旋轉(zhuǎn)倒立擺的顯式模型預(yù)測控制

馬永凌

[摘? ? 要] 基于拉格朗日方程對旋轉(zhuǎn)倒立擺在不穩(wěn)定平衡點上進(jìn)行了線性化的數(shù)學(xué)建模。在多參數(shù)二次規(guī)劃方法的基礎(chǔ)上，建立了顯示模型預(yù)測的控制系統(tǒng)，且在旋轉(zhuǎn)倒立擺系統(tǒng)應(yīng)用上做了研究。最后通過Matlab進(jìn)行仿真，結(jié)果表明：EMPC方法對于旋轉(zhuǎn)倒立擺的平衡控制效果良好。

[關(guān)鍵詞] 旋轉(zhuǎn)倒立擺;建模;多參數(shù)二次規(guī)劃;顯式模型預(yù)測控制;仿真

0? ? ? 引? ? 言

旋轉(zhuǎn)倒立擺是一個結(jié)構(gòu)不復(fù)雜、成本不高、體積不大的實驗設(shè)備，但卻是一個非線性、強耦合、多變量的自然不穩(wěn)定被控制對象，被廣泛應(yīng)用于控制理論的研究，是個理想的研究平臺。

模型預(yù)測控制（MPC）技術(shù)是一種處理多變量約束系統(tǒng)最優(yōu)控制問題的最有效方法之一。但由于模型預(yù)測控制需要實時的在線優(yōu)化，因此只能應(yīng)用于慢速過程，不適用于旋轉(zhuǎn)倒立擺系統(tǒng)。為此本文研究顯式模型預(yù)測控制（EMPC）控制器，將在線的優(yōu)化求解計算放到離線進(jìn)行，從而提高在線計算的速度，完成對旋轉(zhuǎn)倒立擺的平衡點控制，并用Matlab進(jìn)行仿真。

1? ? ? 旋轉(zhuǎn)倒立擺系統(tǒng)數(shù)學(xué)模型的建立

如圖1為旋轉(zhuǎn)倒立擺的模型結(jié)構(gòu)，擺桿由于重力作用，在垂直方向上會自然地擺到垂直向下的位置，為自然不穩(wěn)定的被控制對象。本研究的控制目的為通過電機使旋臂轉(zhuǎn)動，并且通過旋臂的轉(zhuǎn)動帶動擺桿，使擺桿能夠保持在垂直向上的不穩(wěn)定的平衡點位置上。

在不考慮各種摩擦力與阻力的前提下，可以把擺桿與旋臂都抽象為勻質(zhì)桿，其中擺桿的長度為L，相對于其垂直向上的方向零位的角位移為θ;旋臂的長度為R，相對于其水平方向上的方向零度的角位移為α。

旋轉(zhuǎn)倒立擺的模型總是具有一定的非線性和時變性，模型的結(jié)構(gòu)與參數(shù)總是具有一定的攝動特性，以及模型總是存在一些外部的干擾，本研究的控制方案就是在此線性化后的狀態(tài)空間模型上進(jìn)行的。

2? ? ? 顯式模型預(yù)測控制

MPC為Model Predictive Control的縮寫，又稱模型預(yù)測控制。MPC模型預(yù)測控制的基本運行機理為：

①預(yù)測系統(tǒng)未來動態(tài)求解。

②優(yōu)化路徑問題。

③解得的第一個元素直接作用于系統(tǒng)。

④滾動時域、重復(fù)進(jìn)行。

在MPC模型預(yù)測控制中存在反復(fù)在線優(yōu)化的模塊，使得模型預(yù)測控制普遍只適用于慢速過程，很難適用于動態(tài)變化較快的旋轉(zhuǎn)倒立擺控制。然而Bemporad等人在2002年提出來的EMPC是一種面向小規(guī)?？刂泼}的快速MPC算法[3-5]。

EMPC為Explicit Model Predictive Control的縮寫，又稱顯式模型預(yù)測控制。

EMPC顯式模型預(yù)測控制的主要思想是通過多參數(shù)二次規(guī)劃的思想，將在線的優(yōu)化求解計算放到離線進(jìn)行，從而提高在線計算的速度，使得顯式模型預(yù)測控制能夠適用于動態(tài)變化較快的旋轉(zhuǎn)倒立擺控制。

因為上面的不等式都是關(guān)于當(dāng)前時刻狀態(tài)x0的線性不等式，因此可以將整個狀態(tài)空間內(nèi)劃分出很多個互不重疊的CR。由此可以得到與隱式閉環(huán)模型預(yù)測控制系統(tǒng)等價的顯式模型預(yù)測控制系統(tǒng)，即分段防射（PWA）系統(tǒng)。

3? ? ? EMPC下旋轉(zhuǎn)倒立擺系統(tǒng)仿真

為了評估EMPC顯示模型預(yù)測控制方法的控制性能，本文引入顯式模型預(yù)測控制技術(shù)通過利用Matlab對旋轉(zhuǎn)倒立擺進(jìn)行計算機仿真研究。

其中有3個工具箱可以使用進(jìn)行仿真：

①MPT3 為Multi-Parametric Toolbox 3的縮寫，又稱多參數(shù)工具箱，是一個開源的，基于Matlab的工具箱，用于參數(shù)優(yōu)化，計算幾何模型和模型預(yù)測控制。

②Hybrid Toolbox，是由EMPC顯式模型預(yù)測控制的提出者Alberto Bemporad創(chuàng)作的工具箱。這工具箱可以針對線性系統(tǒng)直接設(shè)計模型預(yù)測控制（MPC）以及顯式模型預(yù)測控制（EMPC）控制器，對于混合系統(tǒng)（Hybrid system）同樣十分適用。

③Matlab中也有自帶的函數(shù)，其調(diào)用也十分方便。

以上三種方式都能有效地實現(xiàn)EMPC顯式模型預(yù)測控制，相互之間又各有差異與側(cè)重點，大家可以依據(jù)需求選擇自己的方法。

由于調(diào)用MPT3的方式十分簡潔，幾行代碼就能輸出顯式MPC控制器，并且能夠直接繪圖，更加直觀。因此本文通過利用Matlab的MPT3工具箱對旋轉(zhuǎn)倒立擺進(jìn)行計算機仿真研究。

得到旋轉(zhuǎn)倒立擺系統(tǒng)的EMPC控制結(jié)果如圖2-圖6所示。

從圖2-圖6可以得知，通過顯式模型預(yù)測控制，旋轉(zhuǎn)倒立擺的旋臂與擺桿能夠在短時間間內(nèi)精確地穩(wěn)定在平衡點附近，并且各狀態(tài)變量也都能夠控制在之前設(shè)定的約束條件之內(nèi)，仿真符合預(yù)期。

通過仿真研究能夠發(fā)現(xiàn)：①顯式模型預(yù)測控制的耗時更少;②顯式模型預(yù)測控制精確性更高;③顯式模型預(yù)測控制對于有約束系統(tǒng)的控制更有效，并且不難發(fā)現(xiàn)通過顯式模型預(yù)測控制能夠把狀態(tài)變量與輸入變量的變化控制在預(yù)設(shè)的約束范圍之內(nèi)。

但是EMPC顯式模型預(yù)測控制也有它的局限性，實際應(yīng)用過程中EMPC顯式模型預(yù)測控制還是有它自身的限制的，最大的短處就是求得的控制率函數(shù)比較復(fù)雜，而且函數(shù)的復(fù)雜度隨著參數(shù)的增多（比如預(yù)測步長的增大）呈指數(shù)增長，這樣仿真計算的時間會越來越長，系統(tǒng)所需要的存儲空間會越來越大，所以一般EMPC也僅適用于小規(guī)模的問題，如旋轉(zhuǎn)倒立擺系統(tǒng)。如果要縮小EMPC顯式模型預(yù)測控制的運算時間或者系統(tǒng)儲存空間，就不得不要放棄一部分的準(zhǔn)確度。

4? ? ? 結(jié)? ? 語

本文首先基于拉格朗日方程對旋轉(zhuǎn)倒立擺在不穩(wěn)定平衡點上擺進(jìn)行了線性化的數(shù)學(xué)建模。然后對于EMPC顯式模型預(yù)測控制的控制原理進(jìn)行了分析推理。通過EMPC顯式模型預(yù)測控制的控制使擺桿能夠保持在垂直向上的不穩(wěn)定的平衡點位置上，從仿真結(jié)果來看效果不錯。顯式模型預(yù)測控制（EMPC）作為模型預(yù)測控制（MPC）的一個重要分支，從被提出至今已經(jīng)有將近20年的歷史了。簡單來說，顯式模型預(yù)測控制就是在傳統(tǒng)的模型預(yù)測控制基礎(chǔ)上，將原本需要在線（on-line）優(yōu)化求解的控制量轉(zhuǎn)化成離線（off-line）模式。換句話說，將控制量表示為一個關(guān)于狀態(tài)量x_0的函數(shù)，而且這函數(shù)是piecewise-affine（PWA分段仿射）函數(shù)。但關(guān)于EMPC顯式模型預(yù)測控制方法改進(jìn)的研究還是一件任重而道遠(yuǎn)的事。要在系統(tǒng)存儲量要求高、運算耗時量大與控制精確度中做出取舍，使之達(dá)到最優(yōu)的控制效果。

主要參考文獻(xiàn)

[1]白井良明.機器人工程學(xué)[M] . 王棣堂，譯. 北京： 科學(xué)出版社， 2001.

[2]吳愛國，張小明，張釗. 基于Lagrange方程建模的單級旋轉(zhuǎn)倒立擺控制[J]. 中國工程科學(xué)， 2005，7（10）：11-15.

[3]Bemporad A.， Morari M.， Dua V.，et al.The Explicit Linear Quadratic Regulator for Constrained Systems[J]. Automatica，2002，38（1）：3-20.

[4]Ferreau H. J.，Bock H. G.，Diehl M. An Online Active Set Strategy to Overcome the Limitations of Explicit MPC[J].International Journal of Robust and Nonlinear Control，2008，18（8）：816-830.

[5]Pannocchia G.， Rawlings J. B.，Wright S. J. Fast，Large-scale Model Predictive Control by Partial Enumeration[J]. Automatica，2007，43（5）：852-860.