自动控制 / 系统课时

用灵敏度函数分析模型偏差

用灵敏度函数分析模型偏差

同一个控制器在标称模型上表现良好,实际对象的参数却可能偏离设计值。通过灵敏度函数,可以估算这种偏差引起的闭环传递关系变化,并找出反馈在哪些频率有效、在哪些频率几乎无法抑制误差。

学习目标

  • 从单位负反馈关系构造开环函数 L(s)L(s)、灵敏度函数 S(s)S(s) 和互补灵敏度函数 T(s)T(s)。
  • 用精确表达式与一阶近似量化 10% 对象增益偏差。
  • 根据 ∣S(jω)∣|S(j\omega)| 的频率特征判断模型偏差的抑制区间与风险。

在单位负反馈中定义灵敏度

设标称对象为 G(s)G(s),控制器为 C(s)C(s),采用单位负反馈,且比较模型前后控制器保持不变。开环传递函数是 L(s)=C(s)G(s)L(s)=C(s)G(s),参考输入到输出的闭环传递函数 T(s)T(s) 和灵敏度函数 S(s)S(s) 为:

T(s)=L(s)1+L(s),S(s)=11+L(s).T(s)=\frac{L(s)}{1+L(s)},\qquad S(s)=\frac{1}{1+L(s)}.

两者满足 S(s)+T(s)=1S(s)+T(s)=1。在单位负反馈中,参考输入到误差信号的传递函数也是 S(s)S(s);分析模型偏差时,我们关心的是它对闭环传递函数 T(s)T(s) 相对变化的影响。

采用标称对象 G(s)=1/(s+1)G(s)=1/(s+1)、比例控制器 C(s)=9C(s)=9,得到 L(s)=9/(s+1)L(s)=9/(s+1)、T(s)=9/(s+10)T(s)=9/(s+10)、S(s)=(s+1)/(s+10)S(s)=(s+1)/(s+10)。闭环极点为 −10-10,标称闭环稳定。

单位负反馈框图中的对象模型偏差

用对象增益偏差计算闭环变化

令实际对象 Gact(s)=G(s)[1+Δ(s)]G_{\mathrm{act}}(s)=G(s)[1+\Delta(s)],其中 Δ(s)\Delta(s) 是对象的相对模型偏差,可能随频率变化。控制器仍为 C(s)C(s),则实际闭环关系为:

Tact(s)=L(s)[1+Δ(s)]1+L(s)[1+Δ(s)].T_{\mathrm{act}}(s)=\frac{L(s)[1+\Delta(s)]}{1+L(s)[1+\Delta(s)]}.

由此可得精确的相对闭环变化(在 T(s)≠0T(s)\neq0 处):

Tact(s)−T(s)T(s)=S(s)Δ(s)1+T(s)Δ(s).\frac{T_{\mathrm{act}}(s)-T(s)}{T(s)}=\frac{S(s)\Delta(s)}{1+T(s)\Delta(s)}.

当 ∣T(jω)Δ(jω)∣≪1|T(j\omega)\Delta(j\omega)|\ll1 时,分母接近 1,因此该频率处的相对变化可近似为 S(jω)Δ(jω)S(j\omega)\Delta(j\omega)。这里比较的是复数传递函数的相对差,并非两个幅值直接相减。

假设真实对象的增益比标称值高 10%,即 Δ(s)=0.1\Delta(s)=0.1。在直流处,T(0)=0.9T(0)=0.9、S(0)=0.1S(0)=0.1,实际闭环增益 Tact(0)=9.9/10.9≈0.90826T_{\mathrm{act}}(0)=9.9/10.9\approx0.90826。精确相对变化约为 0.9174%0.9174\%,一阶估计为 0.1×10%=1%0.1\times10\%=1\%:标称反馈将低频对象增益偏差的影响显著压低。

读懂灵敏度的频率特征

对上述对象,S(s)=(s+1)/(s+10)S(s)=(s+1)/(s+10)。分别代入 ω=0,10,100\omega=0,10,100 rad/s,可得 ∣S(jω)∣|S(j\omega)| 约为 0.1000、0.7106、0.9951。若对象始终存在 +10% 增益偏差,对应的精确闭环相对变化幅值分别约为 0.92%、6.79%、9.94%。

灵敏度与互补灵敏度的频率响应对比

  • 低频:∣L(jω)∣|L(j\omega)| 较大,使 ∣S(jω)∣|S(j\omega)| 较小;此时对象小幅相对偏差对闭环的影响受到抑制。
  • 过渡频段:本例在 10 rad/s 时 ∣S∣≈0.71|S|\approx0.71,抑制能力明显弱于直流;不能用直流灵敏度代表整个工作频带。
  • 高频:本例 ∣S∣→1|S|\to1,对象相对偏差基本原样传递到闭环的相对变化中。由于此时 ∣T∣|T| 已很小,不要把相对变化接近 10% 误读为输出绝对幅值很大。

用 Python 复核近似与精确解

以下程序适用于 Python 3.8 及以上版本,只使用标准复数运算。它在四个频率点分别计算标称闭环、对象增益增加 10% 后的实际闭环,以及 ∣SΔ∣|S\Delta| 的一阶估计。

python
# 标称对象 G(s)=1/(s+1),控制器 C(s)=9
def closed_loop(w, plant_gain=1.0):
    s = 1j * w
    L = 9.0 * plant_gain / (s + 1.0)
    return L / (1.0 + L)

for w in (0, 1, 10, 100):
    s = 1j * w
    nominal_L = 9.0 / (s + 1.0)
    S = 1.0 / (1.0 + nominal_L)
    T = nominal_L / (1.0 + nominal_L)
    T_actual = closed_loop(w, plant_gain=1.1)
    # 比较复数闭环传递函数,而非仅比较二者的幅值
    exact = abs((T_actual - T) / T)
    linear = abs(S * 0.1)
    print(f"w={w:>3} |S|={abs(S):.4f} exact={100*exact:.3f}% linear={100*linear:.3f}%")

预期输出:

text
w=  0 |S|=0.1000 exact=0.917% linear=1.000%
w=  1 |S|=0.1407 exact=1.292% linear=1.407%
w= 10 |S|=0.7106 exact=6.794% linear=7.106%
w=100 |S|=0.9951 exact=9.942% linear=9.951%

观察到低频一阶估计已经足够接近精确值;若 Δ\Delta 更大,应使用精确式重新计算,同时检查实际闭环是否仍稳定,而不能只把 ∣S∣|S| 乘以偏差百分比。

避免把低灵敏度误当成鲁棒性保证

工程评估应在工作频带内检查灵敏度峰值 Ms=max⁡ω∣S(jω)∣M_s=\max_{\omega}|S(j\omega)|。本例的 ∣S∣|S| 从 0.1 上升并趋向 1,没有超过 1 的峰值;但若其他对象在某频率处出现 ∣S∣=1.8|S|=1.8,那么 5% 小幅乘性模型偏差的一阶预测就会达到 9%,说明该频段的闭环相对变化可能被放大。

该计算针对对象乘性偏差、固定控制器和单位负反馈。测量噪声、外部扰动的注入位置不同,不能直接套用同一个偏差公式;若实际对象引入额外时滞或高频极点,还必须重新检查稳定性和相位裕度。选控制器增益时,应同时看低频抑制效果、过渡频段的 ∣S∣|S| 峰值和真实模型的稳定性。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

用灵敏度函数分析模型偏差

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通