Sie sind auf Seite 1von 2

1.

State Space Models (SSM) PBH-Test Kalman Canonical Decomposition Symmetric Root Locus Design
(State Equation) Das System ist genau dann vollstndig steuerbar, wenn die Bedingung Wenn ein System uncontrollable und unobservable ist, dann existiert eine Linear Quadratic Regulators for SISO Systems
(Output Equation) fr alle komplexen Werte erfllt ist.Wenn kein Eigenwert Transformation die zu folgendem System fhrt: Ein optimaler Controller minimiert die Cost Function
: state matrix : input matrix : output matrix : direct transition matrix der Matrix ist, so ist das Kriterium erfllt. Die Bedingung muss also nur fr die ,
Eigenwerte der Matrix berprft werden. Somit zeigt das Kriterium direkt, welche Der erste Term reprsentiert den Control Error, der zweite den Control Effort, ist
[ ] [ ]
Eigenwerte ggf. nicht controllable sind. Wenn voller Rang fr gegeben ist,
ein Gewichtungsfaktor um den Schwerpunkt festzulegen, ein groes verringert
[ ] [ ]
dann ist das System stabilisierbar. den Anteil von Control Effort.

Pole Placement Das Optimal Control Law hat die Form von State Feedback

Wenn ein System controllable ist, dann knnen mittels State-Feedback die closed- [ ][ ]

Loop Pole an beliebige Stellen gelegt werden. State-Feedback ndert die Nullstellen und minimiert die Cost Function und plaziert die Eigenwerte von auf den
nicht. Das Input-Output Verhalten des Systems wird allein durch das Subsystem stabilen Nullstellen von
Chain of Integrators Die vorgegebenen Pole , , erzeugen ein Polynom ( ) bestimmt. Die Transfer Funktion lautet:

b2 s 2 b1s b0
Fr G( s) gilt folgendes Schaltbild Die Nullstellen des Polynoms liegen in der komplexen Ebene symmetrisch zur
s3 a2 s 2 a1s a0 4. Observer-Based Control
Im-Achse. Links die stabilen, rechts die instabilen, die stabilen Nullstellen bilden die
State Estimation Feedback
gewnschten Eigenwerte des State-Feedback Vektors .
Feedback wird mit dem estimated Statevektor des Observers durchgefhrt
Optimal Controller Design
Fr zwei vorgegebene Pole (System 2. Ordnung): Teilen von durch fhrt zu
u

Aus A ist das charakteristische Polynom bestimmt worden: Die optimalen Eigenwerte von liegen in der rechten Halbebene. Die Verwendung
von standart Root-Locus Verfahren knnen mit folgenden Ersetzungen verwendet
Es entsteht ein Zeilenvektor: werden:
[ ] ,
Controllability Matrix und Toeplitzmatrix lauten:
Transfer Function -> State Space Model
[ ] [ ] Vorgehensweise zusammengefasst:
-Root Locus Plot von zeichnen
Danach lsst sich der bentigte Vektor f berechnen: -Optimale Closed-Loop Eigenvalues auswhlen (Gewichtung zwischen Performance
(Bass-Gura)
und Control Effort festlegen)
Fr Pole Placement eines Observers gilt: -Optimal State Feedback Gain berechnen durch Lsen eines Pole Placement
Controller Canonical Form ( ) Problems
Uncontrollable Systems Der entstandene State Feedback Controller heit Linear Quadratic Regulator LQR.
[ ]; [ ] Ist das System uncontrollable, also hat nicht vollen Spalten-Rang Optimal State Estimation
[ ] , dann gibt es eine Transformationsmatrix die das System Plant Model um Rauschen erweiter:
[ ];
in ein controllable und ein uncontrollable Subsystem zerlegt:
Observer Canonical Form Die State Variablen des Closed-Loop Systems sind die State Variablen von Plant und
[ ]
Observer, somit ergibt sich das StateSpace Model zu:
enthlt in den ersten Spalten die linear unabhngigen Spalten von und Observer Equation ist somit:
[ ]; [ ]
wird mit linear unabhngigen Vektoren (orthogonal zu den anderen) * + [ ]* + * + , [

] * +

[ ]; aufgefllt. Vom Plant Modell subtrahiert ergibt den Estimation Error:
[
]* +
Die Transformation auf das System angewandt liefert:
State Space Model -> Transfer Function
; Ersetzen des Observer State Vektors durch den Estimation Error durch
Laplace Transformation des SSM: Mit der Transferfunktion von Process Noise zu Measured Output
Transformation des Systems mit
und Rauschverhltnis ergibt sich, dass der Observer Gain ,
* + * +, * +

( ) welcher [ ] (Measure of Estimation Error Size) minimiert, die
State Equation nach umstellen und in Output Equation einsetzen: fhrt zu folgendem System:
Die Controllability Zerlegung ergibt nach der Transformation: Eigenwerte von auf die stabilen Werte in der linken Halbebene von

* + * +* + * + , [ ] * + abbildet.

[ ] [ ] [ ] [ ] So ein Observer heisst Kalman Filter. Ein LQR Controller mit einem Kalman Filter
[ ]* +
kombiniert heit Linear Quadratic Gaussian (LQG) Controller.
Static Gain [ ] [ ] Die Eigenwerte des Closed-Loop System sind die Eigenwerte des State-Feedback
Charakteristisches Polynom 5. Multivariable Systems
und des Observers . State-Feedback und Observer knnen also
Die Pole, die das dynamische Verhalten des Systems charakterisieren, sind die 3. Observability and State Estimation Transfer Function Model
unabhngig voneinander entworfen werden (Separation Principle). ist
Eigenwerte von A. State Estimation Von jedem Eingang zu jedem Ausgang gibt es eine bertragungsfunktion, besteht
uncontrollable von ist controllable wenn controllable ist.
Charakteristisches Polynom Open Loop Fr State Feedback mssen alle State Variablen bekannt sein. Knnen diese nicht keine Verbindung von Eingang zu Ausgang , so ist die entsprechende
Spezialfall mit Integrator und Gain vorm Eingang :
(2. Ordnung) alle gemessen werden, dann knnen sie mithilfe eines State Estimators abgeschtzt bertragungsfunktion . Ein Modell mit zwei Ein- und Ausgngen sieht wie
werden. Berechnung eines State Estimators und die Berechnung von State Feedback [ ] [ ][] [ ] folgt aus:
sind mathematisch gleich (Dual Problems).
Settling Time Rise Time [ ] [ ][ ]
[ ][]
Peak Overshoot
Rechenregeln
Changing Eigenvalues via State Feedback Spezialfall mit Durchgriff:
Dynamische Eigenschaften des Systems (Eigenwerte des Systemmatrix A) knnen G(s) G1(s)G2 (s)
mittels State Feedback verndert werden (Verschiebung der Eigenwerte zu A + bf).

G s G1 s G2 (s)

G1(s)
Der Eingang wird zu: G( s)
1 G1(s)G2 (s)
[ ]
Das SSM wird zu:
State Space Model
MIMO State Space Model:
Non-Uniqueness of SSM and Similarity Transformation
Ein gegebenes SSM kann mittels Koordinatentransformation in ein anderes SSM Open-Loop estimated State Vector:
berfhrt werden. Die SSM beschreiben dabei weiterhin das gleiche System. [ ] [ ][ ] [ ]
State Space Model -> Transfer Function
Transformation T mit estimation error dynamics ( ):
,
[ ][ ]
Closed-Loop (State Observer) estimated State Vector: Transfer Function -> State Space Model
( )
bertragungsfunktion Closed-Loop
Zu jeder einzelnen bertragungsfunktion der bertragungsfunktionsmatrix
(d unverndert weil keinen Bezug zu den State Variables) die Controller Canonical Form bestimmen und zu einem System
estimation error dynamics ( ):

, zusammenfassen:
Diagonal Form Choice of Observer Eigenvalues
Wenn das System observable ist, knnen mittels die Eigenwerte des State
Wenn in T die Eigenvektoren von A stehen und kein Eigenwert doppelt auftritt, dann - Eigenwerte bestimmen Abklingzeit des Estimation Errors
Estimators beliebig plaziert werden. Berechnung von identisch zu Pole Placement [ ] [ ]* +
wird A auf Diagonalform gebracht. Auf der Diagonalen stehen dann die Eigenwerte. - Eigenwerte sollten links von den Plant Eigenvalues liegen um deren Entwicklung zu
bis auf einige nderungen:
Solution of State Equation and Matrix Exponentials verfolgen
, b , f
Zur Lsung der Zustandsgleichung ist eine Matrixexponentialfunktion notwendig: - Zu weit links verstrkt das Rauschen zu sehr * + [ ]
( )
Reference Tracking Diese Realisierung ist nicht zwangslufig minimal, es knnen also uncontrollable und
Zur Vektor Bestimmung wird das characteristische Polynom des Observers anstatt
Verschiedene Mglichkeiten ein Referenzsignal ins System zu geben, wobei die erste unobservable State Variablen auftreten.
des angestrebten Systems benutzt:
bei Signalsprngen Estimation Error erzeugt:
The Gilbert Realization
Solution to State Equation: Observability Matrix Nur mglich, wenn die Eigenwerte jeder skalaren bertragungsfunktion einfach
Observability Matrix entsprechend Dimension von A. Hat vollen Rang, dann sind. Ist die bertragungsfunktionsmatrix gegeben wird sie wie folgt zerlegt:

ist das System observable. Bsp:
mit Transition Matrix :
Die zweite Mglichkeit gibt die Signale gleichzeitig an Plant und Observer, dadurch ist das kleinste gemeinsame Vielfache der Nenner aus
[ ] n=n und enthlt die Polstellen, wird bruchfrei. Dann wird Partialbruchzerlegung
entsteht kein Estimation Error:
durchgefhrt:
* + n=2
Non-Zero Initial Condition
Laplace von
[ ] n=3 Mit der Definition lsst sich jede Matrix faktorisieren als:
[ ] Laplace Transition Matrix
mit ,
Es gilt: quivalente Aussagen zur Observability und werden durch Ausprobieren gefunden.
- Das System ist observable Die Partialbruchzerlegung lsst sich umschreiben zu:
- Das System ist controllable Zeros of Transfer Functions
Fr eine Nullstelle (Transmission Zero) gilt ( )
Stability - Das Observability Gramian ist positive definit fr
Ein System ist stabil wenn sich alle Eigenwerte der Systemmatrix A in der linken Somit erzeugt jeder Term eine State Space Realisierung mit . Alle Systeme
Halbebene befinden. mittels paralleler Verschaltung zusammengefasst ergibt das (minimale) MIMO State
- Die Observability Matrix hat vollen Rank.
Cayley-Hamilton Theorem Zeros of State Space Models Space Model:
Wenn die Charakteristische Gleichung der Matrix A - Die Matrix hat * + vollen Rank fr alle s (Dual of PBH Test) Eine komplexe Zahl ist eine Nullstelle (Invariant Zero) wenn gilt:
Unobservable Systems * + [ ] [ ]
ist, dann folgt: Ist das System A,b,c,d nicht observable, also hat nicht vollen Zeilen-Rang Ist ein State Space Modell minimal, dann sind Invariant und Transmission Zeros
[ ] , dann gibt es eine Transformationsmatrix die das System [ ]
gleich, hat ein Modell uncontrollable und unobservable Modes, existieren Invariant
Die Transition Matrix kann geschrieben werden als: in ein observable und ein unobservable Subsystem zerlegt: MIMO Controllability and Observability
Zeros die nicht als Transmission Zeros auftauchen.
Controllability
Durch Einsetzen der Eigenwerte lassen sich die berechnen. Closed Loop Transfer Function
Folgende Aussagen sind quivalent:
Allgemeine Form:
- The System is controllable
[ ] [ ] [ ] - The controllability Gramian
[ ] is positive definite for any
enthlt in den ersten Zeilen die linear unabhngigen Zeilen von und wird [ ] has full row rank
2. Controllability & Pole Placement - The controllability matrix
mit n-r linear unabhngigen Vektoren (orthogonal zu den anderen) aufgefllt.
Controllability Gramian - The matrix [ ] as full row rank for all
Die Transformation auf das System angewandt liefert:
Observability
; ; Folgende Aussagen sind quivalent:
- The System is observable
System ist controllable, wenn positiv definit fr alle t > 0 ist. Wenn fr Die Observability Zerlegung ergibt nach der Transformation:
ein t > 0 positiv definit ist, dann ist fr alle t > 0 positiv definit. - The observability Gramian

[ ] [ ] [ ] []
Controllability Matrix
Controllability Matrix entsprechend Dimension von A. Hat vollen Rang, dann und haben keinen Einfluss auf die Closed-Loop Eigenvalues, aber auf die Closed-
[ ][ ] Is positive definit for any
ist das System controllable. Loop Zeros. Bedingung fr Zeros ( wegen Interesse an Zeros von nach ): - The observability matrix
[ ] n=n Observable Subspace
[ ] n=2 Der Observable wird von den linear unabhngigen Zeilen der Matrix aufgespannt. [ ]
Bei vollstndig beobachtbaren Systemen ist dies der gesamte Zustandsraum. Der [ ]
[ ] n=3
Controllable Subspace NullSpace der Observability Matrix ist der unobservable Subspace, der RowSpace ist ( )
Der Controllable Subspace ist die Menge, die ein uncontrollable System erreichen der observable Subspace. Der unobservable Subspace liegt senkrecht auf dem Has full column rank
Nachdem und festgelegt sind knnen die Closed-Loop Zeros mit und
kann. Diese Menge wird von den linear unabhngigen Spalten der Matrix observable Subspace. - The matrix * + as full column rank for all
aufgespannt. Fr z.B. [ ] ist es eine Gerade mit Steigung 2. Bei vollstndig Detectability festgelegt werden wenn ( ) observable ist.
Minimales System
steuerbaren Systemen ist dies der gesamte Zustandsraum. Der Uncontrollable Ein System heit detectable wenn es einen Vektor gibt, so dass alle Eigenwerte Closed-Loop bertragungsfunktion
Subspace liegt senkrecht dazu. Ein Realisierung System ist minimal wenn es die geringste Ordnung hat, also die
von in der linken Halbebene liegen. Wenn das System unobservable ist, dann ( )
Stabilizability geringstmgliche Anzahl an State Variablen. Eine Realisierung ist nur minimal, wenn
darf keine Eigenwerte in der rechten Halbebene haben.
Ein nicht stabiles System ist stabilisierbar, wenn ein existiert, so dass mittels State controllable und obersvable ist. Eine Gilbert Realisierung ist immer
Feedback das resultierende System stabil ist. Minimales System minimal, weil sie immer controllable und observable ist.
Wenn das System instabil ist und die Controllability Zerlegung vorliegt, Ein System ist minimal wenn es controllable und observable ist!
dann ist das System nur stabilisierbar, wenn keine Eigenwerte in der rechten
Halbebene hat.
Multivariable Poles and Zeros Pole Location and Stability Empirical Autocorrelation der Datensequenz Matlab
- Der Grad der minimalen Realisierung bestimmt die Anzahl der Pole des Systems Wie bei den Diskrete-Time Systemen mssen auch hier die Pole innerhalb der Unit- System und Transferfunktion

- Bei einer minimalen Realisierung sind die Eigenwerte von die Pole von Disc liegen, damit das System stabil ist. A = [ 1 2 ; 3 4 ]; Matrix * + erzeugen
- Wenn Pole-Zero-Cancellation auftritt ist das System entweder unobservable oder Die Pole des second order Continuous-Time Systems fhrt zu A = eye(n);
uncontrollable m*n Matrix mit 1 Diagonale: 2,3 -> * +
A = eye(m,n);
- Verliert an der Stelle Rang, dann ist eine Nullstelle Rckgabe der Dimensionen der Matrix als Vektor d
[ ] d = size(A);
- hat eine invariante Nullstelle bei wenn gilt: * + werden zu den folgenden Roots gemappt oder direkt in die Elemente m (Zeilen) und n
[m,n] = size(A);
(Spalten)
hat eine transmission Zero bei wenn gilt: mit und dem Zusammenhang a=size(A,x); Ausgabe an Zeilen (x=1) od. Spalten (x=2)
Mit ( )
(Wenn eine Matrix ist, dann bilden) Matrix B erzeugen mit den Zeilen n bis m und
B = A(n:m,j:k);
- Auch hier sind bei minimalen Systemen Invariant und Transmission Zeros gleich. Ist Spalten j bis k von A.
das System nicht minimal, kommen zustzliche Invariant Zeros dazu, die jedoch Fr ausreichend lange Datensequenzen kann die Matrix als eine skalierte Matrix B erzeugen mit den Zeilen n bis m und allen
B = A(n:m,:);
keinen Einfluss auf das Input-Output-Verhalten des Systems haben. Version der empirischen Kovarianzmatrix interpretiert werden. Spalten von A.
Persistent Excitation a = A(1,2); Aus der Matrix A den Wert von A12 entnehmen
Augmented System A_inv = inv(A); Inverse A Matrix erzeugen
Die Excitation Condition besagt dass die Matrix vollen Spaltenrang haben
* +, * +, * + muss, d.h. das Eingangssignal muss so reichhaltig sein, dass alle dynamischen Mode A_trans = A; A transponieren
Gibt einen Vektor d mit den Eigenwerten von A
State Feedback (positiv) des Systems angeregt werden. Ein Signal wird persistently exciting of order d = eig(A);
zurck. V ist eine Matrix mit den Eigenvektoren von
[ ]* + genannt, wenn die Matrix positiv definit ist. [V,d] = eig(A);
A in den Spalten.
Eine weitere, zwingend notwendige Bedingung ist: p = poly(A); Charakteristisches Polynom von A
Optimal Control of MIMO Systems
( ) k = rank(A); Rang von A
System mit stabilizable und detectable und . Gesucht wird ein C = conv(A, B); Ausmultiplizieren der Vektoren A & B wie Polynome
Eingangssignal, welches das System zurck zu bringt. Sys = ss(A,b,c,d); StateSpace Model erzeugen aus einzelnen Matrizen
( ) , MIMO Cost Function Sys = ss(G); oder einer Transferfunktion. Digitales System mit
( ) Sysd = ss(A,b,c,d,Ts); Samplingzeit Ts.
( ) , more general Form
G = tf(Sys); Transferfunktion aus StateSpace Model
[ ] StateSpace Model aus Transferfunktion mit
, [ ] : tuning parameter [A,B,C,D] = tf2ss(b,a);
Numerator b und Denumerator a.
Bsp Impulse: PE of order 0
SysT = ss2ss(sys,T); Similarity Transformation with T
Step: PE of order 1
[ ] [ ] [ ] Sinus: PE of order 2
[a,b,c,d] = ssdata(sys);
Matrizen A,B,C und D aus dem System extrahieren,
[a,b,c,d,Ts] =
Das optimal State Feedback welches die Cost Function minimiert, White Noise: PE of any order fr diskrete Systeme mit Samplingzeit Ts.
ssdata(sys)
positioniert die Eigenwerte von auf den stabilen Eigenvalues von . Die ARX Models (AutoRegressive with eXogenous Input) Co = ctrb(sys);
Controllability Matrix Co erzeugen
Eigenvektoren von sind die partitionierten der Eigenvektoren von , Modell ohne Vereinfachung, also mit autoregressiven Komponenten im Ausgang Co = ctrb(A,B);
welche den stabilen Eigenwerten zugeordnet sind. Ob = obsv(sys);
Observability Matrix Ob erzeugen
Ob = obsv(A,C);
Optimal State Estimation
Controllability Zerlegung erzeugen und ausgeben
Das State Space Model wird um Rauschen erweitert [Abar,Bbar,Cbar,T,k] = des neuen Systems, Transformationsmatrix und
Sampled Data Controller Design
[ ] ctrbf(A,B,C); Zeilenvektor k, wessen Lnge die Ordnung des
Zwei Mglichkeiten:
1. Einen Continuous-Time Controller mit Standart Methoden entwerfen und danach Systems A ist.
Observer Gain L wird auf die gleiche Weise bestimmt wie Optimal Pole Placement [ ] [Abar,Bbar,Cbar,T,k] =
den Controller durch eine Discrete-Time Transfer-Function Observability Zerlegung
mit folgenden nderungen: obsvf(A,B,C);
approximieren sysr = minreal(sys); Minimale Realisierung des Systems sys
, , , [ ]
2. Zuerst den Continuous-Time Plant diskretisieren und dann einen Discrete-Time Minimales System mit orthogonaler Matrix U so
, : speed of estim. tuning parameter [sysr,u] =
Controller entwerfen. dass (U*A*U',U*B,C*U') eine Kalman decomposition
6. Digital Control minreal(sys,tol);
Continuous-Time Design Tustin Approximation Mit der empirical CrossCovariance von (A,B,C) ist
Discrete-Time System: arbeitet nur mit diskreten Signalen Folgende Ersetzung der in der Continuous-Time Funktion fhrt auf die Discrete- Concrete Time (SSM oder TF) in Discrete Time
sysd =
Sampled-Data System: arbeitet mit diskreten und kontinuierlichen Signalen Time Funktion Model umwandeln mit Abtastzeit Ts. Method
c2d(sys,Ts,method);
entweder tustin oder zoh.
Discrete-Time Systems z-Transform and State Space Model
folgt: [ ] sysc = Discrete Time in Concrete Time wandeln. Method
Discrete-Time Signals d2c(sysd,method); entweder tustin oder zoh.
, Die Sampling-Frequenz sollte hher als die Bandbreite sein, ein
Subspace Identification of State Space Models Linear-quadratic (LQ) state-feedback regulator fr
Aanlog zu Continous-Time Systemen ist fr . vernnftiger Wert ist . [K,S,e] =
ein StateSpace System. K: optimal Gain Matrix. S:
State Space Model LQR(A,B,Q,R,N);
Discrete-Time Unit Impuls (Dirac Impuls): Exact Discretization (Zero Order Hold) Solution of Riccati Equation. E: Closed-Loop
[K,S,e] = LQR(A,B,Q,R);
Erzeugen eines Discrete-Time Systems durch Eigenvalues.
{
; F = -lqr(A,B,Q,R); Optimal Direkt State Feedback Vektor F ausgeben
Discrete-Time Unit Step: Wird mit Unit Impulse auf Eingang erregt L = -lqr(A,B,Qe,Re); Optimal Observer Gain L ausgeben
Whrend der Sampling Augenblicke beschreibt das diskrete Modell das Continuous-
State Feedback Vektor F zu vorgegebenen Polen in
{ Time Modell exakt, im Ggensatz zur Tustin-Approximation. Liegt ein Dicrete-Time F = -place(A,B,p);
Zeilenvektor *p1 p2 p3 +
Discrete-Time Exponential Function:
Modell vor, so kann mit den Discrete-Time Versionen der Desgin Techniken, wie [ ]
L = -place(A,B,p); Observer Gain L zu vorgegebenen Polstellen
Root Locus, Pole Placement, Optimal Feedback und State Feedback, ein Controller
[ ] Single Value Decomposition. S ist diagonal und
{ entworfen werden. [U,S,V] = svd(X);
Ein Eintrag in dem Output Vektor beschreibt den Ausgang am Channel wenn positiv, U & V sind unitr wobei gilt: USV=X
Bei ZOH konvergieren die Pole zu 1 bei kleinem Sampling Time:
bertragungsfunktionen
Deadbeat Control dem Eingang ein Unit Impulse zugefhrt wurde. Die komplette Impulse Response
Linear Difference Equation: G = tf(num,den); Transferfunktion aus numerator und denumerator
Deadbeat Control ist rein theoretisch und bringt jedes System in Schritten zurck Matrix beinhaltet die Impulse Responses von jedem Eingang zu jedem Ausgang:
G = tf(num,den,Ts); Diskrete Transferfunktion mit Samplingzeit
Wenn ist, hngt der Ausgang zu jedem Zeitpunkt direct vom Eingang ab, das zum Ursprung (0). Closed Loop Matrix von einem System in Controller Canonical k = dcgain(G); Statische Verstrkung von G bestimmen
[ ] P = pole(sys); Polstellen berechnen
System antwortet unverzgert. Physikalische Systeme knnen das nicht, deshalbt ist Form:
normalerweise , Nur wenn ein System sehr schnell antwortet (in Bezug auf z = zero(sys); Nullstellen bestimmen
Mit der Schreibweise [ ] [ ] sys = series(sys1,sys2); Zwei Systeme in Reihenschaltung zusammenfhren
die Sampling-Rate), ist zur Approximation legitim.
, Lassen sich alle Antworten auf Sprnge an allen Eingngen schreiben als: sys = Zwei Systeme in negativer Feedbackschaltung
The z-Transform feedback(sys1,sys2); zusammenfhren
Die Laplace-Transformation fhrt leicht abgewandelt zur z-Transformation, dabei [ ] [ ] { Plotfunktionen
wird stets vorrausgesetzt dass . Poles of Sampled-Data Systems step(sys); Sprungantwort vom System plotten
[ ] [ ] Pole des kontinuierlichen Systems: Constructing a Model from the Impulse Response Impulse(sys,3); Impulsantwort bis 3sec bzw. bis k=3 falls diskret
Die z-Transformation termweise auf die Differenzen-Gleichung angewendet liefert: Measured Impulse Response Data in Matrixform (Hankel Matrix): ltiview(sys); Sprungantwort vom System im LTI Viewer
Pole des diskreten Systems: z e pi T bode(sys); Bodeplot vom System
Zeros of Sampled-Data Systems plot(Y);
Zeichnet Vektor Y ber X
plot(X,Y);
Dies fhrt zur Discrete-Time Transfer Function Der Diskretisierungsprozess fgt neue Nullstellen hinzu (Sampling Zeros). Bei Tustin
nyquist(sys); Nyquistplot vom System erstellen
hat das neue System Zeros mehr, bei der Exact Discretization hat es
[ ] rlocus(sys); RootLocus Plot vom System
Zeros mehr wenn ist, ansonsten . Funktionen
Mit der Schreibweise von
for k=initval:endval,
Unit Impulse For Schleife mit k als Zhlvariable
statements, end
[ ] Beispiele
Unit Step - Kalman decompisition of StateSpace Model
[ ] G = ss(A,B,C,D);
[ ] Faktorisierung: [Gmin,T] = minreal(G);
Exponential Function Conrete-Time SSM DiscreteTime SSM (ZeroOrderHold / Exakt Discretization) Gkalman = ss2ss(G,T);
Soll eine bertragungsfunktion in eine diskrete bertragungsfunktion [ ][ ]
[ ]
umgewandelt werden, so ist der Umweg ber das Discrete-Time SSM notwendig: - System Identification:
Final Value Theorem and Steady State Gain und sind die erweiterten Observability und Controllability Matrizen, weil die Bestimmung eines unbekanntes StateSpace Models. Nur die Hankel Matrix ist im
Der Final-Value eines Discrete-Time Systems kann berechnet werden mit: Anzahl an Samples hher ist als die erwartete Order des Systems. Da ein Matlab Workspace:
minimales System bestimmt werden soll gilt n = rank(Hk); % 1 rank(Hk) = system order
Damit lsst sich der Static Gain eines Systems berechnen. Die Sprungantwort [m,r] = size(Hk); % 2 dimensions
ist: Allgemein gilt: [U,S,V] = svd(Hk); % 3 decompose
Wenn man also die Impulsantwort eines Systems in die Matrixform schreibt, Us = U*sqrt(S); % 4 split the singular values evenly
DiscreteTime SSM
lsst sich am Rang der Ordnung des Systems erkennen Vs = sqrt(S)*V'; % 5 sqrt zieht die Wurzel aus Elementen von S
Und fhrt mit der vorherigen Formel zum Static Gain Ck = Vs(1:n,1:r); % 6 extended controlability
Transfer Funktion The Ideal Case
wenn Ok = Us(1:m,1:n); % 7 extended observability (Hk = Ok*Ck)
Time Delay Systems
; ; ; Gamma = Ck(:,1); % 8 1 input -> 1st column of Ck
Initial Value Theorem
C = Ok(1:2,:); % 9 2 % outputs -> 1st and 2nd rows of Ok
;
Choice of Sampling Frequency
Impulse Response Die ersten Zeilen von sind die Systemmatrix ; die ersten Spalten von sind - MIMO Plant Observer-Based Control mit Integrator (Augmented Plant)
Daumenregel: Samplingfrequenz mindestens 5-10 mal so gro wie Signalbandbreite.
die Systemmatrix . Fr einen Plant soll fr einen LQR Controller und bestimmt werden. Im
7. System Identification Workspace liegen die Plant Matrizen . Die Gewichtungsmatrizen mssen
Least Square Estimation [ ] gesetzt werden.
heien Markov-Parameter & stellen die Impulsantwort eines Systems dar mit: A_aug = [A zeros(size(A,1),size(D,2)); -C 0];
Ein unbekannter Prozess ist zu bestimmen, von welchem die Ausgnge und
B_aug = [B; 0];
lineare Faktoren bekannt sind. Ein lineares Prozessmodell
{ Single Value Decomposition Q_aug = [C'*C zeros(size(A,1),size(D,2));
lautet:
Eigenwerte von die deutlich kleiner sind als andere werden zu Null gesetzt. Die zeros(size(D,1),size(A,2)) 1];
Discrete-Time State Space Model ersten Zeilen von ergeben und die ersten Spalten von ergeben . R = eye(2); % for 2 inputs
Die beschreiben die Abhngigkeit von den gemessenen Variablen und
Discrete-Time MIMO System: F_aug = lqr(A_aug,B_aug,Q_aug,R);
enthlt mgliche Fehler. Das Model lsst sich umschreiben in: F = -F_aug(:,1:size(A,1));
[ ][ ][ ]
F_I = -F_aug(:,size(A,1)+1: size(A,1)+ size(B,2));
[ ][ ]
Pulse Transfer Function
Wenn und gegeben sind, dann lautet das Least Square
[ ][ ] - Testen der Controllability
Estimation Problem: Finde einen Parametervektor , so dass die Summe Fr ein System von Grad n. A und B sind bereits im Workspace
: strictly proper; : bi-proper
quadratischer Fehler minimal wird: rank(ctrb(A,B)) < n
Steady State Gain, Static Gain
Fr die Mglichkeit einer Berechnung, muss vollen Spaltenrang besitzen.
[ ][ ]
Bsp: - LTI System Controller erzeugen
Solution of State-Equation
Ein unbekanntes System erster Ordnung mit Transferfunktion Controller entsprechend Abbildung erzeugen. Im Workspace befinden sich
Allgemeine Rechenregeln des Plants :

* +, * +
soll identifiziert werden. Dazu wird das unbekannte und das bestimmte System mit
Stability of Discrete-Time Systems dem selben angeregt und die Differenz der Ausgnge ergibt [ ], [ ]
Ein Discrete-Time System ist stabil wenn alle Eigenwerte von innerhalb der Unit
r = 0.1;
Umschreiben der Differenzengleichung fhrt zum linearen Regressionsmodel
Disc sind. Transformationen re = 0.1;
[ ]* + [A,B,C,D] = ssdata(G);
Controllability
[ ] Q = C*C; % output weighting
Solving the Least Square Estimation Problem R = r*eye(2); % input weighting
Es existiert eine Sequenz { } die das System in Schritten
Mit den verfgbaren wird das Problem in die folgende Form Qe = B*B; % process noise
zum Final State bringt, wenn Rank hat.
gebracht: Re = re*eye(2); % output noise
Observability F = lqr(A,B,Q,R); % state feedback
[ ], [ ], [ ] L = lqr(A,C,Qe,Re); % observer
[ ] Das System ist observable wenn Rang hat. A_cl = [AB*F B*F; zeros(3,3) A-L*C];
Die Summe der quadratischen Fehler ist minimal, wenn der Parametervektor B_cl = [B ; zeros(3,2)];
folgende Gleichung erfllt: C_cl = [C zeros(2,3)];
Stabilizability, Detectibility, Kalman-Decomposition, Minimal Realization G_cl=ss(A_cl,B_cl,C_cl,0);
knnen genau wie fr Continuous-Time Systems berechnet werden. Geometrische Interpretation
Funktion von oben so umschreiben:
Sampled Data System - System Identification
mit [ ]
Ein Continuous-Time Signal wird durch einen Zug von Delta-Impulsen zu den Zeiten Berechnung von wenn und im Workspace sind.
Man sucht hier eine lineare Kombination von , die am nchsten an Vektor n = length(u);
reprsentiert. Vergleicht man die Laplace-Transformierte des Delta-Zuges mit
heran kommt. Dann stehen alle orthogonal zu also M = [u(2:n-1) u(1:n-2)];
der z-Transformierten des Discrete-Time Signals, so erhlt man die Beziehung
ber gelangt man zu: Yn = Y(n+1:length(y));
Die linke Halbebene wird in den Kreis projiziert, die rechte auerhalb. Estimation of Transfer Function Models p = ((M)*M)/M*Yn);
Zur Vereinfachung enthlt folgendes System keine autoregressiven Komponenten
Time Constant function M = mkm(y,u,n)

Ein Pol, oder ein Polpaar mit korrespondiert mit einem exponentiellen ny = length(y);
Abfall mit der Zeitkonstanten [ ][ ] nu = length(u);
ndata = min(nu,ny)-1;
Berechnung von Sprungantwort
Die Measurement Matrix hat die Form
for i=n:data
M(i-n+1 , 1:n) = -y(I:-1:i-n-1);
Polynomdivision durchfhren: [ ]
M(i-n+1 , n+1:2*n) = u(i:-1:i-n+1);
Dann gilt: , ,
end