滑模控制理论(SMC)

滑模控制理论(Sliding Mode Control,SMC)

滑膜控制理论是一种建立在现代控制理论基础上的控制理论，其核心为李雅普诺夫函数，滑膜控制的核心是建立一个滑模面，将被控系统拉倒滑模面上来，使系统沿着滑模面运动，滑膜控制的优势在于无视外部扰动和不确定性参数，采取一种比较暴力的方式来达到控制目的，但是这种暴力也带来了一些问题，就是正负信号的高频切换，一般的硬件是无法进行信号的高频切换的，所以需要一些其他的方式避免这个问题，还有就是型号的高频切换会导致输出的信号出现震荡，导致系统在所选取的滑模面之间来回震荡，这种震荡是无法消除的，这也是滑膜控制的一个问题。

优点

滑动模态可以设计

对扰动不敏感

缺点

硬件无法适应高频的信号切换

信号高频切换带来的输出信号震荡

系统建模

我们可以建立一个简单的二阶系统的状态方程
x ˙ 1 = x 2 x ˙ 2 = u begin{align} dot x_1 &= x_2 nonumber \ dot x_2 &= u nonumber \ end{align} x˙1​x˙2​​=x2​=u​​
我们的控制目标很明确，就是希望 x 1 = 0 , x 2 = 0 x_1 = 0,x_2=0 x1​=0,x2​=0

设计滑模面

s = c x 1 + x 2 s=cx_1+x_2 s=cx1​+x2​

这里有个问题就是，滑模面是个什么东西，为什么要设计成这个样子，为什么不是别的样子，其实这个涉及一个问题就是我们控制的目标是什么，是 x 1 = 0 , x 2 = 0 x_1 = 0,x_2=0 x1​=0,x2​=0，那如果$s=0$呢
{ c x 1 + x 2 = 0 x ˙ 1 = x 2 ⇒ c x 1 + x ˙ 1 = 0 ⇒ { x 1 = x 1 ( 0 ) e − c t x 2 = − c x 1 ( 0 ) e − c t begin{equation} begin{cases} cx_1 + x_2 = 0 \ dot x_1 = x_2 \ end{cases} Rightarrow cx_1+dot x_1 = 0 Rightarrow begin{cases} x_1 = x_1(0)e^{-ct} \ x_2 = -cx_1(0)e^{-ct} \ end{cases} nonumber end{equation} {cx1​+x2​=0x˙1​=x2​​⇒cx1​+x˙1​=0⇒{x1​=x1​(0)e−ctx2​=−cx1​(0)e−ct​​
可以看出状态量最终都会趋于0，而且是指数级的趋于0。$c$ 越大，速度也就越快。所以如果满足 s = c x 1 + c 2 = 0 s=cx_1+c_2=0 s=cx1​+c2​=0,那么系统的状态将沿着滑模面趋于零，（$s=0$称之为滑模面)

设计趋近律

上面说，如果 $s=0$ 状态变量最终会趋于0，可以如何保证 $s=0$ 呢，这就是控制率 $u$ 需要保证的内容了
s ˙ = c x ˙ 1 + x ˙ 2 = c x 2 + u dot s = c dot x_1 + dot x_2 = cx_2+u s˙=cx˙1​+x˙2​=cx2​+u
趋近律就是指 s ˙ dot s s˙ ，趋近律的一般有以下几种设计
{ s ˙ = − ε s g n ( s ) , ε > 0 s ˙ = − ε s g n ( s ) − k s , ε > 0 , k > 0 s ˙ = − k ∣ s ∣ α s g n ( s ) , 0 < α < 1 begin {cases} dot s = - varepsilon sgn(s), varepsilon > 0 \ dot s = - varepsilon sgn(s)-ks, varepsilon > 0 , k>0\ dot s = - k|s|^{alpha}sgn(s), 0 < alpha < 1 end{cases} ⎩ ⎨ ⎧​s˙=−εsgn(s),ε>0s˙=−εsgn(s)−ks,ε>0,k>0s˙=−k∣s∣αsgn(s),0<α<1​

s g n ( s ) = { 1 , s > 0 − 1 , s < 0 sgn(s) = begin{cases} 1,s>0 \ -1,s<0 \ end{cases} sgn(s)={1,s>0−1,s<0​

根据以上的趋近律，我们就可以获得控制量 $u$ 了(选取第一种控制率)。
u = − c x 2 − ε s g n ( s ) u = -cx_2-varepsilon sgn(s) u=−cx2​−εsgn(s)
我们对系统施加控制量 $u$ 即可保证系统最终稳定在原点。

证明有效性

在控制原理中用李雅普诺夫函数来判断系统的稳定性，对于系统状态方程 s ˙ = c x 2 + u dot s = cx_2+u s˙=cx2​+u ，我们此时的目标已经是希望把系统拉倒滑模面附近了，控制目标是 $s$ ,对于 $s$ 如果存在一个连续函数 $V$ 满足下面两个式子，那么系统将在平衡点 $s=0$ 处稳定，即 lim ⁡ t → ∞ V = 0 {limlimits_{t to infty}V = 0} t→∞lim​V=0
lim ⁡ ∣ s ∣ → ∞ V = ∞ {limlimits_{|s| to infty}V = infty} ∣s∣→∞lim​V=∞

V ˙ < 0   f o r   s ≠ 0 dot V < 0 for s ne 0 V˙<0 for s=0

我们证明的方法就是令 V = 1 2 s 2 V= frac {1} {2} s ^ 2 V=21​s2 ，很明显我们满足第一个条件，我们对 $V$ 进行求导，
V ˙ = s s ˙ = − s ε s g n ( s ) = − ε ∣ s ∣ < 0 dot V = s dot s = -s varepsilon sgn(s) = - varepsilon|s| < 0 V˙=ss˙=−sεsgn(s)=−ε∣s∣<0
也是满足第二个条件的，所以最终系统会稳定在滑膜面附近，这也就意味着两个变量也会稳定在滑模面期望他们稳定在的位置，即零点。

无限时间问题

上面的分析看似无懈可击，实际上是没什么用的，因为我们最终得到的结论是，在时间趋于无穷时，系统的状态必将趋于0，这有用吗，并没有，因为无限时间这太恐怖了，人死了系统都没稳定的话这没什么意义，所以我们必须要求他是有限时间可达的，所以我们修改一个李雅普诺夫的第二个条件
V ˙ ≤ − α V 1 2 dot V le - alpha V ^ {frac {1} {2}} V˙≤−αV21​
对于改进后的这个条件可以分离变量再积分
d V d t ≤ − α V 1 2 V − 1 2 d V ≤ − α d t ∫ 0 t V − 1 2 d V ≤ ∫ 0 t − α d t V 1 2 ( t ) − V 1 2 ( 0 ) ≤ − 1 2 α t V 1 2 ( t ) ≤ − 1 2 α t + V 1 2 ( 0 ) begin {align} frac {text d V} {text d t} &le - alpha V ^ {frac {1} {2}} nonumber\ V ^ {- frac {1} {2}} text d V &le - alpha text d t nonumber\ int^{t}_{0} V ^ {- frac {1} {2}} text d V &le int^{t}_{0} - alpha text d t nonumber\ V ^ {frac {1} {2}} (t) - V ^ {frac {1} {2}} (0) &le - frac {1} {2} alpha t nonumber\ V ^ {frac {1} {2}} (t) &le - frac {1} {2} alpha t + V ^ {frac {1} {2}} (0) nonumber \ end {align} dtdV​V−21​dV∫0t​V−21​dVV21​(t)−V21​(0)V21​(t)​≤−αV21​≤−αdt≤∫0t​−αdt≤−21​αt≤−21​αt+V21​(0)​​
根据上面的等式可以看出，$V$ 将在有限时间达到稳定，稳定的最终时间为
t r ≤ 2 V 1 2 ( 0 ) α t_r le frac {2V^ frac {1} {2} (0)} {alpha} tr​≤α2V21​(0)​
因为李雅普诺夫条件的改变，控制器 $u$ 也需要作出相应改变
{ V ˙ = s s ˙ = − s ε s g n ( s ) = − ε ∣ s ∣ V = 1 2 s 2 V ˙ ≤ − α V 1 2 ⇒ V ˙ = − ε ∣ s ∣ ≤ − α s 2 ⇒ ε ≥ α 2 begin{cases} dot V = s dot s = -s varepsilon sgn(s) = - varepsilon|s|\ V = frac {1} {2} s ^ 2 \ dot V le - alpha V ^ {frac{1} {2}} end{cases} Rightarrow dot V = - varepsilon|s| le -alpha frac{s}{sqrt {2}} Rightarrow varepsilon ge frac {alpha} {sqrt{2}} ⎩ ⎨ ⎧​V˙=ss˙=−sεsgn(s)=−ε∣s∣V=21​s2V˙≤−αV21​​⇒V˙=−ε∣s∣≤−α2 ​s​⇒ε≥2 ​α​
也就是给之前随意指定的 $\epsilon$ 增加了一个控制条件

干扰问题

上面的讨论其实还基于一个假设，没有干扰，没有干扰的控制是非常好做的，也是没什么实际意义的，这里我们将干扰项加入状态方程，之前我们讲到了滑膜方法对干扰是不敏感的，这里我们将从原理上解释为什么滑膜方法对干扰不敏感。

加入干扰后的状态方程
x ˙ 1 = x 2 x ˙ 2 = u + d begin{align} dot x_1 &= x_2 nonumber\ dot x_2 &= u + d nonumber\ end{align} x˙1​x˙2​​=x2​=u+d​​
这对我们设计滑膜面没有什么影响，我们的滑膜面如下
s = c x 1 + x 2 s = cx_1+x_2 s=cx1​+x2​
我们的趋近律设计也不变
s ˙ = − ε s g n ( s ) dot s = - varepsilon sgn(s) s˙=−εsgn(s)
我们的控制量 $u$ 也不变
u = − ε s g n ( s ) − c x 2 u = - varepsilon sgn(s) - cx_2 u=−εsgn(s)−cx2​

s ˙ = c x ˙ 1 + x ˙ 2 = c x 2 + u + d begin{align} dot s &= c dot x_1 + dot x_2 nonumber\ &=cx_2 + u + d nonumber\ end{align} s˙​=cx˙1​+x˙2​=cx2​+u+d​​

分析稳定性我们依旧使用李雅普诺夫函数
V = 1 2 s 2 V ˙ = s s ˙ = s ( c x 2 + u + d ) = s ( − ε s g n ( s ) + d ) ≤ − ε ∣ s ∣ + s d ≤ − ε ∣ s ∣ + s L ≤ ∣ s ∣ ( ε − L ) begin{align} V &= frac {1} {2} s ^ 2 nonumber\ dot V &= s dot s nonumber\ &= s (cx_2 + u + d) nonumber\ &= s (- varepsilon sgn(s) + d) nonumber\ & le -varepsilon|s| + sd nonumber\ & le -varepsilon|s| + sL nonumber\ & le |s|(varepsilon - L) nonumber\ end{align} VV˙​=21​s2=ss˙=s(cx2​+u+d)=s(−εsgn(s)+d)≤−ε∣s∣+sd≤−ε∣s∣+sL≤∣s∣(ε−L)​​
其中 $L$ 为干扰 $d$ 的上界
V ˙ ≤ − α V 1 2 − ε ∣ s ∣ + s L ≤ − α s 2 − ε ∣ s ∣ ≤ − α s 2 − s L ε ∣ s ∣ ≥ α s 2 + s L ε ≥ s g n ( s ) ( α 2 + L ) ε ≥ ( α 2 + L ) begin{align} dot V &le - alpha V ^ {frac{1} {2}} nonumber\ -varepsilon|s| + sL & le -alpha frac{s}{sqrt {2}} nonumber\ -varepsilon|s| & le -alpha frac{s}{sqrt {2}} - sL nonumber\ varepsilon|s| & ge alpha frac{s}{sqrt {2}} + sL nonumber\ varepsilon & ge sgn(s)(frac{alpha}{sqrt {2}} + L) nonumber\ varepsilon & ge (frac{alpha}{sqrt {2}} + L) nonumber\ end{align} V˙−ε∣s∣+sL−ε∣s∣ε∣s∣εε​≤−αV21​≤−α2 ​s​≤−α2 ​s​−sL≥α2 ​s​+sL≥sgn(s)(2 ​α​+L)≥(2 ​α​+L)​​
所以我们直接证明了，当我们的干扰有上界的情况下，我们的滑膜参数 $varepsilon $ 只需要满足上述条件就可以以指数级的收敛速度收敛到滑膜面附近。

三阶系统滑膜设计方法示例

三阶系统的模型如下
x ˙ 1 = x 2 x ˙ 2 = x 3 x ˙ 3 = f ( x ) + g ( x ) u begin {align} dot x_1 &= x_2 nonumber\ dot x_2 &= x_3 nonumber\ dot x_3 &= f(x) + g(x)u nonumber\ end {align} x˙1​x˙2​x˙3​​=x2​=x3​=f(x)+g(x)u​​
假设，我们期望的 x 1 x_1 x1​ 的目标是 x 1 d x_{1d} x1d​ ，注意，这里和前文不同，这里的控制目标不在是0了
e 1 = x 1 − x 1 d e 2 = e ˙ 1 = x ˙ 1 − x ˙ 1 d = x 2 − x ˙ 1 d e 3 = e ˙ 2 = x ¨ 1 − x ¨ 1 d = x 3 − x ¨ 1 d begin{align} e_1 &= x_1 - x_{1d} nonumber\ e_2 &= dot e_1 = dot x_1 - dot x_{1d} = x_2 - dot x_{1d} nonumber\ e_3 &= dot e_2 = ddot x_1 - ddot x_{1d} = x_3 - ddot x_{1d} nonumber\ end{align} e1​e2​e3​​=x1​−x1d​=e˙1​=x˙1​−x˙1d​=x2​−x˙1d​=e˙2​=x¨1​−x¨1d​=x3​−x¨1d​​​
设计滑模面
s = c 1 e 1 + c 2 e 2 + e 3 s = c_1 e_1 + c_2 e_2 + e_3 s=c1​e1​+c2​e2​+e3​
设计李雅普诺夫函数
V = 1 2 s 2 V = frac{1}{2} s ^ 2 V=21​s2
对李雅普诺夫函数进行求导
V ˙ = s s ˙ = s ( c 1 e ˙ 1 + c 2 e ˙ 2 + e ˙ 3 ) = s ( c 1 e 2 + c 2 e 3 + x 3 − x ¨ 1 d ( 3 ) ) = s ( c 1 e 2 + c 2 e 3 + x 3 − f ( x ) + g ( x ) u − x 1 d ( 3 ) ) = s ( Γ − f ( x ) + g ( x ) u − x 1 d ( 3 ) ) = s g ( x ) ( Γ − f ( x ) − x 1 d ( 3 ) g ( x ) + u ) begin{align} dot V &= s dot s nonumber\ &= s (c_1 dot e_1 + c_2 dot e_2 + dot e_3) nonumber\ &= s (c_1 e_2 + c_2 e_3 + x_3 - ddot x^{(3)}_{1d}) nonumber\ &= s (c_1 e_2 + c_2 e_3 + x_3 - f(x) + g(x)u - x^{(3)}_{1d}) nonumber\ &= s (Gamma - f(x) + g(x)u - x^{(3)}_{1d}) nonumber\ &= sg(x)(frac {Gamma - f(x) - x^{(3)}_{1d}} {g(x)} + u) nonumber\ end{align} V˙​=ss˙=s(c1​e˙1​+c2​e˙2​+e˙3​)=s(c1​e2​+c2​e3​+x3​−x¨1d(3)​)=s(c1​e2​+c2​e3​+x3​−f(x)+g(x)u−x1d(3)​)=s(Γ−f(x)+g(x)u−x1d(3)​)=sg(x)(g(x)Γ−f(x)−x1d(3)​​+u)​​
这里我们设计趋近律
s ˙ = − ε s g n ( s ) = Γ − f ( x ) + g ( x ) u − x 1 d ( 3 ) dot s = - varepsilon sgn(s) = Gamma - f(x) + g(x)u - x^{(3)}_{1d} s˙=−εsgn(s)=Γ−f(x)+g(x)u−x1d(3)​
得到控制量 $u$
u = − ε s g n ( s ) − Γ + f ( x ) + x 1 d ( 3 ) g ( x ) u = frac {-varepsilon sgn(s) - Gamma + f(x) + x^{(3)}_{1d}} {g(x)} u=g(x)−εsgn(s)−Γ+f(x)+x1d(3)​​
带入李雅普诺夫函数可得
V ˙ = − s ε s g n ( s ) = − ε ∣ s ∣ ≤ 0 dot V = -s varepsilon sgn(s) = -varepsilon |s| le 0 V˙=−sεsgn(s)=−ε∣s∣≤0
这里可以看到系统必将稳定，如果需要控制到达稳定的时间就限制 $\epsilon$ 即可