[足式机器人]Part2 Dr. CAN学习笔记-Ch01自动控制原理

news2025/7/18 0:38:28

本文仅供学习使用
本文参考:
B站:DR_CAN

Dr. CAN学习笔记-Ch01自动控制原理

  • 1. 开环系统与闭环系统Open/Closed Loop System
    • 1.1 EG1: 烧水与控温水壶
    • 1.2 EG2: 蓄水与最终水位
    • 1.3 闭环控制系统
  • 2. 稳定性分析Stability
    • 2.1 序言
    • 2.2 稳定的分类
    • 2.3 稳定的对象
    • 2.4 稳定的系统
    • 2.5 系统稳定性的讨论
    • 2.6 补充内容——Transfer Function(传递函数) - nonzero Initial Condition(非零初始条件)
  • 3. 燃烧卡路里-系统分析实例
    • 3.1 数学模型
    • 3.2 比例控制 Proprotional Control
  • 4 终值定理和稳态误差Final Value Theorem & Steady State Error
  • 5 比例积分控制器Proportional-Intefral Controller
  • 6 根轨迹Root locus
    • 6.1 根的作用
    • 6.2 手绘技巧
    • 6.3 分离点/汇合点&根轨迹的几何性质
  • 7 Lead Compensator超前补偿器(调节根轨迹)
    • 7.1 Plot Rootlocus 绘制根轨迹
    • 7.2 System Performance 系统表现
    • 7.3 改善/加快收敛速度
    • 7.4 超前补偿器 Lead Comperastor
  • 8 Lag Compensator滞后补偿器
  • 9 PID控制器
  • 10 奈奎斯特稳定性判据-Nyquist Stability Criterion


1. 开环系统与闭环系统Open/Closed Loop System

1.1 EG1: 烧水与控温水壶

在这里插入图片描述

1.2 EG2: 蓄水与最终水位

在这里插入图片描述

h ˙ = q i n A − g h A R \dot{h}=\frac{q_{in}}{A}-\frac{gh}{AR} h˙=AqinARgh
A = 1 A=1 A=1. 目标: h = x → x d h=x\rightarrow x_d h=xxd —— 保持液面高度
x d = C R g , C = x d g R = u , G ( s ) = 1 S + g R x_d=\frac{CR}{g},C=\frac{x_dg}{R}=u,G\left( s \right) =\frac{1}{S+\frac{g}{R}} xd=gCR,C=Rxdg=u,G(s)=S+Rg1

1.3 闭环控制系统

在这里插入图片描述
X = D G 1 + H D G V X=\frac{DG}{1+HDG}V X=1+HDGDGV

2. 稳定性分析Stability

2.1 序言

在这里插入图片描述

2.2 稳定的分类

在这里插入图片描述

2.3 稳定的对象

明确分析对象
在这里插入图片描述
e = T a r g e t    −    θ e=Target\,\,-\,\,\theta e=Targetθ
Does the error converge to zero or not —— error dynamics stable or not

2.4 稳定的系统

Open loop 开环
在这里插入图片描述
Closed loop 闭环
在这里插入图片描述
EG1:
在这里插入图片描述
EG2:
在这里插入图片描述

2.5 系统稳定性的讨论

在这里插入图片描述
在这里插入图片描述

2.6 补充内容——Transfer Function(传递函数) - nonzero Initial Condition(非零初始条件)

在这里插入图片描述

3. 燃烧卡路里-系统分析实例

3.1 数学模型

在这里插入图片描述
在这里插入图片描述

3.2 比例控制 Proprotional Control

在这里插入图片描述
在这里插入图片描述

4 终值定理和稳态误差Final Value Theorem & Steady State Error

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

5 比例积分控制器Proportional-Intefral Controller

消除稳态误差——设计新的控制器
在这里插入图片描述

在这里插入图片描述

6 根轨迹Root locus

6.1 根的作用

G ( s ) = s + 3 s 2 + 2 s + 4 G\left( s \right) =\frac{s+3}{s^2+2s+4} G(s)=s2+2s+4s+3
Matlab可绘制 riocus(g)
掌握根的变化规律 , 设计控制器,补偿器 : Compentator Lead Lag…

根 —— 极点

  1. 一阶系统
    在这里插入图片描述
  2. 二阶系统
    在这里插入图片描述
    在这里插入图片描述
  3. 三阶系统
    在这里插入图片描述

在这里插入图片描述

6.2 手绘技巧

Matlab可以精确绘制——手绘——掌握根的变化规律——设计控制器

根轨迹的基本形式

在这里插入图片描述
根轨迹研究的是: 当 K K K从0到 + ∞ +\infty +时,闭环系统根(极点)位置的变化规律

1 + K G ( s ) = 0 , G ( s ) = N ( s ) D ( s ) = ( s − z 1 ) ( s − z 2 ) ⋯ ( s − z m ) ( s − p 1 ) ( s − p 2 ) ⋯ ( s − p n ) 1+KG\left( s \right) =0,G\left( s \right) =\frac{N\left( s \right)}{D\left( s \right)}=\frac{\left( s-z_1 \right) \left( s-z_2 \right) \cdots \left( s-z_{\mathrm{m}} \right)}{\left( s-p_1 \right) \left( s-p_2 \right) \cdots \left( s-p_{\mathrm{n}} \right)} 1+KG(s)=0,G(s)=D(s)N(s)=(sp1)(sp2)(spn)(sz1)(sz2)(szm)

其中, z 1 ⋯ z m z_1\cdots z_{\mathrm{m}} z1zm零点 Zeros ⊙ \odot p 1 ⋯ p n p_1\cdots p_{\mathrm{n}} p1pn极点 Poles × \times ×

规则1 :共有 n n n条根轨迹, 若 n > m n>m n>m;共有 m m m条根轨迹,若 m > n m>n m>n ⇐ max ⁡ { m , n } \Leftarrow \max \left\{ m,n \right\} max{m,n}
规则2 :若 m = n m=n m=n,随着 K K K 0 → ∞ 0\rightarrow \infty 0 , 根轨迹从 G ( s ) G\left( s \right) G(s)的极点向零点移动: 1 + K G ( s ) = 0 ⇒ D ( s ) + K N ( s ) = 0 1+KG\left( s \right) =0\Rightarrow D\left( s \right) +KN\left( s \right) =0 1+KG(s)=0D(s)+KN(s)=0 K → 0 K\rightarrow 0 K0 D ( s ) = 0 D\left( s \right) =0 D(s)=0(极点); K → ∞ K\rightarrow \infty K N ( s ) = 0 N\left( s \right) =0 N(s)=0 (零点)
规则3:实轴上的根轨迹存在于从右向左第奇数个极点/零点的左边
规则4:若附属跟存在,则一定是共轭的,所以根轨迹通过实轴对称
规则5:若 n > m n>m n>m , 则有 n − m n-m nm个极点指向无穷;若 m > n m>n m>n , 则有 m − n m-n mn条根轨迹从无穷指向零点
规则6:根轨迹延渐近线移动,渐近线与实轴的交点 σ = ∑ p − ∑ z n − m \sigma =\frac{\sum{p}-\sum{z}}{n-m} σ=nmpz渐近线与实轴的夹角 θ = 2 q + 1 n − m π , q = 0 , 1 , . . . , n − m − 1 / m − n − 1 \theta =\frac{2q+1}{n-m}\pi ,q=0,1,...,n-m-1/m-n-1 θ=nm2q+1π,q=0,1,...,nm1/mn1
在这里插入图片描述

6.3 分离点/汇合点&根轨迹的几何性质

以 2nd-order system 为例:
在这里插入图片描述
Properties of Root locus
在这里插入图片描述

7 Lead Compensator超前补偿器(调节根轨迹)

在这里插入图片描述

7.1 Plot Rootlocus 绘制根轨迹

G ( s ) = 1 s ( s + 2 ) G\left( s \right) =\frac{1}{s\left( s+2 \right)} G(s)=s(s+2)1
在这里插入图片描述

7.2 System Performance 系统表现

输入Input —— δ ( t ) \delta \left( t \right) δ(t) 单位冲激

  • K K K 较小时, p 1 , p 2 p_1,p_2 p1,p2 x ( t ) = c 1 e p 1 t + c 2 e p 2 t , p 1 < 0 , p 2 < 0 x\left( t \right) =c_1e^{p_1t}+c_2e^{p_2t},p_1<0,p_2<0 x(t)=c1ep1t+c2ep2t,p1<0,p2<0
    在这里插入图片描述
  • K K K 较大时,根在复平面: p 1 , p 2 p_1,p_2 p1,p2 x ( t ) = c e − t sin ⁡ ω n t x\left( t \right) =ce^{-t}\sin \omega _{\mathrm{n}}t x(t)=cetsinωnt - 无论如何改变 K K K值,都无法改变收敛速度
    -在这里插入图片描述

7.3 改善/加快收敛速度

——改变根轨迹,希望根在 − 2 + 2 3 -2+2\sqrt{3} 2+23
G ( s ) = 1 s ( s + 2 ) G\left( s \right) =\frac{1}{s\left( s+2 \right)} G(s)=s(s+2)1
在根轨迹上的点满足: ∠ K G ( s ) = − π \angle KG\left( s \right) =-\pi KG(s)=π (零点到根的夹角和 - 极点到根的夹角和)
在这里插入图片描述

7.4 超前补偿器 Lead Comperastor

H ( s ) = s − z s − p , ∥ z ∥ < ∥ p ∥ H\left( s \right) =\frac{s-z}{s-p},\left\| z \right\| <\left\| p \right\| H(s)=spsz,z<p
在这里插入图片描述

8 Lag Compensator滞后补偿器

稳态误差入手(steady state Error)
在这里插入图片描述
误差 Error E ( s ) = R ( s ) − X ( s ) = R ( s ) − E ( s ) ⋅ K G ( s ) ⇒ E ( s ) ( 1 + K G ( s ) ) = R ( s ) ⇒ E ( s ) = 1 1 + K G ( s ) R ( s ) = R ( s ) 1 1 + K N ( s ) D ( s ) = 1 s 1 1 + K N ( s ) D ( s ) E\left( s \right) =R\left( s \right) -X\left( s \right) =R\left( s \right) -E\left( s \right) \cdot KG\left( s \right) \Rightarrow E\left( s \right) \left( 1+KG\left( s \right) \right) =R\left( s \right) \Rightarrow E\left( s \right) =\frac{1}{1+KG\left( s \right)}R\left( s \right) =R\left( s \right) \frac{1}{1+K\frac{N\left( s \right)}{D\left( s \right)}}=\frac{1}{s}\frac{1}{1+K\frac{N\left( s \right)}{D\left( s \right)}} E(s)=R(s)X(s)=R(s)E(s)KG(s)E(s)(1+KG(s))=R(s)E(s)=1+KG(s)1R(s)=R(s)1+KD(s)N(s)1=s11+KD(s)N(s)1

单位阶跃unit step R ( s ) = 1 s R\left( s \right) =\frac{1}{s} R(s)=s1
稳态误差Steady State Error——FVT终值定理
e s s = lim ⁡ t → ∞ e ( t ) = lim ⁡ s → o s E ( s ) = lim ⁡ s → o s ⋅ 1 s 1 1 + K N ( s ) D ( s ) = 1 1 + K N ( 0 ) D ( 0 ) = D ( 0 ) D ( 0 ) + K N ( 0 ) ess=\underset{t\rightarrow \infty}{\lim}e\left( t \right) =\underset{s\rightarrow o}{\lim}sE\left( s \right) =\underset{s\rightarrow o}{\lim}s\cdot \frac{1}{s}\frac{1}{1+K\frac{N\left( s \right)}{D\left( s \right)}}=\frac{1}{1+K\frac{N\left( 0 \right)}{D\left( 0 \right)}}=\frac{D\left( 0 \right)}{D\left( 0 \right) +KN\left( 0 \right)} ess=tlime(t)=solimsE(s)=solimss11+KD(s)N(s)1=1+KD(0)N(0)1=D(0)+KN(0)D(0)

在这里插入图片描述
在这里插入图片描述

9 PID控制器

P —— Proportional
I —— Integral
D —— Derivative

  • 当前误差/过去误差/误差的变化趋势
    在这里插入图片描述
  1. K p ⋅ e K_{\mathrm{p}}\cdot e Kpe:比例增益——当前误差
  2. K I ⋅ ∫ e d t K_{\mathrm{I}}\cdot \int{e}dt KIedt:积分增益——过去误差-积累
  3. K D ⋅ d e d t K_{\mathrm{D}}\cdot \frac{\mathrm{d}e}{\mathrm{d}t} KDdtde :微分增益——变化趋势 (对噪音敏感)
    L [ u ] = L [ K P ⋅ e + K I ⋅ ∫ e d t + K D ⋅ d e d t ] ⇒ U ( s ) = ( K P + K I 1 s + K D s ) ⋅ E ( s ) \mathcal{L} \left[ u \right] =\mathcal{L} \left[ K_{\mathrm{P}}\cdot e+K_{\mathrm{I}}\cdot \int{e}\mathrm{d}t+K_{\mathrm{D}}\cdot \frac{\mathrm{d}e}{\mathrm{d}t} \right] \Rightarrow U\left( s \right) =\left( K_{\mathrm{P}}+K_{\mathrm{I}}\frac{1}{s}+K_{\mathrm{D}}s \right) \cdot E\left( s \right) L[u]=L[KPe+KIedt+KDdtde]U(s)=(KP+KIs1+KDs)E(s)

PID
PD控制:提高稳定性,改善瞬态
PI控制:改善稳态误差

10 奈奎斯特稳定性判据-Nyquist Stability Criterion

在这里插入图片描述

在这里插入图片描述
Cauchy’s Argument Priciple 柯西幅角原理
在这里插入图片描述

结论: s s s平面内顺时针画一条闭合曲线 A A A B B B曲线是 A A A通过 F ( s ) F(s) F(s)后在 F ( s ) F(s) F(s)平面上的映射, A A A曲线每包含一个 F ( s ) F(s) F(s)的零点(极点), B B B曲线就绕 ( 0 , 0 ) (0,0) (0,0)点顺时针(逆时针)一圈

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1355935.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SwiftUI 打造一款“可收缩”的 HStack(一):“原汤化原食”

概览 拥有雄心壮志(亦或是自我感觉良好)的秃头码农们都喜欢接受编程上各种颇有难度的挑战,比如刷刷力扣(LeetCode)或 codeforces 上难题啥的。 为了满足小伙伴们的“冒险精神”(亦或是“自虐癖”),加上这篇博文我们会用连续 4 篇系列文章通过不同的方式来解决同一道与…

【IDEA——连接MySQL数据库,创建库和表】

IDEA——连接MySQL数据库&#xff0c;创建库和表 1、打开idea数据库操作页面&#xff08;两种打开方法都可以&#xff09; 2、点击加号&#xff0c;选择Driver,方便导入连接数据库的驱动jar包 然后选择MySQL进行添加驱动 3、点击上一步页面的左上方的Data Sources连接本地数据…

保姆级教程:从0到1搭建web自动化测试环境

之前都是在linux上安装&#xff0c;第一次在windows上配置环境&#xff0c;加上距离上次配置环境有点久了&#xff0c;竟也花了点时间。特此记录下保姆级教程&#xff0c;给初学者一个有效的参考&#xff01; 一. 环境搭建 工具清单 工具工具名版本Java开发工具包JDK1.8浏览…

揭秘Linux软链接:如何轻松创建、删除和修改

揭秘Linux软链接&#xff1a;如何轻松创建、删除和修改 一、简介二、创建软链接三、删除软链接四、修改软链接五、Linux软链接的高级用法六、总结 一、简介 在Linux中&#xff0c;软链接&#xff08;Symbolic Link&#xff09;是一种特殊的文件类型&#xff0c;它是一个指向另…

【DevOps-03】Build阶段-Maven安装配置

一、简要说明 下载安装JDK8下载安装Maven二、复制准备一台虚拟机 1、VM虚拟复制克隆一台机器 2、启动刚克隆的虚拟机,修改IP地址 刚刚克隆的虚拟机 ,IP地址和原虚拟的IP地址是一样的,需要修改克隆后的虚拟机IP地址,以免IP地址冲突。 # 编辑修改IP地址 $ vi /etc/sysconfig…

申请域名SSL证书并自动推送至阿里云 CDN

近期国外SSL证书厂商调整了免费证书的续签规则&#xff0c;一年期的证书全部取消&#xff0c;现在只能申请90天有效期的免费证书。普通web站点可以通过宝塔面板或部署acme.sh等证书自动管理工具来实现自动化申请和部署&#xff0c;但是阿里云之类的CDN服务就只能通过手动或Open…

Python split()方法详解:分割字符串

Python 中&#xff0c;除了可以使用一些内建函数获取字符串的相关信息外&#xff08;例如 len() 函数获取字符串长度&#xff09;&#xff0c;字符串类型本身也拥有一些方法供我们使用。 注意&#xff0c;这里所说的方法&#xff0c;指的是字符串类型 str 本身所提供的&#x…

linux性能优化

文章目录 性能优化图CPU进程和cpu原理性能指标 性能优化图 CPU 进程和cpu原理 进程与线程&#xff1a; 进程是程序的执行实例&#xff0c;有自己的地址空间和系统资源。线程是进程内的执行单元&#xff0c;共享进程的资源。在多核系统中&#xff0c;使用多线程可以更好地利用多…

【四】CocosCreator-修改引擎源码

看源码的过程中&#xff0c;少不了得修修改改源码&#xff0c;做点实验。果断去找找源码在哪里&#xff0c;然后就可以快乐动手改源码了。 CocosCreator引擎源码主要就是js和原生C两类&#xff0c;分别在引擎目录的resources/engine和resources/cocos2d-x下&#xff0c;如图&am…

金色麦芒的2023

2023年即将过去&#xff0c;回首这一年&#xff0c;我深感自己在技术和职业生涯中取得了巨大的进步。这一年里&#xff0c;我不仅在技术层面有了更深入的掌握&#xff0c;也在个人成长和职业规划上有了更明确的方向。 首先&#xff0c;在技术层面&#xff0c;我今年最大的收获是…

Innosetup 调用c# dll 和 c# dll的函数导出

目标需求&#xff0c;基于现在安装包脚本。需要在用户安装和卸载成功时。进行数据记录,所以需要调用c#dll 主要涉及到的知识点 需要理解脚本的文件使用机制脚本的文件dll加载&#xff0c;和dll的调用c# dll的制作&#xff0c;和工具的使用 下面具体介绍 脚本的文件dll加载&…

【程序】USART串口通信接收数据(标准库带printf)

&#x1f31f;博主领域&#xff1a;嵌入式领域&人工智能&软件开发 前言&#xff1a;本程序使用stm32f429作为主控&#xff0c;使用串口1&#xff0c;使用的是标准库程序版本。&#xff08;其它主控/串口x&#xff0c;实现过程类似&#xff09;。本程序亲测无误。 目录…

如何制作可预约的上门维修服务小程序?

上门维修服务已经成为人们日常生活中不可或缺的一部分。为了满足这一需求&#xff0c;我们学习如何无经验自己制作上门维修服务小程序。 首先&#xff0c;打开乔拓云-门店系统的后台&#xff0c;可以看到有很多各行各业的模版。这些模版涵盖了各种行业&#xff0c;包括家电维修…

9.java——(杂例)组合,代理,向上转型static,fianl,关键字(有道云笔记复制粘贴,大家整体性的把握)

组合——内部有类&#xff08;心中有对象&#xff01;&#xff01;&#xff01;&#xff09;&#xff08;足球 和足球运动员梅西和脚下的足球一样&#xff09; has和is的区别&#xff0c;has是组合&#xff0c;是有&#xff0c;持有的意思&#xff1b;is是继承&#xff0c;是…

MT9201 1.2MHz,3V~24V输入高效增压白色LED驱动器 丝印B9HB

描述 MT9201是一个升压转换器&#xff0c;设计用于从单电池锂离子电池驱动多达7系列白色led。MT9201使用电流模式&#xff0c;固定频率结构来调节LED电流&#xff0c;它通过外部电流感测电阻器来测量。其低200mV反馈电压降低了功率损耗&#xff0c;提高了效率。MT9201包括欠电压…

FlinkSQL中【FULL OUTER JOIN】使用实例分析(坑)

Flink版本&#xff1a;flink1.14 最近有【FULL OUTER JOIN】场景的实时数据开发需求&#xff0c;想要的结果是&#xff0c;左右表来了数据都下发数据&#xff1b;左表存在的数据&#xff0c;右表进来可以关联下发&#xff08;同样&#xff0c;右表存在的数据&#xff0c;左表进…

spring见解2基于注解的IOC配置

3.基于注解的IOC配置 学习基于注解的IOC配置&#xff0c;大家脑海里首先得有一个认知&#xff0c;即注解配置和xml配置要实现的功能都是一样的&#xff0c;都是要降低程序间的耦合。只是配置的形式不一样。 3.1.创建工程 3.1.1.pom.xml <?xml version"1.0" en…

C++八股学习心得.4

1.C 类 & 对象 C 在 C 语言的基础上增加了面向对象编程&#xff0c;C 支持面向对象程序设计。类是 C 的核心特性&#xff0c;通常被称为用户定义的类型。 类用于指定对象的形式&#xff0c;它包含了数据表示法和用于处理数据的方法。类中的数据和方法称为类的成员。函数在…

图像融合论文阅读:MURF: Mutually Reinforcing Multi-Modal Image Registration and Fusion

article{xu2023murf, title{MURF: Mutually Reinforcing Multi-modal Image Registration and Fusion}, author{Xu, Han and Yuan, Jiteng and Ma, Jiayi}, journal{IEEE Transactions on Pattern Analysis and Machine Intelligence}, year{2023}, publisher{IEEE} } 论文级别…

Java进阶 1-2 枚举

目录 常量特定方法 职责链模式的枚举实现 状态机模式的枚举实现 多路分发 1、使用枚举类型实现分发 2、使用常量特定方法实现分发 3、使用EnumMap实现分发 4、使用二维数组实现分发 本笔记参考自&#xff1a; 《On Java 中文版》 常量特定方法 在Java中&#xff0c;我们…