自动控制 / 系统课时

可控性如何限制状态反馈设计

可控性如何限制状态反馈设计

状态反馈能改变哪些极点,取决于输入能否影响相应的状态模态。本篇用一个二状态系统计算可控性矩阵,并核对反馈前后的特征值,分清“不能任意配置极点”和“不能使系统稳定”这两种限制。

学习目标

  • 能构造可控性矩阵并用秩判断可控子空间的维数。
  • 能定位算例中的不可控模态,解释它为何不随反馈增益移动。
  • 能运行 Python 示例,区分完全可控与可镇定。

用可控性矩阵检查输入作用

考虑连续时间线性时不变系统 x˙=Ax+Bu\dot{x}=Ax+Bu,其中 AA 为 n×nn\times n 矩阵,BB 为 n×mn\times m 矩阵。暂不考虑输入限幅;可控是指能用适当输入,在有限时间内把任意初始状态转移到任意目标状态。

可控性矩阵按列块拼接:

C=[BAB⋯An−1B].\mathcal{C}=\begin{bmatrix}B&AB&\cdots&A^{n-1}B\end{bmatrix}.

它有 nn 行、nmnm 列。只有 rank⁡(C)=n\operatorname{rank}(\mathcal{C})=n,系统才完全可控;例如三状态系统要检查 [B,AB,A2B][B,AB,A^2B],不能只看 BB。BB 表示输入直接作用的方向,后续列块包含经系统耦合传播的作用。genui{"citation":{"ref":"turn5view1"}}

若秩为 r<nr<n,从零初态出发只能到达一个 rr 维可控子空间。维数不等于原始坐标中可控变量的个数;一般需要换坐标才能把可控与不可控部分分开。

找出二状态系统中输入到不了的方向

取下面的单输入模型,时间单位为秒:

A=[010−2],B=[10].A=\begin{bmatrix}0&1\\0&-2\end{bmatrix},\qquad B=\begin{bmatrix}1\\0\end{bmatrix}.

展开即 x˙1=x2+u\dot{x}_1=x_2+u、x˙2=−2x2\dot{x}_2=-2x_2。输入直接改变 x1x_1,但 x2x_2 的方程既没有 uu,也没有 x1x_1;耦合方向是 x2x_2 影响 x1x_1,输入不能沿它反向传播。

AB=[00],C=[1000],rank⁡(C)=1<2.AB=\begin{bmatrix}0\\0\end{bmatrix},\qquad \mathcal{C}=\begin{bmatrix}1&0\\0&0\end{bmatrix},\qquad \operatorname{rank}(\mathcal{C})=1<2.

从零初态出发,无论怎样选择 u(t)u(t),都有 x2(t)=0x_2(t)=0,所以到不了目标 (0,1)(0,1)。非零初态时则有 x2(t)=x2(0)e−2tx_2(t)=x_2(0)e^{-2t};“不可控”不代表它不变化,而是输入不能改变这条自主响应。

输入传播方向与零初态下的一维可达集合

定位一般模型的不可控极点,可对 AA 的每个特征值 λ\lambda 做 PBH 检验:检查拼接矩阵 [λI−A    B][\lambda I-A\;\;B] 的秩,II 为 nn 阶单位矩阵。若秩小于 nn,该特征值处存在不可控模态。本例在 λ=−2\lambda=-2 时秩为 1,在 λ=0\lambda=0 时秩为 2。genui{"citation":{"ref":"turn5view0"}}

把反馈增益代入后看哪些极点能移动

假设两个状态均可用于反馈,采用 u=−Kxu=-Kx,其中 K=[k1    k2]K=[k_1\;\;k_2]。闭环矩阵为:

A−BK=[−k11−k20−2],det⁡ ⁣(sI−(A−BK))=(s+k1)(s+2).A-BK=\begin{bmatrix}-k_1&1-k_2\\0&-2\end{bmatrix}, \qquad \det\!\left(sI-(A-BK)\right)=(s+k_1)(s+2).

因此闭环极点只能是 −k1-k_1 与 −2-2。取 K=[3    1]K=[3\;\;1],得到极点 −3,−2-3,-2;若要求配置为 −3,−4-3,-4,则不存在满足要求的 KK。k2k_2 可以改变耦合项,却不能移动固定极点;即使测得 x2x_2,也不能控制它。

完全可控时,理想全状态反馈可以指定全部闭环极点;采用实数增益时,非实极点必须成共轭对。秩不足时,只能配置可控部分的极点,不可控部分的极点保持不变。genui{"citation":{"ref":"turn5view0"}}

用 Python 核对秩与闭环极点

环境为 Python 3.10+ 和已安装的 NumPy 1.24+。把下列完整脚本保存为 controllability_demo.py,在所在目录运行 python controllability_demo.py。@ 表示矩阵乘法,np.hstack 用于横向拼接列块。

python
import numpy as np

A = np.array([[0., 1.], [0., -2.]])
B = np.array([[1.], [0.]])
K = np.array([[3., 1.]])
n = A.shape[0]

# 收集输入经系统动力学传播后能够影响的状态方向。
blocks = [np.linalg.matrix_power(A, i) @ B for i in range(n)]
Ctrb = np.hstack(blocks)
print('C =', Ctrb.tolist())
print('rank(C) =', int(np.linalg.matrix_rank(Ctrb)))
print('singular values =', np.linalg.svd(Ctrb, compute_uv=False).tolist())

# 对每个开环特征值做 PBH 检验,定位不可控模态。
for lam in np.sort(np.linalg.eigvals(A)):
    pbh = np.hstack((lam * np.eye(n) - A, B))
    print(f'PBH({lam:g}) rank =', int(np.linalg.matrix_rank(pbh)))

print('closed poles =', np.sort(np.linalg.eigvals(A - B @ K)).tolist())

# 只将不可控模态改为不稳定,反馈矩阵保持不变。
A_bad = A.copy()
A_bad[1, 1] = 2.
print('unstable case =', np.sort(np.linalg.eigvals(A_bad - B @ K)).tolist())

预期输出:

text
C = [[1.0, 0.0], [0.0, 0.0]]
rank(C) = 1
singular values = [1.0, 0.0]
PBH(-2) rank = 1
PBH(0) rank = 2
closed poles = [-3.0, -2.0]
unstable case = [-3.0, 2.0]

输出中的两个 PBH 秩分别对应开环极点 −2 和 0。闭环结果保留了 −2;最后一行把原矩阵第二行第二列改成 +2,用来检查不可控模态变为不稳定后的后果。

不可控不一定妨碍稳定

可镇定是指存在反馈增益,使全部闭环特征值的实部严格小于零。连续时间系统可镇定,当且仅当全部不可控模态本来就满足这个条件。本例固定极点为 −2-2,选 k1>0k_1>0 即可稳定,虽然不能任意配置两个极点。genui{"citation":{"ref":"turn5view0"}}

若把 AA 的第二行第二列改为 +2+2,则 x˙2=2x2\dot{x}_2=2x_2,任意反馈下都保留极点 +2+2;只要 x2(0)≠0x_2(0)\ne0,该状态就会指数增长。固定极点若为 0,也不能实现渐近稳定。此时继续增大原输入通道的增益没有作用。

若实际装置允许改变执行器作用位置,保持原来的 AA,把 BB 改为 [0    1]T[0\;\;1]^{\mathsf T},则可控性矩阵变为 [011−2]\begin{bmatrix}0&1\\1&-2\end{bmatrix},秩为 2。这说明应检查输入通道与耦合方向;重新命名状态或增加传感器不会补上控制作用。

np.linalg.matrix_rank 按奇异值和容差判断数值秩;本例奇异值为 1 和 0。实际模型若状态量纲相差很大,应先做合理缩放,再检查奇异值与模型误差,不能随意降低容差来强判满秩。genui{"citation":{"ref":"turn3view2"}}

完成设计时,先用秩判断可控维数,再定位不可控极点,最后计算 A−BKA-BK 的全部特征值。即使满秩,也要另行验证所需输入是否超过执行器限幅。

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

可控性如何限制状态反馈设计

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