TRƯỜNG ĐẠI HỌC CẦN THƠ
KHOA CÔNG NGHỆ
BỘ MÔN TỰ ĐỘNG HÓA
BÀI TẬP
LÝ THUYẾT
ĐIỀU KHIỂN HIỆN ĐẠI
(CN580)
Cán Bộ Hướng Dẫn
Sinh Viên Thực Hiện
Nguyễn Hoàng Dũng
Lê Minh Luân
Võ Văn Phi
Trần Minh Tân
Nguyễn Đức Huy
Năm 2017
B1408224
B1408231
B1408239
B1408214
BÀI 1:
LYAPUNOV THEORY
Homework assignment 3: Consider a mass and spring system. Form a state
equation and find a Lyapunov candidate for this system.
We have,
x = x1
= 1 = x2
= 2 = (F – bx2 – kx1)
=> F = m + b + kx
<=> m 2 + b 1 + kx1 – F = 0
Applying the law of conservation of momentum:
V(x) = mx22 + kx12 (1)
Make the derivation 2 sides of (1):
= mx2 2 + kx1 1
= mx2 (F – bx2 – kx1) + kx1x2
= Fx2 – bx22 – kx1x2 + kx1x2
= Fx2 – bx22 < 0 if F < 0 (compressive force)
BÀI 2:
ADAPTIVE CONTROL
Homework assignment 1: Consider a system shown in the figure below
Hệ thống được mô tả như sau:
x p (t ) a p x p (t ) k pu(t )
Ta có mô hình
xˆ p (t ) am xˆ p (t ) (aˆ p (t ) am ) x p (t ) k p (t )u(t )
e xˆ p (t ) x p (t ) e xˆ p (t ) x p (t )
Sai số mô hình
e a xˆ (t ) (aˆ (t ) a a ) x (t ) (kˆ (t ) k )u(t )
m
p
p
m
p
p
p
p
am ( xˆ p (t ) x p (t )) (aˆ p (t ) a p ) x p (t ) (kˆ p (t ) k p )u(t )
ame(t ) (t ) x p (t ) (t )u(t )
2 2 là tham số sai số ( (t ) aˆ p (t ) a p , (t ) kˆp (t ) k p )
1 2
e (t ) 2 (t ) 2 (t )
2
V (e, , ) e(t )e(t ) (t )(t ) (t ) (t )
V (e, , )
e(t ) ame(t ) (t ) x p (t ) (t )u(t ) (t )(t ) (t ) (t )
a e2 (t ) (t )e(t ) x (t ) (t )e(t )u(t ) (t )(t ) (t ) (t )
m
p
Để V (e, , ) là một hàm xác định âm
(t ) aˆ p (t ) e(t ) x p (t )
(t ) e(t ) x p (t )
V (e, , ) ame2 (t ) 0
ˆ
(t ) e(t )u (t )
(t ) k p (t ) e(t )u (t )
Kết quả mô phỏng
BÀI 3:
ADAPTIVE CONTROL
Homework assignment 2: Consider a system shown in the figure below
Find adaptive laws of
Ta Có:
p(t)
and
p(t)
x p (s)
u (s)
kp
s ap
s.x p (s) a p .x p (s) k p .u (s)
x p (t ) a p .x p (t ) k p .u(t)
Ta Có:
^
x p (t ) u(t).k p ^ (t ) x p ^ (t ).a p ^ (t )
Mà :
e(t ) x p ^ (t ) x p (t )
e (t ) x p ^ (t ) x p (t )
k p ^ (t ).u (t) a p ^ (t ).x p ^ (t ) a p .x p (t ) k p .u(t)
a p ^ (t ).x p ^ (t ) a p .x p (t ) k p ^ (t ).u (t) k p .u(t)
a p ^ (t ).x p ^ (t ) a p .x p (t ) k p ^ (t ).u (t) k p .u(t)
+ a p a p ^ (t ) .x p ^ (t ) a p a p ^ (t ) .x p ^ (t )
=a p . x p ^ (t ) x p (t ) k p ^ (t ) k p .u(t)
a p a p ^ (t ) .x p ^ (t )
=a p .e(t ) k p ^ (t ) k p .u(t) a p ^ (t ) a p .x p ^ (t )
=a p .e(t ) (t ).u(t) v(t).x p ^ (t )
Với:
(t ) k p ^ (t ) k p
^
v(t) a p (t ) a p
Chọn hàm Lyapunov:
V
1 2
e (t ) 2 (t ) v 2 (t ) ,V 0, t R & V (0) 0.
2
V e(t ).e (t ) (t ). (t ) v(t ).v (t )
=e(t) a p .e(t ) (t ).u(t) v(t).x p ^ (t )
(t ). (t ) v (t ).v (t )
=a p .e 2 (t ) (t ).u(t).e(t ) v(t).x p ^ (t ).e(t )
(t ). (t ) v(t ).v (t )
Hệ thống ổn định nếu V 0 ,Do đó luật thích nghi được định nghĩa:
(t ) e(t ).u (t ) k ^ (t )
p
v (t ) e(t ).x p ^ (t ) a p ^ (t )
Kết quả mô trên Matlab
Nhận xét: trong khoảng thời gian đầu từ 0 đến 7s quá trình cập nhật luật
điều khiển chưa kịp nên vẫn còn sai số, sau 7s hệ thống thiết kế dần bám
theo đối tượng.
BÀI 4:
MODEL REFERENCE BASED ADAPTIVE CONTROL (MRAC)
Homework assignment: Consider the first-order system:
dy
ay bu
dt
dym
am y bmuc
dt
ym’ = -amy+bmuc
u(t) = t0uc + s0y
e = y - ym
Với a=1 ,b=0.5 ,am = bm= 2, γ =1
Bài làm :
Ta có : u(t) = t0uc + s0y
y’ = -ay(t) + b[t0u(t)-s0y(t)]
= - (a+bs0)y(t) + bt0uc(t)
= - amym(t) + bmuc(t)
am a
S0 b
t bm
0 b
Với hàm điều khiển ta có thể viết :
y
bt0
uc
p a bs0
Với e= y-ym, “sensitivity derivatives” là :
bt0
e
u
t0 p a bs0 c
b 2 t0
bt0
e
u
y
2 c
s0 ( p a bs0 )
p a bs0
Mà : a+bs0 = am
p + a + bs0 =p + am
Do đó :
dt0
1
1
' b(
uc )e (
uc )e
dt
p am
p am
ds0
a
1
' b(
y)e ( m y)e
dt
p am
p am
'b
Với
am
Code mô phỏng trên Matlab:
Kết quả mô phỏng trên Matlab:
BÀI 5:
SLIDING MODE CONTROLLER
Homework assignment: Given a system as follows
bu(t ) mx cx kx
b 1 .5
m2
c 0 .2
k 0.15
..
.
1.5u(t ) 2 x 0.2 x 0.15 x
x1 x
.
x1 x2
..
1
x1 [-0,2x 2 0,15 x1 1,5u t ]
2
.
x1 x2
.
x 20.1x2 0.075 x1 0.75u (t )
Phương trình trạng thái :
.
1 x1 0
x1 0
u (t )
. 0.075 0.1 x2 0.75
x2
Định nghĩa hàm trượt :
.
1
S e e
Lấy đạo hàm của hàm trược theo thời gian.
.
..
S e
1
.
e0
Trong đó :
e x xd
.
.
.
..
..
..
e x xd
e x xd
Định nghĩa hàm Lyapunov :
V( s)
1 2
S
2
.
.
V ( s) S. S
.
.
Để V ( s) 0 thì S ksign( s) nên :
..
e
1
..
.
x ksign( s )
..
x xd
1
.
.
( x xd ) ksign( s )
..
0.1x2 0.075 x1 0.75u (t ) xd
u (t ) 0.1x1
.
( x2 xd ) ksign( s)
.
2
4
4
x2 xd ( x2 xd ) ksign( s )
15
3
3
Code trên matlab
Khối SMC
1
..
Khối Plant
Mô phỏng trên Matlab
BÀI 6:
GENERAL LINEAR MODEL AND LEAST SQUARE
ESTIMATOR
Homework assignment:
Given y = x1 + 2x2 – 3x3 + 2.5x4 + e
Assuming that e is a random noise, find (t) and its parameters by
referencing the given Matlab code.
X(t) = [x1
x2
x3
x4]
(t) = [1
2
3
4]T = [1
2
-3
2.5]T
e is model error
We know that
(t) = X(t) (t)
We also have
(t) = [X(t)XT(t)]-1XT(t)y(t)
We can find out (t), (t) is found as well.
BÀI 7:
RECURSIVE LEAST SQUARE METHOD
Derive the discrete-time recursive least squares algorithm with
exponential forgetting by minimizing the following criterion.
Take the derivative of J
t
dJ
t 1
T i yi T i 0
d
i 1
t
dJ
t 1 T i yi T i 0
d
i 1
t 1
i . yi i . i 0
t
T
T
T
i 1
t
t
i . yi i . T i
T
i 1
i 1
t
i yi i . T i
i 1
i 1
t
T
Definition:
1 t
Rt i T i
t i 1
1
t
1
f t
T
i yi
T
i 1
i arg min i, k yk T k
i
^
2
(1)
k 1
With i, k is weighting fuction
_ 1
i R
^
i f i
(2)
i
_
Rt i, k k T k
(3)
k 1
i
f t i, k k y k
(4)
k 1
Suppose that the weighting sequence has the following property
i, k i (i 1, k ),1 k i 1, i, i 1
(5)
From (3) and (5) we have
_
i 1
R i i 1, k k T k i, i k T k
k 1
_
i Ri 1 k T k
(6)
(4) and (5) we have
i 1
f i i i 1, k k yk i, i i yi
k
i f i 1 i yi
(7)
Replace (7) into (2) we have:
_ 1
i R
^
i i f i 1 i yi
(8)
From (2) we have
_ 1 ^
_
f i R i f i 1 Ri 1 i 1
^
(9)
Replace (8) into (9) we have
_ 1
_
_
^
i R i i Ri 1 i 1 i yi (10)
_
_
From (6) i Ri 1 Ri i
Replace (11) into (10) we have
_ 1
_
T
i
(11)
i R (t ) Ri i T i . i 1 i yi
^
^
_ 1
^
(i 1) R
i i yi T i 1 (12)
^
_ 1
Put Pi R i
From (11) we have
_
_
Ri i Ri 1 T t
(13)
Using matrix lemma of (13), we have
A BCD 1 A1 A1 BDA1 B C 1 1 DA1
_
A i Ri 1
B i
Where
D T i
C 1
1
_ 1
_ _ 1
R i 1 R i 1 i T R i 1
R i 1
R i
i
i 1 .
i
i
i
i
Pi 1 i T Pi 1
Pi 1
2 i
i
i T i Pi 1 i
i
_ 1
_ 1
_ 1
Pi 1 i T i Pi 1
Pi 1
i T i Pi 1 i
Pi
i
(14)
We have
Pi 1 i T i Pi 1 i
Pi 1 i
_ 1
i T i Pi 1 i
R i i
i
Pi 1 i
Lt
i T i Pi 1 i
From (12), (14), and (15), the least square algorithm can be
summarized as follows.
i i 1 Li yi T i i 1
^
^
Pi 1 i
Li
i T i Pi 1 i
^
(15)
Pi 1 i T i Pi 1
Pi 1
i T i Pi 1 i
Pi
i
Where t is forgetting factor.