自抗扰控制模型已封装好可直接使用 二阶线性自抗扰家人们今天来给大家分享一下已经封装好、可以直接使用的二阶线性自抗扰控制模型。在控制领域自抗扰控制可是相当厉害的一种控制策略它能有效处理系统中的不确定性和干扰让系统的控制效果更加稳定和可靠。二阶线性自抗扰控制更是在很多实际工程场景中发挥着重要作用像机器人控制、飞行器控制之类的。二阶线性自抗扰控制的基本原理简单来说二阶线性自抗扰控制主要包含三个部分跟踪微分器TD、扩张状态观测器ESO和非线性状态误差反馈控制律NLSEF。跟踪微分器的作用是安排过渡过程让系统的输入信号能够平滑地过渡扩张状态观测器则是估计系统的状态和扰动非线性状态误差反馈控制律会根据系统的状态误差来生成控制信号。自抗扰控制模型已封装好可直接使用 二阶线性自抗扰这么说可能有点抽象下面我结合代码来给大家详细讲讲。封装好的代码示例import numpy as np class SecondOrderLADRC: def __init__(self, r, h, b0, beta1, beta2, beta3): # 初始化参数 self.r r # 跟踪微分器的速度因子 self.h h # 采样时间 self.b0 b0 # 控制增益 self.beta1 beta1 # 扩张状态观测器的参数 self.beta2 beta2 # 扩张状态观测器的参数 self.beta3 beta3 # 扩张状态观测器的参数 # 初始化跟踪微分器的状态 self.v1 0 self.v2 0 # 初始化扩张状态观测器的状态 self.z1 0 self.z2 0 self.z3 0 def tracking_differentiator(self, v0): # 跟踪微分器的更新 fhan self.fhan(self.v1 - v0, self.v2, self.r, self.h) self.v1 self.v1 self.h * self.v2 self.v2 self.v2 self.h * fhan return self.v1, self.v2 def extended_state_observer(self, y, u): # 扩张状态观测器的更新 e self.z1 - y fe self.fal(e, 0.5, self.h) fe1 self.fal(e, 0.25, self.h) self.z1 self.z1 self.h * (self.z2 - self.beta1 * e) self.z2 self.z2 self.h * (self.z3 - self.beta2 * fe self.b0 * u) self.z3 self.z3 - self.h * self.beta3 * fe1 return self.z1, self.z2, self.z3 def nonlinear_state_error_feedback(self, v1, v2, z1, z2): # 非线性状态误差反馈控制律 e1 v1 - z1 e2 v2 - z2 u0 self.r * self.r * e1 2 * self.r * e2 u (u0 - self.z3) / self.b0 return u def fhan(self, x1, x2, r, h): # 快速最优综合函数 d r * h * h d0 h * d y x1 h * x2 a0 np.sqrt(d * (d 8 * np.abs(y))) a np.where(np.abs(y) d0, x2 (a0 - d) / 2 * np.sign(y), x2 y / h) fhan np.where(np.abs(a) d, -r * np.sign(a), -r * a / d) return fhan def fal(self, e, alpha, delta): # 非线性函数 return np.where(np.abs(e) delta, np.power(np.abs(e), alpha) * np.sign(e), e / np.power(delta, 1 - alpha)) def update(self, v0, y): # 整体更新函数 v1, v2 self.tracking_differentiator(v0) z1, z2, z3 self.extended_state_observer(y, self.u) self.u self.nonlinear_state_error_feedback(v1, v2, z1, z2) return self.u代码分析类的初始化def __init__(self, r, h, b0, beta1, beta2, beta3): # 初始化参数 self.r r # 跟踪微分器的速度因子 self.h h # 采样时间 self.b0 b0 # 控制增益 self.beta1 beta1 # 扩张状态观测器的参数 self.beta2 beta2 # 扩张状态观测器的参数 self.beta3 beta3 # 扩张状态观测器的参数 # 初始化跟踪微分器的状态 self.v1 0 self.v2 0 # 初始化扩张状态观测器的状态 self.z1 0 self.z2 0 self.z3 0在这个init方法里我们对二阶线性自抗扰控制所需的各种参数进行了初始化同时也把跟踪微分器和扩张状态观测器的初始状态都设为了 0。这些参数就像是控制模型的“开关”不同的参数组合会让模型有不同的表现。跟踪微分器def tracking_differentiator(self, v0): # 跟踪微分器的更新 fhan self.fhan(self.v1 - v0, self.v2, self.r, self.h) self.v1 self.v1 self.h * self.v2 self.v2 self.v2 self.h * fhan return self.v1, self.v2这个tracking_differentiator函数就是在更新跟踪微分器的状态。fhan是一个快速最优综合函数它能让系统的输入信号更平滑地过渡。通过不断更新v1和v2我们就能得到系统输入信号的跟踪值和导数。扩张状态观测器def extended_state_observer(self, y, u): # 扩张状态观测器的更新 e self.z1 - y fe self.fal(e, 0.5, self.h) fe1 self.fal(e, 0.25, self.h) self.z1 self.z1 self.h * (self.z2 - self.beta1 * e) self.z2 self.z2 self.h * (self.z3 - self.beta2 * fe self.b0 * u) self.z3 self.z3 - self.h * self.beta3 * fe1 return self.z1, self.z2, self.z3extendedstateobserver函数负责更新扩张状态观测器的状态。这里面用到了fal非线性函数它能根据误差e来调整观测器的状态更新。通过不断更新z1、z2和z3我们就能估计出系统的状态和扰动。非线性状态误差反馈控制律def nonlinear_state_error_feedback(self, v1, v2, z1, z2): # 非线性状态误差反馈控制律 e1 v1 - z1 e2 v2 - z2 u0 self.r * self.r * e1 2 * self.r * e2 u (u0 - self.z3) / self.b0 return unonlinearstateerror_feedback函数会根据跟踪微分器的输出和扩张状态观测器的输出计算误差e1和e2然后生成控制信号u。这个控制信号就是用来让系统的输出尽可能接近我们期望的输入。整体更新函数def update(self, v0, y): # 整体更新函数 v1, v2 self.tracking_differentiator(v0) z1, z2, z3 self.extended_state_observer(y, self.u) self.u self.nonlinear_state_error_feedback(v1, v2, z1, z2) return self.uupdate函数把跟踪微分器、扩张状态观测器和非线性状态误差反馈控制律这三个部分整合在了一起。每次调用这个函数我们只需要传入期望的输入v0和系统的实际输出y就能得到新的控制信号u。有了这个封装好的二阶线性自抗扰控制模型我们在实际应用中就可以直接拿来用啦只需要根据具体的系统调整一下参数就能实现很好的控制效果。希望这篇文章能帮助大家更好地理解和使用二阶线性自抗扰控制模型