当前位置: 首页 > news >正文

滑模变结构控制仿真实例(s-function代码详解)

目录

  • 一、建立系统数学模型
  • 二、控制器设计
    • 1. 设计滑模面(切换面)
    • 2.设计控制器 u
    • 3. 稳定性证明
  • 三、 Matlab 仿真
    • 1. s-function 模型
    • 2. 主要代码
    • 3. 仿真结果(采用符号函数sign(s))
    • 4. 仿真结果(采用饱和函数sat(s))

一、建立系统数学模型

{ x ˙ 1 = x 2 x ˙ 2 = x 3 x ˙ 3 = x 1 + x 2 x 3 + u \begin{aligned} \left\{ \begin{array}{l} \dot{x}_1 = x_2 \\ \dot{x}_2 = x_3 \\ \dot{x}_3 = x_1 + x_2 x_3 + u \end{array} \right. \end{aligned} x˙1=x2x˙2=x3x˙3=x1+x2x3+u
该数学模型参考:通俗理解滑模变结构控制

二、控制器设计

设计滑模控制器需要满足以下条件:

  1. 稳定性条件:在s=0的滑模面上,状态是收敛的,即滑动模态存在;
  2. 可达性条件:在切换面s=0以外的运动点将于有限时间内到达切换面;
  3. 保证滑模运动的稳定性;
  4. 达到控制系统运动品质要求。

1. 设计滑模面(切换面)

s = x 1 + 2 x 2 + x 3 \begin{align*} s = x_1 + 2x_2+x_3 \end{align*} s=x1+2x2+x3

2.设计控制器 u

对滑模面函数求导得
s ˙ = x ˙ 1 + 2 x ˙ 2 + x ˙ 3 \dot{s} = \dot{x}_1+2\dot{x}_2+\dot{x}_3 s˙=x˙1+2x˙2+x˙3

将数学模型中状态变量表达式代入可得
s ˙ = x ˙ 1 + 2 x ˙ 2 + x ˙ 3 = x 2 + 2 x 3 + x 1 + x 2 x 3 + u = x 1 + x 2 + 2 x 3 + x 2 x 3 + u \begin{align*} \dot{s} &= \dot{x}_1+2\dot{x}_2+\dot{x}_3 \\ &=x_2+2x_3+x_1+x_2 x_3+u \\ &= x_1+x_2+2x_3+x_2 x_3 + u \end{align*} s˙=x˙1+2x˙2+x˙3=x2+2x3+x1+x2x3+u=x1+x2+2x3+x2x3+u

s ˙ \dot{s} s˙ = 趋近律, 采用指数趋近律 s ˙ = − s g n ( s ) − s \dot{s} = -sgn(s)-s s˙=sgn(s)s s g n ( s ) sgn(s) sgn(s)为符号函数)求得控制器 u u u
u = − s g n ( s ) − s − x 1 − x 2 − 2 x 3 − x 2 x 3 \begin{align*} u = -sgn(s) - s -x_1 -x_2 -2x_3-x_2 x_3 \end{align*} u=sgn(s)sx1x22x3x2x3

3. 稳定性证明

设计 L y a p u n v o Lyapunvo Lyapunvo函数 V = 1 2 s 2 V = \frac{1}{2}s^2 V=21s2 , 求得其导数 V ˙ = s s ˙ = − ∣ s ∣ − s 2 \dot{V} = s\dot{s} = -|s|-s^2 V˙=ss˙=ss2
由此可知,该 L y a p u n v o Lyapunvo Lyapunvo 函数的导数负定,系统渐进稳定, t → ∞ t \rightarrow \infty t 时, s → 0 s \rightarrow 0 s0。因此 x 1 , x 2 , x 3 x_1, x_2, x_3 x1,x2,x3都趋于 0 0 0

三、 Matlab 仿真

1. s-function 模型

在这里插入图片描述

2. 主要代码

仿真中,为避免与模板中的 u u u 冲突,将输入 u 用 control_u 替代。

pa = struct('c1',1, ...'c2',2);
  case 1,sys=mdlDerivatives(t,x,u,pa);
  case 3,sys=mdlOutputs(t,x,u,pa);
sizes.NumContStates  = 3; %3个连续状态变量
sizes.NumDiscStates  = 0; %input只有输出,没有输入,即没有自身状态
sizes.NumOutputs     = 4; %输出为:dx1,dx2,dx3,control_u
sizes.NumInputs      = 0; %输入个数为0
sizes.DirFeedthrough = 0; %输入不会直接影响输出。输出是仅仅由状态变量决定的
sizes.NumSampleTimes = 1;   % at least one sample time is needed
%状态方程的更新通过输入u 来计算新的状态值,然后输出这些状态值。
%这意味着输入u 不直接影响输出,而是通过状态更新来间接影响输出。
%所以 DirFeedthrough 应该设置为 0。
% 初始化状态变量
x0  = [3;0;0]; 
function sys=mdlDerivatives(t,x,u,pa)
c1 = pa.c1;
c2 = pa.c2;
x1 = x(1);
x2 = x(2);
x3 = x(3);
%滑模面
s = x3+c2*x2+c1*x1;
%控制输入
control_u = -sign(s)-s-x1-x2-2*x3-x2*x3;
%系统状态方程
dx1 = x2;
dx2 = x3;
dx3 = x1+x2*x3+control_u;
sys = [dx1;dx2;dx3];
%输出函数
function sys=mdlOutputs(t,x,u,pa)
c1 = pa.c1;
c2 = pa.c2;
x1 = x(1);
x2 = x(2);
x3 = x(3);
%滑模面
s = x3+c2*x2+c1*x1;
%控制输入
control_u = -sign(s)-s-x1-x2-2*x3-x2*x3;   %使用符号函数sign(s)
%control_u = -sat(s)-s-x1-x2-2*x3-x2*x3;     %使用饱和函数消除抖振(改进)
% 输出状态变量 x1, x2, x3 以及 control_u
sys = [x;control_u]; %或者sys = [x(1);x(2);x(3);control_u];

3. 仿真结果(采用符号函数sign(s))

在这里插入图片描述
使用符号函数的控制器u,会产生明显抖振,为了消除抖振,可以采用饱和函数来替代符号函数
即指数趋近律 s ˙ = − s g n ( s ) − s \dot{s} = -sgn(s)-s s˙=sgn(s)s 换为 s ˙ = − s a t ( s ) − s \dot{s} = -sat(s)-s s˙=sat(s)s
其中

s a t ( s ) = { 1 s > Δ k s ∣ s ∣ ≤ Δ , k = 1 / Δ − 1 s < − Δ sat(s)= \left\{ \begin{array}{ll} 1 & s > \Delta \\ ks & |s| \leq \Delta, k = 1/\Delta\\ -1 & s < -\Delta \end{array} \right. sat(s)= 1ks1s>ΔsΔk=1/Δs<Δ

取阈值 Δ = 1 \Delta = 1 Δ=1 , 改进后的控制器u为
u = − s a t ( s ) − s − x 1 − x 2 − 2 x 3 − x 2 x 3 \begin{align*} u = -sat(s) - s -x_1 -x_2 -2x_3 -x_2 x_3 \end{align*} u=sat(s)sx1x22x3x2x3

更改代码实现饱和函数控制器,只需把之前函数输出部分代码中 s i g n ( s ) sign(s) sign(s)改为 s a t ( s ) sat(s) sat(s),其余不变

function sys=mdlOutputs(t,x,u,pa)
c1 = pa.c1;
c2 = pa.c2;
x1 = x(1);
x2 = x(2);
x3 = x(3);
%滑模面
s = x3+c2*x2+c1*x1;
%控制输入
%control_u = -sign(s)-s-x1-x2-2*x3-x2*x3;   %使用符号函数sign(s)
control_u = -sat(s)-s-x1-x2-2*x3-x2*x3;     %使用饱和函数消除抖振% 输出状态变量 x1, x2, x3 以及 control_u
sys = [x;control_u]; %或者sys = [x(1);x(2);x(3);control_u];

并在s-function函数最下方(即 m d l T e r m i n a t e ( t , x , u ) mdlTerminate(t,x,u) mdlTerminate(t,x,u)函数后面)添加 s a t ( s ) sat(s) sat(s)饱和函数的实现:

%function sys=mdlTerminate(t,x,u)
%sys = [];
% end mdlTerminate% y = sat(s) 将输入 s 限制在 [-1, 1] 范围内,其中 k = 1 / D
function y = sat(s)   
D = 1; %设置阈值 D
k = 1 / D; %设置比例常数 k
if s > Dy = 1;
elseif s < -Dy = -1;
elsey = k * s;
end

4. 仿真结果(采用饱和函数sat(s))

在这里插入图片描述
可以看出,抖振被有效消除。

相关文章:

滑模变结构控制仿真实例(s-function代码详解)

目录 一、建立系统数学模型二、控制器设计1. 设计滑模面(切换面)2.设计控制器 u3. 稳定性证明 三、 Matlab 仿真1. s-function 模型2. 主要代码3. 仿真结果(采用符号函数sign(s))4. 仿真结果(采用饱和函数sat(s)) 一、建立系统数学模型 { x ˙ 1 x 2 x ˙ 2 x 3 x ˙ 3 x 1 …...

MySQL处理引擎

MySQL中的数据用各种不同的技术存储在文件(或者内存)中。这些技术中的每一种都 使用不同的存储机制、索引技巧、锁定水平并且最终提供广泛的、不同的功能和能力。通过 选择不同的技术&#xff0c;能够获得额外的速度或者功能&#xff0c;从而改善应用的整体性能。 这些不同的技…...

HTTP 方法详解:GET、POST 和 PUT

HTTP 方法详解&#xff1a;GET、POST 和 PUT HTTP 方法&#xff08;GET、POST、PUT&#xff09;用于客户端和服务器之间的通信。它们在输入、输出和传输内容上有显著区别。 1. GET 方法 – 获取资源 用途&#xff1a;从服务器获取资源。 输入&#xff1a; 请求行&#xff…...

被工信部认可的开源软件治理解决方案

近日&#xff0c;工信部网络安全产业发展中心正式发布了“2023年信息技术应用创新解决方案”&#xff0c;开源网安凭借“基于SCA技术开源软件治理解决方案”顺利入选&#xff0c;成为经工信部认可的优秀解决方案&#xff0c;这是开源网安连续两届荣获此荣誉。 工业和信息化部网…...

文件包含漏洞--pyload

文章目录 前言一、pandas是什么&#xff1f;二、使用步骤 1.引入库2.读入数据总结 一.PHP伪协议利用 php://协议 php://filter &#xff1a;用于在读取作用和写入文件时进行过滤和转换操作。 作用1&#xff1a;利用base64编码过滤器读取源码 通常利用文件包含执行php://filte…...

C++包管理之`vcpkg`简介

文章目录 工程文件安装vcpkg安装fmt库安装全局的库安装仅该工程使用的库 在CMake中使用vcpkg通过CMAKE_TOOLCHAIN_FILE使用vcpkg通过CMakePresets.json使用vcpkg 在C开发中&#xff0c;我们经常会使用一些第三方库&#xff0c;比如说Boost、fmt、spdlog等等。这些库的安装和使用…...

【机器学习】必会核函数之:高斯核函数

高斯核函数 1、引言2、高斯核函数2.1 定义2.2 核心原理2.3 应用场景2.4 代码示例3、总结1、引言 在机器学习和数据科学领域,核方法 ( K e r n e l M e t h o d s ) (Kernel Methods) (Kerne...

51单片机和STM32区别

51单片机和 STM32 区别 51单片机和 STM32 是两种常见的微控制器&#xff0c;它们在架构、性能、外设接口、功耗和开发环境等方面有所不同。 1. 架构差异 51单片机基于传统的哈佛总线结构&#xff0c;采用 CISC 架构&#xff0c;而 STM32 基于 ARM Cortex-M 系列的32位处理器核…...

Python 伪随机数生成器

random.sample() 函数原理 在 Python 中&#xff0c;随机数的生成通常依赖于伪随机数生成器&#xff08;PRNG&#xff09;。random 模块提供了一个易于使用的接口来生成伪随机数。以下是 random 模块中随机数生成的基本原理和方法&#xff1a; 伪随机数生成器&#xff08;PRN…...

7.5 grafana上导入模板看图并讲解告警

本节重点介绍 : blackbox_exporter grafana大盘导入和查看告警配置讲解 grafana大盘 grafana 上导入 blackbox_exporter dashboard 地址 https://grafana.com/grafana/dashboards/13659举例图片http总览图value_mapping设置 展示设置阈值&#xff0c;展示不同背景色 告警配…...

BUG解决(vue3+echart报错):Cannot read properties of undefined (reading ‘type‘)

这是 vue3echart5 遇到的报错&#xff1a;Cannot read properties of undefined (reading ‘type‘) 这个问题需要搞清楚两个关键方法&#xff1a; toRaw&#xff1a; 作用&#xff1a;将一个由reactive生成的响应式对象转为普通对象。 使用场景&#xff1a; 用于读取响应式…...

VSCode+git的gitee仓库搭建

​ 在此之前你已经在gitee创建好了账号&#xff0c;并新建了一个仓库。 1. 安装 Visual Studio Code Visual Studio Code 是编辑 Markdown 和站点配置文件的基础&#xff0c;以下将其简称为 VSCode&#xff0c;你可以在它的 官方网站 下载到它。 如若不理解各个版本之间的区别…...

Golang | Leetcode Golang题解之第297题二叉树的序列化与反序列化

题目&#xff1a; 题解&#xff1a; type Codec struct{}func Constructor() (_ Codec) {return }func (c Codec) serialize(root *TreeNode) string {if root nil {return "X"}left : "(" c.serialize(root.Left) ")"right : "("…...

交叉熵和MSE的区别

交叉熵 交叉熵损失通常用于分类问题&#xff0c;尤其是二分类和多分类问题。它度量的是预测概率分布与真实标签概率分布之间的差异。 适用于分类问题。常用于神经网络中的Softmax层之后作为损失函数。适用于二分类、多分类中的模型优化&#xff08;如图像分类、文本分类等&am…...

具身智能又进一步!卡内基梅隆Meta苏黎世联邦实现虚拟人超灵活抓取

论文链接&#xff1a;https://arxiv.org/pdf/2407.11385 github链接&#xff1a;https://www.zhengyiluo.com/Omnigrasp-Site/ 亮点直击 本文设计了一种灵巧且通用的人形机器人运动表示&#xff0c;这显著提高了样本效率&#xff0c;并使得通过简单而有效的状态和奖励设计来学习…...

嘉盛:货币政策走向与市场预期

在当前经济背景下&#xff0c;美联储的政策决策备受关注。尽管本周的会议可能不会带来实质性利率变动&#xff0c;但其后的走向可能对未来产生深远影响。市场预期与政策走向 随着近几个月大量通胀数据公布&#xff0c;市场普遍预计&#xff0c;美联储将为即将到来的降息措施奠定…...

[C#]基于wpf实现的一百多种音色的Midi键盘软件

键盘 音色库 源码地址&#xff1a;https://download.csdn.net/download/FL1623863129/89599322...

关于香橙派系统烧录,1.1.8或者1.1.10两个版本都无法启动Orangepi5

先执行 git clone https://github.com/orangepi-xunlong/orangepi-build.gitgit log 默认会显示较新的提交记录。如果你需要查看更多的提交记录&#xff0c;可以使用以下方法&#xff1a; git log --oneline --graph --all这会以简洁的方式显示所有分支的提交记录&#xff0c…...

深入解析Python `httpx`源码,探索现代HTTP客户端的秘密!

&#x1f538; 第一部分&#xff1a;httpx请求入口 我们从最常用的入口开始&#xff0c;看看如何使用httpx库发送HTTP请求。通常&#xff0c;我们会使用 httpx.get() 或 httpx.post() 方法&#xff1a; import httpxresponse httpx.get(https://example.com) print(response…...

python爬虫【3】—— 爬虫反反爬

一、常见的反爬手段和解决方法 二、splash 介绍与安装 三、验证码识别 图片验证码的处理方案 手动输入(input) 这种方法仅限于登录一次就可持续使用的情况图像识别引擎解析 使用光学识别引擎处理图片中的数据&#xff0c;目前常用于图片数据提取&#xff0c;较少用于验证码…...

低成本搭建DNF外网服务器:腾讯云轻量应用服务器实战教程

腾讯云轻量应用服务器搭建DNF外网版全攻略 最近几年&#xff0c;怀旧游戏私服搭建在技术爱好者圈子里越来越流行。作为一款经典的横版格斗网游&#xff0c;DNF&#xff08;地下城与勇士&#xff09;的私服搭建需求尤其旺盛。本文将详细介绍如何利用腾讯云轻量应用服务器&#x…...

避坑指南:uniapp调用支付宝授权时常见的5个错误及解决方案

Uniapp支付宝授权实战&#xff1a;5个高频错误与深度解决方案 移动应用开发中&#xff0c;第三方授权登录是提升用户体验的关键环节。作为国内主流支付平台&#xff0c;支付宝授权在电商、生活服务类App中应用广泛。但许多Uniapp开发者在实现支付宝授权功能时&#xff0c;总会遇…...

【数字信号调制】GMSK调制解调系统【含Matlab源码 15239期】

&#x1f4a5;&#x1f4a5;&#x1f4a5;&#x1f4a5;&#x1f4a5;&#x1f4a5;&#x1f4a5;&#x1f4a5;&#x1f49e;&#x1f49e;&#x1f49e;&#x1f49e;&#x1f49e;&#x1f49e;&#x1f49e;&#x1f49e;&#x1f49e;Matlab武动乾坤博客之家&#x1f49e;…...

MiniCPM-V-2_6代码截图理解:函数逻辑分析+注释生成效果展示

MiniCPM-V-2_6代码截图理解&#xff1a;函数逻辑分析注释生成效果展示 1. 引言&#xff1a;当AI能看懂代码截图 你有没有遇到过这样的情况&#xff1a;看到一个复杂的代码截图&#xff0c;想要理解其中的函数逻辑&#xff0c;却需要一行行手动输入代码&#xff1f;或者面对一…...

别再说‘差不多’了!搞懂PPM,你的数字电路时钟才算真的稳了(附计算器)

别再说‘差不多’了&#xff01;搞懂PPM&#xff0c;你的数字电路时钟才算真的稳了&#xff08;附计算器&#xff09; 在数字电路设计中&#xff0c;时钟信号如同人体的心跳&#xff0c;其稳定性直接决定了整个系统的可靠性。然而&#xff0c;许多工程师在面对"PPM"这…...

HackBGRT:UEFI启动界面定制的极简实施指南

HackBGRT&#xff1a;UEFI启动界面定制的极简实施指南 【免费下载链接】HackBGRT Windows boot logo changer for UEFI systems 项目地址: https://gitcode.com/gh_mirrors/ha/HackBGRT HackBGRT是一款专注于UEFI系统的开源工具&#xff0c;为用户提供安全高效的启动画面…...

如何彻底解决Cursor API限制问题:从免费到Pro的完整指南

如何彻底解决Cursor API限制问题&#xff1a;从免费到Pro的完整指南 【免费下载链接】cursor-free-vip [Support 0.45]&#xff08;Multi Language 多语言&#xff09;自动注册 Cursor Ai &#xff0c;自动重置机器ID &#xff0c; 免费升级使用Pro 功能: Youve reached your t…...

智能家居选遥控器?RF 2.4G vs 蓝牙 vs IR 保姆级对比指南

智能家居遥控技术终极对决&#xff1a;RF 2.4G vs 蓝牙 vs IR 深度解析 当你深夜躺在沙发上想调暗灯光&#xff0c;却发现必须起身对准空调才能操作——这种尴尬正是选错遥控技术的代价。智能家居的"最后一米"控制体验&#xff0c;往往取决于那只看不见的传输协议。本…...

解放双手!用Open-AutoGLM实现微信自动回复消息,亲测可用

解放双手&#xff01;用Open-AutoGLM实现微信自动回复消息&#xff0c;亲测可用 1. 为什么需要微信自动回复&#xff1f; 每天我们都会收到大量微信消息&#xff1a;工作群的通知、朋友的问候、家人的关心...但总有那么些时刻&#xff0c;我们无法及时回复&#xff1a; 开会…...

试盘Z之主力操盘线

试盘K&#xff0c;以满足特定条件后对该K线标注为试盘字样方便查看。同时通达对9日最低值与9日最高值进行EMA移动平均&#xff0c;得出主力操盘线&#xff01;试盘Z源码:X_1:REF(EMA((HLC)/3,9),1);X_2:EMA(HHV(HIGH,9),3);X_3:EMA(LLV(LOW,9),3);主力操盘线:EMA(X_1*2-X_3,5),…...