跳到主要內容

[控制理論] 狀態回授控制(1)- Eigenstructure Assignment

控制理論中最重要的本質 便是 回授控制 (feedback control),在實現上,回授控制具有下列四種主要功能:

  1. 改善/保證 系統穩定度
  2. 降低系統的 敏感度(提升強健性)
  3. 改善系統 抑制 低頻外在干擾 或者 抑制 高頻雜訊 的能力
  4. 改善 系統暫態響應

而 Eigenstructure Assignment (同時給定 eigenvalue 與 eigenvector )主要是透過回授控制達成第四個目標:改善 系統的 暫態響應。以下我們介紹 全狀態回授 (Full State Feedback) 的 Eigenstructure Assignment。


考慮系統
\[\dot x\left( t \right) = Ax\left( t \right) + Bu\left( t \right)
\] 其中 $x(t) \in \mathbb{R}^n$; $u(t) \in \mathbb{R}^m$

且狀態回授控制器 $u(t) = F x(t)$。
則將控制器帶入系統,可得閉迴路系統如下
\[\dot x\left( t \right) = \left( {A + BF} \right)x\left( t \right)
\]
現在令 $\lambda_i$ 為系統 $A+BF$ 的 eigenvalue,且 $v_i$ 為對應的 eigenvector,則我們有 eigenvalue-eigenvector relationship 如下
\[
(A+BF) v_i = \lambda_i v_i
\] 上式可改寫為
\[\begin{array}{l}
(A + BF){v_i} = {\lambda _i}{v_i}\\
 \Rightarrow \left( {{\lambda _i}I - A} \right){v_i} - BF{v_i} = 0
\end{array}\]

故我們現在定義 $S_{\lambda_i }:= [\lambda_i I - A \;\; B]$ 且定義其對應的分割矩陣
\[{K_{{\lambda _i}}}: = \left[ {\begin{array}{*{20}{c}}
{{N_{{\lambda _i}}}}\\
{{M_{{\lambda _i}}}}
\end{array}} \right]\]此 $K_{\lambda_i}$ spans $\ker\{S_{\lambda_i}\}$

Theorem: (Moore, 1976) 令 $\{\lambda_i, i=1,...,n\}$ 為 self-conjugate 且 相異的特徵值所形成的集合。我們說 存在控制矩陣 $F$ 使得 對任意 $i=1,...n$ 而言,我們有 $(A+BF) v_i = \lambda_i v_i$  若且為若 對任意 $i=1,...n$,下列三個條件成立
1. (線性獨立) $v_i$ 彼此線性獨立
2. (共顎條件) $\lambda_i = \lambda_j^* \Rightarrow v_i = v_j^*$
3. $v_i \in \text{span}\{N_{\lambda_i}\}= \left\{ {\sum\limits_{i = 1}^n {{c_i}{v_i}} :{v_i} \in {N_{{\lambda _i}}},{c_i} \in \mathbb{R}} \right\}$

Proof: 
$(\Rightarrow)$ 假設 存在控制矩陣 $F$ 使得 對任意 $i=1,...n$ 而言,我們有 $(A+BF) v_i = \lambda_i v_i$,我們要證明三個條件成立;由於前面兩個條件由線性代數的理論可得;故我們只需檢驗條件 3. 假設 $(A+BF)v_i = \lambda_i v_i$, 則我們有
\[\begin{array}{l}
(A + BF){v_i} = {\lambda _i}{v_i}\\
\Rightarrow \left( {{\lambda _i}I - A} \right){v_i} - BF{v_i} = 0\\
\Rightarrow \underbrace {\left[ {\begin{array}{*{20}{c}}
{{\lambda _i}I - A}&B
\end{array}} \right]}_{{S_{{\lambda _i}}}}\underbrace {\left[ {\begin{array}{*{20}{c}}
{{v_i}}\\
{ - F{v_i}}
\end{array}} \right]}_{{\in K_{{\lambda _i}}}} = 0
\end{array}\] 由於 $K_{\lambda_i}$ 的 columns 做為基底建構 $\ker \{ {S_{{\lambda _i}}}\}  = \ker \left\{ {\left[ {\begin{array}{*{20}{c}}
{{\lambda _i}I - A}&B
\end{array}} \right]} \right\}$ ,故 $v_i \in \text{span}\{N_{\lambda_i}\}$.

$(\Leftarrow)$ 假設前述 Theorem 三個條件成立, 我們要證明存在一個實數矩陣 $F$ 使得對 $1 \le i \le n$,下式 eigenvalue-eigenvector relation 滿足
\[
(A+BF)v_i = \lambda_i v_i.
\]現在選 $v_i, \; 1\le i \le n$ 滿足 3 條件; i.e., 對 $1\le i \le n$

  1. $v_i$ 彼此線性獨立
  2. $\lambda_i = \lambda_j^* \Rightarrow v_i = v_j^*$
  3. $v_i \in \text{span}\{N_{\lambda_i}\}$

首先由條件 3 可知 $v_i \in \text{span}\{N_{\lambda_i}\}$ (the subspace spanned by colmuns of $N_{\lambda_i}$ and $v_i$ is the member of such subspace. ), 存在一個向量 $k_i$ (real or complex) 使得
\[
v_i = N_{\lambda_i} k_i
\]接著由於
\[{K_{{\lambda _i}}} = \left[ {\begin{array}{*{20}{c}}
{{N_{{\lambda _i}}}}\\
{{M_{{\lambda _i}}}}
\end{array}} \right] = \ker \left\{ {\left[ {\begin{array}{*{20}{c}}
{{\lambda _i}I - A}&{B}
\end{array}} \right]} \right\}\]故暗示了
\[
 \left( {{\lambda _i}I - A} \right){N_{{\lambda _i}}}{k_i} - B{M_{{\lambda _i}}}{k_i} = 0
\] 上述結果暗示了 若我們選 $F$ 使得 $ - {M_{{\lambda _i}}}{k_i} = F{v_i}$ 則 可得
\[\begin{array}{l}
\left( {{\lambda _i}I - A} \right){v_i} + B{M_{{\lambda _i}}}{k_i} = 0\\
\Rightarrow \left( {{\lambda _i}I - A} \right){v_i} + B\left( { - F{v_i}} \right) = 0\\
\Rightarrow \left[ {{\lambda _i}I - \left( {A + BF} \right)} \right]{v_i} = 0
\end{array}
\]亦即我們需要的結果。故剩下的證明便是要證明我們可以永遠建構出一控制矩陣 $F$ 滿足
\[F\left[ {\begin{array}{*{20}{c}}
{{v_1}}&{{v_2}}& \cdots &{{v_n}}
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
{{w_1}}&{{w_2}}& \cdots &{{w_n}}
\end{array}} \right]\]其中 $w_i := -M_{\lambda_i} k_i$ ; i.e., 若這樣的 $F$ 存在 則必定滿足
\[F\left[ {\begin{array}{*{20}{c}}
{{v_1}}&{{v_2}}& \cdots &{{v_n}}
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
{ - {M_{{\lambda _1}}}{k_1}}&{ - {M_{{\lambda _2}}}{k_2}}& \cdots &{ - {M_{{\lambda _n}}}{k_n}}
\end{array}} \right]\]

現在我們分成兩種情況討論

${\bf CASE 1: }$ 特徵值皆為實數的情況
若任意相異的 $\lambda_i$ 為實數,則 $v_i, w_i$ 亦為實數,且矩陣 $\left[ {\begin{array}{*{20}{c}}
{{v_1}}&{{v_2}}& \cdots &{{v_n}}
\end{array}} \right]$ 之反矩陣存在 (由條件 1),故可得控制力矩陣 $F$ 為
\[\begin{array}{l}
F = \left[ {\begin{array}{*{20}{c}}
{{w_1}}&{{w_2}}& \cdots &{{w_n}}
\end{array}} \right]{\left[ {\begin{array}{*{20}{c}}
{{v_1}}&{{v_2}}& \cdots &{{v_n}}
\end{array}} \right]^{ - 1}}\\
\begin{array}{*{20}{c}}
{}
\end{array} = \left[ {\begin{array}{*{20}{c}}
{ - {M_{{\lambda _1}}}{k_1}}&{ - {M_{{\lambda _2}}}{k_2}}& \cdots &{ - {M_{{\lambda _n}}}{k_n}}
\end{array}} \right]{\left[ {\begin{array}{*{20}{c}}
{{v_1}}&{{v_2}}& \cdots &{{v_n}}
\end{array}} \right]^{ - 1}}
\end{array}\]

${\bf CASE 2: }$ 特徵值具有共顎複數情況
若特徵值有共顎複數,在此我們假設 $\lambda_1 = \lambda_2^*$. 由條件2可知 $v_1 = v_2^*$ 故可推知 $w_1 = w_2^*$. 因此,設其他剩餘的特徵值皆為實數,則控制力矩陣 $F$ 必定需滿足
\[ \small
F\left[ {\begin{array}{*{20}{c}}
{{v_{1R}} + j{v_{1I}}}&{{v_{1R}} - j{v_{1I}}}& {{v_3}}& \cdots &{{v_n}}
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
{{w_{1R}} + j{w_{1I}}}&{{w_{1R}} - j{w_{1I}}}& {{w_3}}& \cdots &{{w_n}}
\end{array}} \right]
\]其中 $w_i := -M_{\lambda_i} k_i$. 現在兩邊同乘下式 的非奇異矩陣
\[\left[ {\begin{array}{*{20}{c}}
{1/2}&{}&{ - j1/2}& {}\\
{1/2}&{}&{j1/2}& 0\\
\hline
{}&0&{}& I
\end{array}} \right]\]
則我們可得
\[F\left[ {\begin{array}{*{20}{c}}
{{v_{1R}}}&{{v_{1I}}}& {{v_3}}& \cdots &{{v_n}}
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
{{w_{1R}}}&{{w_{1I}}}& {{w_3}}& \cdots &{{w_n}}
\end{array}} \right]\]
現在由於 $\{v_i\}_{i=1}^n$ 彼此獨立,故矩陣
\[V:=\left[ {\begin{array}{*{20}{c}}
{{v_{1R}}}&{{v_{1I}}}& {{v_3}}& \cdots &{{v_n}}
\end{array}} \right]
\] 之反矩陣存在,故我們可如前計算 $F$. (by taking inverse of $V$). $\square$

留言

這個網誌中的熱門文章

[數學分析] 什麼是若且唯若 "if and only if"

數學上的 if and only if  ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做  若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。 在數學上如果看到 if and only if  這類的句子,其實是表示一種 雙條件句 ,通常可以直接將其視為" 定義(Definition)" 待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他 假設我們現在有 兩個邏輯陳述句 A 與  B. 注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。 現在,考慮新的陳述:  "A if and only if B" 好了,現在主角登場,我們可以怎麼看待這個句子呢? 事實上我們可以很直覺的把這句子拆成兩部分看待,也就是 "( A if B ) and ( A only if B )" 那麼先針對第一個部分  A if B  來看, 其實這句就是說  if B then A, 更直白一點就是 "if B is true, then A is also true".  在數學上等價可以寫為 "B implies A" .  或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A"  現在針對第二個部分  A only if B 此句意指  "If B is not true, then A is also not true". 所以如果已知 A is true,  那麼按照上句不難推得 B is also true 也就是說  A only if B  等價為 "If A is true then B is also true". 同樣,也可以寫作   "A implies B"   或者用箭頭表示  "A   $\Rightarrow$     B".

[數學分析] 淺談各種基本範數 (Norm)

這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 Norm 想成長度就好 (事實上norm是長度的抽象推廣), 也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。 事實上想法是這樣的: 比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "! 但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說 \[x:=[1, -2, 0.1, 0 ]^T \]上式的大小該是多少? 是 $1$? $-2$? $0.1$??? 再者如果更過分一點,我們考慮一個矩陣 \[A = \left[ {\begin{array}{*{20}{c}} 1&2\\ 3&4 \end{array}} \right] \],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。 也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。 故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來) ================== Definition: Norm 考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質