Обзор

В данном примере движущие силы объекта описаны следующими уравнениями [1].

Цель для объекта состоит в том, чтобы отследить желаемые траектории, заданные как:

Для примера, который изучает и применяет неизвестную ограничительную функцию для того же приложения управления ПИДа, смотрите, Изучают и Применяют Ограничения для ПИД-регуляторов.

Сконфигурируйте параметры модели и начальные условия.

r = 1.5;   % Radius for desired trajectory
Ts = 0.1;  % Sample time
Tf = 22;   % Duration
x0_1 = -r; % Initial condition for x1
x0_2 = 0;  % Initial condition for x2

Спроектируйте ПИД-регуляторы

Прежде, чем применить ограничения, спроектируйте ПИД-регуляторы для отслеживания ссылочных траекторий. trackingWithPIDs модель содержит два ПИД-регулятора с усилениями, настроенными с помощью приложения PID Tuner. Для получения дополнительной информации о настраивающихся ПИД-регуляторах в моделях Simulink смотрите Введение в Основанный на модели ПИД, Настраивающий Simulink.

mdl = 'trackingWithPIDs';
open_system(mdl)

Симулируйте ПИД-регуляторы и постройте их эффективность отслеживания.

% Simulate the model.
out = sim(mdl);

% Extract trajectories.
logData = out.logsout;
x1_traj = logData{3}.Values.Data;
x2_traj = logData{4}.Values.Data;
x1_des = logData{1}.Values.Data;
x2_des = logData{2}.Values.Data;

% Plot trajectories.
figure('Name','Tracking')
xlim([-2,2])
ylim([-2,2])
plot(x1_des,x2_des,'r')
xlabel('x1')
ylabel('x2')
hold on
plot(x1_traj,x2_traj,'b:','LineWidth',2)
hold on
plot(x1_traj(1),x2_traj(1),'g*')
hold on
plot(x1_traj(end),x2_traj(end),'go')
legend('Desired','Trajectory','Start','end')

Ограничительная функция

В данном примере вы применяете известные ограничения к приложению с помощью блока Constraint Enforcement, который настраивает действия управления, чтобы удовлетворить ограничительной функции.

В этом примере выполнимой областью для объекта дают $\left\{\mathit{x}:{\mathit{x}}_1\le 1,{\mathit{x}}_{\mathit{x}}\le 1\right\}$. Поэтому условие следующего состояния объекта ${\mathit{x}}_{\mathit{k}+1}=\left[\begin{array}{c}{\mathit{x}}_1\left(\mathit{k}+1\right)\\ {\mathit{x}}_2\left(\mathit{k}+1\right)\end{array}\right]$должен удовлетворить ${\mathit{x}}_{\mathit{k}+1}\le \left[\begin{array}{c}1\\ 1\end{array}\right]$.

Можно аппроксимировать динамику объекта следующим уравнением.

Применение ограничений к этому уравнению производит следующую ограничительную функцию.

Блок Constraint Enforcement принимает ограничения формы ${\mathit{f}}_{\mathit{x}}+{\mathit{g}}_{\mathit{x}}\mathit{u}\le \mathit{c}$. Для этого приложения коэффициенты этой ограничительной функции следующие.

Симулируйте ПИД-регулятор с ограничительным осуществлением

trackingWithConstraintPID модель содержит ПИД-регуляторы, динамику объекта и ограничительную реализацию.

mdl = 'trackingWithKnownConstraintPID';
open_system(mdl)

Чтобы просмотреть ограничительную реализацию, откройте Ограничительную подсистему. Здесь, модель реализует известную ограничительную функцию использование блока MATLAB function, и блок Constraint Enforcement осуществляет ограничительную функцию.

Запустите модель и постройте результаты симуляции. График показывает, что состояния объекта меньше того.

% Simulate the model.
out = sim(mdl);

% Extract trajectories.
logData = out.logsout;
x1_traj = zeros(size(out.tout));
x2_traj = zeros(size(out.tout));
for ct = 1:size(out.tout,1)
    x1_traj(ct) = logData{4}.Values.Data(:,:,ct);
    x2_traj(ct) = logData{5}.Values.Data(:,:,ct);
end

x1_des = logData{2}.Values.Data;
x2_des = logData{3}.Values.Data;

% Plot trajectories.
figure('Name','Tracking with Constraint');
plot(x1_des,x2_des,'r')
xlabel('x1')
ylabel('x2')
hold on
plot(x1_traj,x2_traj,'b:','LineWidth',2)
hold on
plot(x1_traj(1),x2_traj(1),'g*')
hold on
plot(x1_traj(end),x2_traj(end),'go')
legend('Desired','Trajectory','Start','End','Location','best')

Блок Constraint Enforcement успешно ограничивает действия управления, таким образом, что состояния объекта остаются меньше чем один.

bdclose('trackingWithPIDs')
bdclose('trackingWithKnownConstraintPID')

Ссылки

[1] Robey, Александр, Хайминь Ху, Ларс Линдеманн, Ханьвэнь Чжан, Димос В. Димэрогонас, Стивен Ту и Николай Матни. "Узнавая о Барьерных функциях Управления из Опытных Демонстраций". Предварительно распечатайте, представленный 7 апреля 2020. https://arxiv.org/abs/2004.03315