Преобразование модели ТП в теории управления - TP model transformation in control theory - Wikipedia

Бараньи и Ям предложили Трансформация модели ТП^{[1][2][3][4][5]} как новая концепция в управлении на основе квази-LPV (qLPV), которая играет центральную роль в весьма желательном мосту между теориями идентификации и политопными системами. Это уникально эффективно для манипулирования выпуклый корпус из политопные формы, и, следовательно, выявил и доказал тот факт, что манипулирование выпуклой оболочкой является необходимым и решающим шагом в достижении оптимальных решений и уменьшении консервативности.^[6][7][2] в современном теория управления на основе линейного матричного неравенства. Таким образом, хотя это преобразование в математическом смысле, оно установило концептуально новое направление в теории управления и заложило основу для дальнейших новых подходов к оптимальности.

Для получения подробной информации посетите: Трансформация модели ТП.

TP-tool Набор инструментов MATLAB

Бесплатный MATLAB реализацию трансформации модели ТП можно скачать по адресу [1] или старая версия набора инструментов доступна по адресу MATLAB Центральная [2]. Будьте осторожны, в наборе инструментов MATLAB назначение размерностей основного тензора происходит в обратном порядке, в отличие от обозначений, используемых в соответствующей литературе. В ToolBox первые два измерения основного тензора назначаются системам вершин. В модельной литературе ТП последние два. Ниже приводится простой пример.

clearM1 = 20; % Плотность сетки M2 = 20; omega1 = [- 1,1]; % Интервал omega2 = [- 1,1]; домен = [omega1; omega2]; для m1 = 1: M1 для m2 = 1: M2 p1 = omega1 (1) + (omega1 (2) -omega1 (1)) / M1 * (m1-1); % сетки выборки p2 = omega2 (1) + (omega2 (2) -omega2 (1)) / M2 * (m2-1); SD (m1, m2,1,:) = [1 0]; % SD - дискретная матрица системы SD (m1, m2,2,:) = [(- 1-0,67 * p1 * p1) (1,726 * p2 * p2)]; конец конец [S, U, sv] = hosvd (SD, [1,1,0,0], 1e-12); % Нахождение структуры TPUA {1} = U {1}; % Это каноническая форма, основанная на HOSVD: UA {2} = U {2}; ns1 = input ('Результаты нечеткой модели TS SNNN'); UC = genhull (UA, 'snnn'); % snnn weightinf functionsUCP {1} = pinv (UC {1}); UCP {2} = pinv (UC {2}); SC = tprods (SD, UCP); % Это нужно для поиска основного тензора H (:,:) = SC (1,1,:, :)% Это нужно для отображения вершин модели TP H (:,:) = SC (1,2,:, :) H (:,:) = SC (2,1,:, :) H (:,:) = SC (2,2,:, :) рисунок (1) содержат все plothull (U {1}, omega1 )% Нарисуйте функции ожидания p1title ('Весовые функции для p_ {1}'); xlabel ('p_ {1}') ylabel ('Весовые функции') grid onbox onfigure (2) удерживайте все plothull (UC {2} , omega2)% Показать функции ожидания p2title ('Весовые функции для p_ {2}'); xlabel ('p_ {2}') ylabel ('Весовые функции') grid onbox onns2 = input ('Результаты CNO TS нечеткие модель '); UC = genhull (UA,' cno '); % Создание функций ожидания типа CNO UCP {1} = pinv (UC {1}); UCP {2} = pinv (UC {2}); SC = tprods (SD, UCP); % Найдите кортензор H (:,:) = SC (1,1,:, :)% Показать вершины модели TP H (:,:) = SC (1,2,:, :) H (:, :) = SC (2,1,:, :) H (:,:) = SC (2,2,:, :) рисунок (1) удерживать все plothull (U {1}, omega1)% Показать функции ожидания p1title ('Весовые функции для p_ {1}'); xlabel ('p_ {1}') ylabel ('Весовые функции') grid onbox onfigure (2) hold all plothull (UC {2}, omega2)% Показать ожидающие функции of p2title ('Весовые функции для p_ {2}'); xlabel ('p_ {2}') ylabel ('Весовые функции') После того, как у вас есть вершины обратной связи, полученные для каждой вершины модели TP, вы можете захотеть вычислить контроллер над тем же многогранником (см. проект PDC Танаки) W = queryw1 (UC, domain, p); % вычисления весовых значений по вектору параметров F = tprods (K, W); % вычисление зависимой от параметра обратной связи F (p) F = shiftdim (F) U = -F * x% вычисление контрольного значения.

Ключевые особенности для анализа и проектирования управления

• Преобразование модели TP преобразует данную модель qLPV в политопную форму (тип тензорного произведения), независимо от того, дана ли модель в форме аналитических уравнений, вытекающих из физических соображений, или как результат методов идентификации на основе мягких вычислений (таких как нейронные сети или же нечеткая логика основанные на методах, или в результате черный ящик идентификация).
• Кроме того, преобразование модели TP позволяет манипулировать выпуклой оболочкой, определяемой политопной формой, что является необходимым шагом в анализе управления на основе политопической модели qLPV и теориях проектирования.

Связанные определения

Линейная модель с изменяющимися параметрами (LPV) в пространстве состояний

${\displaystyle {\begin{pmatrix}{\mathbf {\dot {x}} }(t)\\{\mathbf {y} }(t)\end{pmatrix}}={\mathbf {S} }({\mathbf {p} }(t)){\begin{pmatrix}{\mathbf {x} }(t)\\{\mathbf {u} }(t)\end{pmatrix}},}$

с вводом ${\displaystyle {\mathbf {u} }(t)}$, выход ${\displaystyle {\mathbf {y} }(t)}$ и statevector ${\displaystyle {\mathbf {x} }(t)}$. Матрица системы ${\displaystyle {\mathbf {S} }({\mathbf {p} }(t))\in \mathbb {R} ^{L_{1}\times L_{2}}}$ - объект с изменяющимся параметром, где ${\displaystyle {\mathbf {p} }(t)\in \Omega }$ время меняется ${\displaystyle N}$-мерный вектор параметров, являющийся элементом замкнутого гиперкуба ${\displaystyle \Omega =[a_{1},b_{1}]\times [a_{2},b_{2}]\times \cdots \times [a_{N},b_{N}]\subset \mathbb {R} ^{N}}$. Фактически, дополнительные зависимые от параметров каналы могут быть вставлены в ${\displaystyle {\mathbf {S} }({\mathbf {p} }(t))}$ которые представляют различные требования к характеристикам управления.

квазилинейная модель с изменяющимися параметрами (qLPV) в пространстве состояний

${\displaystyle {\mathbf {p} }(t)}$ в приведенной выше модели LPV также могут быть включены некоторые элементы вектора состояния${\displaystyle {\mathbf {x} }(t)}$, и, следовательно, эта модель относится к классу нелинейных систем и также называется квази-LPV (qLPV) моделью.

Политическая линейная модель с переменными параметрами (LPV) типа TP в пространстве состояний

${\displaystyle {\begin{pmatrix}{\mathbf {\dot {x}} }(t)\\{\mathbf {y} }(t)\end{pmatrix}}={\mathcal {S}}\boxtimes _{n=1}^{N}\mathbf {w} _{n}(p_{n}(t)){\begin{pmatrix}{\mathbf {x} }(t)\\{\mathbf {u} }(t)\end{pmatrix}},}$

с вводом ${\displaystyle {\mathbf {u} }(t)}$, выход ${\displaystyle {\mathbf {y} }(t)}$ и statevector ${\displaystyle {\mathbf {x} }(t)}$. Матрица системы ${\displaystyle {\mathbf {S} }({\mathbf {p} }(t))={\mathcal {S}}\boxtimes _{n=1}^{N}\mathbf {w} (p_{n}(t))\in \mathbb {R} ^{L_{1}\times L_{2}}}$ - объект с изменяющимся параметром, где ${\displaystyle {\mathbf {p} }(t)\in \Omega }$ время меняется ${\displaystyle N}$-мерный вектор параметров, являющийся элементом замкнутого гиперкуба ${\displaystyle \Omega =[a_{1},b_{1}]\times [a_{2},b_{2}]\times \cdots \times [a_{N},b_{N}]\subset \mathbb {R} ^{N}}$, а весовые функции ${\displaystyle w_{n,i_{n}}(p_{n}(t))\in [0,1]}$ элементы вектора ${\displaystyle \mathbf {w} _{n}(p_{n}(t))}$. Базовый тензор содержит элементы ${\displaystyle \mathbf {S} _{i_{1},i_{2},\ldots ,i_{N}}}$ которые являются вершинами системы. Фактически, дополнительные зависимые от параметров каналы могут быть вставлены в ${\displaystyle {\mathbf {S} }({\mathbf {p} }(t))}$ которые представляют различные требования к характеристикам управления.

${\displaystyle \forall n:\sum _{i_{n}=1}^{I_{n}}w_{n,i_{n}}(p_{n}(t))=1.}$ и ${\displaystyle w_{n,i_{n}}(p_{n}(t))\in [0,1].}$

Это означает, что ${\displaystyle \mathbf {S} ({\mathbf {p} }(t))}$ находится внутри вершин ${\displaystyle \mathbf {S} _{i_{1},i_{2},\ldots ,i_{N}}}$ системы (в пределах выпуклой оболочки, определяемой вершинами) для всех ${\displaystyle \mathbf {p} (t)\in \Omega }$. Отметим, что политопная модель типа TP всегда может быть представлена ​​в виде

${\displaystyle \mathbf {S} (\mathbf {p} (t))=\sum _{r=1}^{R}\mathbf {S} _{r}w_{r}(\mathbf {p} (t)),}$

где вершины такие же, как в многогранной форме типа TP, а весовые функции с несколькими переменными являются произведением весовых функций с одной переменной в соответствии с политопической формой типа TP, а r - линейный индексный эквивалент полилинейной индексации ${\displaystyle i_{1},i_{2},\ldots i_{N}}$.

Преобразование модели TP для моделей qLPV

Предположим, что данная модель qLPV ${\displaystyle \mathbf {S} (\mathbf {p} (t))}$, куда ${\displaystyle \mathbf {p} (t)\in \Omega \subset R^{N}}$, политическая структура TP которого может быть неизвестна (например, задана нейронными сетями). Преобразование модели TP определяет ее политопную структуру TP как

${\displaystyle \mathbf {S} (\mathbf {p} (t))={\mathcal {S}}\boxtimes _{n=1}^{N}\mathbf {w} _{n}(p_{n}(t))}$,

а именно он генерирует тензор ядра ${\displaystyle {\mathcal {S}}}$ и весовые функции ${\displaystyle \mathbf {w} _{n}(p_{n}(t))}$ для всех ${\displaystyle n=1\ldots N}$. Его бесплатная реализация MATLAB доступна для загрузки по адресу [3] или в MATLAB Central [4].

Если данная модель не имеет (конечно-элементной) многогранной структуры TP, то преобразование модели TP определяет ее аппроксимацию:

${\displaystyle \mathbf {S} (\mathbf {p} (t))\approx {\mathcal {S}}\boxtimes _{n=1}^{N}\mathbf {w} _{n}(p_{n}(t)),}$

где за счет преобразования модели TP предлагается компромисс между сложностью (количество вершин, хранящихся в базовом тензоре или количество весовых функций) и точностью аппроксимации.^[8] Модель TP может быть сгенерирована в соответствии с различными ограничениями. Типичные модели TP, генерируемые преобразованием модели TP:

• HOSVD каноническая форма моделей qLPV,
• Различные виды политопной формы типа ТП (эта особенность очень важна для оптимизации работы управления).

Дизайн управления на основе модели TP

Ключевая методология

Поскольку политопная модель типа TP является подмножеством представлений политопной модели, методологии анализа и проектирования, разработанные для политопных представлений, применимы и для политопных моделей типа TP. Типичный способ - поиск нелинейного регулятора в форме:

${\displaystyle u=-\mathbf {F} (\mathbf {p} (t))\mathbf {x} (t)=-\sum _{r=1}^{R}F_{r}w_{r}(\mathbf {p} (t))\mathbf {x} (t),}$

где вершины ${\displaystyle \mathbf {F} _{r}}$ контроллера рассчитывается из ${\displaystyle \mathbf {S} _{r}}$. Обычно вершины ${\displaystyle \mathbf {S} _{r}}$ подставляются в линейные матричные неравенства для определения ${\displaystyle \mathbf {F} _{r}}$.

В политопной форме типа ТП контроллером является:

${\displaystyle u=-\mathbf {F} (\mathbf {p} (t))\mathbf {x} (t)=-{\mathcal {F}}\boxtimes _{n=1}^{N}\mathbf {w} _{n}(p_{n}(t))\mathbf {x} (t),}$

где вершины ${\displaystyle \mathbf {F} _{i_{1},i_{2},\ldots ,i_{N}}}$ хранится в тензоре ядра ${\displaystyle {\mathcal {F}}}$ определяются из вершин ${\displaystyle \mathbf {S} _{i_{1},i_{2},\ldots ,i_{N}}}$ Хранится в ${\displaystyle {\mathcal {S}}}$. Обратите внимание, что политический наблюдатель или другие компоненты могут быть сгенерированы аналогичным образом, например, эти вершины также генерируются из ${\displaystyle {\mathcal {S}}}$.

Оптимизация на основе манипуляций с выпуклой оболочкой

Политопическое представление данной модели qLPV не инвариантно. Т.е. данный ${\displaystyle \mathbf {S} (\mathbf {p} (t))}$ имеет ${\displaystyle Z=\infty }$ количество различных представлений как:

${\displaystyle \mathbf {S} (\mathbf {p} (t))={\mathcal {S}}_{z}\boxtimes _{n=1}^{N}\mathbf {w} _{z,n}(p_{n}(t)),}$

куда ${\displaystyle z=1\ldots Z}$. Для создания оптимального управления данной моделью ${\displaystyle \mathbf {S} (\mathbf {p} (t))}$ мы применяем, например, LMI. Таким образом, если мы применим выбранные LMI к вышеприведенной политопической модели, мы получим:

${\displaystyle u_{z}=-\mathbf {F} _{z}(\mathbf {p} (t))\mathbf {x} (t)=-{\mathcal {F}}_{z}\boxtimes _{n=1}^{N}\mathbf {w} _{z,n}(p_{n}(t))\mathbf {x} (t).}$

Поскольку LMI реализуют нелинейное отображение между вершинами в ${\displaystyle {\mathcal {S}}}$ и ${\displaystyle {\mathcal {F}}}$ мы можем найти очень разные контроллеры для каждого ${\displaystyle z=1\ldots Z}$. Это означает, что у нас есть ${\displaystyle Z}$ различное количество «оптимальных» контроллеров в одной системе ${\displaystyle \mathbf {S} (\mathbf {p} (t))}$. Таким образом, возникает вопрос: какой из «оптимальных» контроллеров действительно является оптимальным. Преобразование модели TP позволяет систематически манипулировать весовыми функциями, что эквивалентно манипулированию вершинами. Геометрический смысл этой манипуляции - это манипуляция выпуклой оболочкой, определяемой вершинами. Мы легко можем продемонстрировать следующие факты:

• Затягивание выпуклой оболочки обычно снижает консервативность решения, что может привести к улучшению характеристик управления. Например, если у нас есть политическое представление

${\displaystyle \mathbf {S} (\mathbf {p} (t))={\mathcal {S}}\boxtimes _{n=1}^{N}\mathbf {w} _{n}(p_{n}(t)),}$

данной модели ${\displaystyle \mathbf {S} (\mathbf {p} (t))}$, то мы можем сгенерировать контроллер как

${\displaystyle u=-{\mathcal {F}}\boxtimes _{n=1}^{N}\mathbf {w} _{n}(p_{n}(t))\mathbf {x} (t),}$

затем мы решили задачу управления всеми системами ${\displaystyle k=1\ldots K=\infty }$ которые могут быть заданы теми же вершинами, но с разными весовыми функциями, как:

${\displaystyle \mathbf {S} _{k}(\mathbf {p} (t))={\mathcal {S}}\boxtimes _{n=1}^{N}\mathbf {w} _{k,n}(p_{n}(t)),}$

куда

${\displaystyle u_{k}=-{\mathcal {F}}\boxtimes _{n=1}^{N}\mathbf {w} _{k,n}(p_{n}(t))\mathbf {x} (t).}$

Если одна из этих систем очень трудно управляема (или даже неуправляема), то мы приходим к очень консервативному решению (или невыполнимым LMI). Поэтому мы ожидаем, что при затягивании выпуклой оболочки мы исключим такие проблемные системы.

• Также можно легко продемонстрировать, что конструкция наблюдателя обычно требует большого выпуклого корпуса. Итак, как и при проектировании контроллера и наблюдателя, нам нужно найти оптимальную выпуклую оболочку между узкой и большой оболочкой. В тех же документах также показано, что использование разных выпуклых оболочек (если применим принцип разделения) для наблюдателя и контроллера может привести к еще лучшему решению.

Свойства преобразования модели TP в теориях qLPV

• Он может выполняться единообразно (независимо от того, дана ли модель в форме аналитических уравнений) в результате физических соображений или как результат методов идентификации на основе мягких вычислений (таких как нейронные сети или методы на основе нечеткой логики, или как результат идентификации в черном ящике) без аналитического взаимодействия в разумные сроки. Таким образом, преобразование заменяет аналитические и во многих случаях сложные и неочевидные преобразования в числовые, понятные и простые операции, которые можно выполнять обычным образом.
• Он генерирует основанную на HOSVD каноническую форму моделей qLPV, которая является уникальным представлением. Эта форма извлекает уникальную структуру данной модели qLPV в том же смысле, что и HOSVD для тензоров и матриц, таким образом, чтобы:

• количество компонентов LTI сведено к минимуму;
• весовые функции - это функции одной переменной вектора параметров в ортонормированной системе для каждого параметра (сингулярные функции);
• компоненты LTI (компоненты вершины) также находятся в ортогональных положениях;
• системы LTI и весовые функции упорядочены в соответствии с сингулярными значениями более высокого порядка вектора параметров;
• имеет уникальный вид (за исключением некоторых особых случаев);
• вводит и определяет ранг модели qLPV по размерам вектора параметров;

• Основной этап преобразования модели TP был расширен для создания различных типов выпуклых политопных моделей, чтобы сосредоточиться на систематической (численной и автоматической) модификации выпуклой оболочки вместо разработки новых уравнений LMI для проектирования допустимого контроллера (это широко распространенный подход). Стоит отметить, что как преобразование модели TP, так и методы проектирования элементов управления на основе LMI выполняются численно один за другим, и это делает возможным решение широкого класса проблем простым и понятным численным способом.
• На основе сингулярных значений высшего порядка (которые выражают свойства ранга данной модели qLPV, см. Выше, для каждого элемента вектора параметров в ${\displaystyle L_{2}}$ norm), преобразование модели TP предлагает компромисс между сложностью модели TP (политопная форма),^[8] следовательно, дизайн LMI и точность полученной модели TP.
• Преобразование модели TP выполняется до использования проекта LMI. Это означает, что когда мы начинаем проектирование LMI, у нас уже есть глобальные весовые функции, и во время управления нам не нужно определять локальное взвешивание LTI-систем для усиления обратной связи, чтобы вычислить контрольное значение в каждой точке гиперпространства, в которой должна работать система. через. Наличие предварительно определенных функций непрерывного взвешивания также гарантирует отсутствие трения при взвешивании во время управления.

Рекомендации

1. Бараньи, П. (2004). «Трансформация модели TP как способ разработки контроллера на основе LMI». IEEE Transactions по промышленной электронике. 51 (2): 387–400. Дои:10.1109 / TIE.2003.822037.
2. Бараньи, Петер (2016). Основы проектирования элементов управления на основе преобразования TP-модели. Дои:10.1007/978-3-319-19605-3. ISBN  978-3-319-19604-6.
3. Бараньи, Петер; Тикк, Домонко; Ям, Йунг; Паттон, Рон Дж. (2003). «От дифференциальных уравнений к проектированию контроллера PDC посредством численного преобразования». Компьютеры в промышленности. 51 (3): 281–297. Дои:10.1016 / S0166-3615 (03) 00058-7.
4. Бараньи, Питер (2014). "Преобразование обобщенной модели TP для манипуляции с нечеткой моделью T – S и проверки обобщенной устойчивости". Транзакции IEEE в нечетких системах. 22 (4): 934–948. Дои:10.1109 / TFUZZ.2013.2278982.
5. П. Бараньи; Ю. Ям; П. Варлаки (2013). Трансформация модели тензорного продукта в управлении на основе политопной модели. Бока-Ратон, Флорида: Тейлор и Фрэнсис. п. 240. ISBN  978-1-43-981816-9.
6. Соллози, Александра; Бараньи, Питер (2016). «Влияние представления модели Tensor Product моделей QLPV на выполнимость линейного матричного неравенства». Азиатский журнал контроля. 18 (4): 1328–1342. Дои:10.1002 / asjc.1238.
7. Соллози, Александра; Бараньи, Питер (2017). «Улучшенные характеристики управления аэроупругой секцией крыла с 3 степенями свободы: оптимизация параметрического управления 2D на основе модели TP». Азиатский журнал контроля. 19 (2): 450–466. Дои:10.1002 / asjc.1418.
8. Д. Тикк, П. Бараньи, Р. Дж. Паттон (2007). «Аппроксимационные свойства форм модели TP и их последствия для проектирования TPDC». Азиатский журнал контроля. 9 (3): 221–331. Дои:10.1111 / j.1934-6093.2007.tb00410.x.