n) = & ||\Delta M_{ip}^1\pmb e(t_n) + \Delta M_{ip}^2{\pmb x_r}(t_n)+ \\ &\Delta M_{ip}^3\pmb r(t_n)||_2^2- {\alpha _1}||\pmb e(t_n)||_2^2\\ & - {\alpha _2}||{\pmb x_r}(t_n)||_2^2 - {\alpha _3}||\pmb r(t_n)||_2^2\le \\ & {\pmb e^\text{T}}(t_n)[3{(\Delta M_{ip}^1)^\text{T}}\Delta M_{ip}^1 - {\alpha _1}I]\pmb e(t_n)+\\ & \pmb x_r^\text{T}(t_n)[3{(\Delta M_{ip}^2)^\text{T}}\Delta M_{ip}^2 - {\alpha _2}I]{\pmb x_r}(t_n)+\\ & {\pmb r^\text{T}}(t_n)[3{(\Delta M_{ip}^3)^\text{T}} \Delta M_{ip}^3 - {\alpha _3}I]\pmb r(t_n) \end{align} $$ (24) 根据式(10)、(11)和式(24)得:
$$ \begin{align} \mathcal{U}_{ip}(t_n)\leq & {\pmb e^\text{T}}(t_n)[3{(\Delta M_{ip}^1)^\text{T}}\Delta M_{ip}^1 - {\alpha _1}I]\pmb e(t_n)+\\ & \pmb x_r^\text{T}(t_n)[3{(\Delta M_{ip}^2)^\text{T}}\Delta M_{ip}^2 - {\alpha _2}I]{\pmb x_r}(t_n)+\\ & {\pmb r^\text{T}}(t_n)[3{(\Delta M_{ip}^3)^\text{T}}\Delta M_{ip}^3 - {\alpha _3}I]\pmb r(t_n)\leq \\ &{\pmb e^\text{T}}(t_n)[3{(\Delta M_{ip}^1)^\text{T}}\Delta M_{ip}^1 - {\alpha _1}I]\pmb e(t_n) \end{align} $$ (25) 根据式(17)和(25)知, 当第$ i $个子系统工作时, 有
$$ \begin{align} \mathcal{U}_{ip}(t_n)&\leq {\pmb e^\text{T}}(t_n)[3{(\Delta M_{ip}^1)^\text{T}}\Delta M_{ip}^1 - {\alpha _1}I]\pmb e(t_n)\leq\\ & \; \; \; \; \; {\pmb e^\text{T}}(t_n)[3{(\Delta M_{ip}^1)^\text{T}}\Delta M_{ip}^1 - {\alpha _1}I]\pmb e(t_n)+\\ &\; \; \; \; \; \pmb e^\text{T}(t_n)\sum\limits_{j = 1}^s {{\beta _{ij}}} (R_i^{-1} - R_j^{-1})\pmb e(t_n) = \\ &\; \; \; \; \; \pmb e^\text{T}(t_n)\Pi_{ip}\pmb e(t_n) \end{align} $$ (26) 其中, $ \Pi_{ip} = 3{(\Delta M_{ip}^1)^\text{T}}\Delta M_{ip}^1 - {\alpha _1}I+\sum\nolimits_{j = 1}^s {{\beta _{ij}}} (R_i^{-1} - R_j^{-1}). $令$ Z_{ip} = M_{1p}R_i $并对式(12)应用Schur补引理得
$$ \begin{align} &3{R_i}{(\Delta M_{ip}^1)^\text{T}}\Delta M_{ip}^1{R_i} - 3{R_i}+R_p+ \\ &\qquad\alpha _1^{ - 1}I + \sum\limits_{j = 1}^s {{\beta _{ij}}} ({R_i} - {R_i}R_j^{ - 1}{R_i}) \le 0 \end{align} $$ (27) 通过引理1可知
$$ \begin{eqnarray} \alpha_1R_iR_i\geq2R_i-\alpha_1^{-1}I \end{eqnarray} $$ (28) $$ \begin{eqnarray} R_iR_p^{-1}R_i\geq 2R_i-R_p \end{eqnarray} $$ (29) 联立式(27)、(28)和式(29)得:
$$ \begin{align} &3{R_i}{(\Delta M_{ip}^1)^\text{T}}\Delta M_{ip}^1{R_i} - {\alpha _1}{R_i}{R_i}+R_i+ \\ &\qquad \sum\limits_{j = 1}^s {{\beta _{ij}}} ({R_i} - {R_i}R_j^{ - 1}{R_i}) - {R_i}R_p^{ - 1}{R_i} \le 0 \end{align} $$ (30) 对式(27)左右两边分别同时乘以$ R_i^{-1} $得:
$$ \begin{equation} \Pi_{ip}+R_i^{-1}-R_p^{-1}\leq0 \end{equation} $$ (31) 联立式(26)和式(31)得:
$$ \begin{align} \mathcal{U}_{ip}(t_n)\leq & \pmb e^\text{T}(t_n)\Pi_{ip}\pmb e(t_n)\leq\\ &\pmb e^\text{T}(t_n)(R_p^{-1}-R_i^{-1})\pmb e(t_n) \end{align} $$ (32) 根据式(22)和式(32)可知
$$ \begin{equation} \mathcal{U}_{ip}(t_n)\leq \pmb e^\text{T}(t_n)(R_p^{-1}-R_i^{-1})\pmb e(t_{n}) = 0 \end{equation} $$ (33) 因此, 切换系统(1)满足无扰切换性能(5). \hfill$ \square $
注3. 定理1给出了一个充分条件用来实现切换系统(1)的状态跟踪性质和无扰切换性能.在式(7)和式(8)成立的前提下, 式(9)保证了状态跟踪性质, 式(10) $ \sim $ (12)保证了无扰切换性能(5).如果式(7) $ \sim $ (12)可解, 就可以求解出控制器(3)的增益矩阵$ M_{1i} $, $ M_{2i} $与$ M_{3i} $.进而, 在控制器(3)与切换律(13)的共同作用下, 就可以同时保证切换系统(1)的状态跟踪性质与无扰切换性能.
注4. 切换信号(13)可能产生滑模现象.下面说明即使产生滑模现象, 在$ d(t)\equiv0 $的情形下, 任意的滑动模态是稳定的.不失一般性, 假设只有两个子系统$ i, j $.由切换律(13)可知, 滑模产生的条件为
$$ \begin{equation} [\dot{W}_i(t)-\dot{W}_j(t)]\big|_{\sigma(t) = i}\geq0 \end{equation} $$ (34) 与
$$ \begin{equation} [\dot{W}_{j}(t)-\dot{W}_i(t)]\big|_{\sigma(t) = j} \geq 0 \end{equation} $$ (35) 其中, $ \dot{W}_i(t)\big|_{\sigma(t) = j} $表示$ W_i(t) $沿着子系统$ j $的时间导数.式(34)和式(35)可以分别等价描述为
$$ \begin{equation} {\pmb e}^\text{T}(t)[X_{1i}^\text{T}(R_i^{-1}-R_j^{-1})+(R_i^{-1}-R_j^{-1})X_{1i}]\pmb e(t)\geq0 \end{equation} $$ (36) 与
$$ \begin{equation} \pmb e^\text{T}(t)[X_{1j}^\text{T}(R_j^{-1}-R_{i}^{-1})+(R_{j}^{-1}-R_i^{-1})X_{1j}]\pmb e(t) \geq 0 \end{equation} $$ (37) 下面说明任一子系统的Lyapunov函数沿着Filippov解都是下降的.对于任意的$ i \in S $, $ \mu \in (0, 1) $, 有
$$ \begin{align} \dot{W}_i(\pmb e(t)) = &\pmb e^\text{T}(t)\{[\mu X_{1i}+(1-\mu)X_{1j}]^\text{T}R_i^{-1}+\\ &R_{i}^{-1}[\mu X_{1i}+(1-\mu)X_{1j}]\}\pmb e(t) = \\ &\mu \pmb e^\text{T}(t)(X_{1i}^\text{T}R_i^{-1}+R_i^{-1}X_{1i})\pmb e(t)+\\ &(1-\mu)\pmb e^\text{T}(t)(X_{1j}^\text{T}R_i^{-1}+R_i^{-1}X_{1j})\pmb e(t) \end{align} $$ (38) 由式(37)可知
$$ \begin{align} &\pmb e^\text{T}(t)(X_{1j}^\text{T}R_i^{-1}+R_i^{-1}X_{1j})\pmb e(t)\leq\\ &\qquad \pmb e^\text{T}(t)(X_{1j}^\text{T}R_j^{-1}+R_j^{-1}X_{1j})\pmb e(t) \end{align} $$ (39) 于是, 由式(9), (38)和式(39)可知, 对于$ \forall \pmb e(t)\neq 0 $, 有
$$ \begin{equation*} \begin{aligned} \dot{W}_i(\pmb e(t)) = &\mu \pmb e^\text{T}(t)(X_{1i}^\text{T}R_i^{-1}+R_i^{-1}X_{1i})\pmb e(t)+\nonumber\\ &(1-\mu)\pmb e^\text{T}(t)(X_{1j}^\text{T}R_i^{-1}+R_i^{-1}X_{1j})\pmb e(t)\leq\nonumber\\ &\mu \pmb e^\text{T}(t)(X_{1i}^\text{T}R_i^{-1}+R_i^{-1}X_{1i}) \pmb e(t)+\nonumber\\ &(1-\mu) \pmb e^\text{T}(t)(X_{1j}^\text{T}R_j^{-1}+\nonumber\\ &R_j^{-1}X_{1j})\pmb e(t)<0 \end{aligned} \end{equation*} $$ 所以, 当$ \pmb d(t)\equiv0 $时, 任意的滑动模态都是渐近稳定的.
3. 应用
本节采用文献[30]中航空发动机切换线性模型来验证所提出状态跟踪无扰切换控制方法的有效性.
所采用的模型为90k级涡扇航空发动机模型.如文献[42]所述, 利用循环平台数据模型的构建方法与基于系统辨识的方法, 可以得到由以下微分方程进行描述的航空发动机模型:
$$ \begin{align} \left[ {\begin{array}{*{20}{c}} {\Delta {{\dot N}_f}(t)} \\ {\Delta {{\dot N}_c}(t)} \\ \end{array}} \right] = & {A_{\sigma (t)}} \left[ {\begin{array}{*{20}{c}} {\Delta { N_f}(t)} \\ {\Delta { N_c}(t)} \\ \end{array}} \right] +\\ & {B_{\sigma (t)}}\Delta {Q_f}(t)+ {F_{\sigma (t)}} d(t) \end{align} $$ (40) 其中, $ {\Delta { N_f}(t)} $和$ {\Delta {N_c}(t)} $分别为航空发动机的风扇转速变化量与核心机转速变化量, $ \Delta{ Q}_f(t) $为燃油流量变化量, $ d(t) $是航空发动机退化参数, $ \sigma(t):[0, \infty)\rightarrow \{1, 2\} $为切换信号, 当$ \sigma(t) = i\in\{1, 2\} $时, 称第$ i $个子模态工作.
参考模型由以下微分方程描述:
$$ \begin{align} \left[ {\begin{array}{*{20}{c}} {\Delta {{\dot N}_{fr}}(t)} \\ {\Delta {{\dot N}_{cr}}(t)} \\ \end{array}} \right] = & G\left[ {\begin{array}{*{20}{c}} {\Delta { N_{fr}}(t)} \\ {\Delta { N_{cr}}(t)} \\ \end{array}} \right] +Hr(t) \end{align} $$ (41) 其中, $ {\Delta { N_{fr}}(t)} $与$ {\Delta { N_{cr}}(t)} $分别为航空发动机的参考风扇转速变化量与核心机转速变化量, $ r(t) $为参考输入信号.
设$ e_f(t) = \Delta{ N}_f(t)-\Delta{ N}_{fr}(t) $和$ e_c(t) = \Delta{ N}_c(t)-\Delta{N}_{cr}(t) $分别为风扇转速跟踪误差与核心机转速跟踪误差.
对于航空发动机模型(37)中的第$ i $个子模型, 考虑其燃油流量变化量
$$ \begin{align} \Delta{ Q}_f(t) = &M_{1i}\left[ {\begin{array}{*{20}{c}} {{ e_f}(t)} \\ {{ e_c}(t)} \\ \end{array}} \right]+M_{2i}\left[ {\begin{array}{*{20}{c}} {\Delta { N_{fr}}(t)} \\ {\Delta { N_{cr}}(t)} \\ \end{array}} \right]+\\ &M_{3i} r(t) \end{align} $$ (42) 其中, $ M_{1i}, M_{2i} $和$ M_{3i} $为待设计的增益矩阵.
如文献[42]所述, 为了实时得到更精确的数学模型, 对于航空发动机模型(37), 设计切换信号
$$ \begin{equation} \sigma (t) = \arg \mathop {\min }\limits_{i \in S}\left \{\left[ {\begin{array}{*{20}{c}} e_f(t) \\ e_c(t) \\ \end{array}} \right]{R_i^{-1}}\left[ {\begin{array}{*{20}{c}} e_f(t) \\ e_c(t) \\ \end{array}} \right]\right\}, \end{equation} $$ (43) 式中, $ R_i $为待求的正定矩阵.
模型(40)和(41)中的数据如下:
$$ \begin{align*} A_1 = &\left[ {\begin{array}{*{20}{c}} -3.8557 &1.4467\\ 0.4690 &-4.7081\\ \end{array}} \right], B_1 = \left[ {\begin{array}{*{20}{c}} 230.6739\\ 653.5547\\ \end{array}} \right]\\ A_2 = &\left[ {\begin{array}{*{20}{c}} -3.7401 &1.4001\\ 0.4752 &-4.5586\\ \end{array}} \right], B_2 = \left[ {\begin{array}{*{20}{c}} 231.5508\\ 657.3084\\ \end{array}} \right]\\ F_1 = &\left[ {\begin{array}{*{20}{c}} 1\\ 0.5\\ \end{array}} \right], F_2 = \left[ {\begin{array}{*{20}{c}} 0.8\\ 0.1\\ \end{array}} \right], H = \left[ {\begin{array}{*{20}{c}} 225.5204\\ 627.2142\\ \end{array}} \right]\\ G = &\left[ {\begin{array}{*{20}{c}} -4.0334 & 1.4777\\ 0.5872 & -4.6338\\ \end{array}} \right] \end{align*} $$ $$ \begin{align*} d(t) = &{\rm e}^{-0.3t}\\ r(t) = & \begin{cases} -0.5t, &0 \le t \le 5\\ 0.2t, &5 < t \le 10\\ 0, &\text{其他} \end{cases}\\ \Delta{ N}_f(0) = &\Delta{N}_{ fr}(0) = 0.5\\ \Delta{N}_c(0) = &\Delta{N}_{ cr}(0) = -2 \end{align*} $$ 针对航空发动机模型(40), 制定如下控制任务:通过设计燃油流量变化量(42)和切换信号(43)使航空发动机的风扇转速$ \Delta{N}_f(t) $跟踪上参考风扇转速$ \Delta{N}_{fr}(t) $, 核心机转速跟踪上参考核心机转速$ \Delta{N}_{cr}(t) $, 同时燃油流量变化量$ \Delta{Q}_f(t) $执行无扰切换控制.
由于定理1中保证状态跟踪性质的条件与保证无扰切换性能的条件是相互耦合的, 所以不能同时追求最好的状态跟踪性质与无扰切换性能.因此, 为了说明所提方法的有效性, 下面给出两组仿真对比:第一组为在保证无扰切换性能的前提下, 追求最好的状态跟踪性质, 第二组为在保证跟踪性质的前提下, 追求最好的无扰切换性能.
首先, 给出第一组仿真对比.考虑如下两种情形:
1) 同时考虑状态跟踪性能和无扰切换性能
给定$ \beta_{12} = \beta_{21} = -1 $, $ \alpha_1 = 1 $, 通过求解定理1中的式(7) $ \sim $ (12)得到控制器增益矩阵
$$ \begin{equation*} \begin{aligned} M_{11} = &[-0.0022 \; \; -0.0041]\\ M_{12} = &[ -0.0018 \; \; -0.0043]\\ M_{21} = &10^{-3}\times[0.0755 \; \; 0.1160], M_{31} = 0.9617\\ M_{22} = &10^{-4}\times[0.1175 \; \; -0.6478], M_{32} = 0.9564 \end{aligned} \end{equation*} $$ Lyapunov矩阵
$$ \begin{equation*} \begin{aligned} R_1^{-1} = &\left[ {\begin{array}{*{20}{c}} 0.2340 & 0.2188\\ 0.2188 & 0.6682\\ \end{array}} \right]\\ R_2^{-1} = &\left[ {\begin{array}{*{20}{c}} 0.2630 & 0.0482\\ 0.0482 & 0.3373\\ \end{array}} \right] \end{aligned} \end{equation*} $$ 最小$ L_2 $-增益水平$ \lambda = 0.3080 $, $ \rho_{12} = -0.0015 $, $ \rho_{21} = -0.1251 $.
2) 只考虑状态跟踪性质, 不考虑无扰切换性能
选择相同的$ \rho_{12}, \rho_{21} $, 通过求解定理1中的式(7) $ \sim $ (9)得相同的控制器增益矩阵$ M_{2i}, M_{3i} $和不同的控制器增益矩阵$ M_{11} = [-1.2397 \; \; -1.5590], M_{12} = [-1.5224 \; \; -1.9083] $, Lyapunov矩阵
$$ \begin{equation*} \begin{aligned} R_1^{-1} = &\left[ {\begin{array}{*{20}{c}} 0.1955 & -0.0688\\ -0.0688 & 0.0245\\ \end{array}} \right]\\ R_2^{-1} = &\left[ {\begin{array}{*{20}{c}} 0.1565 & -0.0550\\ -0.0550 & 0.0196\\ \end{array}} \right] \end{aligned} \end{equation*} $$ 此时, 最小$ L_2 $-增益水平为$ \lambda = 0.1620 $.
两种情形下得到的仿真效果如图 1~4所示.图中有角标$ b $的信号表示第二种情形下得到的信号, 无角标$ b $的信号为第一种情形下得到的信号.
图 1表示不同情形下的切换信号.从图 1中可以看到当时间$ t $大于8 s以后便不再发生切换了.这是因为控制系统在实际运行中是允许有一定的误差的, 所以当系统状态轨迹满足误差精度要求后, 子系统的Lyapunov函数就不再进行比较, 相应地, 该控制系统也不会再发生切换. 图 2表示不同情形下的燃油流量变化情况. 图 2表明第一种情形下得到的燃油流量变化$ \Delta{Q}_f(t) $具有更小的抖振幅值. 图 3和图 4反映了转速跟踪情况, 其中, 图 3为风扇转速跟踪误差, 图 4为核心机转速跟踪误差.通过图 3和4不难发现, 第一种情形下得到的状态跟踪误差具有更快的收敛速度与更小的抖振幅值.
仿真结果表明在考虑无扰切换性能的情况下, 切换模型(40)的状态跟踪误差具有更好的效果.因此, 可以说明所提出的无扰切换控制策略能改善状态跟踪性能.
下面给出第二组仿真对比.为了充分说明无扰切换的效果, 我们考虑不同的参考信号$ r(t) $与不同的初始状态值.
取
$$ \begin{equation*} r(t) = \begin{cases} -0.5\sin(t), &0 \le t \leq 5\\ 0, &\text{其他} \end{cases} \end{equation*} $$ 初始状态值$ \Delta{N}_{f}(0) = -2.1, \Delta{N}_{c}(0) = -0.9, $ $ \Delta{N}_{fr}(0) = -0.1, \Delta{N}_{cr}(0) = 0.1. $
考虑如下4种情形: 1)同时考虑状态跟踪性能和无扰切换性能(5); 2)只考虑状态跟踪性能, 不考虑无扰切换性能; 3)同时考虑状态跟踪性能和文献[20]中的无扰切换性能; 4)同时考虑状态跟踪性能和文献[17]中的无扰切换性能.
由定理1可知, 控制器增益$ M_{2i} $和$ M_{3i} $仅由式(7)和(8)决定, 与切换无关.于是, 通过求解得到控制器增益矩阵
$$ \begin{equation*} \begin{aligned} M_{21} = &10^{-3}\times[0.0755 \; \; 0.1160] M_{31} = 0.9617, \\ M_{22} = &10^{-4}\times[0.1175 \; \; -0.6478], M_{32} = 0.9564 \end{aligned} \end{equation*} $$ 为了便于比较, 在以下4种对比情形中, 选取相同的参数$ \rho_{12} = \rho_{21} = -1 $, $ \lambda = 3 $与相同的控制器增益矩阵$ M_{2i} $, $ M_{3i} $.
接下来进行具体说明.
1) 同时考虑状态跟踪性能和无扰切换性能(5).
通过求解定理1中的式(9) $ \sim $ (12)得到控制器增益矩阵
$$ \begin{equation*} \begin{aligned} &M_{11} = [-0.0367 \; \; -0.0878]\\ &M_{12} = [ -0.0308 \; \; -0.0819] \end{aligned} \end{equation*} $$ Lyapunov矩阵
$$ \begin{equation*} \begin{aligned} R_1^{-1} = &\left[ {\begin{array}{*{20}{c}} 77.1877 & 28.5031\\ 28.5031 & 127.4399\\ \end{array}} \right]\\ R_2^{-1} = &\left[ {\begin{array}{*{20}{c}} 109.0347 & 8.7740\\ 8.7740 & 126.1410\\ \end{array}} \right] \end{aligned} \end{equation*} $$ 最小无扰切换性能水平$ \alpha_1 = 67.4393, \alpha_2 = 10^{-6}\times0.1102, \alpha_3 = 10^{-5}\times8.3987 $, 参数$ \beta_{12} = -2.2034, \beta_{21} = -1.3080 $.
2) 只考虑状态跟踪性质, 不考虑无扰切换性能.
通过求解定理1中的式(9)得到控制器增益矩阵
$$ \begin{equation*} \begin{aligned}& M_{11} = [-0.0900\; -0.2146]\\&M_{12} = [-0.0311\; -0.0826], \end{aligned} \end{equation*} $$ Lyapunov矩阵
$$ \begin{equation*} \begin{aligned} R_1^{-1} = &\left[ {\begin{array}{*{20}{c}} 109.0927 & 95.5283\\ 95.5283 & 290.1846\\ \end{array}} \right]\\ R_2^{-1} = &\left[ {\begin{array}{*{20}{c}} 105.7225 & 10.4722\\ 10.4722 & 126.9379\\ \end{array}} \right] \end{aligned} \end{equation*} $$ 3) 同时考虑状态跟踪性能和文献[20]中的无扰切换性能
此时, 无扰切换性能由条件为定理1中的式(10)和(11)以及
$$ \begin{equation} \left[ {\begin{array}{*{20}{c}} \tilde{G}_i&{N_{1i}^T - {R_i}{{(M_1^*)}^T}}&{{U_i}{R_i}}\\ *&{ - I}&0\\ *&*&{ - {O_i}} \end{array}} \right] \le 0 \end{equation} $$ (44) 保证, 其中, $ M_1^* $为控制器增益$ M_{1i} $的参考值, $ \alpha_4 $表示无扰切换性能水平, $ \tilde{\mu}_{ij}\leq0 $为待求参数, $ \tilde{G}_i = $ $ {\sum\limits_{j = 1}^s {{\tilde{\mu} _{ij}}{R_i} - 2{R_i} + { {1 \over {{\alpha _4}}}}I} } $, $ U_i = [\sqrt { - {\tilde{\mu} _{i1}}}, $ $ \sqrt { - {\tilde{\mu} _{i2}}}, \cdots, \sqrt { - {\tilde{\mu} _{ii - 1}}}, \sqrt { - {\tilde{\mu} _{ii + 1}}}, \cdots \sqrt { - {\tilde{\mu} _{is}}} ] $.
设$ M_{1}^* = [1\; 2] $, 通过求解定理1中的式(9) $ \sim $ (11), 式(41), 得到控制器增益矩阵
$$ \begin{equation*} \begin{aligned} &M_{11} = [-0.0396\; -0.0946]\\ &M_{12} = [-0.0310\; -0.0824] \end{aligned} \end{equation*} $$ Lyapunov矩阵
$$ \begin{equation*} \begin{aligned} R_1^{-1} = &\left[ {\begin{array}{*{20}{c}} 78.6785 & 32.2596\\ 32.2596 & 136.6087\\ \end{array}} \right]\\ R_2^{-1} = &\left[ {\begin{array}{*{20}{c}} 109.1470 & 9.0616\\ 9.0616 & 126.8886\\ \end{array}} \right] \end{aligned} \end{equation*} $$ 非正参数$ \tilde{\mu}_{12} = -5.4996, \tilde{\mu}_{21} = -262.0396 $, 最小无扰切换性能水平$ \alpha_4 = 5.4768 $.
4) 同时考虑状态跟踪性能和文献[17]中的无扰切换性能
此时, 保证无扰切换性能的条件为定理1中的式(10)和(11)以及
$$ \begin{equation} (M_{1i}-M_{1}^*)^T(M_{1i}-M_{1}^*) \leq \alpha_5 I \end{equation} $$ (45) 其中, $ \alpha_5 $为无扰切换性能水平.
与情形3)选择相同的$ M_{1}^* $, 通过求解得到控制器增益矩阵
$$ \begin{align*} &M_{11} = [-0.0396\; -0.0946]\\ &M_{12} = [-0.0310\; -0.0824] \end{align*} $$ Lyapunov矩阵
$$ \begin{equation*} \begin{aligned} R_1^{-1} = &\left[ {\begin{array}{*{20}{c}} 92.1229 & 60.6710\\ 60.6710 & 201.1888\\ \end{array}} \right]\\ R_2^{-1} = &\left[ {\begin{array}{*{20}{c}} 111.0222 & 10.4278\\ 10.4278 & 131.8623\\ \end{array}} \right] \end{aligned} \end{equation*} $$ 最小无扰切换性能水平$ \alpha_5 = 5.7335 $.
以上4种情形下的系统响应曲线如图 5~8所示.为便于区分, 情形1)中的得到的响应曲线没有额外标记, 情形2)中得到的响应曲线用角标$ b $进行区分, 情形3)中得到的响应曲线用角标$ 1 $进行区分, 情形4)中得到的响应曲线用角标$ 2 $进行区分.
图 5表示不同情形下的切换信号. 图 6表示不同情形下的燃油流量变化情况. 图 7和8反映了转速跟踪情况, 其中, 图 7为风扇转速跟踪误差, 图 8为核心机转速跟踪误差.
由图 5可知, 情形2)中的切换信号$ \sigma_b(t) $发生切换的次数最为频繁, 情形1)中的切换信号$ \sigma(t) $与情形4)中的切换信号$ \sigma_2(t) $比情形3)中的切换信号$ \sigma_3(t) $具有更少的切换频率.从图 6可以观察到, 在4.4 s$ \sim $4.8 s的时间段内, 情形2)中得到的燃油流量变化$ \Delta{Q}_{fb}(t) $还有明显的抖振, 在0.9 s$ \sim $0.96 s的时间段内, 情形1)中的燃油流量变化$ \Delta{Q}_f(t) $比情形2)$ \sim $4)中的燃油流量变化$ \Delta{Q}_{fb}(t) $, $ \Delta{Q}_{f1}(t) $与$ \Delta{Q}_{f2}(t) $的抖振更小.通过图形7与8可知, 第一种情形下得到的状态跟踪误差具有更小的幅值和更快的收敛速度.
仿真结果表明本文所提出的无扰切换控制策略优于文献[17]和[20]中的无扰切换控制策略.因此, 可以说明所提出的状态跟踪无扰切换控制方法是有效的, 可以进一步考虑应用于真实的涡扇航空发动机上以指导其控制设计.
4. 结论
本文针对一类切换线性系统利用多Lyapunov函数方法研究了状态跟踪无扰切换控制问题.从无扰切换的本旨出发, 给出了一个无扰切换性能的描述.通过切换律和控制器的双重设计, 建立了一个实现状态跟踪与切换时刻控制信号抖振抑制目标的充分条件.通过将所提出的状态跟踪无扰切换控制方法应用于涡扇航空发动机模型上实现了该发动机模型的转速调节, 验证了所提出状态跟踪无扰切换控制方法的有效性和合理性.此外, 本文考虑的跟踪性质为状态跟踪, 未来可以考虑输出跟踪无扰切换控制问题.
-
表 1 计算量对比结果
Table 1 Comparison of calculation results
算法名称 绝对误差 (%) 具体运行时间 (s) NN 3.35 10.6 SVM 5.83 7.2 LSSVM 3.58 3.5 
下载: 导出CSV
表 2 车载定位测量硬件主要参数
Table 2 Main parameters of vehicle positioning measurement hardware
性能指标 参数 IMU更新率 30 (Hz) 陀螺仪分辨率 0.007 (°/s) 陀螺仪零偏稳定性 0.007 (25 ℃, 1δ) (°/s) 陀螺仪随机游走 2.4 (25 ℃, 1δ) (°/ √Hz) 加速度计分辨率 0.33 (mg) 加速度计零偏稳定性 0.2 (25 ℃, 1δ) (mg) 加速度计随机游走 0.2 (25 ℃, 1δ) (m/s√Hz) 卫星板卡更新率 10 (Hz) 卫星单点定位精度 H: 3.0; V: 5.0 (m) 卫星测速精度 0.03 (m/s)
下载: 导出CSV
表 3 车载实验速度误差的分析
Table 3 Analysis of the speed error in vehicle test
误差类型 算法 EKF SVM-EKF LSSVM-EKF 东向速度误差最大值) 2.44991596 1.64263965 1.08354018 东向速度误差均值 −0.51657986 −0.29959351 −0.21635647 东向速度平均绝对误差 0.57636153 0.35360989 0.23635647 东向速度误差均方差 0.46827009 0.17819068 0.10034921 北向速度误差最大值 5.95754509 4.48745292 1.98934116 北向速度误差均值 −0.17019196 −0.18793186 −0.08884883 北向速度平均绝对误差 0.81400385 0.65518412 0.30342385 北向速度误差均方差 0.92862895 0.59494707 0.12433562
下载: 导出CSV
表 4 车载实验位置误差的分析
Table 4 Analysis of the position error in vehicle test
误差类型 算法 EKF SVM-EKF LSSVM-EKF 东向位置平均绝对误差 5.51618956 2.98874558 1.56598758 东向位置误差均方差 115.59446073 43.27129604 7.76993031 北向位置平均绝对误差 7.02954699 2.58372839 1.47242455 北向位置误差均方差 137.35228157 21.28974173 6.65581029
下载: 导出CSV
表 5 卫星失锁情况下位置误差的分析
Table 5 Analysis of position error in case of satellite losing lock
误差类型 算法 EKF SVM-EKF LSSVM-EKF 东向速度误差最大值 71.277860 65.305870 32.099340 东向位置误差标准差 15.482577 10.476818 5.175138 北向位置误差最大值 57.812430 31.018930 15.966400 北向位置误差标准差 14.494762 6.471339 3.008621
下载: 导出CSV
表 6 列车北向位置误差对比
Table 6 Comparison of train northward position error
算法名称 北向位置误差标准差 KF 7.303605 EKF 3.888531 LSSVM-EKF 1.682587
下载: 导出CSV
-
[1] 王勋, 左启耀, 洪诗聘, 陈亮, 杨晓昆. 一种基于卡尔曼滤波的定位解算性能评估新方法. 导航定位与授时, 2018, 5(5): 73−821 Wang Xun, Zuo Qi-Yao, Hong Shi-Pin, Chen Liang, Yang Xiao-Kun. A noved evaluation method of positioning resolution performance based on Kalman filtering. Navigation and Timing, 2018, 5(5): 73−82 [2] 黄伟杰, 张国山. 基于快速不变卡尔曼滤波的视觉惯性里程计. 控制与决策, 2018. DOI: 10.13195/j. kzyjc. 2018. 0239Huang Wei-Jie, Zhang Guo-Shan. Visual-inertial odometer based on fast invariant Kalman filter. Control and Decision, 2018. DOI: 10.13195/j. kzyjc. 2018. 0239 [3] 燕必希, 朱立夫, 董明利, 孙鹏, 王君. 卡尔曼滤波单目相机运动目标定位研究. 仪器仪表学报, 2018, 39(8): 220−2293 Yan Bi-Xi, Zhu Li-Fu, Dong Ming-Li, Sun Peng, Wang Jun. Research on Kalman filtering in moving target loction with monocular camera. Chinese Journal of Scientific Instrument, 2018, 39(8): 220−229 [4] Kalman, R E, Bucy, R S. New results in linear filtering and prediction Theory. Journal of Basic Engineering ASME Transaction series D, 1960, 83. [5] 管庆林, 樊春明, 朱正平, 彭飞. 单点定位中一种载波相位平滑伪距方法. 测绘科学, 2019, 44(2): 116−1215 Guan Qing-Lin, Fan Chun-Ming, Zhu Zheng-Ping, Peng Fei. A carrier phase smoothing pseudorange method in single point positioning. Surveying Science, 2019, 44(2): 116−121 [6] 张悦, 袁莉芬, 何怡刚, 吕密. 基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法. 电子测量与仪器学报, 2018, 32(2): 72−796 Zhang Yue, Yuan Li-Fen, He Yi-Gang, Lv Mi. LANDMARC indoor positioning algorithm based on quantum particle swarm optimization volume Kalman filter. Journal of Electronic Measurement and Instrument, 2018, 32(2): 72−79 [7] 王鼎杰, 孟德利, 李朝阳, 董毅, 吴杰. 抗野值自适应卫星/微惯性组合导航方法. 仪器仪表学报, 2017, 38(12): 2952−29587 Wang Ding-Jie, Meng De-Li, Li Chao-Yang, Dong Yi, Wu Jie. Adaptively outlier-restrained GNSS/MEMS-INS integrated navigation method. Chinese Journal of Scientific Instrument, 2017, 38(12): 2952−2958 [8] 刘射德, 陈光武, 王迪, 徐琛. 一种基于GPS/DR/MM组合的列车定位方法研究. 铁道科学与工程学报, 2018, 15(2): 474−482 doi: 10.3969/j.issn.1672-7029.2018.02.0278 Liu She-De, Chen Guang-Wu, Wang Di, Xu Chen. Train integrated positioning method based on GPS/DR/MM. Journal of Railway Science and Engineering, 2018, 15(2): 474−482 doi: 10.3969/j.issn.1672-7029.2018.02.027 [9] Liu J, Cai B G, Wang J. A GNSS/trackmap cooperative train positioning method for satellite-based train control. In: Proceedings of the 17th International IEEE Conference on Intelligent Transportation Systems (ITSC). Qingdao, China: IEEE, 2014. 2718−2724 [10] 衷路生, 李兵, 龚锦红, 张永贤, 祝振敏. 高速列车非线性模型的极大似然辨识. 自动化学报, 2014, 40(12): 2950−299410 Zhong Lu-Sheng, Li Bing, Gong Jin-Hong, Zhang Yong-Xian, Zhu Zhen-Min. Maximum likelihood identification of multiple point model for high-speed electriced multiple units. Acta Automatica Sinica, 2014, 40(12): 2950−2994 [11] 刘江, 蔡伯根, 唐涛, 王剑. 基于GPS与惯性测量单元的列车组合定位系统. 中国铁道科学, 2010, 31(1): 123−12911 Liu Jiang, Cai Bogen, Tang Tao, Wang Jian. Train integrated positioning system based on GPS and inertial measurement unit. China Railway Science, 2010, 31(1): 123−129 [12] 刘昊, 陈光武, 魏宗寿, 程鉴皓. 改进的最小二乘自适应滤波陀螺仪去噪方法. 仪器仪表学报, 2018, 39(4): 107−11412 Liu Hao, Chen Guang-Wu, Wei Zong-Shou, Cheng Jian-Wei. An improved least squares adaptive filtering gyroscope denoising method. Chinese Journal of Scientific Instrument, 2018, 39(4): 107−114 [13] 王迪, 陈光武, 杨厅. 一种快速高精度GPS组合定位方法研究. 铁道学报, 2017, 39(2): 67−73 doi: 10.3969/j.issn.1001-8360.2017.02.01013 Wang Di, Chen Guang-Wu, Yang Ting. Study on a fast and precise GPS integrated positioning method. Journal of the China Railway Society, 2017, 39(2): 67−73 doi: 10.3969/j.issn.1001-8360.2017.02.010 [14] 王迪, 陈光武, 刘射德, 杨扬. 基于GNSS双差定姿的区间列车轨道占用判别方法研究. 铁道学报, 2018, 40(11): 81−87 doi: 10.3969/j.issn.1001-8360.2018.11.01114 Wang Di, Chen Guang-Wu, Liu She-De, Yang Yang. Study on GNSS double difference attitude determination based train track occupancy discrimination method. Journal of the China Railway Society, 2018, 40(11): 81−87 doi: 10.3969/j.issn.1001-8360.2018.11.011 [15] 张敬堂, 董艳婷, 翟燕. 基于SVM的GPS/DR组合定位算法研究. 信息工程大学学报, 2010, 11(4): 443−447 doi: 10.3969/j.issn.1671-0673.2010.04.01415 Zhang Jing-Tang, Dong Yan-Ting, Zhai Yan. Study on GPS/DR integratde location method based on SVM. Journal of Information Engineering University, 2010, 11(4): 443−447 doi: 10.3969/j.issn.1671-0673.2010.04.014 [16] Caron F, Duflos E, Vanheeghe P. Introduction of contextual information in a multisensor EKF for autonomous land vehicle positioning. In: Proceedings of the 2005 IEEE Networking, Sensing and Control. Villeneuve d'Ascq, France: IEEE, 2005. 592−597 [17] 17 Yang Y, Chen G W, Wang J W, Li C D. Study on train combination location method based on grey neural network. Journal of Measurement Science and Instrumentation, 2019, 10(2): 143−149 [18] 衷路生, 梁爽, 龚锦红, 张永贤. 基于LS-SVM的高速列车广义非线性模型子空间辨识. 中国科技论文, 2015, 10(19): 2225−2231, 2241 doi: 10.3969/j.issn.2095-2783.2015.19.00218 Zhong Lu-Sheng, Liang Shuang, Gong Jin-Hong, Zhang Yong-Xian. Subspace identification of generalized nonlinear model for high-speed, using least squares support vector machine. China Science Paper, 2015, 10(19): 2225−2231, 2241 doi: 10.3969/j.issn.2095-2783.2015.19.002 [19] 阎威武, 邵惠鹤. 支持向量机和最小二乘支持向量机的比较及应用研究. 控制与决策, 2003, 18(3): 358−360 doi: 10.3321/j.issn:1001-0920.2003.03.02519 Yan Wei-Wu, Shao Hui-He. Application of support rector machines and least squares support vector machines to heart disease diagnoses. Control and Decision, 2003, 18(3): 358−360 doi: 10.3321/j.issn:1001-0920.2003.03.025 [20] 徐爱功, 蔡赣飞, 潘峰, 隋心, 郝雨时, 刘韬. RBF神经网络辅助的UWB/INS组合导航算法. 导航定位学报, 2018, 6(3): 41−46 doi: 10.3969/j.issn.2095-4999.2018.03.00820 Xu Ai-Gong, Cai Gan-Fei, Pan Feng, Sui Xin, Hao Yu-Shi, Liu Wei. RBF neural network aided UWB/INS integrated navigation algorithm. Journal of Nautical Navigation, 2018, 6(3): 41−46 doi: 10.3969/j.issn.2095-4999.2018.03.008 [21] Jiang Z Q, Liu C H, Zhang G, Wang Y P, Huang C K, Liang J Y. GPS/INS integrated navigation based on ukf and simulated annealing optimized SVM. In: Proceedings of the 78th IEEE Vehicular Technology Conference (VTC Fall), Las Vegas, NV, USA: IEEE, 2013. 1−5 [22] 22 Rafael T M, Carlos C C, Javier T M. A multiple-model particle filter fusion algorithm for GNSS/DR slide error detection and compensation. Applied Sciences, 2018, 8(3): 445-1−445-9 [23] 23 Wang S S. A BLE-based pedestrian navigation system for car searching in indoor parking garages. Sensors (Basel, Switzerland), 2018, 18(5): 1442-1−1442-18 [24] 24 Song X, Li X, Tang W C, Zhang W G. RFID/In-vehicle sensors-integrated vehicle positioning strategy utilising LSSVM and federated UKF in a tunnel. Journal of Navigation, 2016, 69(4): 845−868 doi: 10.1017/S0373463315000946 [25] 25 Chen X Y, Xu Y, Li Q H, Tang J, Sheng C. Improving ultrasonic-based seamless navigation for indoor mobile robots utilizing EKF and LS-SVM. Measurement, 2016, 92: 243−251 doi: 10.1016/j.measurement.2016.06.025 [26] Shao Y H, Li C N, Huang L W, Wang Z, Deng N Y, Xu Y. Joint sample and feature selection via sparse primal and dual LSSVM. Knowledge-Based Systems, 2019. [27] 27 Xue X H, Xiao M. Deformation evaluation on surrounding rocks of underground caverns based on PSO-LSSVM. Tunnelling and Underground Space Technology, 2017, 69(Oct.): 171−181 -
下载:
计量
- 文章访问数: 2075
- HTML全文浏览量: 452
- PDF下载量: 169
- 被引次数: 0
