ADRCcontroller.zip_ADRC_扩张状态观测_扩张观测器_扰动_自抗扰

共4个文件

m：4个

版权申诉

110 浏览量 2022-07-15 06:11:03 上传评论收藏 2KB ZIP 举报

**自抗扰控制（ADRC）技术** 自抗扰控制（ADRC）是一种现代控制理论，由韩京清教授在20世纪80年代末提出。它的核心思想是通过扩张状态观测器（Extended State Observer, ESO）来估计系统的状态以及未知的外部扰动和内部模型的不确定性，从而实现对系统性能的精确控制。ADRC的主要优点在于其对系统参数变化和外界扰动的鲁棒性，使得控制器设计简单且应用广泛。 **扩张状态观测器** 在传统控制理论中，状态观测器用于估计不可直接测量的系统状态。而在ADRC中，扩张状态观测器不仅估算系统的状态，还包括未知的扰动和系统参数的变化。这种设计使得控制器能够实时跟踪和抵消这些不确定因素，提高系统的稳定性和控制精度。 **扰动处理** 在实际应用中，系统常常受到各种不可预测的外部扰动。ADRC通过扩张状态观测器将扰动视为系统的扩展状态进行估计和补偿，确保了系统的动态性能不受扰动影响。这种扰动补偿机制使得ADRC在面临复杂环境时仍能保持良好的控制效果。 **二阶系统与ADRC设计** 对于二阶系统，ADRC的设计通常涉及状态方程的建立、扩张状态观测器的构建和控制器参数的选取。需要将二阶系统的动力学模型转换为适合ADRC的形式。然后，设计扩张状态观测器以在线估计系统的状态和扰动。基于观测结果设计控制器，使其能快速响应系统变化并抑制扰动。 **MATLAB实践** 在"练习"和"matlab书"中，可能包含的是使用MATLAB进行ADRC控制器设计和仿真的示例。MATLAB是一种强大的数学计算软件，广泛应用于控制系统的设计和分析。通过MATLAB，工程师可以方便地建立系统模型，设计和优化控制器，并进行仿真验证，以评估控制策略的性能。在MATLAB中，可以利用控制系统工具箱（Control System Toolbox）中的函数来实现ADRC的相关计算，如状态空间模型的构建、观测器的设计和控制器的生成。此外，Simulink可视化建模环境可用于搭建系统的仿真模型，直观地观察系统动态响应。总结，ADRC技术通过扩张状态观测器有效地处理系统扰动，提高了控制系统的鲁棒性和适应性。在MATLAB环境中，我们可以对ADRC控制器进行设计、分析和仿真，进一步理解和应用这一控制理论。通过学习和实践，我们可以掌握如何在实际二阶系统中应用ADRC，以提升系统的控制品质。

资源详情

资源评论

资源推荐

收起资源包目录

ADRC controller.zip （4个子文件）

练习 matlab书

fst.m 251B

chap6_12plant.m 161B

fal.m 143B

lianxi.m 2KB

%function [ output_args ] = Untitled( input_args ) clear all; close all; %% 赋初值 h=0.01; %取样时间 delta=10; %安排过渡过程的微分器参数 %扩张状态微分器参数 beta1=100; beta2=200; beta3=500; delta1=0.0025; alfa1=0.5; alfa2=0.25; %非线性PID控制器参数 delta0=2*h; alfa01=3/4; alfa02=3/2; beta01=10; beta02=0.3; kp=beta01; kd=beta02; %% xk=zeros(2,1); e1_1=0; u_1=0; v_1=0; v1_1=0; v2_1=0; z1_1=0; z2_1=0; z3_1=0; for k=1:1:2000 time(k)=k*h; p1=u_1; p2=k*h; tSpan=[0 h]; [tt,xx]=ode45('chap6_12plant',tSpan,xk,[],p1,p2); xk=xx(length(xx),:); y(k)=xk(1); dy(k)=xk(2); v(k)=sign(sin(k*h)); dv(k)=0; f(k)=-25*dy(k)+33*sin(pi*p2); %扰动 b=133; x3(k)=f(k); %z3=f x1=v1_1-v_1; x2=v2_1; v1(k)=v1_1+h*v2_1; v2(k)=v2_1+h*fst(x1,x2,delta,h); e=z1_1-y(k); z1(k)=z1_1+h*(z2_1-beta1*e); z2(k)=z2_1+h*(z3_1-beta2*fal(e,alfa1,delta1)+b*u_1); z3(k)=z3_1-h*beta3*fal(e,alfa2,delta1); z1_1=z1(k); %z1_1是上一步的z1(k) z2_1=z2(k); z3_1=z3(k); e1(k)=v1(k)-z1(k); e2(k)=v2(k)-z2(k); %选择用什么形式的误差反馈率u0 M=2; if M==1 u0(k)=kp*fal(e1(k),alfa01,delta0)+kd*fal(e2(k),alfa02,delta0); u(k)=u0(k)-z3(k)/b; elseif M==2 u(k)=kp*(v(k)-y(k))+kd*(dv(k)-dy(k)); end v_1=v(k); v1_1=v1(k); v2_1=v2(k); z1_1=z1(k); z2_1=z2(k); z3_1=z3(k); u_1=u(k); end figure(1) plot(time,v,'r',time,y,'k:','linewidth',2); xlabel('time(s)'),ylabel('position signal'); legend('ideal position signal','position tracking'); %end