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 x1= 0 , x2= 0x_1 = 0,x_2=0x1​=0,x2​=0

设计滑模面

s=c x 1+ x 2s=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 x1= 0 , x2= 0x_1 = 0,x_2=0x1​=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 −ctx 2=−c x 1(0) e −ct\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 x1+ c2= 0s=cx_1+c_2=0s=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 ss˙ ，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 ∣αs g n ( s ) , 0 < α 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​

sgn(s)= { 1,s>0−1,s0 \\ -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−εsgn(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 x2+ u\dot s = cx_2+us˙=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{\lim\limits_{t \to \infty}V = 0}t→∞lim​V=0
lim⁡∣s∣→∞ V=∞{\lim\limits_{|s| \to \infty}V = \infty} ∣s∣→∞lim​V=∞

V ˙<0fors≠0\dot V < 0 \ for \ s \ne 0 V˙<0fors=0

我们证明的方法就是令 V = 12s2 V= \frac {1} {2} s ^ 2V=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 ˙=−sεsgn(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 12 \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 12V − 1 2 dV ≤−αdt ∫ 0 t V − 1 2 dV ≤ ∫ 0 t−αdt V 12 (t)− V 12 (0) ≤− 1 2αt V 12 (t) ≤− 1 2αt+ V 12 (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 12 (0)αt_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 ˙=−sεsgn(s)=−ε∣s∣V= 1 2 s 2 V ˙≤−α V 12⇒ 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 2s = cx_1+x_2 s=cx1​+x2​
我们的趋近律设计也不变
s ˙=−εsgn(s)\dot s = – \varepsilon sgn(s) s˙=−εsgn(s)
我们的控制量 $u$ 也不变
u=−εsgn(s)−c x 2u = – \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 2V˙ =s s ˙ =s(c x 2+u+d) =s(−εsgn(s)+d) ≤−ε∣s∣+sd ≤−ε∣s∣+sL ≤∣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 12 −ε∣s∣+sL ≤−α s 2 −ε∣s∣ ≤−α s 2 −sLε∣s∣ ≥α s 2 +sLε≥sgn(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 x1 x_1x1​ 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
e1 = x 1− x 1d e2 = e˙1= x˙1− x˙1d = x 2− x˙1d e3 = e˙2= x¨1− x¨1d = x 3− x¨1d \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 3s = 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 2V = \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¨1d(3) ) =s( c 1 e 2+ c 2 e 3+ x 3−f(x)+g(x)u− x 1d(3) ) =s(Γ−f(x)+g(x)u− x 1d(3) ) =sg(x)( Γ−f(x)− x 1d(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 ˙=−εsgn(s)=Γ−f(x)+g(x)u− x 1d(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= −εsgn(s)−Γ+f(x)+ x 1d(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 ˙=−sεsgn(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