控制中的LMI/應用/Hinf最優模型降階

給定一個全階模型和一個降階模型的初始估計，可以獲得一個在 $H_{\infty }$ 意義上最優的降階模型。該方法使用LMI技術迭代地獲得結果。

系統

給定一個系統的狀態空間表示 $G(s)$ 和一個降階模型的初始估計 ${\hat {G}}(s)$ .

{\begin{aligned}\ G(s)&=C(sI-A)B+D,\\\ {\hat {G}}(s)&={\hat {C}}(sI-{\hat {A}}){\hat {B}}+{\hat {D}},\\\end{aligned}}

其中 $A\in \mathbb {R} ^{n\times n},B\in \mathbb {R} ^{n\times m},C\in \mathbb {R} ^{p\times n},D\in \mathbb {R} ^{p\times m},{\hat {A}}\in \mathbb {R} ^{k\times k},{\hat {B}}\in \mathbb {R} ^{k\times m},{\hat {C}}\in \mathbb {R} ^{p\times k}$ 並且 ${\hat {D}}\in \mathbb {R} ^{p\times m}$ 。其中 $n,k,m,p$ 分別代表全階、降階、輸入數量和輸出數量。

資料

全階狀態矩陣 $A,B,C,D$ 和降階模型階數 $k$ .

最佳化問題

最佳化的目標是減少兩個系統的 $H_{\infty }$ 範數距離。最小化 $\|G-{\hat {G}}\|_{\infty }$ 相對於 ${\hat {G}}$ .

LMI: 萊雅普諾夫不等式

目標: $\min \gamma$ .

條件: ${\begin{aligned}\ P&={\begin{bmatrix}\ P11&P12\\\ P21&P22\\\end{bmatrix}}\ >0,\end{aligned}}$

${\begin{aligned}{\begin{bmatrix}\ A^{T}P11+P11A&A^{T}P12+P12{\hat {A}}&P11B-P12{\hat {B}}&C^{T}\\\ {\hat {A}}^{T}P12^{T}+P12^{T}A&{\hat {A}}^{T}P22+P22{\hat {A}}&P12^{T}B-P22{\hat {B}}&{\hat {C}}^{T}\\\ B^{T}P11-{\hat {B}}^{T}P12^{T}&B^{T}P12-{\hat {B}}^{T}P22&-\gamma {I}&D^{T}-{\hat {D}}^{T}\\\ C&{\hat {C}}&D-{\hat {D}}&-\gamma {I}\\\end{bmatrix}}\ >0\end{aligned}}$

從上面的 LMI 可以看出，第二個矩陣不等式在 ${\hat {A}},{\hat {B}},{\hat {C}},{\hat {D}},P$ 中不是線性的。但是，如果將 ${\hat {A}},{\hat {B}}$ 固定，它在 ${\hat {C}},{\hat {D}},P$ 中是線性的。如果 $P12,P22$ 是常數，它在 ${\hat {A}},{\hat {B}},{\hat {C}},{\hat {D}},P11$ 中是線性的。因此，可以使用以下迭代演算法。