自动控制 / 系统课时

可观性如何决定能否估计状态

可观性如何决定能否估计状态

只有一个位移传感器,能否同时估计位置和速度?本篇用同一二阶对象比较两种测量配置,手算并用 Python 核验可观性矩阵的秩,找出被测量隐藏的状态方向,并判断观测器能做到什么。

学习目标

  • 构造二阶及一般 nn 阶系统的可观性矩阵,用秩判断状态信息是否完整。
  • 用两个不同初态产生相同输出的例子,解释不可观的状态方向。
  • 根据测量配置区分可观性与可检测性,判断观测器极点的设计限制。

一个位移传感器够不够

考虑模型和输入均已知、暂不含噪声的连续时间线性时不变系统。取经尺度归一化的位移、速度为状态 x1,x2x_1,x_2,时间和输入也采用归一化数值:

x˙=Ax+Bu,y=Cx\dot{x}=Ax+Bu,\qquad y=Cx
A=[01−2−3],B=[01]A=\begin{bmatrix}0&1\\-2&-3\end{bmatrix},\qquad B=\begin{bmatrix}0\\1\end{bmatrix}

可观性要回答:根据一段有限时间内的输入、输出记录,能否唯一确定未知初态,进而重建状态?它考察的是整段记录,不是某个时刻的单次读数。

若只测位移,C1=[1    0]C_1=[1\;\;0],则 y=x1y=x_1,由状态方程又有 y˙=x2\dot y=x_2。虽然只有一个输出通道,位移随时间的变化仍包含速度信息。因此,传感器通道数少于状态数,并不必然不可观。

用可观性矩阵比较测量配置

对 nn 个状态、pp 个输出,把 C,CA,…,CAn−1C,CA,\ldots,CA^{n-1} 按顺序纵向堆叠,得到一个 pn×npn\times n 的矩阵:

O=[CCA⋮CAn−1]\mathcal O=\begin{bmatrix}C\\CA\\\vdots\\CA^{n-1}\end{bmatrix}

当 rank⁡(O)=n\operatorname{rank}(\mathcal O)=n 时系统可观;若秩为 r<nr<n,就存在 n−rn-r 维不可区分的初态差。判据只依赖 (A,C)(A,C):比较不同初态时使用同一已知输入,其引起的响应可以抵消。genui{"citation":{"ref":"turn6view1"}}

二阶系统只需计算 CC 和 CACA。因为 y˙=CAx+CBu\dot y=CAx+CBu,扣除已知输入项 CBuCBu 后,CACA 表示输出变化率提供的状态信息。对同一个 AA,两种配置得到:

保留的测量输出 CC CACA rank⁡(O)\operatorname{rank}(\mathcal O)
位移 y=x1y=x_1 [1    0][1\;\;0] [0    1][0\;\;1] 2,可观
仅保留加权和 y=2x1+x2y=2x_1+x_2 [2    1][2\;\;1] [−2    −1][-2\;\;-1] 1,不可观

第二种配置满足 C2A=−C2C_2A=-C_2,所以第二行没有新增独立信息,输出只满足 y˙=−y+u\dot y=-y+u。这里假定前端只保留加权和;如果两个原始测量通道仍分别可用,就应在 CC 中分别保留两行。

取 u=0u=0,比较初态 [0,0]T[0,0]^T 与 v=[1,−2]Tv=[1,-2]^T。由于 Av=−2vAv=-2v,两条状态轨迹分别为零和 e−2tve^{-2t}v;但 C2v=0C_2v=0,所以两条输出记录始终都是零。被隐藏的是一个状态组合,不能简单说成“速度不可观”。

同一对内部状态在两种测量配置下的可区分性

可观性怎样限制观测器

令 x^\hat{x} 为估计状态,e=x−x^e=x-\hat{x} 为估计误差。采用全阶观测器,增益矩阵 LL 通过输出残差修正估计;在模型准确且无噪声时:

x^˙=Ax^+Bu+L(y−Cx^)\dot{\hat{x}}=A\hat{x}+Bu+L(y-C\hat{x})
e˙=(A−LC)e\dot e=(A-LC)e

对可观的 C1C_1,取 L=[6,0]TL=[6,0]^T,可得到误差极点 −4,−5-4,-5,误差随时间衰减。可观性允许配置全部误差极点;使用实数增益时,复数极点必须成共轭对。

对 C2C_2,任意 LL 都满足 (A−LC2)v=−2v(A-LC_2)v=-2v,隐藏模态的极点 −2-2 无法移动。但它本来就稳定,相关误差会自行衰减,因此仍可渐近估计当前状态,却不能唯一恢复未知初态。

所有不可观模态都严格稳定,称为可检测。连续时间下要求这些模态的特征值实部均小于零;若存在实部大于或等于零的不可观模态,就无法让全状态观测器对任意初始误差都渐近收敛。genui{"citation":{"ref":"turn8view0"}}

若要恢复完整可观性,可在加权输出之外保留独立位移通道,使用 Cnew=[2110]C_{\mathrm{new}}=\begin{bmatrix}2&1\\1&0\end{bmatrix}。它本身已满列秩,因此可观性矩阵的秩为 2;重复增加相同的加权读数则不会提高秩。

用 Python 验证结论

在已安装 NumPy 的 Python 3 环境运行以下完整脚本。position 对应位移测量,mixed 对应只保留加权和;@ 表示矩阵乘法,vstack 负责纵向堆叠。

python
import numpy as np

A = np.array([[0., 1.], [-2., -3.]])
configs = {"position": np.array([[1., 0.]]),
           "mixed": np.array([[2., 1.]])}
v = np.array([1., -2.])

for name, C in configs.items():
    # 按状态数纵向堆叠 C、CA,而不是横向拼接。
    O = np.vstack([C @ np.linalg.matrix_power(A, k)
                   for k in range(A.shape[0])])
    print(f"{name}: O={O.tolist()}, rank={np.linalg.matrix_rank(O)}")
    # O v 为零意味着沿 v 改变初态,无法改变输出记录。
    print(f"  O @ v = {(O @ v).tolist()}")

# 对位移测量核对一组观测器增益的误差极点。
L = np.array([[6.], [0.]])
poles = np.sort(np.linalg.eigvals(A - L @ configs["position"]))
print("observer poles:", np.round(poles, 6).tolist())

预期输出:

text
position: O=[[1.0, 0.0], [0.0, 1.0]], rank=2
  O @ v = [1.0, -2.0]
mixed: O=[[2.0, 1.0], [-2.0, -1.0]], rank=1
  O @ v = [0.0, 0.0]
observer poles: [-5.0, -4.0]

mixed 的 O @ v 为零,验证了隐藏方向;position 的结果非零,说明同一方向能够被位移记录区分。极点已排序,因此输出顺序为 −5,−4-5,-4。

本例用 y˙=x2\dot y=x_2 解释信息来源,不要求实际对带噪位移直接求导。实现估计时使用观测器,并把传感器噪声与模型偏差加入验证,检查位置、速度两项估计误差是否分别满足项目要求。

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

可观性如何决定能否估计状态

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