RTIII Skript

Institut für Mess- und Regelungstechnik
Leibniz Universität Hannover

Prof. Dr.-Ing. E. Reithmeier
Regelungstechnik für Fortgeschrittene –

Skript
22. April 2020

Inhaltsverzeichnis
1 Rückblick Regelungstechnik I 1
1.1 Probleme bei der Modellierung . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Robuste Regelung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Reglerauslegung allgemein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Design Prozess eines Reglers . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Grundlagen der robusten Regelung 9
2.1 Lineare Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3 Klassische Prüfung der Stabilität und Performance 18
3.1 Stabilität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 Performance im Zeitbereich . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Performance im Frequenzbereich . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4 Bandbreite: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5 Reglerauslegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4 Moderne Mehrgrößen-Reglung (MIMO) mit Hilfe von Normen 31
4.1 Normen in der Regelungstechnik . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2 Auslegegung moderner Regler . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3 LQG control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4 H∞ -Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
ii
Inhaltsverzeichnis iii
5 Robuste Prüfung der Stabilität und Performance 45
5.1 Modellunsicherheiten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.2 Robuste Stabilität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.3 Small-Gain-Theorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.4 Auslegegung robuster Regler . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.5 Einschränkung bei H∞ -Regelungen . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.6 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Kapitel 1. Rückblick 1
1 Rückblick Regelungstechnik I
Modellierung
z. B. Elektrotechnik, Maschinenbau, Strömungsmechanik
Untersuchung der Übertragungsfunktion G(s)=

b Frequenzbereich
• Sprungantwort
• Impulsantwort
• Bode-Diagramm
• Ortskurve
• Stabilität (Lage der Pole)
• Stabilitätsreserve (Amplitudenreserve, Phasenreserve)
Reglerauslegung
• Wurzelortskurve
• Verfahren von Nyquist
• Bestimmen der Pole des geschlossenen Regelkreises
1.1 Probleme bei der Modellierung

Modellierung von Systemen ist immer wichtig → darauf baut alles auf.
Wie gut ist das mathematische (nominelle) Streckenmodell der Wirklichkeit (des physikalischen
Systems) ?
→ beeinflusst Güte (= Qualität) der bisher betrachteten modellbasierten Regelungsverfahren
Modellierung ist jedoch schwierig → Warum?
• physikalische Realität ist sehr kompliziert

• Versuch der mathematischen Beschreibung
a) Vereinfachungen: z. B. geschwindigkeitsproportionale Dämpfung
2 Kapitel 1. Rückblick
b) Annahmen: z. B. Schätzung der Umgebungstemperatur
Allgemein gilt:
• Dynamiken werden oft vernachlässigt

→ einfacher regelbar bzw. zu handhaben =
b weniger Energiespeicher
z.B. werden Sensor- und Aktordynamiken vernachlässigt
→ Eigenzeitkonstanten der Mechanik viel größer als der Elektrotechnik
• Nichtlinearitäten sind schwer modellierbar oder sehr kompliziert

z. B. im Maschinenbau: Reibungskurven → Stribeck-Kurve
z. B. in der Elektrotechnik: Temperaturabhängige Widerstände → Elektromotoren
• die beschreibenden Parameter sind:

a) nicht exakt bekannt (Reibung und Massenträgheit bei E-Motoren)
b) schwer messbar (Elektrisches Feld bei E-Motoren nur mit Feldsonde)
c) variieren aufgrund der Fertigung (Wicklung bei E-Motoren)
Aber: Bei Serienprodukten sind keine individuellen Regler gefragt → zu viel Aufwand
Hinweis: Fehler existieren sowohl mechanisch (z. B. Roboterkinematik), als auch elektrisch (Leis-
tungselektronik)
Hingegen gilt: keine Fehler im digitalen Rechner → Software ist perfekt reproduzierbar
Einfache Modelle erwünscht, denn:
• Regelungstechnik → Optimierungsproblem
• Komplexe Strecke → komplexer Regler
• hohe Systemordnung → viel Rechenpower (digital) bzw. viele Bauteile (analog)
Der aus Regelungstechnik I bekannte Ablauf ist:
Modellierung → Differentialgleichung → Laplace-Transformation → G(s)-Strecke
Modell ist jedoch oft schlecht da:
• hohe Dynamiken vernachlässigt

• Nichtlinearitäten vernachlässigt
• Parameter nicht genau bekannt
→ einfache Modelle (geringe Systemordnung = wenige Pole zu berücksichtigen)
→ einfache Regler
1.2 Robuste Regelung

Robuste Regelung bedeutet: die Analyse (= Untersuchung) eines ungenau bekannten Streckenver-
haltens und zugehörige Reglerauslegung.
Fall 1: Ein Regler für ein Modell

→ sehr gutes Ergebnis (stabil, schnelles Einschwingverhalten, geringe Regeldifferenz)
Fall 2: Selber Regler für ähnliches Modell

→ schlechte Ergebnisse (fast instabil)
→ ein robuster Regler hingegen würde auch hier gute Ergebnisse liefern
→ Robustheit kommt mit Trade-off (Austauschbeziehung = eine gegenläufige Abhängigkeit)
mehr Robustheit = weniger aggressive Regler = weniger Performance → Zielkonflikt
Robuste Regelung: Unsicherheiten angeben → mögliche Performance ermitteln

(des geschlossenen Regelkreises)
Aber: Robuster Regler mit super Performance ist oft nicht möglich
Beispiel: Verladebrücke
Kabine
Masse mc
Seil
Länge l
Container
Masse mL
Für bekannte Massen → Steuerung verwenden
hier:
• mL unbekannt, leer ←→ voll, → große Schwankung → Regelung notwendig:

• Seillänge l variiert
• Gewicht Laufkatze m C = const.
Klassische Regelungstechnik: m L , m C , l messen

→ Regler auslegen → hier jedoch unpraktisch, da ständig veränderlich
⇒ daher robusten Regler auslegen
To-do: Robuster Regler
• Unsicherheiten der Strecke beschreiben / charakterisieren, z. B.

nur Grenzen beschreiben: ungenauer, aber einfacher und besser lösbar
Verteilung beschreiben: jedoch mathematisch kaum lösbar
• Robustheit analysieren
– perfektes Streckenmodell = Nominalstrecke
– Regler gegeben
– Regelkreis stabil
(Nominalstrecke instabil = Unsichere Strecke erst recht instabil)
– Frage: Für alle Strecken = Strecken mit Unsicherheit stabil?
z.B. Dämpfung variiert zwischen −1 . . . + 1
→ Regelkreis soll stabil für diese Werte sein
• Robustheit synthetisieren = Regler finden, der alle Strecken stabilisiert
Anmerkung: mathematisch aufwendig, führt zu sehr komplizierten Reglern
Regelungstechnik besteht aus Feedforward und Feedback

Feedforward (Open loop control)
Störung
Referenz Stellgröße Regelgröße
Regler Aktor Strecke
Feedback (closed loop control)
Störung
Referenz Fehler Stellgröße Regelgröße
Regler Aktor Strecke
Beispiel: Positionsregelung eines E-Motors:

Schrittmotor = Feedforward (keine Positionsmessung)
Servomotor = Feedback (Positionsmessung mittels Drehgeber)
Vorteile von Feedback gegenüber Feedforward
+ Robustheit (Störungen und Modellfehler werden ausgeregelt)

+ Dynamik kann verändert werden (Pole beeinflussbar, s. WOK)
+ geht auch bei instabilen Strecken (Pole beeinflussbar)
Nachteile von Feedback gegenüber Feedforward
– zusätzliche Hardware nötig (Sensor, Vergleich)
– möglicherweise instabil (Pole beeinflussbar)
Beispiel: Active Noise Control (ANC)
Störschall d (n )
st (n ) Referenzmikrofon
Referenzschall
x (n ) y (n ) Gegenschallu ( n )
Steuerungsfilter
Störschall
d (n )
Fehlermikrofon
Überlagerung
e(n )
y (n )
Regler
Gegenschallu ( n )
Ausgangsgröße
Abbildung 1.1: Active Noise Control (ANC)
1.3 Reglerauslegung allgemein

Hier: lineare Systeme, weil:
1. einfacher und besser entwickelt: keine Lyapunov-Funktionen nötig, wie bei nichtlinearen
Systemen
2. praktische Erfahrung zeigt: lineare Regler, die mit linearen Methoden ausgelegt sind, sind
ausreichend für reale nichtlineare Strecken
Ziel: Regelungsergebnisse verstehen und interpretieren

Methoden: Zustandsrückführung, Beobachter, Optimalregler
Programme: Matlab, Labview, GNU Octave, Scilab oder ähnliche
Zum Verständnis: Lyapunov-Methode
Methoden zur Behandlung von Stabilitätsfragen von Differentialgleichung ohne exakte Lösung
Energie des Systems in der Nähe der Ruhelage nimmt ständig
→ Ruhelage des physikalischen Systems ist stabil
Lyapunov-Stabilität wird mit Hilfe so genannter Lyapunov-Funktionen bewiesen.
→ Nichtlineare Regelungstechnik
1.4 Design Prozess eines Reglers

1. System (Strecke) untersuchen
allgemein: z.B. Roboter regeln, Anti-Blockier-System
2. Strecke modellieren, möglicherweise vereinfachen

Mechanik: Differentialgleichung 2. Ordnung, Leistungselektronik mitmodellieren ?
3. Analyse dieses Modells

Stabilität und Schwingfähigkeit
4. Regelgrößen festlegen
Motor: Position / Geschwindigkeit
Roboter: Positionsregelung / Kraftregelung
5. Messgrößen (Sensoren, z. B. Geschwindigkeit, absolute/relative Position) und

Stellgrößen (Aktoren) festlegen
6. Typ des Reglers auswählen

PID, Zustandsregler, Optimalregler, Adaptiver Regler, Robuster Regler
7. Performance spezifizieren
Schwingfähigkeit, bleibenden Regelabweichung, Einschwingzeit
8. Regler auslegen
z.B. PID → Ziegler-Nichols oder
Zustandsregler → Pole platzieren
9. Analyse des Gesamtsystems

Sprungantworten, Bode-Diagramm, Ortskurve, Wurzelortskurve
10. Simulation des Gesamtsystems

in Matlab etc., auch mit Störungen
11. Beurteilung
schlecht? → neues Design: zurück zu Schritt 2.
12. Hardware + Software auswählen → Regler implementieren

Hardware: Speedgoat, National Instruments, dSpace, µController
Software: Matlab mit xPC Target, LabVIEW Real-Time Module, C++, VxWorks
13. Test des Gesamtsystems

Validieren des Reglers
möglicherweise Online-Tuning, je nach Qualität des Modells
RT-Vorlesung oft nur Regler auslegen und Analyse des Gesamtsystems (8,9)
Real Life oft nur Online-Tuning (1,4,5,6,12,13)
Online-Tuning → vorzugsweise kaskadiert, hier am Beispiel eines Motors:
1. Strom-Regler PI-Regler
2. Geschwindigkeitsregler P-Regler
3. Positionsregler PI-Regler
4. Vorsteuerung P-Regler
Exkurs: Automobilindustrie
• Model in the Loop (MiL)

Strecke: im PC (z. B. Matlab/Simulink)
Regler: Rechner
Vorteil: Leichte Fehlerbehebung
• Software in the Loop (SiL)

Strecke: Software C/C++, schneller als Matlab/Simulink
Regler: Rechner
• Hardware in the Loop (HiL)

Modell/Strecke: Echtzeitrechner mit Input/Output-Karten
→ schnelle Austauschbarkeit von Komponenten
z.B. fliegender Reifenwechsel, anderer Motor, anderes Getriebe

→ Test des Fail-safe-Verhaltens
Regler: Endgültige Hardware = Reales System, z.B. Speedgoat, dSpace
Nachteil: Schwierige Fehlerbehebung aufgrund komplexerer Fehlerzuweisung/ Ursachen-
findung
→ Gutes Modell ist sehr wichtig
→ erheblich verkürzte Entwicklungszeiten

von z. B. Fahrwerkregelsystemen, Antriebssteuergeräten, Komfortsystemen
→ danach folgt die Fahrzeugerprobung
Fazit:
• Selbst der beste Regelungstechniker kann aus einem VW keinen Porsche machen.
• Präzise Signalübertragung sicherstellen. Diese kann nur begrenzt durch den Regler kom-
pensiert werden.
• Einfacher Prozess mit einfachem Regler, z.B Füllstandsregelung (langsam):

→ Gute Ergebnisse möglich
• Komplizierter Prozess benötigt hingegen komplizierten Regler, z. B. Nurflügelflugzeuge,

Energienetz (verteilte Systeme)
2 Grundlagen der robusten Regelung
Gd
r u y
K G
ym
Tabelle 2.1: Elemente des Standartregelkreises
G Streckenmodell (plant model)

Gd Störmodell (disturbance model)
K Regler (controller)
d Störung (disturbance)
e Regeldifferenz (error)
n Messstörung (measurement noise)
r Sollwert / Führungsgröße (reference)
y Ausgangsgröße (plant output)
y Regelgröße (controlled variable)
ym gemessene Ausgangsgröße (measured y)
u Stellgröße/Steuergröße (controll signal)
Ziele:
a) Störgrößen unterdrücken: kein Einfluss von d und n

b) Gutes Folgeverhalten: e = y − r → klein
Gute Regelung erfordert Vorkenntnisse über r und d.
9
10 Kapitel 2. Grundlagen der robusten Regelung
Hier: lineare Regelung
Y (s) = G(s) ·U(s) + Gd (s) · D(s)
Problem: G, Gd Modellfehler und Zeitabhängigkeit

G in Rückführung → Stabilität
Lösung: Modellunsicherheiten beschreiben
Statt
G Übertragungsfunktion eines Modells
G+ε Klasse von Modellen
Mit ε: Unsicherheit, beschränkt aber unbekannt
am besten kleiner als G
Nominelle Stabilität: System (geschlossener Regelkreis) stabil, keine Modellunsicherheit
Nominelle Performance: System genügt Performance-Anforderungen, keine Unsicherheit
Robuste Stabilität: System ist stabil für alle Varianten der Strecke, auch Worst-Case
Robuste Performance: System genügt Performance-Anforderungen für Nominal, Worst-Case
(schlimmster Fall) und alles dazwischen
Übertragungsfunktion G(s)
Übertragungsfunktion G(s) sehr nützlich, weil:
• Einfach (nur Frequenz als Variable)

• wichtige Konzepte, z. B. Bandbreite, maximale Verstärkung
• Antwort auf Sinussignal im eingeschwungenen Zustand
• Vernküpfung von Systemen
→ einfache Multiplikation im Frequenzbereich
→ schwieriges Faltungsintegral im Zeitbereich
• Pole und Nullstellen in faktorisierter Form:
(s + b1 ) · (s + b2 ) . . . (s + bn )
G(s) =
(s + a1 ) · (s + a2 ) . . . (s + an )
→ Berechnung der Eigenwerte im Frequenzbereich
• Unsicherheiten einfacher im Frequenzbereich zu beschreiben
ähnlicher Frequenzgang → ähnliches System
kleine Änderungen im Zustandsraum → total anderes System
→ Zeitbereich nicht für robuste Regelung geeigent
Kapitel 2. Grundlagen der robusten Regelung 11
Beispiel lineares + zeitinvariantes System
ẋ1 (t) = −a1 · x1 (t) + x2 (t) + b1 · u(t)

ẋ2 (t) = −a0 · x1 (t) + ... + b0 · u(t)
y(t) = x1 (t)
s · X1 (s) − x1 (t = 0) = −a1 · X1 (s) + X2 (s) + b1 ·U(s)
s · X2 (s) − x2 (t = 0) = −a0 · X1 (s) + . . . + b0 ·U(s)
Y (s) = X1 (s)
In Regelungstechnik: Abweichung vom Arbeitspunkt/Trajektorie:
x1 (t = 0) = x2 (t = 0) = 0
→ Übertragungsfunktion:
Y (s) b1 · s + b0
= G(s) = 2
U(s) s + a1 · s + a0
Auch: Ein-/Ausgangsgleichung
ÿ(t) + a1 · ẏ(t) + a0 · y(t) = b1 · u̇(t) + b0 · u(t)
Allgemein:
bnz snz + . . . + b1 s + b0
G(s) = n
s + an−1 sn−1 + . . . + a1 s + a0
Mehrgrößensystem (MIMO-System): G(s) Matrix von Übertragungsfunktionen
n: Systemordnung (im Beispiel n = 2)
• n ≥ nz → ordentlich (proper)
• G(s) 6= ∞ für s → ∞
• Zählergrad ≤ Nennergrad
Analog im Zeitbereich:
ẋ = ~A~x + ~B~u
)
~
G(s) ~ [s~I − ~A]−1 ~B + ~D
=C
~ x + ~D~u
~y = C~
Manchmal verwendete Schreibweise:

 
~A ~B
~
G(s) = 
~
C D~
Skalieren
Ingenieur legt erwartete Werte (Größenordnung) fest

Ziel: Alle Variablen < 1
dˆ
d =
dˆmax
û
u =
ûmax
ŷ
y =
êmax
r̂
r =
êmax
ê
e =
êmax
dˆmax = größte Störung
ûmax = größte mögliche Steuergröße
êmax = größter erlaubter Fehler
[ˆ] = nicht skaliert
MIMO-System → Diagonalmatrizen
Gegeben: |d(t)| ≤ 1 und |r| ≤ 1
Ziel: Mit |u| ≤ 1 → |e| = |y(t) − r(t)| ≤ 1
Hinweis: In Regelungstechnik sind alle Größen dimensionslos

2.1 Lineare Modelle

a) „First-principle“ Modell: aus physikalischen Modellen (Modellierung)
z.B. Energiebilanz (Thermodynamik), Massenbilanz, Summe von Kräften ~F, Summe von
Momenten M ~
b) Analyse von Ein-/Ausgangsdaten: Identifikation
z.B. Sprungantwort fitten, Regressionsanalyse, Neuronale Netze
c) kombinierte Verfahren
Modellierung
1. Nichlineares Zustandsraummodell aus physikalischen Modellen aufstellen

2. Betriebspunkt (z.B. Drehzahl eines Motors) oder Trajektorie (z.B. eines Roboters) festlegen
3. Linearisierung um den Betriebspunkt / Trajektorie
a) x(t) = x̄(t) + ∆ x(t) Trajektorie
x(t) = x∗ + ∆ x(t) Betriebspunkt/Arbeitspunkt
b) Taylorreihe 0. + 1. Glied
dx
c) = f (x, u)
dt
dx . d f df
= · ∆ x(t) + · ∆ u(t)
dt dx du
d) Skalieren
Klassische Feedback Regelung
• Klassische Frequenzverfahren: SISO-System (Single Input, Single Output)

• Seit Jahrzehnten im industriellen Einsatz
• unverzichtbar zur Untersuchung von Vorteilen, Beschränkung und Problemen von Feedback
• Aber 80er Jahre: klassische Methoden → Einführung formellerer Verfahren (z.B. H∞ )
→ ähnlich für MIMO
Frequenzgang
Übertragungsfunktion G(s) mit s → jω
Frequenzgang kann heißen
1. Systemantwort auf einen Sinus (mit ω = 2π f )

2. Die Frequenzanteile eines deterministischen Signals nach Fourier-Transformation
3. Häufigkeitsverteilung (engl. frequency distribution) eines stochastischen Signal durch Er-

mittlung der spektralen Leistungsdichte
Anschaulich: auf Frequenz bezogene Leistungsdichte in kleinem Frequenzband
In dieser Vorlesung 1., weil:
a) Direkter Bezug zum Zeitbereich
b) für jede Frequenz ω hat Betrag + Phase eine physikalische Bedeutung
Für ein stabiles lineares System G(s) gilt:
Y (s) = G(s) ·U(s)
Angeregt mit dem Sinus-Signal

u(t) = u0 · sin(ωt + α)
mit Frequenz ω, Amplitude u0

Sind alle Einschwingvorgänge abgeklungen (t → ∞), ergibt sich eine sinusförmige Antwort
y(t) = y0 · sin(ωt + β )
y0 neue Amplitude
β neue Phase
ω alte Frequenz
ϕ = β − α Phasenverschiebung
y0
= |G( jω)|, ϕ = ∠G( jω)
u0
G( jω) = a + jb komplexe Zahl
√
|G( jω)| = a2 + b2 ∠ G( jω) = arctan(b/a)
Beispiel Ein- und Ausgang einer beispielhaften Übertragungsfunktion

ω = 0, 2 rad/s
5e−2s
G(s) =
10s + 1
5
|G( jω)| p = 2, 24 =7
ˆ dB
(10ω)2 + 1
ϕ = − arctan(10ω) − 2ω = −1.51 rad =−86.5°
ˆ
Bode Diagram
15
10
Magnitude (dB)
-5
0
-45
Phase (deg)
-90
-135
-180
10-2 10-1
Frequency (rad/s)
G( jω) Frequenzgang von G(s)
|G( jω)| Systemverstärkung → oft in dB
A=2 AdB = 20 · log A = 6 dB

√ 00
A= 2 = 3 dB
A=1 00 = 0 dB
A = 10 00 = 20 dB
G( jω) und ∠G( jω) sind abhängig von ω

Zeichnen:
• Bode-Diagramm → mit unabhängiger Variable ω, logarithmisch
• Ortskurve (engl. Nyquist) → implizit, ω nicht ablesbar
Allgemein gilt für das Bode-Diagramm
• statische Verstärkung K für ω → 0 bzw s → 0 (gilt auch für instabile Systeme)
• niedrige Frequenzen → Verstärkung ≈ K
• hohe Frequenzen → Verstärkung fällt stark
• Physikalische Systeme sind zu träge um auf hohe Frequenzen zu reagieren
Euler-Formel (statt Sinusdarstellung):
e jz = cos(z) + j sin(z) Sinus =

ˆ Imaginärteil
u(t) = u0 · Im{e jωt+α }
U(ω) := u0 · e jα 6= U( jω) Zeigerrechung ET
Y (ω) = G( jω) ·U(ω)
y0 = |G( jω)| · u0
β = ∠G( jω) + α
G( jω) Übertragungsfunktion
Y (ω) komplexer Wert Darstellung harmonischer Funktion
Minimalphasige Systeme
• Keine Pole und Nullstellen in rechter s-Halbebene

• kein Zeitverzögerung
Alternative Formulierung:
stabil + keine Nullstellen in rechter s-Halbebene + kein Zeitverzögerung
s
Beispiel Pol-/Nullstellen-Diagramm
Wenn minimalphasig, dann gilt das Bode-Integral (Amplitude → Phase)
Z∞
1 d ln |G( jω)| ω + ω0 dω
∠G( jω0 ) = · ln

π d ln ω ω − ω0 ω
−∞
Steigung der Amplitude

d ln |G( jω)|
N(ω0 ) =
d ln ω ω=ω0
Abschätzung von
Π
∠G( jω0 ) ≈ · N(ω0 ) rad = 90° · N(ω0 )
2
Zum schnellen Zeichnen: Asymptoten
Amplitude → gute Näherung
Phase → schlechte Näherung
(s + b1 ) · (s + b2 ) · . . .
G(s) = K ·
(s + a1 ) · (s + a2 ) · . . .

a für ω < a
s + a → jω + a
 jω für ω > a
Komplexe Pole und Nullstellen

s2 + 2Dω0 · s + ω02
mit
|D| < 1 , ω0 = Eckfrequenz
Für |D| > 0, 3 → Asymptoten okay

3 Klassische Prüfung der Stabilität und
Performance
Standard-Regelkreis für Robuste Regelung
Feedback
d
Gd
r u y
K G
ym
Stellgröße u = K · (r − y − n)
Regelabweichung e = y − r
Reglereingang r − ym
Ausgangsgröße y = G · u + Gd · d
Ziel: u durch K so zu manipulieren, dass e klein bleibt

Übertragungsfunktion geschlossener Regelkreis
y = G · K(r − y − n) + Gd · d
(I + G · K) · y = G · K · r + Gd · d − G · K · n
y = (I + G · K)−1 · G · K ·r + (I + G · K)−1 ·Gd · d − (I + G · K)−1 · G · K ·n

| {z } | {z } | {z }
T S T
18
Kapitel 3. Klassische Prüfung der Stabilität und Performance 19
Regelabweichung e (Achtung: mit y statt ym )
Regelabweichung e = y − r = −S · r + S · Gd · d − T · n
G·K −I −G·K −I
Mit T −I = = = −S
I +G·K I +G·K
S+T = I
Stellgröße u = K · S · r − K · S · Gd · d − K · S · n
Go = L = G·K Übertragungsfunktion, offener Regelkreis
loop transfer function
S = (I + G · K)−1 = (I + L)−1 Störgrößenübertragungsfunktion
sensitivity function
T = (I + G · K)−1 · G · K = (I + L)−1 · L Komplementäre Störübertragungsfunktion
complementary sensitivity function
Gesamtübertragungsfunktion
S: Störung → Output
T: Referenz → Output
Sehr wichtiger Zusammenhang
S + T = (I + L)−1 + (I + L)−1 · L
L)−1 ·

=
(I
+ (I
+L)
=I
Sensitivitätsfunktion → reduziert Sensitivität
Merksatz:
Direkter Weg
Ausgang = · Eingang
1 + Schleife
Warum Feedback?
20 Kapitel 3. Klassische Prüfung der Stabilität und Performance
Alternative: Feedforward
Zum Vergleich: Open loop
Y = G · K · r + Gd · d + 0 · n
Mit K(s) = G−1 (s)

G · d = bekannt
K (r − Gd · d) + G · d
y = G · u + G · d = G · |{z}
G−1
=r
Aber
• G nie exakt bekannt
• Störungen nicht genau bekannt
• Instabilitäten möglich
3.1 Stabilität
Hauptziel für den Regler: Stabilität
Step Response
4
K1=0.6
K2=5
3 K3=6.3
2
Amplitude
-1
-2
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Time (seconds)
−(s − 3)
G(s) = K1 = 0, 6 K2 = 5 K3 = 6, 3
(s + 1)(s + 5)
G · K1 G · K2 G · K3
T1 (s) = T2 (s) = T3 (s) =
1 + G · K1 1 + G · K2 1 + G · K3
1. Nulstellen von 1 + L(s) mit L = G · K prüfen
Alle linke s-Halbebene → stabil
=
b Eigenwerte der A-Matrix (im Zeitbereich)
Rechenintensiv → numerische Systeme
2. Frequenzbereich prüfen
Ortskurve oder Bode-Diagramm von L( jω) zeichnen
kritischer Punkt -1 bzw. −1/KR
Winkel ϕ∞ − ϕ0
schön anschaulich, geht auch mit Totzeit
Aber: Hauptziel: Performance

d.h.: Ausgang der Strecke soll sich auf bestimmte Art und Weise verhalten
Nachteil von Feedback: Instabilität möglich
3.2 Performance im Zeitbereich

Step Response
1.5
1
Amplitude
0.5
0
0 0.5 1 1.5
Time (seconds)
1 200
G= K = 200 T (s) =
s2 + 6s + 5 s2 + 6s + 205
Kenngrößen einer Sprungantwort
• Anstiegszeit (rise time) tr :

1. Mal bei 90 % Endwert
→ möglichst klein
• Einschwingzeit (settling time) ts :

bleibt bei ± 5 % des Endwerts
• Überschwingweite (overshoot):
Maximal
< 1.2 =
b 20 % (akzeptables Maximum)
Endwert
• Dämpfungsmaß (decay ratio):
2.Maximum - Endwert
< 0, 3
1.Maximum - Endwert
• Bleibende Regelabweichung (steady-state offset oder steady-state error)
Unterschied zwischen tatsächlichem Endwert und gewünschtem Endwert
Für das Beispiel gilt (mit Matlab):
rise time : 0.0851 settling time: 1.1935
overshoot: 50.8302 steady-state offset : 0.0148
- tr + ts : Schnelligkeit
- Überschwingweite, Dämpfungsmaß, bleibende Regelabweichung: Qualität
→ Kennwerte für die Regelgröße
→ Stellgröße u(t) → möglichst klein
→ wenn dominante Störungen vorhanden, dann genauso betrachten
Alternative: Regelabweichung betrachten

rZ
∞
ke(t)k2 = |e(τ)|2 dτ
0
Eine Kenngröße für Qualität und Geschwindigkeit

Erfahrung: Guter Kompromiss zwischen oben genannten Größen
Alternative: Regelabweichung und Stellgrößen betrachten

rZ
∞
J= Q|e(t)|2 + R|u(t)|2 dt
0
→ Linear quadratic optimal control (LQR)

Q, R : Gewichtungsmatrizen
3.3 Performance im Frequenzbereich

Übertragungsfunktion offener Regelkreis: L (Loop), K (Regler), G (Strecke)
L( jω) = K( jω) · G( jω)
→ Performance geschlossener Regelkreis

Vorteil: Größere Signalklasse (Sinus bliebiger Frequenz)
3.3.1 Amplituden- und Phasenreserve

Bode Diagram
Alles bezieht sich auf den Standard-Regelkreis:
Gm = 25.6 dB (at 17.5 rad/s) , Pm = 75.6 deg (at 2.9 rad/s)
50
Magnitude (dB)
-50
-100
-150
0
Phase (deg)
-90
-180
-270
10-2 10-1 100 101 102 103
Frequency (rad/s)
888
L(s) =
(s + 1)(s + 5)(s + 50)
Amplitudenreserve: GM gain margin
1
GM =
L( jω 180 )
∠ L( jω 180 ) = −180°
ω 180 = Übergangsfrequenz (phase crossover frequency)
• Verfahren ist sowohl im Bodediagramm als auch in der Ortskurve bestehend aus reeller und
imaginärer Achse möglich
• Ziel: Möglichst hohe GM (Bode in dB) für möglichst gute Regelergebnisse
• Amplitudenreserve GM (Gain Margin):

Faktor um den L(s) noch verstärkt werden darf bevor der geschlossene Regelkreis instabil
wird.
→ Schutz gegen Unsicherheiten bei der Verstärkung
• Realistisches Ziel für GM ist > 2
Phasenreserve: PM phase margin
PM = ∠ L( jωc ) + 180°
|L( jωc )| = 1
ωc : = Übergangsfrequenz (gain crossover frequency)
Schnittpunkt von oben mit 1
• Verfahren ist sowohl im Bodediagramm als auch in der Ortskurve mit Einheitskreis möglich
• Ziel: Möglichst hohe PM (Bode in Grad) für möglichst gute Regelergebnisse
• Phasenreserve PM (Phase Margin):

Wie viel negative Phase kann an bestimmter Frequenz noch addiert werden um Regelkreis
stabil zu halten?
→ Schutz gegen Unsicherheiten bei der Verzögerung

PM
System wird instabil bei θmax =
ωc
• Realistisches Ziel für PM > 30°
PM
Θmax =
ωc
kleineres ωc → größere Verzögerung
3.3.2 Maximalwertkriterium
Stabilitätsreserven → Performance
Definition im SISO:
MS = max |S( jω)| S = (1 + L)−1

ω
MT = max |T ( jω)| T = (1 + L)−1 · L

ω
Typischerweise:
gut: MS < 2 (6 dB) Schlecht: MS > 4
gut: MT < 1, 25 (2 dB) Schlecht: MT > 4
S + T = 1 → Unterscheid MS und MT maximal 1
klassische Regelungstechnik begrenzen → MT
a) M-Kreise um Ortskurve (M -circles on a Nyquist plot)

grafisches Verfahren um MT aus L zu bestimmen
Ortskurve und T ( jω) = 1+L( jω)
L( jω) = const.
b) Nichols-Diagramme (Nichols plot)

y-Achse: 20 log10 |L( jω)|, x-Achse: arg L( jω)
grafisches Verfahren um T aus L( jω) zu bestimmen
MS begrenzen, weil
e = −Sr + S · Gd · d
S klein → Fehler e klein
1
aber für ω → ∞ → L = 0 → S = (I + L)−1 = 1 S(0) = 0 wenn L einen I-Anteil hat
s
50
L
S
Magnitude (dB)
T
0
-50
-100
10-2 10-1 100 101 102 103
Frequency (rad/s)
Im Beispiel:
1
G(s) = K = 200
(s + 1)(s + 5)
MS = 2.5791 MT = 2.3809
MS−1 = Abstand L( jω) und −1, denn S = (1 + L)−1 ⇔ (1 + L) = S−1

MS klein → MS−1 groß → robuster
Fazit: Für Stabilität und Performance soll MS möglichst klein werden (≈ 1)
Zusammenfassung:
MS und MT klein →
MS 1
GM ≥ PM ≥ [rad]
MS − 1 MS
z. B. MS = 2 → GM ≥ 2 PM ≥ 29°
1 1
GM ≥ 1 + PM ≥ [rad]
MT MT
z. B. MT = 2 → GM ≥ 1, 5 PM ≥ 29°
Über |S( jω)| und |T ( jω)| → MS und MT → garantierte GM und PM

Mit MS = MT = 2 → allgemeine Forderung erfüllt (guten Phasen- und Amplitudenreserven), führt
auch zu guten Sprungantworten
3.4 Bandbreite:
MS und MT → Qualität der Regelung

Bandbreite → Schnelligkeit
Allgemein: Hohe Bandbreite → höherer Frequenzen kommen durch → schnellere Antwort (schnel-
le Anstiegszeit)
→ Anfälligkeit für Störungen ↑ + Parameterschwankungen ↑
Geringe Bandbreite → große Anstiegszeit, aber auch robuster
Anschaulich: Bandbreite = Frequenzbereich [ω1 , ω2 ], in der die Regelung effektiv ist
Meistens: stationäre Vorgänge wichtig; ω1 = 0, ω2 = ω B , (B = Bandbreite)
Was bedeutet effektiv?

Oft ist eine Folgeregelung = Folgen der Führungsgrößen = Tracking erforderlich
Fehler bei Folgeregelung e = y − r = −S · r
e
relativer Fehler = −S
r
→ möglichst klein → unter 0, 707 = √12
solange der Fehler klein ist, bleibt man in der Bandbreite drin
Definition
√
Bandbreite ω B ist dort, wo |S( jω)| die −3 dB-Linie (1/ 2) von unten kreuzt
Alternativ mit T oder L:

T Bei Folgeregelung ist Regelgröße y = T · r
effektiv = Output groß genug
Bandbreite ω B,T höchste Frequenz, wo |T ( jω)| die −3 dB-Linie von oben kreuzt
L offener Kreis (einfacher)

Bandbreite ω C (C=Crossover) |L( jω)| 0 dB-Linie von oben kreuzt
Meistens ω B (S) < ω C (L) < ω B,T (T )
Regelung funktioniert gut bis ω B (S), hat darüber verminderte Qualität bis ω C (L) und ab ωB (T )
fast gar nicht
3.5 Reglerauslegung
Erledigt: Bewertung
To-do: Regler bekommen
Viele Methoden, z. B. Ziegler-Nichols (Sprungantwort)
→ Online-Tuning möglich
Alternative Regler minimieren z. B. Kostenfunktionen
Viele Regler-Auslegungsverfahren verfügen nicht über einen Plan B bei Nichtfunktion.

Regler-Anpassung:
Direkte Anpassung
a) K verkleinern bei Ziegler-Nichols
b) Gewichtsfaktoren der Kostenfunktion
Drei Arten von Reglerauslegung
1. Loop shaping (Frequenzkennlinienverfahren):

Betrag (abhängig von ω) vorgeben → passenden Regler finden
a) klassisch: offener Regelkreis → L(jω) → hier nicht
b) modern: geschlossenem Regelkreis:→ S, T, K · S → H∞ → Robuster Regler
2. Signalbasiert (60er Jahre):

Zeitbereich im Zustandsraum: z. B. LQG
(Linear Quadratic Gaussian, Kalman-Beobachter + Zustandsregler)
dabei wird häufig L2 −Norm minimiert
3. Numerische Optimierung:
direkte Vorgabe: z. B. Anstiegszeit oder Phasenreserve vorgeben
z. B. model predictive control → Optimierung in jedem Abtastschritt
rechenintensiv, da schwer lösbar (z. B. bei lokalen Minima)
→ zukunftsträchtig, da immer mehr Rechenpower
3.5.1 Kompromisse im Bezug auf L
L = G·K
Regelabweichung e = y − r = −(I + L)−1 · r + (I + L)−1 · Gd · d − (I + L)−1 · L ·n

|{z} |{z} | {z }
S S T
Stellgröße u = K · S · r − K · S · Gd · d − K · S · n
offener Regelkreis L = G·K
S+T = I
Perfekte Regelung: e ≈ 0
Führungsgröße r + Störung d
→ S ≈ 0 → T = 1 , L → groß
Messrauschen e ≈ 0
T ≈0→S=1→L≈0
L klein → kein Messrauschen
L groß → Gutes Führungsverhalten, Unterdrückung von Störung
kleine Stellgrößen gewünscht

K klein → L klein
→ weniger Energieverbrauch, weniger Verschleiß und geringere Auswirkungen auf andere (z.B.
Roboter, Quadrokopter)
Regelziel:
1. Gute Störungerdrückung:
→ L groß
2. Gutes Führungsverhalten:
→ L groß
3. Stabilisierung einer instabilen Strecke:

→ L groß
4. Kleiner Einfluss vom Messrauschen:

→ L klein
5. Kleine Stellgrößen:
K klein → L klein
6. Physikalisch umsetzbar:
→ K klein für ω → ∞
→ L klein für ω → ∞
7. Robuste Stabilität (Stabiltät auch beim Vorhandensein von Modellabweichungen):

→ L klein
Zielkonflikt für L
Lösung: Widersprechende Forderungen für L in unterschiedlichen Frequenzbereichen
Meistens:
|L| > 1 für niedrige Frequenzen
|L| < 1 für hohe Frequenzen
Normalerweise: Jetzt Loopshaping von |L( jω)|

Hier: Automatisiert → Beschreibung der Forderungen über Normen
Loopshaping
L( jω) so groß wie möglich in Bandbreite [0, ω C ]
L = G·K
|L( jω)| 1 → S ≈ L−1 , T ≈ 1
|L( jω)| 1 → S ≈ 1 , T ≈ L
aber bei ω C mit |L( jω C )| = 1 keine Aussage möglich

→ Übertragungsfunktion S( jω) + T ( jω) direkt verwenden
→ kann mit H∞ formuliert werden: Ingenieur legt Gewichte fest
4 Moderne Mehrgrößen-Reglung (MIMO)
mit Hilfe von Normen
Im Kapitel 3 dargestellten Problem → Eingrößen-Fall (SISO) → grafisch lösbar

Mehrgrößen-Fall → Beschreibung mit Normen → jetzt wichtigste Normen
4.1 Normen in der Regelungstechnik
In Robuster Regelung notwendig zur
• Beschreibung Unsicherheit
• Optimierungsproblem des Reglers
4.1.1 Normen im Zeitbereich:
L2 -Norm berechnet sich für einen Skalar

rZ
∞
kuk2 = u2 (t) dt
−∞
und für den Vektor  

u1 
 
.
 .. 
~u =  
 
 
un
zu rZ
∞
kuk2 = u(t)> · u(t) dt
−∞
31
32 Kapitel 4. Moderne Mehrgrößen-Reglung mit Normen
4.1.2 Normen einer Übertragungsfunktion
ẋ = ~A~x + ~B~u
~ x + ~D~u
~y = C~
~
G(s) ~ ·~I − ~A]−1 · ~B + ~D
= C[s
ähnliche Systeme G1 , G2 → ||G1 − G2 || klein
H2 -Norm: SISO
 1
2
1
Z ∞
~ 2= ~ jω)|2 dω 
 
kGk |G(
 2π
|{z} −∞

L2−Norm kompatibel
H2 -Norm: MIMO
1
1
Z ∞ i
spur G( jω)H G( jω) dω 2
h
~ 2=
kGk
2π −∞
rZ
∞
~
kG(s)k 2 = k~
g(t)k2 = g(τ)> · g(τ) dτ
0
H2 -Norm entspricht L2 -Norm der Impulsantwort

Stochastische Interpretation (LQG,(Linear Quadratic Gaussian):
erwarteter quadratischer Mittelwert des Ausgangs bei Anregung mit weißem Rauschen (RMS =
root mean square)
Anmerkung:
Spur einer quadratischen Matrix = die Summe der Hauptdiagonalelemente
T
G( jω)H = G = GT
adjungierte Matrix G( jω)H → die Rollen von Zeilen und Spalten von G( jω) vertauschen + alle
Einträge komplex konjugieren
H∞ -Norm:
Maximale Verstärkung einer stabilen Übertragungsfunktion (SISO)
kG(s)k∞ =
b max |G( jω)|
ω
Anschaulich: Schlimmster Fall der stationären Verstärkung eines Sinus-Signals

Kapitel 4. Moderne Mehrgrößen-Reglung mit Normen 33
oder allgemeiner:
~ k~xa (t)k2
kG(s)k∞ = max
xe (t)6=0 k~xe (t)k2
SISO: maximale Amplitude im Bode-Diagramm: kGk ~ ∞ = 3= b 9, 6dB

1
G(s) = 6
s + 0.5s5 + 10.32s4 + 2.30s3 + 11.63s2 + 1.2s + 2.25
Bode Diagram
20
0
Magnitude (dB)
-20
-40
-60
10-1 100
Frequency (rad/s)
MIMO: größter Singulärwert

~
kG(s)k ~
∞ = max σ |G( jω)|
ω
~ ∞ = sup σ |G(
kG(s)k ~ jω)|
ω
Zum Verständnis: H∞
∞ weil die allgemeine Berechnung des Supremums lautet
Z ∞
1
~ jω)| = lim
sup |G( ~ jω)| p dω p
|G(
ω p→∞ −∞
H wegen Hardy-Raum ( engl. Hardy space)

Funktionentheorie : Hardy-Raum H p Funktionenraum holomorpher Funktionen
holomorph → in jedem Punkt komplex differenzierbar
H∞ : größten Singulärwert minimieren (80er Jahre)
H2 : alle Singulärwerte über alle Frequenzen minimieren (60er und 70er Jahre)
Vorteil der H∞ -Norm: induzierte Norm, d. h.
kA(s)B(s)k∞ ≤ kA(s)k∞ · kB(s)k∞
→ nützlichste Norm in der Regelungstechnik

Anmerkung:
Bode-Integral:
Z ∞ Np
ln |S( jω)| d ω = π ∑ Re(pk )
0 k
N p = Anzahl der Pole in rechter s-Halbebene

Z
L(s) stabil → =0
S + T = I, → S und T abhängig voneinander

→ Nicht beliebig klein machbar → Ziel: Maxima zu minimieren
4.2 Auslegegung moderner Regler
Bis jetzt:
2
Performance beurteilen
2 Regler auslegen → folgt nun
Allgemeines Regelungstechnikproblem
∆
äußere Eingänge äußere Ausgänge

P
w z
u v
P = verallgemeinerte Strecke
Ziel: Norm (z. B. H∞ -Norm) von ω → z minimieren
Problem: Finde Regler, der aus der Information v die Stellgröße u so generiert, dass möglichst
wenig Einfluss von w → z, das heißt Norm von w → z minimieren.
Geht immer → verschiedene Verfahren, z. B. mit und ohne Unsicherheiten
4.3 LQG control
Optimal Regelung (engl. Optimal control) → optimal Filter von Wiener in 1940er Jahren
LQG-Regler (engl. linear-quadratic-gaussian regulator), 1960er Jahren:
Ursprung: Raumfahrtprogramme USA + UdSSR, 1960er Jahre
Probleme, wie Raketenmanöver mit minimaler Kraftstoffverbrauch → gut zu definieren
LQG im industriellen Alltag → Probleme
genaue Streckenmodelle → nicht verfügbar → Annahme von weißen Rauschen nicht praktikabel
→ entwickelte LQG → nicht robust genug → geringe Anwendung in Praxis
4.3.1 Standard LQG-Regelung
Standard LQG-Regelung → Dynamik der Strecke linear und bekannt + Messunrauschen und Stör-
signale (Prozessrauschen) stochastisch mit bekannten statistischen Eigenschaften
→ Steckemodell:
ẋ = ~A~x + ~B~u + w
~d
~ x + ~D~u + w
~y = C~ ~n
Einfachheit halber ~D = 0
~ d + Messrauschen w
Störgeräusch (Prozessrauschen) w ~n:
• unkorreliert
• Mittelwert Null
• normal- oder Gauß-verteilt
~ und ~V
• konstante spektrale Leistungsdichte W
~ d (τ)T = W
~ δ (t − τ)

E w~ d (t)w
~ n (τ)T = ~V δ (t − τ)

E w~ n (t)w
~ n (τ)T = 0

E w ~ d (t)w
~ d (τ)T = 0

E w ~ n (t)w
Mit dem Erwartungwert E und der Delta-Funktion δ (t − τ)

LQG-Problem: optimale Steuerung ~u(t) finden, die

Z T
1 T T
J = E lim (x Qx + u Ru)dt
T →∞ T 0
minimiert.
Q und R → Gewichtungs-MatrizenGewichtung Matrizen → geschickt wählen (DesignParameter).
Name LQG:
• lineares Modells
• integrale quadratische Kosten-Funktion
• Gaußverteiltes weißes Rauschen (Modell Störsignale + Rauschen)
Lösung des LQG-Problems

1. Schritt
Bestimmung der optimalen Steuerung eines deterministischen linearen quadratischen Reglers (LQR),
d. h.,
LQG- Problem ohne w ~d + w
~ n lösen
→ einfaches Regler-Gesetz
~ x(t)
~u(t) = −K~
~ konstante Matrix, einfach zu berechnen, unabhängig von statistische Störungen w
K ~d + w
~n
2. Schritt
optimale Schätzung ~xˆ des Zustandes ~x, so dass Erwartungswert
n T o
E ~xˆ −~x ~xˆ −~x
minimiert wird → Kalman-Filter = optimaler Zustandsschätzer + unabhängig von Q und R

3. Schritt
Lösung des LQG-Problem:
~x durch ~xˆ ersetzten → Regelgesetz
ˆ
~ ~x(t)
~u(t) = −K
Lösung hat zwei Teile:

wd wn
u y
Strecke
linearer x̂ Kalman
Regler −K Filter
Separations Theorem
wd wn
u y
Strecke
B Kf
x̂˙ R ŷ
C
-
A
Kalman-Filter
−K x̂
LQG-Regler mit verrauschter Strecke

Optimale Zustandsrückführung
Lösung des LQR - Problems:
• alle Zustände bekannt
• Anfangszustand ~x(0) 6= 0
• findet Eingangssignal ~u(t), das das System in einer optimalen Weise in den Nullzustand
~x = 0 bringt
• minimiert der deterministische Kostenfunktion

Z ∞
J= (x(t)T Qx(t) + u(t)T Ru(t))dt
0
• Lösung
~ x(t)
~u(t) = −K~
Mit
~ = R−1~BT ~X
K
• ~X ist die eindeutige positiv-semidefinite Lösung der algebraischen Riccati-Gleichung
~AT ~X + ~X ~A − ~X ~BR−1~BT ~X + Q = 0
Kalman-Filter
Struktur Kalman-Filter → gewöhnlichen Zustandsschätzers oder Zustandsbeobachter
(s. letze Abbildung)
~x˙ˆ = ~A~xˆ + ~B~u + K ˆ
~~x)
~ f (~y − C
~ f minimiert
optimale Wahl von K n T o
E ~x −~xˆ ~x −~xˆ
Lösung:
~ T ~V −1~x˙ˆ = ~A~xˆ + ~B~u + K
~ f = ~Y C
K ˆ
~ f (~y −~x)
~Y ist die eindeutige positiv-semidefinite Lösung der algebraischen Riccati-Gleichung
~ T V−1C
~Y ~AT + ~A~Y −~Y C ~ ~Y + W
~ =0
Robustheit Eigenschaften
Gesamtsystem inklusive Kalman-Filter und LQG-Regler
→ keine garantierten Stabilitätsresverven
einzelne Teile → gute Robustheit
4.4 H∞ -Control
r y
K G
P
d z
w r
n
u y ym v
G
Regelfehler
z = y−r
Reglereingang
v = r − ym
3 Eingänge, 1 Ausgang:  
d r n u
 I −I 0 G z
P=



−I I −I −G v
4 Eingänge, 2 Ausgänge:  
w u
P11 P12  z
=



P21 P22 v
Gewichtsfunktion
Für sinnvolle Regler → gewichtete Filter WW und WZ in die verallgemeinerte Strecke
→ Allgemeine Regelstruktur ohne Unsicherheit
w z
WW Pe Wz
S/T /KS-Problem
Begrenzung von σ (S) Performance

Begrenzung von σ (T ) Robustheit und Messrauschen
Begrenzung von σ (K · S) kleine Stellgröße
K = ? Regler
 

W K ·S
 u 
 
 
min WT
 T 

 
 
W S
P
Wu
z
WT
w
v u
K G WP
keine Messstörungen, nur ein Eingang

w = d oder w = −r , Vorzeichen egal, wegen Norm
z1 = Wu · u
z2 = WT · G · u
z3 = WP · w +WP · G · u
v = −w − G · u
2 Eingänge, 4 Ausgänge
 
w u
0 wu · I
→ z1 
 
 
 0 w ·G → z 
 T 2
P=



w w · G → z 
 P P 3
 
 
−I −G →v
 
P11 P12 
P=



P21 P22
Bis jetzt: Regler separater Block

→ gut zur Reglerauslegung
Zur Analyse des Verhaltens des geschlossenen Regelkreises
K gegeben → Gesamtstruktur
Mit Gesamtsystem N
z = N ·w
w z
N
Regelgesetz u = K · v
N = P11 + P12 · K · (I − P22 · K)−1 · P21

= FL (P, K)
L =lower
( − wegen pos. Rückführung)

untere = lower LFT (linear fraction transformation)
= Möbius-Transformation = konforme Abbildung auf riemanscher Zahlenkugel
   
 0   wu · I 
    −1
   
N =  0  + wT · G · K I + G · K
    · (−I)
   
   
wP · I wP · G
 
−wu · K · S
 
 
=
 −wT · T 
 Minus bei Norm egal → wie vorher
 
 
−wP · S
Mit S = (I + G · K)−1
T = K ·G·S
I −T = S
4.4.1 Mixed-Sensitivity H∞ -Control

Sensitivitätsfunktion S = (I + G · K)−1 und weitere Formen
(z. B. K · S, T = I − S)
Beispiel
Störung d unterdrücken, Folgeverhalten wird nicht berücksichtigt, fast kein Messrauschen n
d→y S
Stellgrößen (Bandbreite und Amplitude) beschränken, da Energie endlich
d→u K ·S
Weiterhin gilt: K · S beschränken → robust gegenüber Modellunsicherheiten

d typischerweise niederfrequent
→ maximaler Singulärtwert von S klein bei selben Frequenzen wie d
→ skalaren Tiefpassfilter w1 (s) mit selber Bandbreite wie d
Finde K, das
kw1 · Sk∞
minimiert
Aber: Praktisch sinnlos, da K → ∞ Lösung
Besser: finde Regler der

w ·S
1

w · K · S
2
∞
w2 (s): Skalarer Hochpassfilter mit ungefähr gleicher Eckfrequenz wie w1 (s)
Jetzt: In allgemeiner Schreibweise

Eingang
w = [d]
2 Ausgänge  
 w1 · y 
z=



−w2 · u
z1
W1
d
z
z2
−W2
y
u G
r=0
K
v
z1 = w1 · y = w1 (d + G · u)
z2 = −w2 · u = w2 · K · S · w w=d
v = −d − G · u
   
z1   w1 w1 G
    
  P11 P12  w 
   d
  
z  =     =  0 −w   
 2     2  
 
  P21 P22 u 

 u

v −I −G
   
w1  w1 · G

P11 = 
 
 P12 = 


 P21 = −I P22 = −G
0 −w2
 
 w1 · S 
Fl (P, K) = 



w2 · K · S
Matlab braucht P → Regler

Dimension K wie P
Robustheit prüfen → Small-Gain
Ähnlich Probleme S/T , S/T /KS
Typische verwendete Filter:
1
Tiefpass T P =
s+ε
1 + T1 · s
Hochpass HP = T1 >> T2
1 + T2 · s
stabil und technisch umsetzbar, da HP = 1 + T1 · s nicht kausal

5 Robuste Prüfung der Stabilität und
Performance
Jetzt: Robustheit von Regelkreisen

D. h., gewünschte Regelkreiseigenschaft nicht nur für ein Entwurfsmodell G(s), sondern für gan-
ze Klasse von Streckenmodellen
Aber: Auch Klasse von mathematischen Modellen bildet physikalische Realität nicht perfekt ab
Deswegen: Robustheit nie wirklich garantiert Sondern: hohe Chancen für guten Reglers in der
Realität, wenn Beschreibung Hauptmodellfehler abbildet
5.1 Modellunsicherheiten
Modellunsicherheiten verursacht durch
• vernachlässigte Dynamiken
– kompliziertes Modell vorhanden → einfache Modell benutzt
→ vernachlässigte Dynamiken → Unsicherheiten
– durch unbekanntes Verhalten bei hohen Frequenzen
(eigentlich immer ab bestimmter Frequenz)
• Parameterunsicherheiten weil
– Parameter geschätzt
– Parameter falsch gemessen
– Parameter zeitlich veränderlich
– Parameter durch Nichtlinearitäten veränderlich
Modellunsicherheiten können eingeteilt werden in
- Strukturierte Unsicherheiten
- Unstrukturierte Unsicherheiten
45
46 Kapitel 5. Robuste Prüfung der Stabilität und Performance
Strukturierte Unsicherheiten =
b Unsicherheiten von konkreten physikalischen Parametern
- Standard-Widerstände und Kapazitäten schwanken fertigungsbedingt um 2 %
- Nennluftspalt → wichtiger Parameter

→ durch Fertigungstoleranzen und thermisches Ausdehnung bei laufender Maschine beein-
flusst
- Permeabilitätszahl µr eines magnetischen Materials→ nicht genau bekannt → Motoren

(Magnetisierung eines Materials in einem äußeren Magnetfeld)
Beispiel Strecke mit unsicherer Verstärkung k
Gges = k · Go (s) mit kmin < k < kmax
Übertragungsfunktion Go (s) ohne Unsicherheiten

Es wird definiert:
kmax − kmin
relative Unsicherheit rk :=
kmax + kmin
kmax + kmin
durchschnittliche Verstärkung k :=
2
→ unsicherer Verstärkung k = k · (1 + rk ∆ ) mit |∆ | < 1
Strecke mit multipliativer Unsicherheit darstellen
Gges = k · Go (s)(1 + rk ∆ )
= G(s) · (1 + rk ∆ )
Unsicherheitsbeschreibung: mulitpiative Form (besonders gut für Verstärkungen)

w(s) ∆
u y
G
Mit w(s) = rk
Kapitel 5. Robuste Prüfung der Stabilität und Performance 47
Test: ∆ = −1
k = k · (1 − rk )
kmax + kmin kmax − kmin
= (1 − )
2 kmax + kmin
kmax + kmin kmax + kmin kmax − kmin
= ( − )
2 kmax + kmin kmax + kmin
kmax + kmin kmax + kmin − kmax + kmin
= ( )
2 kmax + kmin
kmax + kmin 2kmin
= ( ) = kmin
2 kmax + kmin
∆ =0
k = k · (1) = k
∆ = +1
k = k · (1 + rk )
kmax + kmin kmax − kmin
= (1 + )
2 kmax + kmin
kmax + kmin kmax + kmin kmax − kmin
= ( + )
2 kmax + kmin kmax + kmin
kmax + kmin kmax + kmin + kmax − kmin
= ( )
2 kmax + kmin
kmax + kmin 2kmax
= ( ) = kmax
2 kmax + kmin
Beispiel Strecke mit unbekannter Verzögerung
1
Gges = · Go (s) mit Tmin < T < Tmax
Ts+1
Umgeformt mit T = T · (1 + rT ∆ ) und |∆ | < 1
Go (s)
Gges =
1 + T s + rT T ∆ s
Go (s) 1
= ·
1+Ts rT · T · s
1+ ∆
1+Ts
1 rT · T · s
= G(s) · mit w(s) =
1 + w(s)∆ 1+Ts
Unsicherheitsbeschreibung: inverse mulitpiative Form (besonders gut für Pole)

Blockschaltbild
w(s) ∆
u
G y
Test: Tmax − Tmin Tmax + Tmin

rT := T :=
Tmax + Tmin 2
Y (s) =G(s) ·U(s) − w(s) · ∆Y (s)
G(s) ·U(s) = (1 + w(s) · ∆ )Y (s)
Y (s) 1
Gges = = G(s) ·
U(s) 1 + w(s)∆
Aber: Strukturierte Unsicherheiten werden oft vermieden, da:
- höheren Modellierungsaufwand
- einzelne Parameterschwankungen oft nicht genau bekannt

(falsche Sicherheit)
- exakte Struktur notwendig → nichtmodellierte Dynamiken nicht beschreibbar
Unstrukturierte Unsicherheiten = b Beschreibung der Unsicherheit im Bezug auf ihre oberste

Schranke im Frequenzbereich
Kombination von beiden auch mögich
strukturiertere Fehlerbeschreibung → komplexer zugehörige Fehlerklasse → genauere Beschrei-
bung der tatsächlichen Situation
einfache, wenig strukturierte Fehlerbeschreibungen → einfacheres Entwurfsverfahren
Unstrukturierte Unsicherheiten
Additive Modellunsicherheit
∆G
u y
G
Gges = G + ∆ G
Multiplikative Modellunsicherheit
∆
u y
G
Gges = (I + ∆ ) · G
In SISO in einander überführbar
Beipiele für unstrukturierte Unsicherheiten:

- nicht modellierte Dynamik höherer Ordnung
1
∆ (s) =
(Js + 1)2
- unbekannte Totzeit
∆ (s) = e−sT
→ Gges = (1 + ∆ (s)) · G(s)
Standard-Form für Unsicherheiten
Additiv:
∆G ∆G
y
K G −K · (I + L)−1
= −K · S
Aus Bild: additive Modellunsicherheit ∆ G sieht Regelkreis als −K · S .
Multiplikativ:
∆ ∆
y
K G −K · G · (I + L)−1
= −T
Aus Bild: multiplikative Modellunsicherheit ∆ sieht Regelkreis als −T

Wie immer gilt:
S = (I + L)−1
T = L · (I + L)−1
L = K ·G
Notwendig für Prüfung Robuste Stabilität
5.2 Robuste Stabilität

Stabilität für unsichere Strecken prüfen (aus Nyquist)
Nyquist-Kriterium
• Grundpfeiler der klassischen Regelung
• Von grundlegender Bedeutung für eine robuste Regelung
• Prüft Stabilität des geschlossenen Regelkreises
• basierend auf offenem Regelkreis L( jω) = K( jω) · G( jω)
• ohne Berechung von Polen des geschlossenen Regelkreises, d. h.

ohne Berechung vonWurzeln von 1 + L( jω) = 0
Sonderfall Nyquist-Kriterium für stablie L( jω):

Amplitudenreserve: GM und Phasenreserve: PM
Probleme des Nyquist-Kriteriums
1) keine analytischen Optimierungstechniken für diese Reserven
2) Manchmal: gute Robustheit gegenüber individuellen Verstärkungs- und Phasentoleranzen
aber nicht robust gegenüber gleichzeitigen Variationen
5.3 Small-Gain-Theorie
basiert auf Nyquist-Kriterium)
wenn L( jω) = K( jω) · G( jω) stabil
und kLk∞ < 1 → |L( jω)| < 1 für alle ω
→ −1 nicht eingschlossen
→ geschlossener Regelkreis stabil
• hinreichende Bedingung, nicht notwendige
• Phasenreserve PM = ∞
• nicht sinnvoll für Regelerauslegung, da gutes Tracking hohes K erfordert
• sehr sinnvoll für unstrukturierte Unsicherheiten
Robuste Stabilität mit Hilfe der Small-Gain-Theorie
Frage: Wie viel Unsicherheit verträgt der geschlossene Regelkreis, bevor er instabil wird?
Additiv Multiplikativ
Bedingung für Stabilität

k∆ G · (−K · S)k∞ < 1 k∆ · (−T )k∞ < 1
Die Dreiecksungleichung besagt:
k∆ G · (−K · S)k∞ k∆ · (−T )k∞
≤ k∆ Gk∞ · k−K · Sk∞ ≤ k∆ k∞ · k−T k∞
Wenn wir für den Regelkreis sicherstellen, das
1 1
k∆ Gk∞ < k∆ k∞ <
α β
dann ist die Bedingung für Stabilität
k−K · Sk∞ < α k−T k∞ < β
1 1
·α = 1 ·β = 1
α β
Beispiel Strecke additiver Unsicherheit
3
Gges =
(s + 1)(s + 2)2
Strecke ohne Unsicherheit

3
G=
(s + 1)
Additive Unsicherheit
3
Gges = G + ∆ G =
(s + 1)(s + 2)2
1 + s2 + 4s + 3 − s2 − 4s − 3
=3
(s + 1)(s + 2)2
(s + 2)2 s2 + 4s + 3
=3 − 3
(s + 1)(s + 2)2 (s + 1)(s + 2)2
3 3(s + 3)(s + 1)
= −
(s + 1) (s + 1)(s + 2)2
−3(s + 3)
∆G =
(s + 2)2
Bedingung für Stabilität

k∆ Gk∞ = 2, 25
k∆ Gk∞ · k−K · Sk∞ < 1
k−K · Sk∞ < 0, 44
Beispiel als Regler
0, 2
K=
s
0,2
s
−K · S = − 0,2 3
1+ s · (s+1)
−0, 2 · (s + 1)
=
s2 + s + 0, 6
k−K · Sk∞ = 0, 366
Bedingung für Stabilität erfüllt
5.4 Auslegegung robuster Regler
Bis jetzt:
2
Robuste Stabilität prüfen
2
Performance beurteilen
2 Regler auslegen → folgt nun
Sinnvolle Darstellung in der Robusten Regelung

∆
äußere Eingänge äußere Ausgänge

P
w z
u v
P = verallgemeinerte Strecke
Ziel: Norm (z. B. H∞ -Norm) von ω → z minimieren
5.4.1 Allgemeine Regelkreisstruktur mit Unsicherheiten
∆
∆u ∆y
w z
P
u v
untere LFT → untere Schleife
N = Fl (P, K) = P11 + P12 · K[I − P22 · K]−1 · P21
obere LFT → obere Schleife

z = Fu (N, ∆ ) · w
Fu = N22 + N21 ∆ (I − N11 · ∆ )−1 · N12

Regler auslegen für Gesamtsystem mit ∆ → noch ungelöst

suboptimale DK-Iteration für µ-optimale Lösung im Gebrauch
Analyse (µ-Analyse) für gegebenen Regler K im Gebrauch
H2 - und H∞ -Control
früher LQG (mit H2 ) → schlechte Robustheit → H∞ seit 1980
Generelle Probleme
keine mathematischen Details zur Lösung, da komerzielle Software vorhanden
Matrix-Riccati-Gleichung wird gelöst
Dimension Regler = Dimension verallgemeinerte Strecke (Strecke + Filter)
Standard H∞ -Problem
kFl (P, K)k∞ = max σ (Fl (P, K)) minimieren
Zum Veständnis: γmin = kFl (P, K)k∞

Erst suboptimales γ mit beliebigen Regler K(s)
Dann γ schrittweise verringern mit dem Algorithmus von Doyle → Matlab
5.5 Einschränkung bei H∞ -Regelungen
• H∞ -Regler → leistungsstarkes Werkzeuge für regelungstechnische Probleme

Aber: nicht immer ausreichend, obwohl Robustheit und Performance beide berücksichtigt
werden
keine Garantie für robuste Performance
Lösungsidee: H2 - und H∞ -Control kombinieren
• H∞ -Reglerdesign → Reglern hoher Ordnung

→ mehr Ressourcen für Implementierung benötigt + anfälllig für numerische Probleme
Reglern niedriger Ordnung sind besser → Gewichtungsfunktionen niedriger Ordung → Me-
thoden zur Ordnungsreduktion (für Strecke oder Regler) Aber: Regler nicht zu sehr verein-
fachen
• Menge der beschrieben Strecken kann zu groß sein → konservative Regler-Auslegung →

schlechte Leistungsfähigkeit
5.6. ZUSAMMENFASSUNG
5.6 Zusammenfassung
5.6.1 Schlussfolgerung robuste Regler

• Robuste Reglung entstand um 1980 → Fortschritt in Theorie und numerischen Algorithmen
enorm
• Effiziente kommerzielle und Public-Domain-Software-Tools sind heutzutage verfügbar

→ nur grundlegene Details der zugrundeliegenden Theorie benötigt, um Werkzeuge erfolg-
reich zu nutzen
Aber: eine Menge praktische Erfahrung erforderlich, um realistische Probleme zu lösen
• Gründe:
• Modellierung ist eine anspruchsvolle Ingenieursaufgabe

→ Schätzung Modellierungsunsicherheit braucht Zeit
• Man muss mit Frequenz-Gewichtungsfunktionen spielen, um die Leistung / Robustheit-

Kompromiss des spezifischen Problems zu lösen
→ Reglersynthese iterativer Prozess, der Erfahrung braucht
• Wichtigste Errungenschaften in der robusten Reglung:

Bewusstsein über die industrielle Bedeutung der Robustheit → Systemausfall wird in unse-
rer Gesellschaft nicht akzeptiert → Robustheitsüberlegungen sehr wichtig
5.6.2 Inhalte Vorlesung

• Bewertung von Regler im Zeitbereich
im Frequenzbereich
• Beschreibung von Unsicherheiten
• Robuste Stabilität
• Nominelle Performance mit Gewichtsfiltern
55

RTIII Skript

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

RTIII Skript

Hochgeladen von

Copyright:

Verfügbare Formate

Institut für Mess- und Regelungstechnik

Leibniz Universität Hannover

Regelungstechnik für Fortgeschrittene –

22. April 2020

1.1 Probleme bei der Modellierung . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Robuste Regelung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.3 Reglerauslegung allgemein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.4 Design Prozess eines Reglers . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2 Grundlagen der robusten Regelung 9

2.1 Lineare Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

3 Klassische Prüfung der Stabilität und Performance 18

3.2 Performance im Zeitbereich . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3.3 Performance im Frequenzbereich . . . . . . . . . . . . . . . . . . . . . . . . . . 23

4 Moderne Mehrgrößen-Reglung (MIMO) mit Hilfe von Normen 31

4.1 Normen in der Regelungstechnik . . . . . . . . . . . . . . . . . . . . . . . . . . 31

4.2 Auslegegung moderner Regler . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

4.3 LQG control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

5 Robuste Prüfung der Stabilität und Performance 45

z. B. Elektrotechnik, Maschinenbau, Strömungsmechanik

Untersuchung der Übertragungsfunktion G(s)=

1.1 Probleme bei der Modellierung

• physikalische Realität ist sehr kompliziert

b) Annahmen: z. B. Schätzung der Umgebungstemperatur

• Dynamiken werden oft vernachlässigt

• Nichtlinearitäten sind schwer modellierbar oder sehr kompliziert

• die beschreibenden Parameter sind:

Einfache Modelle erwünscht, denn:

Der aus Regelungstechnik I bekannte Ablauf ist:

Modellierung → Differentialgleichung → Laplace-Transformation → G(s)-Strecke

Modell ist jedoch oft schlecht da:

• hohe Dynamiken vernachlässigt

1.2 Robuste Regelung

Fall 1: Ein Regler für ein Modell

Fall 2: Selber Regler für ähnliches Modell

→ Robustheit kommt mit Trade-off (Austauschbeziehung = eine gegenläufige Abhängigkeit)

mehr Robustheit = weniger aggressive Regler = weniger Performance → Zielkonflikt

Robuste Regelung: Unsicherheiten angeben → mögliche Performance ermitteln

• mL unbekannt, leer ←→ voll, → große Schwankung → Regelung notwendig:

Klassische Regelungstechnik: m L , m C , l messen

⇒ daher robusten Regler auslegen

To-do: Robuster Regler

• Unsicherheiten der Strecke beschreiben / charakterisieren, z. B.

Regelungstechnik besteht aus Feedforward und Feedback

Beispiel: Positionsregelung eines E-Motors:

Vorteile von Feedback gegenüber Feedforward

+ Robustheit (Störungen und Modellfehler werden ausgeregelt)

+ Dynamik kann verändert werden (Pole beeinflussbar, s. WOK)

+ geht auch bei instabilen Strecken (Pole beeinflussbar)

Nachteile von Feedback gegenüber Feedforward

– zusätzliche Hardware nötig (Sensor, Vergleich)

– möglicherweise instabil (Pole beeinflussbar)

Beispiel: Active Noise Control (ANC)

Abbildung 1.1: Active Noise Control (ANC)

1.3 Reglerauslegung allgemein

Ziel: Regelungsergebnisse verstehen und interpretieren

1.4 Design Prozess eines Reglers

2. Strecke modellieren, möglicherweise vereinfachen

3. Analyse dieses Modells

5. Messgrößen (Sensoren, z. B. Geschwindigkeit, absolute/relative Position) und

6. Typ des Reglers auswählen

9. Analyse des Gesamtsystems

10. Simulation des Gesamtsystems

12. Hardware + Software auswählen → Regler implementieren