Sie sind auf Seite 1von 41

Institut für Mess- und Regelungstechnik

Leibniz Universität Hannover


Prof. Dr.-Ing. E. Reithmeier

Übung
Regelungstechnik für Fortgeschrittene
(RT3, ehemals: Robuste Regelung)

Dr.-Ing. Christian Pape


1. Juli 2020
Inhaltsverzeichnis

1 Übung: Mathematische Grundlagen 1


1.1 Singulärwertzerlegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Herleitung untere LFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Redheffer Sternprodukt . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Übung: Mixed-Sensitivity Control 6


2.1 Allgemeines Vorgehen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Beispiel S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Beispiel S/KS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Beispiel S/T/KS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

3 Übung: Unsicherheiten 12
3.1 Dynamische Unsicherheiten . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Parametrische Unsicherheiten . . . . . . . . . . . . . . . . . . . . . . . . 13

4 Übung: Masse-Feder-Dämpfer-System 16
4.1 Modellierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2 Parametrische Unsicherheiten . . . . . . . . . . . . . . . . . . . . . . . . 17

5 Übung: RCL Netzwerk 21


5.1 Modellierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5.2 Parametrische Unsicherheiten . . . . . . . . . . . . . . . . . . . . . . . . 22

6 Übung: Robuste Regelung eines Brückenkrans 25


6.1 Modellierung eines Brückenkrans . . . . . . . . . . . . . . . . . . . . . . 25
6.2 Regelung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Inhaltsverzeichnis

A MATLAB-Hausübung I
A.1 PT1-System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . I
A.2 Masse-Feder-Dämpfer-System . . . . . . . . . . . . . . . . . . . . . . . . II
A.3 Mixed Sensitivity Control . . . . . . . . . . . . . . . . . . . . . . . . . . III

B Kurzlösung der MATLAB-Hausübung IV

Literaturverzeichnis VII
1 Übung: Mathematische
Grundlagen

1.1 Singulärwertzerlegung

Theorie

Gegeben sei: A ∈ Cn×m


Die Singulärwertzerlegung lautet
A=U ·Σ·VT
mit

• U ∈ Cn×n

• Σ ∈ R+,n×m

• V T ∈ Cm×m

U und V T sind unitäre Matrizen, d.h. U H = U −1 mit U H := U ∗ , unitär heißt komplex


T

und orthogonal
Σ liefert eine diagonale (nicht notwendigerweise rechteckige) Matrix mit den Singu-
lärwerten, d.h. Σ = [diag(σ1 , σ2 , ..., σn ), 0, ..., 0] mit σ1 ≥ σ2 ≥ · · · ≥ σp ≥ 0 mit
| {z }
m−n
p = min{m, n}.

1
1 Übung: Mathematische Grundlagen

Beispiel

Im Allgemeinen: G(s) ist komplexwertig mit G(jω)


Fixiere Frequenz ω1 so dass G(jω1 ) = G1 = konstant
Eine Singulärwertzerlegung wäre dann zum Beispiel
 
     1 0 0 
5 0 0 1 0 5 0 0 
G1 =  = · · 0 1 0

0 0.5 0 0 1 0 0.5 0 


0 0 1
Daraus ergibt sich ein maximaler Singulärwert σ(jω1 ) = 5 und ein minimaler Singulärwert
σ(jω1 ) = 0.5.
In MATLAB kann man die Singulärwertzerlegung schnell berechnen mit:

A = rand(3,4) % Zufällige 3x4 Matrix


[U,S,V] = svd(A)

In der robusten Regelung interessieren wir uns für den maximalen Singulärwert über alle
Frequenzen, d.h. supω σ(jω)∀ω

sup σ(jω)
ω

5
σ(jω1)
σ(jω)

ω
ω1

2
1 Übung: Mathematische Grundlagen

1.2 Herleitung untere LFT

Regler w P11 P12 z


w z
P
u v u = Kv P21 P22
u v

         
z P
  =  11
P12  w P11 P12   w  P11 w + P12 Kv 
= =
v P21 P22 u P21 P22 Kv P21 w + P22 Kv
Daraus folgt

1. z = P11 w + P12 Kv

2. v = P21 w + P22 Kv

v aus den folgenden Gleichungen eliminieren.


Aus (2) folgt
v − P22 Kv = (I − P22 K)v = P21 w
⇒ v = (I − P22 K)−1 P21 w
Eingesetzt in (1) folgt
z = P11 w + P12 K(I − P22 K)−1 P21 w
= [P11 + P12 K(I − P22 K)−1 P21 ]w
=: Fl (P, K)w

1.3 Redheffer Sternprodukt

Wie lassen sich zwei Zwei-Port-Systeme im Allgemeinen verbinden?

3
1 Übung: Mathematische Grundlagen

w z
P
a

b
^
w K z^

Gegeben seien zwei Matrizen


   
P11 P12  K11 K12 
P = und K=
P21 P22 K21 K22
so dass das Matrixprodukt P22 K11 quadratisch und wohldefiniert sei und I − P22 K11 inver-
tierbar sei. Wie lässt sich eine kompakte Darstellung in der Form

w z
ŵ S(P,K) ẑ

finden?
Gesucht ist:     
z S
  =  11
S12  w
(1.1)
ẑ S21 S22 ŵ
Herleitung
Definiere Hilfssignale a und b, so dass
    
a K
  =  11
K12   b 
(1.2)
ẑ K21 K22 ŵ
    
z P
  =  11
P12  w
(1.3)
b P21 P22 a
Aus (1.2) und (1.3) ergeben sich die Gleichungen
a = K11 b + K12 ŵ (1.4)
ẑ = K21 b + K22 ŵ (1.5)
z = P11 w + P12 a (1.6)
b = P21 w + P22 a (1.7)

4
1 Übung: Mathematische Grundlagen

Einsetzen von (1.7) in (1.4)


a = K11 (P21 w + P22 a) + K12 ŵ = K11 P21 w + K11 P22 a + K12 ŵ
⇒a − K11 P22 a = K11 P21 w + K12 ŵ
a = (I − K11 P22 )−1 (K11 P21 w + K12 ŵ) (1.8)
Einsetzen von (1.4) in (1.7)
b = P21 w + P22 (K11 b + K12 ŵ) = P21 w + P22 K11 b + P22 K12 ŵ
⇒b − P22 K11 b = P21 w + P22 K12 ŵ
b = (I − P22 K11 )−1 (P21 w + P22 K12 ŵ) (1.9)
Einsetzen von (1.8) in (1.6)
z = P11 w + P12 a = P11 w + P12 (I − K11 P22 )−1 (K11 P21 w + K12 ŵ)
h i h i
= P11 + P12 (I − K11 P22 )−1 K11 P21 w + P12 (I − K11 P22 )−1 K12 ŵ
| {z } | {z }
S11 S12
Einsetzen von (1.9) in (1.5)
ẑ = K21 b + K22 ŵ = K21 (I − P22 K11 )−1 (P21 w + P22 K12 ŵ) + K22 ŵ
h i h i
= K21 (I − P22 K11 )−1 P21 w + K22 + K21 (I − P22 K11 )−1 P22 K12 ŵ
| {z } | {z }
S21 S22
Somit ergibt sich
 
P11 + P12 K11 (I − P22 K11 )−1 P21 P12 (I − K11 P22 )−1 K12
S(P, K) =  
K21 (I − P22 K11 )−1 P21 K22 + K21 P22 (I − K11 P22 )−1 K12
Dies wird auch Redheffer Star Produkt S(P, K) (auch: P ? K) genannt.
Was fällt auf? Kompaktere Schreibweise mit LFTs möglich:
 
Fl (P, K11 ) P12 (I − K11 P22 )−1 K12 
S(P, K11 ) = 
K21 (I − P22 K11 )−1 P21 Fu (K, P22 )

5
2 Übung: Mixed-Sensitivity Control

Mixed-Sensitivity Control wird dazu benutzt, einen Regler auszulegen. In dieser Übung
werden keine Unsicherheiten berücksichtigt.

2.1 Allgemeines Vorgehen

Erinnerung (siehe Skript, ohne Störmodell):


y = T r + Sd − T n
u = KS[r − d − n] (2.1)
e = −Sr + Sd − T n
Idee: Nicht nur S beeinflussen (shapen) sondern auch KS und T .
Kombinationen möglich

• S: d → y beeinflusst Performance

• T : r → y, n → y beeinflusst Robustheit / Messrauschen

• KS: d → u, r → u beeinflusst Stellgröße (Energie)

Vorgehensweise:

1. Benutzer entscheidet über Design, d.h. welche Kombination von S/T /KS will ich?
Was und in welcher Kombination will ich beeinflussen (Performance, Robustheit,
Messrauschen, Stellgröße)?

2. Addition von Filtern WS /WT /WKS für Größen S/T /KS

6
2 Übung: Mixed-Sensitivity Control

3. Aufstellen von P für LF T (P, K) für Optimierer welcher min kLF T (P, K)k∞ mini-
K
miert

2.2 Beispiel S

Im Folgenden wird ein Beispiel für das Regulierungsproblem behandelt, d.h. die Referenz
ist stets 0 (r ≡ 0, n ≡ 0). Wir möchten S mit einem Filter beaufschlagen um die
Performanz zu beeinflussen (klassisches Loop-Shaping).

• Normalerweise ist y = Sd, wir möchten aber einen neuen künstlichen Ausgang z
der den alten Ausgang y gewichtet. D.h. z = WS Sd = WS y (siehe Gleichungen
(2.1)). Damit wird WS S minimiert!

• Addiere Filter zum Standardregelkreis (1 Ausgang z = WS y)


P

w=d Ws z

r≡0
y
u G v
-

• Finde P        
z W WS G d
 = S
P11 P12  d
=: 
v −I −G u P21 P22 u

7
2 Übung: Mixed-Sensitivity Control

• Finde untere LFT


Fl (P, K) = WS I + WS GK(I − (−G)K)−1 (−I)
= WS − WS GK(I + GK)−1
GK
= WS − WS
I + GK
GK
 
= WS I −
I + GK
I + GK GK
 
= WS −
I + GK I + GK
I
= WS = WS S
I + GK

• Übergebe LFT an Optimierer


min kFl (P, K)k∞ = min kWS Sk∞
K K

2.3 Beispiel S/KS

Wieder wird ein Beispiel für das Regulierungsproblem behandelt, d.h. die Referenz ist stets
0 (r ≡ 0). Jetzt soll nicht nur S sondern auch KS mit einem Filter beaufschlagt werden, so
dass Performance und auch Stellgröße beeinflusst werden.

• Wir wollen hier S und KS mit einem Filter versehen, also brauchen wir künstliche
Ausgänge, so dass z1 = WS Sd und z2 = WKS KSd. Dies kann (siehe Gleichungen
(2.1)) erreicht werden mit z1 = WS Sd = WS y und z2 = WKS KSd = −WKS u

• Addiere beide Filter zum Standardregelkreis


(2 Ausgänge z1 = WS y und z2 = −WKS u )

8
2 Übung: Mixed-Sensitivity Control

KS

• Finde P    
z
 1
W
 S
WS G      
d P 11 P 12   d 
z2  =  0 −W =: 
    
KS 
    u P21 P22 u
v −I −G

• Finde LFT    
WS WS G 
Fl (P, K) =   +  K(I − (−G)K)−1 (−I)
0 −WKS
   
WS WS G 
=  − K(I + GK)−1
0 −WKS
 
WS − WS GK(I + GK)−1 
= 
WKS K(I + GK)−1
 
WS (I − GK(I + GK)−1 )
= 
WKS KS
 
WS S 
= 
WKS KS

9
2 Übung: Mixed-Sensitivity Control

2.4 Beispiel S/T/KS

Wir wollen nun S/T /KS simultan beeinflussen. Hier ist jetzt ein Tracking-Problem
vorhanden, d.h. r ist die Führungsgröße, nicht d.

d=0 n=0
y e
u G v
-

Dazu brauchen wir drei künstliche Ausgänge mit den Filtern WS , WT und WKS .

• Bedingung an die künstlichen Ausgänge


z1 = WS Sr
z2 = WT T r
z3 = WKS KSr
nach Ansicht von Gleichungen (2.1) ergibt sich
z1 = WS Sr = −WS e
z2 = WT T r = WT y
z3 = WKS KSr = WKS u

• Filter implementieren

10
2 Übung: Mixed-Sensitivity Control

P
r
-WS z1

WT z2

WKS z3
d=0 n=0
y e
u G v
-

• Finde P    
z
 1 
−WS WS G     
z2   0 W G r P P r
   
 = T    =:  11 12  
z3   0 WKS  u P21 P22 u
   
   
v I −G

• Finde LFT → Hausaufgabe

11
3 Übung: Unsicherheiten

2 Typen von Unsicherheiten

1. Dynamische Unsicherheiten

2. Parametrische Unsicherheiten

3.1 Dynamische Unsicherheiten

Transferfunktion 4(s) (komplex: s ∈ C)


Mehrere Typen von dyn. Unsicherheiten, In Vorlesung additiv (I) und (ausgangs-
)multiplikativ (II). In Realität viel mehr, z.B. invers additiv (III) und eingangsmul-
tiplikativ (IV).

(I) (II)
Δ*G Δ

G0 G0

(III) (IV)
Δ*G Δ

G0
G0

Für Analyse Strecke umformen, so dass 4 isoliert wird!

12
3 Übung: Unsicherheiten


u∆ y∆

M
Für (I), (II) siehe Skript, (III) und (IV) Hausaufgabe

3.2 Parametrische Unsicherheiten

Konkrete Parameter variieren in bestimmten Bereich: δ ∈ R reell!

PT1-System mit parametrischer Unsicherheit


1+α
G(s) = α ∈ [−0.2, 0.2] α0 ≡ 0
1+s
Darstellung als additive Störung
1 α 1 1 1 0.2
G(s) = + = + α= + δ = G0 (s)+GA (s)δ mit|δ| ≤ 1
1+s 1+s 1+s 1+s 1 + s |1 {z
| {z }
+ s}
G0 (s) =:GA (s)

0 *2
____ δ GA(s) δ GA δ
1+s
1____

1+s
1
___ -K
___
G0
1+s 1 + KG0

Stabilität prüfen mit Small Gain Theorem:


−K

· |GA δ| < 1

1 + KG0

13
3 Übung: Unsicherheiten

Darstellung als multiplikative Störung


1+α 1
G(s) = = (1 + α) = G0 (s)(1 + |{z}
0.2 δ) mit|δ| ≤ 1
1+s 1+s
GM (s)

GM δ GM δ

G0 KG
- ____
I+KG

Geometrische Interpretierbarkeit

Nyquist-Ortskurve [2]

14
3 Übung: Unsicherheiten

Offener Regelkreis
L = KG = KG0 (1 + GM δ) = L0 (1 + GM δ)
| {z }
L0
LO nominell offener Regelkreis
Nominell: Stabil wenn (-1,0) “links” liegt
Mit Unsicherheiten L(s) = L0 (s)(1 + GM (s)δ) = L0 (s) + L0 (s)GM (s)δ
| {z }
Komplexer Zeiger
Abschätzung:
δ | ≤ |L0 (s)Gm (s)|
|L0 (s)Gm (s) |{z}
|δ|≤1

-1
L0
L0(jω)
K0Gml

Realität

Im Beispiel hier: Gm (s) = Gm = 0.2


Realität: Komplexe Form von Gm (s) → Kreise dienen als einfachere Abschätzung (kon-
servative Abschätzung)
→ siehe MATLAB Live Script Übung

15
4 Übung:
Masse-Feder-Dämpfer-System

Um Stabilität mittels Small-Gain-Theorem zu prüfen, bietet es sich an, die Unsicherheiten


auszulagern. Dies wird in den nächsten beiden Übungen anhand konkreter Beispiele
durchgeführt.

4.1 Modellierung

Masse-Feder-Dämpfer-System mit Kraft als Eingang und Position als Ausgang [1].

d
k

m x

16
4 Übung: Masse-Feder-Dämpfer-System

Beispielweise für Kraftregelung!


Bewegungsgleichung (aus dem Kräftegleichgewicht)
mẍ(t) + dẋ(t) + kx(t) = f (t) (4.1)
Nach der höchsten Ableitung auflösen:
1
ẍ = (−kx − dẋ + f )
m
Blockschaltbild:
..
_
1
x ẋ x
f m ∫ ∫ y
-

→ Simulink-Modell

4.2 Parametrische Unsicherheiten

Nominelle Werte m0 , d0 , k0 schwanken in bestimmten Bereich


m = m 0 + δm
d= d 0 + δd (4.2)
k= k 0 + δk
Einsetzen von Gleichung (4.2) in (4.1) und nach der höchsten Ableitung auflösen:

1
ẍ = (−(k0 + δk )x − (d0 + δd )ẋ + f )
m 0 + δm
Zustandsraummodel
      

  = 
0 1 x
  + 
0 f
k0 +δk d0 +δd 1
ẍ − m0 +δm − m0 +δm ẋ m0 +δm
 T  
1 x
y =    +0·f =x
0 ẋ

17
4 Übung: Masse-Feder-Dämpfer-System

Blockschaltbild:

..
_
1 x ẋ x
f ∫ ∫ y
- m0 + δm

d0+δd

k0+δk

Vorgehen: Unsicherheiten “rausziehen” und isolieren!


Für d und k einfach!

δd
d0 + δd

d0

Für m als Feedbackloop

1/m0
1
__ -
m0+δm
δm

Kontrolle: Bei negativem Feedback gilt


1
vorwärts 1
= m0
= (4.3)
1 + vorwärts · rückwärts 1 + m0 δm
1
m0 + δm
Neues Blockschaltbild mit isolieren Unsicherheiten

18
4 Übung: Masse-Feder-Dämpfer-System

..
_
1
x ẋ
f - - m0 ∫ ∫ x

δm
um ym
d0

δd
ud yd
k0

δk
uk yk

Jetzt sind alle Unsicherheiten isoliert und man kann dies in die Darstellung der LFT
bringen.


u∆ y∆

w N z

Hier ist  
δ
 m
0 0
4 =  0 δd 0 
 
 
0 0 δk
eine Diagonalmatrix.
Wir führen die Zustände x1 = x und x2 = ẋ ein. Der Ausgang z sei die Position x1 und
der Eingang w sie die Kraft f . Die Zustandsraumdarstellung des Masse-Feder-Dämpfer-

19
4 Übung: Masse-Feder-Dämpfer-System

Systems ohne Unsicherheiten lautet


    

 1 
0 1 0 0 0 0   x1 
k d
 ẋ2  − m0
− m0 − m0 − m0 − m10
0 1 1 1 
x 
   
m0   2 
    
ẋ   
 k0
0
A B u Bw x
ym  − m − md00 − m10 − m10 − m10 1
 u 
         
m0   m 
y4  =   =  0
  =  C Dyu Dyw  u  .
    
  4
 
   yd   0

1 0 0 0 0  ud   y
z      Cz Dzu Dzw w
 yk   1 0 0 0 0 0 u 
    
    k
z 1 0 0 0 0 0 w
Nun kann mittels des Small-Gain-Theorems die robuste Stabilität geprüft werden [3].
Dazu muss M (s) gefunden werden.


u∆ y∆

Dafür wird zunächst N (s) ermittelt mit


     
Cy h i Dyu Dyw  N11 (s) N12 (s)
N (s) =   (sI − A)−1 Bu Bw +  = .
Cz Dzu Dzw N21 (s) N22 (s)
Es gilt M (s) = N11 (s).

Anmerkung:
Aufgrund des Small-Gain-Theorems sollte man versuchen 4 zu normieren, z.B. mit Ge-
wichtstransferfunktionen 4n = W1 4 W2 zu normieren, so dass k4n k∞ ≤ 1


∆n
W2 ∆n W1

W2 W1
f
N y f
N y

~
N .

20
5 Übung: RCL Netzwerk

i(t)

R L i(t)

U C y

5.1 Modellierung

Gegeben sei ein RCL Netzwerk mit Eingangsspannung u und Ausgangsspannung y.


Dabei ist R der Widerstand, L die Induktivität der Spule, und C die Kapazität des
Kondensators.
Die zweite Kirchhoff’sche Regel (Summe über alle Teilspannungen addieren sich zu Null)
liefert
di 1 Z
u = iR + L + idt (5.1)
dt C
und
1 Z
y= idt. (5.2)
C
Aus (5.2) folgt für die Ableitungen des Ausgangs
1
ẏ = i ⇒ i = C ẏ
C

1 di di
ÿ = ⇒ = C ÿ
C dt dt
Eingesetzt in (5.1)
u = RC ẏ + LC ÿ + y (5.3)

21
5 Übung: RCL Netzwerk

Nach der höchsten Ableitung auflösen


1 1 1
 
ÿ = u − y − Rẏ
L C C
und dann den Signalflussplan aufstellen:

ÿ ẏ
_
1 _
1 y
u
- c - L ∫ ∫

Für die Übertragungsfunktion liefert die Laplace-Transformation von (5.3)


U = RCY s + LCY s2 + Y
so dass sich die Übertragungsfunktion
Y 1
G(s) = =
U LCs + RCs + 1
2

ergibt.

5.2 Parametrische Unsicherheiten

Man nehmen an, die 3 Parameter R, C, und L seien als unsicher anzunehmen. Zum
Beispiel nehmen wir an, die Parameter schwanken um p = 20%. Es liegt eine parametrische
Unsicherheit. Für den Fall der Induktivität L kann man dies mit der folgenden Formel
festhalten
L = L0 (1 + pδL )

mit −1 ≤ δL ≤ 1 (Hintergrund: Small-Gain-Theorem) und hier z.B. p = 0.20.


Aus dem Signalflussplan werden alle Komponenten durch die mit Unsicherheit behafte-
ten Komponenten ersetzt. Dann müssen die Unsicherheiten “isoliert” werden um diese
“rausziehen” zu können. Dies kann beispielsweise mit der LFT realisiert werden. Zur
Erinnerung, die uLFT lautet:
Fu (N, 4) = N22 + N21 4(I − N11 4)−1 N12 (5.4)

22
5 Übung: RCL Netzwerk

1. Induktivität L:
1 1 1 p 1 1
= = − δL (1+pδL )−1 = +(−p)δL (1−(−p)δL )−1 = Fu (ML , δL )
L L0 (1 + pδL ) L0 L0 L0 L0
 
1
−p
Abgleich mit (5.4) liefert ML =  L0 
1
.
−p L0

2. Kapazität C:
1 1 1 p 1 1
= = − δC (1+pδC )−1 = +(−p)δC (1−(−p)δC )−1 = Fu (MC , δC )
C C0 (1 + pδC ) C0 C0 C0 C0
 
1
−p
Abgleich mit (5.4) liefert MC =  C0 
1
.
−p C0

3. Aus dem Signalflussplan wird die Komponenten R ersetzt durch die mit Unsicherheit
behaftete Funktion:
R = R0 (1 + pδR ) = R0 + R0 pδR = R0 + pδR (I − 0δR )−1 R0 = Fu (MR , δR )
 
0 R0 
Abgleich mit (5.4) liefert MR =  .
p R0

δc δL
uc yc uL yL
ÿ ẏ
A
u Mc ML ∫ ∫ y
- -
B
δR
yR uR

MR

Nun können die δ “rausgezogen” werden, um unser 4 zu bekommen, was hier das mittels
 
δ
 C
0 0
4 =  0 δL 0 
 
 
0 0 δR

23
5 Übung: RCL Netzwerk

passiert. Damit lautet die Eingangs-Ausgangs-Gleichung für die Unsicherheiten


    
u
 C
δ
 C
0 0  yC 
u4 =  uL  =  0 δL 0   yL  = 4y4 .
    
    
uR 0 0 δR yR
Für eine Zustandsraumdarstellung führen wir die Zustände x1 = y und x2 = ẏ ein. Der
Ausgang z sei die Ausgangsspannung y und der Eingang w sei die Eingangsspannung u.

Mittels zweier “Hilfssignale” A und B (siehe Blockschaltbild) und den bereits ge-
fundenen Matrizen ML , MC und MR können wir die folgenden Gleichungen aufstel-
len     
1
y
 C = 
−p C0  
uC 
1
A −p C0 u−y
    
1
y
 L = 
−p L0  
uL 
1
ÿ −p L0
A−B
    
y
 R = 
0 R0  uR 
B p R0 ẏ
Damit ergeben sich die Hilfssignale zu
A = −puC + 1
C0
(u − y)
B= puR + R0 ẏ.
Daraus kann eine Zustandsraumdarstellung des Netzwerks ohne Unsicherheiten gefunden
werden     

 1 
0 1 0 0 0 0   x1 
 ẋ2  − L C1
− L0 − Cp0
R0
−p − Lp0 1 
 x 
   
   0 0 L0 C0   2 
yC   − C1 0 −p 0 0 1 
 u 
   
 = 0 C0   C 
 yL  − L C1
− L0 − Cp0
R0
−p − Lp0 1 
 u 
   
   0 0 L0 C0   L 
 yR   0 R0 0 0 0 0  u 
    
     R
y 1 0 0 0 0 0 u
Nun kann N und M gefunden werden (Hausaufgabe).

24
6 Übung: Robuste Regelung eines
Brückenkrans

6.1 Modellierung eines Brückenkrans

Ein Brückenkran ist eine manuell oder durch Motoren betriebene Einrichtung zur vertika-
len und horizontalen Verladung von Lasten. Er wird in der Regel zum Be- und Entladen
von Schiffen (Stückgut und Container), Eisenbahn- und Lastkraftwagen, in Montage-,
Fertigungs- und Lagerhallen sowie im Hochbau eingesetzt.
Ein Brückenkran ist ein typischerweise von einem robusten Regler geregeltes System. Die
Last verändert sich aufgrund der variierenden Güter in einem begrenzten Bereich. Zudem
wird die Last in unterschiedlichen Höhen transportiert. Die Modellunbestimmtheiten
dürfen nicht zum Stabilitätsverlust im System führen, weshalb eine robuste Reglung
sinnvoll ist. Im Gegensatz dazu müssten bei einem PID-Regler die Arbeiter für jede
einzelnen Transport den Regler neu einstellen, um die Stabilität nicht zu verlieren, was
einen hohen Zeitaufwand und damit auch hohe Kosten bedeutet. Die folgende Abbildung
zeigt das dazugehörige physikalische Modell.

25
6 Übung: Robuste Regelung eines Brückenkrans

Eine Last ist durch ein Seil mit dem Wagen auf den Schienen verbunden. Zudem ist
der Wagen gedämpft (Reibung der Rollen). Das Ziel besteht darin, das System bei der
Anfahrt und dem Bremsen stabil zu halten. In diesem Modell werden zwei Parameter mit
einer Unsicherheit behaftet und zwar mit der Seillänge und der Masse der Last, da diese
in einem vordefinierten Bereich variieren könnten. Am Anfang einer Modellierung müssen
immer vereinfachende Annahmen getroffen werden. Hier wird z.B. die Kleinwinkelnähe-
rung für das Seil angenommen, da die Auslenkung des Seils stets klein ist. Ferner sei das
Seil stets straff gespannt. Zudem wird das Reibungsmoment der Gleichstrommaschinen
vernachlässigt.
Die Modellierung wird in zwei Schritten realisiert, nämlich der Modellierung des Motors
und des Bewegungssystems. Zunächst wird der Motor und anschließend das Bewegungs-
system modelliert.

Modellierung des Motors

Im System des Brückenkrans ist ein Gleichstrommotor angebracht. Zuerst gilt es, das
elektrische Teilsystem zu modellieren. In der folgenden Abbildung wird das Ersatzbild
des Gleichstrommotors dargestellt.

La
Ra

M,n
U
Ankerkreis Ui

Das erzeugte elektrische Moment wird in mechanische Energie umgewandelt und über
ein Getriebe in das Bewegungssystem transformiert. Die Abkürzungen der verwendeten
Variablen sind in der folgenden Tabelle gegeben:

26
6 Übung: Robuste Regelung eines Brückenkrans

Abkürzung Variable
La Induktion
Ra Widerstand
Ui Induzierte Spannung
U Erregerspannung
i Erregerstrom
n Drehzahl des Motor
φ Fluss je Pol
c Maschinenkonstante
ωmotor Winkelgeschwindigkeit des Motor
ωrad Winkelgeschwindigkeit der Rolle
Km Momentenkonstante
x Lage des Wagens
ran Radius der Rolle
ue Übersetzungsfaktor des Getriebes
η Wirkungsgrad des Getriebes

Man kann nun mittels dem zweiten Kirchhoff’schen Gesetz (Maschengesetz, Ui ≡ 0)


X

i
folgende Gleichung aufstellen:
d
U = UR + UL + Ui = iRa + La i + Ui . (6.1)
dt
Dabei ist die induzierten Spannung definiert als [4]
Ui = c · φ · n,
wobei c die Maschinenkonstante ist, n die Drehzahl und Φ der Erregerfluss. Die Drehzahl
ωmotor
kann ausgedrückt werden mittels n = und somit kann die induzierte Spannung

geschrieben werden als
ωmotor c·φ
Ui = c · φ · = ·ωmotor = Km · ωmotor . (6.2)
2π | 2π
{z }
=:Km

Die Winkelgeschwindigkeit des Rades lässt sich einerseits mittels der Übersetzung ue und
Wirkungsgrad η ermitteln und andererseits über den Radius der Rolle
η ẋ
wrad = wmotor wrad = .
ue ran

27
6 Übung: Robuste Regelung eines Brückenkrans

Dementsprechend kann man die Gleichung (6.2) wie folgt umschreiben:


ue Km ue
Ui = Km wrad = · ẋ (6.3)
η ran η
Die Relation zwischen dem erzeugten mechanischen Moment und der Führungskraft
lautet
Mmotor ue
F = Mmotor = Km · i,
ran
woraus nun nach dem Strom aufgelöst werden kann:
Mmotor F · ran
i= = (6.4)
Km Km ue
Jetzt können Gleichungen (6.3) und (6.4) in Gleichung (6.1) eingesetzt werden und es
ergibt sich (unter der Annahme der Vernachlässigung des dynamischen Verhältnisses
der Induktivität) eine Relation zwischen der Erregerspannung und der Führungskraft

Km ue K 2 u2
F = U − m2 e ẋ (6.5)
Ra ran Ra ran η

Modellierung des Bewegungssystems

Das Bewegungssystem ist schematisch in der folgenden Abbildung dargestellt.

x
F

Der Wagen und die Last werden als konzentrierte Massen (Punktmassen) betrachtet
werden. ϕ steht für den Seilwinkel und die Position des Wagens ist dabei x. Das Seil wird
als masseloses Pendel modelliert. Die Abkürzungen der verwendeten Variablen werden in
der folgenden Tabelle festgehalten:

28
6 Übung: Robuste Regelung eines Brückenkrans

Abkürzung Variablen
mw Masse des Wagens
mp Masse des Pendels
ml Masse der Last
l Länge des Pendels
ϕ Winkel des Pendels
x Lage des Wagens
d Dämpfungskoeffizient
rw Lage des Wagens
rp Lage des Schwerpunkt des Pendels
rl Lage der Last
Jp Trägheitsmoment des Pendels

Die Bewegungsgleichungen des Systems werden in den Lagrangesschen Gleichungen


zweiter Ordnung dargestellt
!
d ∂L ∂L
− = Qi . (6.6)
dt ∂ q̇ ∂q
Darin ist L die Lagrange-Funktion, welche definiert ist als L := T − U. T steht für die
kinetische Energie des betrachteten Systems und U bezeichnet die potentielle Energie. Qi
steht für die nicht-konservative Kräfte des Systems. Als Vektor von Minimalkoordinaten
wird q = (x, ϕ)T gewählt. Um die kinetische und potentielle Energie zu beschreiben,
wird zuerst die jeweilige Lage von Wagen, Pendel und Last als Vektor dargestellt:
     
x x + 12 l sin ϕ  x + l sin ϕ 
rw =   , rp =  und r l = 
0 − 12 l cos ϕ −l cos ϕ
Dann kann man die kinetische und die potenzielle Energie wie folgt darstellen.
1 1 1 1
T = mw r˙w 2 + mp r˙p 2 + ml ṙl 2 + Jp ϕ̇2
2 2 2  2 
1 m

p
= (mw + mp + ml ) ẋ2 + + ml l2 ϕ̇2 + (mp + 2ml ) l cos ϕẋϕ̇
2 3
mp

U = − + ml lg cos ϕ
2
mit Jp = 12
1
mp l2 . Anschließend werden die berechnete kinetische und potenzielle Energie
in die Gleichung (6.6) eingesetzt.
mw + mp + ml 2 mp ml 2 2 mp mp
     
L= ẋ + + l ϕ̇ + + ml l cos ϕẋϕ̇ + + ml lg cos ϕ
2 6 2 2 2

29
6 Übung: Robuste Regelung eines Brückenkrans

Aufgrund der Gleichung (6.6) wird L jeweils nach x, ẋ, ϕ und ϕ̇ abgeleitet.
∂L mp
 
= (mw + mp + ml ) ẋ + + ml l cos ϕxϕ̇
∂ ẋ! 2
d ∂L mp
   
= (mw + mp + ml ) ẍ + + ml l ϕ̈ cos ϕ − sin ϕϕ̇2
dt ∂ ẋ 2
∂L
= 0
∂x
∂L mp mp
   
= + ml l ϕ̇ +
2
+ ml l cos ϕẋ
∂ ϕ̇ 3 2
!
d ∂L mp mp
   
= + ml l ϕ̈ +
2
+ ml l (cos ϕẍ − sin ϕϕ̇ẋ)
dt ∂ ϕ̇ 3 2
∂L mp mp
   
= + ml lẋϕ̇ (− sin ϕ) − + ml lg sin ϕ
∂ϕ 2 2
Nach zahlreichen mathematischen Umrechnungen erhält man die Bewegungsgleichungen:

mp
   
(mw + mp + ml ) ẍ + + ml l ϕ̈ cos ϕ − sin ϕϕ̇2 = F − d1 ẋ
2

mp mp
   
+ ml l2 ϕ̈ + + ml l (cos ϕẍ − sin ϕϕ̇ẋ)
3 2
mp mp
   
− + ml lẋϕ̇ (− sin ϕ) + + ml lg sin ϕ = 0
2 2
Unter der bereits genannten Annahme kann man feststellen, dass sin ϕ ≈ ϕ ist und
cos ϕ ≈ 1 ist. Zudem kann man mit der zweiten Ordnung, z.B. ẋ · ϕ̇ ≈ 0 und mp ≈ 0, die
Linearisierung des Systems durchführen.
(mw + ml ) ẍ + ml lϕ̈ = F − dẋ
ml l2 ϕ̈ + ml lẍ + ml lgϕ = 0
Um die Zustandsraumdarstellung zu beschreiben, müssen die Bewegungsgleichungen
folgendermaßen entkoppelt werden.
d ml 1
ẍ = − ẋ + gϕ + F (6.7)
mw mw mw
d ml g 1
ϕ̈ = ẋ − gϕ − ϕ − F (6.8)
lmw lmw l ml l

30
6 Übung: Robuste Regelung eines Brückenkrans

Zustandsraumdarstellung des gesamten Systems

Nachdem die Gleichung (6.5) in die Gleichungen (6.7) und (6.8) eingesetzt wird, ergeben
sich die folgenden Differenzialgleichungen:
1
!
2 2
d ml Km ue Km ue
ẍ = − ẋ + gϕ + U− 2 η
ẋ (6.9)
mw mw Ra ran Ra ran mw
1
!
2 2
d ml g Km ue Km ue
ϕ̈ = ẋ − gϕ − ϕ − U− 2
ẋ (6.10)
lmw lmw l Ra ran Ra ran η ml l
 T
Die Zustandsgrößen x, ẋ, ϕ und ϕ̇ bilden den sogenannten Zustandsvektor x = x ẋ ϕ ϕ̇ .
Die Gleichungen (6.9) und (6.10) werden als Vektordifferenzialgleichungen in die Matrix-
form umgeschrieben
   
0 1 0 0 0
K 2 ü2
   
 0 − mdw − mw Rma r2 0 
ml 1 Km ü

g  
ẋ =  an η mw x +  mw Ra ran
  
 U.
0 0 0 1 0
   
   
 2 ü2
  
0 d
lmw
− Km
2 η
ml lRa ran
− mlm
l +mw
w
g 0 − m1l l RKamran

In diesem System wird die Lage der Last als Ausgangssignal betrachtet und die Er-
regerspannung als Eingangssignal berücksichtigt. Daraus ergibt sich die Ausgangsglei-
chung
 
y = 1 0 l 0 x.

6.2 Regelung

Siehe Matlab Live Skript

31
A MATLAB-Hausübung

Diese Übung dient dazu, Verfahren aus der Vorlesung “Robuste Regelungstechnik” mit
Hilfe von MATLAB zu üben. MATLAB kann für Studierende als Campuslizenz über
die IT-Services der LUH bezogen werden. Insbesondere ist die Robust Control Toolbox
notwendig, welche als Add-On installiert werden kann.
Es werden einige Befehle zum Lösen der Aufgaben gegeben. Eine detailliertere Be-
schreibung der einzelnen Befehle ist entweder online auf der Homepage von MATLAB
nachzulesen oder in MATLAB selbst aufrufbar mittels dem Befehl help befehl. Dabei
ist befehl der jeweilige Befehl, beispielsweise zeigt help tf die detaillierte Beschreibung
zu tf.

A.1 PT1-System

a) Implementieren Sie das PT1-System (mit G = tf(num,den))


K
G(s) =
1 + Ts
mit K = 1 und einer unsicheren Zeitkonstante T , die einen Nominalwert bei 5 hat
und um 50 Prozent schwankt. Dabei kann der Befehl
T = ureal(’g’,nominalwert,’Percentage’,prozent) verwendet werden

b) Plotten Sie sowohl das Pol-Nullstellen-Diagramm als auch die Sprungantwort des
nominellen System mit pzmap(G.NominalValue) und step(G.NominalValue).

c) Wiederholen Sie den vorherigen Schritt für das unsichere System. Ist das System
für die gegebene Unsicherheit stets stabil? Begründen Sie dies.

I
A MATLAB-Hausübung

A.2 Masse-Feder-Dämpfer-System

Ein Masse-Feder-Dämpfer-System kann im Zustandsraum mit


ẋ = Ax + bu
y = cx + du
dargestellt werden, wobei gilt:
   
0 1  0
A= k b= 1
− m − mb −m
 
cT = 1 0 d = 0.
Darin ist m die Masse, k die Federsteifigkeit, und b die Dämpfung.

a) Implementieren Sie die Zustandsraumdarstellung in MATLAB mittels G = ss(A,b,c’,d).


Dabei ist m = 3, k = 1 und b = 0.2.

b) Das Masse-Feder-Dämpfer-System sei nun mit einer dynamischen (unstrukturierten)


Unsicherheit 4 behaftet, die nach oben mit der Verstärkung 0.316228 beschränkt sei.
Benutzen Sie dazu den Befehl ultidyn(’Delta’,[1 1],’Bound’,verstaerkung).
Plotten Sie das Bode-Diagramm mittels bode(D) und erklären Sie was Sie sehen.

c) Fügen Sie die Unsicherheit als multiplikative Unsicherheit (mit der Gewichtung
W = I) zu der nominellen Strecke G hinzu. Plotten Sie jetzt das Bode-Diagramm
der unsicheren Strecke Gu (s).

d) Die Regelung des unsicheren Systems soll nun mittels eines PID-Reglers erfolgen.
MATLAB kann automatisch einen PID-Regler finden mittels dem Befehl
pidtune(Gu,’pid’). Betrachten Sie die Sprungantwort des geschlossenen Systems
(hierfür ist der Befehl feedback(R*Gu,1) hilfreich). Ist das geschlossene System
für alle Unsicherheiten stabil?

e) Finden Sie die worst-case Verstärkung (mittels wcgain) der Sensitivitätsfunktion


wenn der Regler aus d) verwendet wird. Bei welcher Frequenz liegt diese?

f) Wiederholen Sie die vorherigen Schritte mit einer zusätzlich unsicheren Masse,
dessen Nominalwert bei 3 liegt und 80 Prozent schwankt.

II
A MATLAB-Hausübung

A.3 Mixed Sensitivity Control

Gegeben sei eine Strecke


s−1
G(s) = .
s+1
Es soll jetzt ein Mixed-Sensitivity Regler mit den Filtern
0.1s + 10
W1 (s) = und W2 (s) = 0.1
100s + 1
berechnet werden.

a) Implementieren Sie die Transferfunktionen G, W1 , W2 mittels tf.

b) Jetzt muss die aus der Vorlesung bekannte P Matrix gefunden werden. Diese
kann in MATLAB mit P = augw(G,W1,W2) berechnet werden. Dann kann die H∞ -
Optimierung ausgeführt werden. Dies geschieht mittels [K,CL,GAM] = hinfsyn(P)
wobei dabei K der Regler, CL die geschlossene Transferfunktion und γ (GAM ) die
dazugehörigen Kosten der Optimierung ist.

c) Berechnen Sie die aus der Vorlesung bekannten Transferfunktionen L, S, und T


und plotten Sie die Singulärwerte mittels sigma(S,T).

d) Wiederholen Sie Schritt b) mittels der H2 -Norm (h2syn).

III
B Kurzlösung der
MATLAB-Hausübung

PT1-System

a) T = ureal(’bw’, 5, ’Percentage’, 50);


K = 1;
num = K;
den = [T, 1];
G = tf(num, den);

b) pzmap(G.NominalValue);
step(G.NominalValue);

c) pzmap(G);
step(G);
Ja, alle Pole links und Sprungantwort driftet nicht gegen unendlich für alle Unsi-
cherheiten.

Masse-Feder-Dämpfer-System

a) m = 3;
k = 1;
b = 0.2;
A = [0 1; -k/m, -b/m];

IV
B Kurzlösung der MATLAB-Hausübung

b = [0; -1/m];
c = [1; 0];
d = 0;
G = ss(A,b,c’,d);

b) D = ultidyn(’H’,[1 1],’Bound’,0.316228);
bode(D)

c) W = 1;
Gu = (1+W*D)* G;
bode(Gu)

d) R = pidtune(Gu,’pid’);
Gcl = feedback(R*Gu, 1);
step(Gcl)

e) S = feedback(1,Gu*R);
[WCG,WCU] = wcgain(Gu);
WCG.LowerBound
WCG.CriticalFrequency

f) m = ureal(’m’, 3, ’percentage’, 80);

Mixed Sensitivity Control

a) G = tf([1, -1], [1, 1]);


W1 = tf([0.1, 10], [100, 1]);
W2 = 0.1;

b) P = augw(G,W1,W2,W3);
[K,CL,GAM] = hinfsyn(P);

c) L = G*K;
S = inv(1+L);

V
B Kurzlösung der MATLAB-Hausübung

T = 1-S;
sigma(S,T)

d) [K,CL,GAM] = h2syn(P);

VI
Literaturverzeichnis

[1] Da-Wei Gu, Petko Petkov, and Mihail M Konstantinov. Robust control design with
MATLAB. Springer Science & Business Media, 2005.

[2] Raoul Herzog and Jürg Keller. Advanced control - an overview on robust control.
Technical report, Swiss Society for Automatic Control, 2011.

[3] Sigurd Skogestad and Ian Postlethwaite. Multivariable feedback control: analysis and
design, volume 2. Wiley New York, 2007.

[4] Hans-Dieter Stölting and Eberhard Kallenbach. Handbuch Elektrische Kleinantriebe.


Verlag C.H. Beck, 2. Auflage, 2002.

VII