自动控制 / 系统课时

状态观测器怎样估计未测量变量

状态观测器怎样估计未测量变量

只有位置传感器时,怎样得到反馈控制需要的速度?本篇用一个二阶机械模型构建 Luenberger 观测器,算出修正增益,再用仿真检查初始估计误差如何衰减,以及测量噪声、模型偏差为何会留下估计误差。

学习目标

  • 从仅测位置的模型计算可观测矩阵,并求出目标极点为 −5,−6-5,-6 的观测器增益。
  • 运行完整仿真,分别检查初值误差收敛、测量噪声影响和刚度偏差造成的估计偏差。

只测位置,怎样获得速度信息

取质量 m=1m=1 kg、阻尼系数 c=3c=3 N·s/m、弹簧刚度 k=2k=2 N/m。状态为 x=[p,v]Tx=[p,v]^T,其中 pp 是位移、vv 是速度;已知输入 uu 是作用力,只测量位置 y=py=p:

x˙=Ax+Bu,y=Cx,A=[01−2−3],B=[01],C=[10].\begin{aligned} \dot{x}&=Ax+Bu,\qquad y=Cx,\\ A&=\begin{bmatrix}0&1\\-2&-3\end{bmatrix},\quad B=\begin{bmatrix}0\\1\end{bmatrix},\quad C=\begin{bmatrix}1&0\end{bmatrix}. \end{aligned}

单个位置读数不能确定速度,但位置随时间的变化包含速度信息,因为 p˙=v\dot p=v。先检查这些信息能否区分两个状态,而不是根据传感器数量判断:

O=[CCA]=[1001].\mathcal O=\begin{bmatrix}C\\CA\end{bmatrix} =\begin{bmatrix}1&0\\0&1\end{bmatrix}.

本例 O\mathcal O 的秩为 2,等于状态数,因此 (A,C)(A,C) 可观测,可以配置两个观测器极点。实际估计不需要直接对含噪位置求导,而是结合已知输入、动态模型和持续取得的位置测量。

用测量残差修正模型预测

令测量值 ym=Cx+ny_m=Cx+n,其中 nn 是位置测量噪声。观测器维护估计状态 x^=[p^,v^]T\hat x=[\hat p,\hat v]^T,采用与对象相同的实际输入 uu:

x^˙=Ax^+Bu+L(ym−Cx^).\dot{\hat{x}}=A\hat{x}+Bu+L(y_m-C\hat{x}).

前两项按模型预测状态变化,ry=ym−Cx^r_y=y_m-C\hat x 是能够实际计算的输出残差。本例残差只有一个数,乘上两行一列的增益 LL 后,同时修正位置和速度的变化率。这是基本的全阶 Luenberger 观测器。genui{"citation":{"ref":"turn0search0"}}

实际输入、位置测量与残差修正共同驱动状态观测器

定义状态估计误差 e=x−x^e=x-\hat x。它有位置、速度两个分量,实际设备通常不能完整测得;不要把它与标量残差 ryr_y 混为一谈。模型准确、无测量噪声且双方输入相同时,两套方程相减得到:

e˙=(A−LC)e.\dot e=(A-LC)e.

只要 A−LCA-LC 的全部特征值实部小于零,任意初始估计误差都会渐近趋零。这里消除的是初值差异;持续噪声或模型误差存在时,不能直接套用这个无外部驱动的误差方程。

根据误差极点计算增益

对象的开环极点为 −1,−2-1,-2。先把观测器误差极点选为 −5,−6-5,-6,使误差模态比对象自身动态衰减更快;这是本例的试验选择,不是所有系统都必须遵守的固定倍数。

设 L=[l1,l2]TL=[l_1,l_2]^T,展开特征多项式:

det⁡[sI−(A−LC)]=s2+(3+l1)s+(2+3l1+l2).\det[sI-(A-LC)] =s^2+(3+l_1)s+(2+3l_1+l_2).

目标多项式是 (s+5)(s+6)=s2+11s+30(s+5)(s+6)=s^2+11s+30。比较系数,得到 l1=8l_1=8、l2=4l_2=4,因此 L=[8,4]TL=[8,4]^T。把它代回 A−LCA-LC,应得到极点 −6,−5-6,-5;顺序不影响结果。

SciPy 的 place_poles 配置的是 A−BKA-BK 的极点。求观测器增益时,应传入 A.T 和 C.T,再把返回的 gain_matrix 转置;下例将单输出系统的增益展平成长度为 2 的数组,方便乘标量残差。genui{"citation":{"ref":"turn1view0"}}

运行仿真并核对误差

使用已安装 NumPy、SciPy 的 Python 环境;下例在 Python 3.12、NumPy 2.3、SciPy 1.17 下验证。整段运行即可,无需数据文件。真实初值取 x(0)=[1,0]Tx(0)=[1,0]^T,估计初值取 x^(0)=[0,0]T\hat x(0)=[0,0]^T,输入恒为 1 N,仿真持续 8 秒。

程序先验证理想情况,再分别加入测量噪声和刚度偏差。t_eval 指定每隔 0.001 秒保存一个结果,max_step=0.01 限制积分器的最大步长;这是连续时间方程的数值仿真,并非离散观测器实现。genui{"citation":{"ref":"turn1view1"}}

python
import numpy as np
from scipy.integrate import solve_ivp
from scipy.signal import place_poles

A = np.array([[0., 1.], [-2., -3.]])
B = np.array([0., 1.])
C = np.array([[1., 0.]])
t = np.linspace(0., 8., 8001)
# 对偶配置:先给 A.T、C.T 配置极点,再转置得到观测器增益。
L = place_poles(A.T, C.T, [-5., -6.]).gain_matrix.T.ravel()
L_fast = place_poles(A.T, C.T, [-15., -18.]).gain_matrix.T.ravel()

def simulate(gain, noise=0., stiffness=2.):
    # 仅改变真实对象刚度,观测器始终使用名义模型 A。
    A_real = np.array([[0., 1.], [-stiffness, -3.]])
    def rhs(time, z):
        x, x_hat = z[:2], z[2:]
        u = 1.0
        y_m = x[0] + noise * np.sin(20. * time)
        # 观测器只接收 u 和 y_m,不读取真实速度 x[1]。
        residual = y_m - x_hat[0]
        dx = A_real @ x + B * u
        dx_hat = A @ x_hat + B * u + gain * residual
        return np.concatenate((dx, dx_hat))
    sol = solve_ivp(rhs, (0., 8.), [1., 0., 0., 0.], t_eval=t,
                    rtol=1e-9, atol=1e-11, max_step=0.01)
    if not sol.success:
        raise RuntimeError(sol.message)
    return sol.y[:2] - sol.y[2:]

print("rank(O) =", np.linalg.matrix_rank(np.vstack((C, C @ A))))
print("L =", np.round(L, 3))
print("poles =", np.round(np.sort(np.linalg.eigvals(A - L[:, None] @ C)), 3))
clean = simulate(L)
for i in (0, 500, 1000, 2000):
    print(f"t={t[i]:.1f}: ep={clean[0, i]:.6f} m, ev={clean[1, i]:.6f} m/s")

# 只统计后半段,减少初始估计误差对噪声指标的影响。
for name, gain in (("normal", L), ("fast", L_fast)):
    error = simulate(gain, noise=0.01)
    rms_v = np.sqrt(np.mean(error[1, t >= 4.] ** 2))
    print(f"{name}: velocity_RMS={rms_v:.6f} m/s")
biased = simulate(L, stiffness=2.2)
print(f"k=2.2, t=8: ep={biased[0, -1]:.6f} m, ev={biased[1, -1]:.6f} m/s")

预期输出(不同数值库版本的末位可能略有差异):

text
rank(O) = 2
L = [8. 4.]
poles = [-6. -5.]
t=0.0: ep=1.000000 m, ev=0.000000 m/s
t=0.5: ep=-0.014809 m, ev=-0.193788 m/s
t=1.0: ep=-0.006040 m, ev=-0.025555 m/s
t=2.0: ep=-0.000072 m, ev=-0.000236 m/s
normal: velocity_RMS=0.001348 m/s
fast: velocity_RMS=0.037575 m/s
k=2.2, t=8: ep=-0.003031 m, ev=-0.024248 m/s

ep、ev 分别表示真实值减估计值的位置误差和速度误差。理想情况下,2 秒时位置误差已小于 0.1 mm,速度误差小于 0.001 m/s。速度初始误差虽然为零,随后仍出现暂态偏差;稳定并不意味着每个分量单调衰减。

分清噪声波动与模型偏差

若真实对象使用 A+ΔAA+\Delta A,而观测器仍使用 AA,并且双方 B,CB,C 相同、实际输入一致,那么误差方程变为:

e˙=(A−LC)e+ΔAx−Ln.\dot e=(A-LC)e+\Delta A x-Ln.

ΔAx\Delta A x 与 −Ln-Ln 会持续驱动误差。代码中的噪声试验只改变测量值,取 n(t)=0.01sin⁡(20t)n(t)=0.01\sin(20t) m,其中 20 的单位是 rad/s;用 4~8 秒的速度误差计算均方根,减少初值暂态的影响。

把极点进一步移到 −15,−18-15,-18,增益变为 [30,178]T[30,178]^T。这个噪声频率下,速度误差均方根由约 0.001348 m/s 增至 0.037575 m/s,约为原来的 28 倍。更快的误差模态,并不保证更好的含噪估计效果。

刚度偏差试验保持无噪声,仅把真实刚度从 2 改为 2.2 N/m,观测器仍用 2 N/m。8 秒时速度误差约为 −0.02425-0.02425 m/s;继续运行后仍有偏差,因为真实模型与预测模型不一致,而非初值尚未收敛。

用稳态方程还可核对:真实速度趋于零,观测器却趋于 v^≈0.02424\hat v\approx0.02424 m/s。此时位置残差仅约 −0.00303-0.00303 m,所以残差看起来很小,也不能单独证明未测量速度估计准确。

实际调试时,先按上面的无噪声初值试验检查符号与增益,再检查模型参数和测量噪声。若执行器有限幅,观测器应接收限幅后实际施加的输入;若直接复用数字控制程序,则需另用离散模型设计增益,不能把本例连续时间增益原样套入。

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

状态观测器怎样估计未测量变量

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