section - 3 - p - 2 Проектирование система автоматического управления и регулирования

СЕКЦИЯ 3.
Проектирование систем автоматического

управления и регулирования
Часть 2.
Председатель:
д. ф.-м. н., профессор Е. И. Веремей
Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»
Оглавление
Кошелев П. А., Парамонов С. В., Пшенкин С. Н.

АВТОМАТИЗИРОВАННОЕ ОПТИМАЛЬНОЕ ПРОЕКТИРОВАНИЕ
СИСТЕМЫ УПРАВЛЕНИЯ ИСТОЧНИКОМ ПИТАНИЯ ДЛЯ
ПЛАЗМЕННОЙ РЕЗКИ В ПРОГРАММАХ НА ЯЗЫКЕ MATLAB ......... 988
Крыжановская Ю. А.
СИНТЕЗ МОДАЛЬНОГО РЕГУЛЯТОРА ДЛЯ ДИСКРЕТНЫХ
СИСТЕМ УПРАВЛЕНИЯ ............................................................................ 1000
Куливец С. Г.
МОДЕЛИРОВАНИЕ ПРОБЛЕМЫ РЕГИОНАЛЬНОЙ ЭКОНОМИКИ
СРЕДСТВАМИ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ .............................. 1006
Кучерюк В. И., Кузяков О. Н., Дубатовка У. В.
МОДЕЛИРОВАНИЕ ПРЕДЕЛЬНЫХ СОСТОЯНИЙ КОНСТРУКЦИЙ С
ИСПОЛЬЗОВАНИЕМ КОМБИНИРОВАНИЯ МЕТОДОВ ..................... 1013
Ледовский А. Д., Лобанов К. С., Лычагин Ю. В., Максютин М. М.,
Родин Б. П., Яковенко А. Н., Яковенко Н. Г.
СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ МОДЕЛИРОВАНИЯ
ДИНАМИЧЕСКОЙ СИСТЕМЫ УПРАВЛЕНИЯ С СУЩЕСТВЕННО
ПЕРЕМЕННЫМИ ПАРАМЕТРАМИ ......................................................... 1017
Ледовский А. Д., Лычагин Ю. В., Яковенко Н. Г.,
Нгуен Ван Лам, Полницкий Д. А.
ИСПОЛЬЗОВАНИЕ СРЕДЫ MATLAB ПРИ ЛОКАЛИЗАЦИИ
ИСТОЧНИКОВ СТОХАСТИЧНОСТИ В СТАЦИОНАРНЫХ
УРАВНЕНИЯХ ПРИ ВЫЧИСЛЕНИИ МОМЕНТОВ ПЕРЕМЕННЫХ
СОСТОЯНИЙ ................................................................................................ 1030
Миркин Е. Л.
АДАПТИВНОЕ УПРАВЛЕНИЕ НЕЛИНЕЙНЫМ ОБЪЕКТОМ С
ВХОДНЫМ ЗАПАЗДЫВАНИЕМ .............................................................. 1048
Мироновский Л. А.
КОНТУРНОЕ ПРЕДСТАВЛЕНИЕ ЛИНЕЙНЫХ СИСТЕМ
УПРАВЛЕНИЯ.............................................................................................. 1056
Михайлов А. Ю., Головных И. М., Лагерев Р. Ю.
РОБАСТНОЕ ВОССТАНОВЛЕНИЕМ МАТРИЦ
КОРРЕСПОНДЕНЦИЙ С ИСПОЛЬЗОВАНИЕМ БИБЛИОТЕКИ
OPTIMIZATION TOOLBOX ........................................................................ 1063
Пакшин П. В., Митрофанов И. Н.
ПРИМЕНЕНИЕ SEDUMI ИНТЕРФЕЙСА К РЕШЕНИЮ ЗАДАЧ
РОБАСТНОГО УПРАВЛЕНИЯ С ОБРАТНОЙ СВЯЗЬЮ ПО
ВЫХОДУ........................................................................................................ 1074
Пискунов А. Г., Bauer S. M.
РАЗРАБОТКА УПРАВЛЕНИЯ ДВС АВТОМОБИЛЯ СО СТРУКТУРОЙ
КРУТЯЩЕГО МОМЕНТА........................................................................... 1090
986
Секция 3. Проектирование систем автоматического управления и регулирования
Полницкий Д. А.
ОПРЕДЕЛЕНИЕ ДИСПЕРСИЙ СОБСТВЕННЫХ ЧИСЕЛ МАТРИЦЫ
СТОХАСТИЧЕСКИХ ЭЛЕМЕНТОВ С ПОМОЩЬЮ ПАКЕТА
MATLAB ........................................................................................................ 1104
Поляков К. Ю., Розенвассер Е. Н.
СИНТЕЗ ОПТИМАЛЬНЫХ ЦИФРОВЫХ СИСТЕМ УПРАВЛЕНИЯ С
ПОМОЩЬЮ ПАКЕТА DIRECTSDM......................................................... 1116
Федюков А. А.
СИНТЕЗ ОПТИМАЛЬНОГО ГАШЕНИЯ КОЛЕБАНИЙ
ДВУХМАССОВОЙ СИСТЕМЫ В ПАКЕТЕ MATLAB........................... 1146
Хлебалин Н. А.
РАЗРАБОТКА MATLAB-ВЕРСИИ КОМПЛЕКСА ПРОГРАММ
«АНАЛИЗ И СИНТЕЗ ИНТЕРВАЛЬНЫХ АВТОМАТИЧЕСКИХ
СИСТЕМ» ...................................................................................................... 1156
Чайковский М. М., Курдюков А. П., Тимин В. Н.
ПОСТРОЕНИЕ H∞ -СУБОПТИМАЛЬНОГО РЕГУЛЯТОРА ДЛЯ
УПРАВЛЕНИЯ САМОЛЕТОМ НА РЕЖИМЕ ПОСАДКИ С ПОМОЩЬЮ
ПАКЕТА LMI CONTROL TOOLBOX ....................................................... 1191
Честнов В. Н., Собчинский А. В., Алексеева Н. В.
ПАКЕТ ПРОГРАММ ДЛЯ СИНТЕЗА РЕГУЛЯТОРА,
ОБЕСПЕЧИВАЮЩЕГО ЗАДАННЫЙ РАДИУС ЗАПАСОВ
УСТОЙЧИВОСТИ ........................................................................................ 1207
Жуков Ю. А.
ПАКЕТ ПРОГРАММ СИНТЕЗА И АНАЛИЗА СИСТЕМ
УПРАВЛЕНИЯ.............................................................................................. 1216
987
УДК 62-50.001.8:519.68
АВТОМАТИЗИРОВАННОЕ ОПТИМАЛЬНОЕ
ПРОЕКТИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ
ИСТОЧНИКОМ ПИТАНИЯ ДЛЯ ПЛАЗМЕННОЙ РЕЗКИ В
ПРОГРАММАХ НА ЯЗЫКЕ MATLAB
Кошелев П. А., Парамонов С. В., Пшенкин С. Н.

Санкт-Петербургский государственный электротехнический университет-
СПбГЭТУ (ЛЭТИ), Санкт-Петербург,
e-mail:petr_k@lens.spb.ru
Требования к системе питания установки плазменной резки.
Наибольшей производительностью и экономичностью при резке и

прецизионном раскрое токопроводящих изделий обладает горелка на ос-
нове плавильного плазмотрона постоянного тока, в котором основная дуга
горит между активированным катодом и разрезаемым изделием (анодом).
Анодное пятно может смещаться к поверхности или в глубину под
действием температуры плазменного факела, зависящей от электрического
режима.
На распределение температуры существенно влияет состав газовой
смеси, интенсивность потока газа, материал изделия, геометрическая дли-
на дуги, скорость перемещения рабочего органа и т. п.
С одной стороны конфигурация реза зависит от многих факторов и
достоверно формализовать эту зависимость вряд ли возможно. С другой
стороны предоставляется большой выбор средств управления формой ре-
за, в частности, получения вертикальных кромок без образования наплав-
ленных валиков (облоя), требующих дополнительной механической обра-
ботки.
Для достижения высокой производительности и качества процесса,
хорошей его управляемости необходим источник питания с широкими
возможностями деформации статических характеристик.
К динамическим свойствам источника также предъявляются повы-
шенные требования.
Последнее обстоятельство связано с высокими скоростями истече-
ния плазменной струи, малыми временами ионизации и рекомбинации, не-
обходимостью модуляции тока при раскрое изделий сложной формы.
Исследования технологии показали, что система питания должна
иметь быстродействие, характеризующееся временами задержки реакции
на управляющий сигнал не более сотен мкс, и соответственно, полосой
пропускания около 10 кГц, обладать динамической устойчивостью, высо-
988
кой стабильностью выбранного технологического тока, легкостью его на-
стройки, допустимым перерегулированием в переходных процессах.
Стабильный, управляемый и быстродействующий источник питания
(ИП) одновременно явился бы инструментом для экспериментального ис-
следования и оптимизации технологических режимов резки, включая им-
пульсное управление параметрами дуги. Проектирование современного
ИП и его системы управления осуществимо с применением математиче-
ских моделей (ММ).
Программный продукт MATLAB позволяет создавать такие ММ, что
подтверждено практическими разработками и их внедрением.
Структура системы питания
Силовая часть современного ИП обычно включает последовательно

соединенные неуправляемый выпрямитель, питающийся от промышлен-
ной сети переменного тока, сетевой фильтр, автономный инвертор, высо-
кочастотный трансформатор, нагруженный на выходной выпрямитель, вы-
ходной фильтр и технологический узел.
Управляемым звеном силовой части является транзисторный инвер-
тор с широтно-импульсной модуляцией (ШИМ).
Основным звеном аналоговой части системы управления является
канал стабилизации тока дуги.
Рис. 1. Динамические звенья системы питания.
На рис. 1 представлена совокупность динамических звеньев, обра-

зующих замкнутую систему питания в режиме стабилизации технологиче-
ского тока.
Параметры элементов аналоговой части (без схемы коррекции) вы-
браны по результатам приближенных предварительных расчетов.
989
На рис. 1 DA1 — усилитель сигнала измерительного шунта, DA2 —
аналоговая схема сравнения сигнала, пропорционального току, с сигналом
задания (уставки), Ld — сглаживающая индуктивность, Rd — активная со-
ставляющая сопротивления нагрузки (дуги плазмотрона).
Напряжение рассогласования (потенциал узла 5 на рис.1) использу-
ется для формирования закона ШИМ.
Схема по рис. 1 и соответствующий направленный граф [1] (рис. 2)
содержат 5 узлов.
Предполагается линейность всех элементов.
Рис. 2
Анализ динамической системы стабилизации тока
Матрица частных передач графа G и вектор задающих передач J :

1 2 3 4 5
1 1 0 0 0 − a15
2 0 1 − a 23 0 0 1 2 3 4 5
G= J=
3 −K K 1 − a34 0 1 0 0 0 0
4 0 0 − a 43 1 − a 45
5 − a51 0 0 K 1
Под передачей понимается отношение операторной проводимости
между узлами к весу узла, к которому передача направлена; вес узла —
сумма проводимостей, подключенных к данному узлу.
R 0 = 1/ g 0; R1 = 1/ g1; R 2 = 1/ g 2; R3 = 1/ g 3; R 4 = 1/ g 4;
R5 = 1/ g 5; R 6 = 1/ g 6; R 7 = 1/ g 7; R8 = 1/ g 8.
Связь между активными сопротивлениями и проводимостями опре-
деляют соотношения:
990
Передаточная функция (ПФ) цепи прямой передачи W 1( p ) между
входом и узлом № 5 выведена в пакете MAPLE V6 в символьной форме.
В приведенном ниже фрагменте программы содержатся операторные
изображения выражений для коэффициентов передач между узлами —
элементов матрицы G .
В результате работы программы решения матричного уравнения
W = G −1 * J получен вектор ПФ от входа к остальным узлам схемы, в част-
ности, пятый элемент вектора W и есть искомая ПФ W 1( p ) .
> grc1:=p*C3/(1+p*C3*g6):
> grc2:=p*C2/(1+p*C2*g4):
> a15:=grc2/(grc2+g1+g8):
> a23:=(p*C1+g2)/(p*C1+g2+g0):
> a34:=(g3+grc1)/(g3+grc1+p*C1+g2):
> a43:=(g3+grc1)/(g3+grc1+g7+p*C4):
> a45:=(g7+p*C4)/(g7+p*C4+g3+grc1):
> a51:=grc2/(grc2+g7+p*C4):
Формат результирующих выражений согласован с синтаксисом па-
кета MATLAB, а именно, они представляют собой векторы коэффициентов
полиномов числителя и знаменателя W 1( p ) , расположенных в порядке
убывания степени оператора p Лапласа.
Привести эти выражения в тексте не представляется целесообразным
по причине их громоздкости (более 1000 символов).
Цепь обратной связи образована инверторно-выпрямительным бло-
ком (ИВБ) с ПФ W 2( p ) , включающим инвертор с ШИМ, трансформатор,
выходной выпрямитель, сглаживающий фильтр и нагрузку.
Эта цепь в общем случае может быть представлена последователь-
ным соединением звеньев постоянного запаздывания (ЗПЗ) на период дис-
кретности ШИМ и апериодического.
Аппроксимация ПФ ЗПЗ дробью Паде 1-го порядка
K bp (1 − p * T ) ni 2
W 2( p) = = ,
(1 + p * T )(1 + p * Ld / Rd ) di 2
где
U xx * Rsh
Kbp = ,
U upr ( Rsh + Rd )
U xx — напряжение холостого хода, Rsh — сопротивление измерительного
шунта, U upr — напряжение управления, T— время запаздывания, Ld — ин-
дуктивность фильтра.
В данном случае учитывать запаздывание нет необходимости по
причине существенного различия (на несколько порядков) значений Т и
эквивалентных постоянных времени элементов, осуществляющих фильт-
рацию сигналов.
991
В соответствии с правилом замыкания окончательное выражение ПФ
замкнутой системы без учета корректирующего звена:
nee ni1* di 2
We ( p ) = = .
de di1* di 2 + ni1* ni 2
Программа в среде MATLAB, реализующая анализ замкнутой систе-
мы, снабжена комментариями, поясняющими назначение основных опера-
торов.
% Начало программы
clg,clear,hold off
R0=1000; R2=1e4; R1=1000; R6=1000; R3=5000; R7=22e5; R8=1000;
R4=22e5; C1=1e-10; C4=5e-9; C3=1e-9; C2=1e-9;
% Числитель ni1и знаменатель di1 ПФ

% Выражения не приводятся по причине громоздкости
_____________________________
% Передаточная функция канала прямой передачи W1(p)
ni1=[ni18,ni17,ni16,ni15,ni14,ni13,ni12,ni11,ni10];
di1=[di19,di18,di17,di16,di15,di14,di13,di12,di11,di10];
t=0:2e-5:2e-3; % Ось времени
% Коэффициент передачи ИВБ
Ld=3e-4; %Индуктивность дросселя фильтра, Гн
Rd=1.1; %Активное сопротивление нагрузки, Ом
% ПФ замыкающей цепи (датчик тока и нагрузка)
Uxx=200; % Напряжение х.х., В
Uupr=15; % Управляющий сигнал (макс. значение, В)
Rsh=75e-3/100; % Сопротивление шунта, Ом
Kbp=Uxx/Uupr*Rsh/(Rsh+Rd); % К-т передачи ИВБ
ni2=Kbp; % Числитель ПФ замыкающей цепи
di2=[Ld/Rd 1]; % знаменатель ПФ замыкающей цепи
% Общая ПФ We(p) замкнутой системы
nee=conv(ni1,di2); % числитель We(p)
de1=conv(di1,di2);
de2=conv(ni1,ni2);
de=sumpoly(de1,de2,0); % знаменатель We(p)
% Уставка в о.е. (максимальный ток 100 А)
% Воздействие в виде ступени
ns=0.5;
ds=[1 0];
dee=conv(ds,de);
nee=conv(nee,ns);
% Реакция на ступень (обратное преобразование Лапласа)
[ke,pe,re]=residue(nee,dee);
lpe=length(pe); n3=1; h3=0;
while n3<=lpe;
h33=ke(n3)*exp(pe(n3)*t);
h3=h3+h33;
n3=n3+1;
kt=1/Rd;
end
992
%График переходной характеристики
plot(t,kt*h3),grid,title('Id,A'),xlabel('t,c')
w=logspace(0,8,500); % Ось частоты
% АЧХ, ФЧХ
[ma,ph]=bode(nee,de,w);
subplot(211),semilogx(w,ma),grid
semilogx(w,ph),grid
% Конец программы
В программе использована функция sumpoly, не входящая в стан-
дартное математическое обеспечение системы MATLAB. Ее текст приво-
дится ниже.
function c=sumpoly(de1,de2,kl)
% Вычисление суммы полиномов произвольных размеров и форматов.

% Если de1, de2 - векторы (строки или столбцы) коэффициентов полино-
% мов,
% расположенных в порядке убывания показателя степени переменной,
% то с - поэлементная сумма коэффициентов (вектор-строка, если kl=0 или
% вектор-столбец, если kl=1). При несовпадении
% размеров недостающие старшие члены заменяются нулями.
% П.А. Кошелев. 2002 г.
nn=nargin;
error(nargchk(3,3,nn));
[r1,c1]=size(de1);
[r2,c2]=size(de2);
if r1>c1, de1=de1'; end
if r2>c1, de2=de2'; end
lde1=length(de1); lde2=length(de2);
ff=1; dd=lde1-lde2;
if dd>0,
while ff<=abs(dd); de2=[0,de2];
ff=ff+1;
end
end
if dd<0,
while ff<=abs(dd); de1=[0,de1];
ff=ff+1;
end
end
if kl==0; c=de1+de2; end
if kl==1; c=(de1+de2)'; end
if kl~=0 & kl~=1; disp('sintax error'); end
% Конец файла
993
Рис. 3. Переходные характеристики по току.
Для наглядности результаты анализа представлялись в матричной

форме путем организации соответствующих циклов на основе приведенно-
го выше блока программы в системе MATLAB, затем матрицы изобража-
лись в виде трехмерных графиков.
На рис. 3 изображена матрица, строки которой — векторы времени,
столбцы — значения переходных характеристик замкнутой системы при
изменении емкости конденсатора С4 по рис. 1 от 1000 до 9000 пФ.
На рис. 4 представлена переходная характеристика системы: про-
цесс установления тока на заданном уровне (50 А) и значении С4=5000 пФ.
На рис. 5 — АЧХ и ФЧХ для этого случая.
Рис. 4.
994
Рис. 5.
Коррекция динамики
Проведенные численные эксперименты не позволили получить

удовлетворительное качество переходного процесса. Отмечалось либо зна-
чительное перерегулирование, связанное с немонотонностью АЧХ, либо
низкое быстродействие системы питания.
Поскольку система содержит значительное количество динамиче-
ских звеньев, порядок ее ПФ высок (равен 11), принято целесообразным
применить для ее синтеза поисковый метод оптимизации.
С целью уменьшения колебательности в качестве схемы коррекции
(СК) в цепи прямой передачи (рис. 1) использован заградительный фильтр
в виде двойного Т- образного моста (рис. 6).
Рис. 6
995
Матрица передач G, вектор задающих воздействий J для СК и их
элементы:
1 a12 a13 a14
a 21 1 0 a 24
G= J= 1 0 0 0
a31 0 1 a34
a 41 a 42 a 43 1
Веса узлов: M 1 = p * Cm + 1 / Rb + 1 /( 2 Rm ) + 1 / Ri ,
M 2 = 2 * p * Cm + 1 / Rm, M 3 = 1 / Rm + 2 * p * Cm,
M 4 = 1 / Rb + p * Cm + 1 /( 2 * Rm) + 1 / Rc.
Элементы матрицы G: a12 = − p * Cm / M 1, a13 = −1 /( 2 * Rm * M 1),
a14 = −1 /( Rb * M 1), a 21 = − p * Cm / M 2, a 24 = − p * Cm / M 2,
a34 = −1 /( 2 * Rm * M 3), a 41 = −1 /( Rb * M 4),
a 42 = − p * Cm / M 4, a 43 = −1 /( 2 * Rm * M 4).
ni1
Передаточная функция СК WФ ( p ) = :
di1
ni12=4*C^2*R^2*Rb*Rc;
ni11=8*C*R^2*Rc;
ni10=Rc*(4*R+Rb);
di12=4*C^2*R*Rb*(R*(Rc+Ri)+2*Rc*Ri);
di11=4*C*(2*R^2*(Rb+Rc+Ri)+2*R*(Rb*(Rc+Ri)+2*Rc*Ri)+Rb*Rc*Ri);
di10=(4*R*(Rb+Rc+Ri)+Rb*(Rc+Ri));
ni1=[ni12 ni11 ni10];
di1=[di12 di11 di10];
Рис. 7
996
АЧХ и ФЧХ СК показаны на рис. 7. Значения емкостей и активных
сопротивлений определены предварительно на основе приближенных рас-
четов.
ni1
Передаточная функция СК WФ ( p ) = введена в общую передаточ-
di1
ную функцию замкнутой ССТ, после чего расчет параметров этой системы
проводился с использованием поискового метода оптимизации Нелдера —
Мида, реализуемый в системе MATLAB программой fmins минимизации
целевой функции (ЦФ) ряда переменных.
Критерием для построения ЦФ являлись минимальное перерегули-
рование и максимальное быстродействие ССТ, т. е. максимальная прямо-
угольность переходной характеристики, устанавливающейся при заданном
значении тока.
Принят наиболее простой и информативный вид ЦФ:
Yopt = (sum((abs( y ) − abs(Y 0))))2 ,
где y — вектор значений текущей переходной характеристики, Y0 — век-
тор того же размера постоянных значений, соответствующих заданному
току.
Выбор переменных начального плана, значения которых оптимизи-
руются, проведен на основе ряда обзоров рельефа ЦФ, что позволило вы-
явить существенно влияющие переменные и диапазон их вариаций.
В качестве примера на рис. 8 показана поверхность значений ЦФ в
зависимости от 2 переменных (координат): емкостей конденсаторов С4 по
рис. 1 и Сm по рис. 6.
Рис. 8. Поверхность значений целевой функции.
997
Выявлено, что существенное влияние на ЦФ оказывают значения
емкостей конденсаторов С4, Сm по рис. 1, сопротивлений резисторов Rm,
Ri, Rb, Rc по рис. 6.
Результаты оптимизации.
Оптимизация проводилась по 6 переменным.

Полученные оптимальные значения сопротивлений резисторов и ем-
костей конденсаторов скорректированы в соответствии со стандартами:
Rm=1800 Ом; Cm=6800 пФ; Ri=1000 Ом; Rb=10000 Ом; Rc=10000
Ом; C4=8200 пФ.
На рис. 9 показана переходная характеристика замкнутой системы с
СК.
Все динамические параметры удовлетворительны.
На рис. 10 — АЧХ и ФЧХ оптимизированной замкнутой системы
стабилизации тока.
Рис. 9. Переходная характеристика по току оптимизированной системы.
998
Рис. 10
Выводы
С помощью программного пакета MATLAB спроектирован источник

питания дуги плазмотрона с оптимальными динамическими характеристи-
ками.
В процессе подготовки данных применен символьный математиче-
ский пакет Maple.
ИП изготовлены и используются на практике в промышленных уста-
новках плазменного раскроя листового металла.
Литература
1. Сигорский В. П. Матрицы и графы в электронике.— М.: Энергия,
1968.— 176 с.
2. Теория автоматического управления / Под ред. А. В. Нетушила.— М.:
Высшая школа, 1976.— 400 с.
999
УДК 519.7
СИНТЕЗ МОДАЛЬНОГО РЕГУЛЯТОРА ДЛЯ

ДИСКРЕТНЫХ СИСТЕМ УПРАВЛЕНИЯ
Крыжановская Ю. А.
Воронежский Государственный Университет, Воронеж,
e-mail: jak@mail.ru
Введение
Широкое развитие цифровых управляющих устройств, обладающих

большими возможностями, требует разработки новых, более эффективных
алгоритмов дискретного управления технологическими объектами.
Метод синтеза линейных систем автоматического управления на ос-
нове метода пространства состояний уже получил широкое распростране-
ние и в теории автоматического управления, и при проектировании кон-
кретных систем регулирования [1].
В [2] задача нахождения передаточной функции регулятора, обеспе-
чивающего желаемое расположение корней характеристического уравне-
ния замкнутой системы, решается на основе хорошо разработанного в тео-
рии регулирования метода передаточных функций. Исходя из теоретиче-
ской базы [2], в [5] была решена задача разработки программного обеспе-
чения, реализующего синтез модальных регуляторов для непрерывных
систем управления, а также системы пользовательского интерфейса. В [3]
рассматривается применение метода из [2] к системам с запаздыванием.
В статье предлагается распространение разработанного в [2] метода
на дискретные системы управления.
Постановка задачи
Поставим задачу разработки методики расчета модального регулято-

ра, обеспечивающую получение таких параметров настройки регулятора,
которые дадут выбранное расположение корней характеристического
уравнения замкнутой системы.
Рассмотрим замкнутую дискретную систему автоматического управ-
ления (рис. 1), где Wobj(z) — передаточная функция объекта управления,
Wr(z) — передаточная функция регулятора. Зададим передаточную функ-
цию замкнутой системы Wsys(z) и определим передаточную функцию регу-
лятора, обеспечивающего желаемое расположение корней характери-
стического уравнения замкнутой системы следующим образом:
Пусть передаточная функция объекта задана отношением двух поли-
номов P1 (z) и P2(z):
1000
P1 ( z )
Wobj ( z ) = , (1)
P2 ( z )
где P1 (z) — полином m-й степени (m≤n), P2 (z) — полином n-й степени.
Передаточную функцию замкнутой системы зададим в виде отноше-
ния полиномов Q1(z) и Q2 (z):
Q ( z)
Wsys ( z ) = 1 , (2)
Q2 ( z )
где Q1(z) — полином степени l (l≤ k), Q2(z) — полином степени k (k≥2n).
Полином Q2(z) считается желаемым полиномом, т. е. таким полино-
мом, корни которого расположены желаемым образом на комплексной
плоскости.
Введем в рассмотрение полиномы N1(z), L1(z), Nost(z) и Lost(z), которые
представляют собой частное от деления полинома [Q2(z) - Q1(z)] на поли-
ном P2(z), полинома Q1(z) на полином P1(z) и соответствующие остатки от
деления, т. е.:
( Q2 ( z ) − Q1 ( z ) ) = N ( z ) + N ost ( z ) (3)
1
P2 ( z ) P2 ( z )
Q1 ( z ) L ( z)
= L1 ( z ) + ost (4)
P1 ( z ) P1 ( z )
u y
Wobj(z) Wsys(z)
Рис. 1.
Описание метода
Для дискретной системы управления будет справедливо следующее:

Если [Q2(p)- Q1(p)] и Q1(p) делятся на полиномы P2(p) и P1(p) без ос-
татка, то существует передаточная функция регулятора, обеспечивающая
желаемое расположение корней характеристического уравнения замкнутой
системы. При этом передаточная функция регулятора будет иметь вид:
L ( z)
Wr ( z ) = 1 . (5)
N1 ( z )
Рассмотрим полиномы Nost(z) и Lost(z). Полином Nost(z) является по-
линомом степени (n–1), а Lost(z) — полиномом степени (m–1), т. е.:
1001
n −1 m −1
N ost ( z ) = ∑ ri z ( n −1)−i
, Lost ( z ) = ∑ ri z (
m −1)− j
, (6)
i =0 i =0
где коэффициенты ri и qj являются линейными комбинациями коэффици-
ентов Q2(p) и Q1(p) при заданных коэффициентах полиномов P2(p) и P1(p).
Равенства Nost(z)=0 и Lost(z)=0, обеспечивающие делимость полиномов
[Q2(p)- Q1(p)] и Q1(p) на полиномы P2(p) и P1(p), будут выполнены, если
выполнено:
ri = 0 (i=1,2, …n-1), qj = 0 (j=1,2, …m-1). (7)
Равенства (7) задают систему линейных алгебраических уравнений
относительно коэффициентов полиномов Q1(p) и Q2(p).
Представим систему регулирования, изображенную на рисунке, в
переменных состояния:
x ( k + 1) = Ax ( k ) + Bu ( k ) , (8)
y ( k ) = Cx ( k ) ,
где x(k) — n-мерный вектор состояния, y(k) — выход динамической систе-
мы, u(k) — вектор управления, A, B, C — матрицы, согласованные с этими
векторами.
Наряду с этой системой рассмотрим систему
x ( k + 1) = Ax ( k ) + B(u ( k ) + ϕ ( k ) , (9)
y ( k ) = Cx ( k ) ,
где ϕ(k) — внешнее возмущение, действующее на систему и удовлетво-
ряющее разностному уравнению порядка ν. Представим линейное разно-
стное уравнение в виде системы линейных уравнений:
θ ( k + 1) = M θ ( k ) . (10)
Присоединив ее к системе (9), получим систему
x ( k + 1) = Ax ( k ) + B(u ( k ) + ϕ ( k ) ,
ϕ ( k ) = Hθ ( k ) , (11)
θ ( k + 1) = M θ ( k ) ,
y ( k ) = Cx ( k ) ,
где H — матрица размерности (1xν),
H=(1, 0, …, 0).
Выберем число ν так, чтобы было выполнено:
2n+ν=k.
Можно показать, что если динамическая система (8) полностью
управляема, а динамическая система (11) полностью наблюдаема, то сис-
тема линейных алгебраических уравнений (7) разрешима, причем она име-
ет бесчисленное множество решений, а регулятор с передаточной функци-
ей (5) всегда реализуем.
1002
Пример
Пусть передаточная функция объекта непрерывной системы управ-

ления (рис. 2.) задана в виде:
−p +1
Wobj ( p ) = .
p +1
Рис. 2.
Зададимся передаточной функцией замкнутой системы

d 0 p 2 + d1 p + d 2
Wsys ( p ) = .
( p + 2) 2
Полином Q2 ( p ) = ( p + 2) 2 = p 2 + 4 p + 4 — желаемый. Полином
Q1 ( p ) = d 0 p 2 + d1 p + d 2 . Тогда получим
Q2 − Q1 − d + d1 − d 0 + 1
= [(1 − d 0 ) + (− d1 + d 2 + 3) + 2 ]
P2 p +1
Q1 d + d1 + d 0
= (− d 0 p − d1 − d 0 ) + 2 ].
P1 −p +1
Из условия делимости полиномов Q1 и P1, ( Q2 -Q 1) и P2 находим со-
отношения для коэффициентов Q1: d2+d0=0.5,
d1 = –0.5.
Передаточная функция регулятора, при которой характеристический
полином замкнутой системы равен Q2 =(p+2)2, будет равна
− d 0 p + 0.5 − d 0
Wr ( p ) = .
(1 − d 0 ) p + (3.5 + d 0 )
Коэффициент d0 задается произвольно. Выберем, например, d0=0.3.
Тогда передаточная функция регулятора будет иметь вид:
−0.3 p + 0.2
Wr ( p ) =
0.7 p + 3.8
Для этой системы построим дискретный аналог (рис. 3.), используя
приближенное соотношение, введенное Тастином [4, 6]:
1003
2 z −1
p≈ * .
h z +1
Рис. 3.
Тогда для шага дискретизации h=0,1 передаточная функция объекта

будет иметь вид:
−1.9 z + 2.1
Wobj ( z ) = ,
2.1z + 1.9
а передаточная функция регулятора:
−0.29 z + 0.31
Wr ( z ) = .
0.89 z − 0.51
Для моделирования переходного процесса непрерывной системы и
ее дискретного аналога и сравнения результатов используем MATLAB 6.1.
Непрерывной системе соответствует переходный процесс, изобра-
женный на рис.4, дискретной — на рис. 5.
Рис. 4.
1004
Рис. 5.
Заключение
В настоящий момент произведена программная реализация метода

нахождения с помощью рассмотренного выше метода модальных регуля-
торов для дискретных систем управления, обеспечивающих желаемое рас-
положение корней характеристического полинома, и последующее ее
включение в программный комплекс [5]. Дальнейшее расширение про-
граммного комплекса будет связано с нахождением модальных регулято-
ров для многосвязных систем и систем с запаздыванием (с использованием
описанного в [3] метода). Кроме того, предложенный метод распространен
на многосвязные дискретные системы
1. Кузовков Н. П. Модальное управление и наблюдающие устройства.—
М.: Машиностроение, 1976.
2. Лозгачев Г.И Синтез модальных регуляторов по передаточной функции
замкнутой системы. // АиТ.— 1995.— №5.— С.49–55.
3. Лозгачев Г.И., Тучинский С.В. Построение модального регулятора для
объекта с запаздыванием по передаточной функции замкнутой системы.
Нелинейная динамика управления.— М.: Изд-во МГУ, 2000.— С.54–61.
4. Tustin A. Automatic and manual control.— London, Butterworth, 1952.
5. Крыжановская Ю. А. Программная реализация построения модальных
регуляторов по передаточной функции системы // Докл. Межд. науч.-
техн. конф. «Кибернетика и технологии XXI века» (октябрь 2001).—
Воронеж, 2001.— С.12–20.
6. Изерман Р. Цифровые системы управления: Пер. с англ.— М.: Мир,
1984.
1005
УДК 519.6
МОДЕЛИРОВАНИЕ ПРОБЛЕМЫ РЕГИОНАЛЬНОЙ

ЭКОНОМИКИ СРЕДСТВАМИ ТЕОРИИ НЕЧЕТКИХ
МНОЖЕСТВ
Куливец С. Г.
Пермский государственный университет, Пермь,
e-mail: skulivec@yandex.ru
Занимаясь решением задач, построением математических моделей и

отысканием решений при определенных условиях, мы привыкли к тому,
что конечный ответ должен быть сформулирован четко, в форме числа,
определенной функции (закономерности), алгоритма и т. п. Но человече-
ский способ рассуждений, опирающийся на естественный язык, не может
быть описан в рамках традиционного математического формализма. Этому
формализму присуща однозначность интерпретации, а все, что связано с
естественным языком имеет многозначную интерпретацию. Человек спо-
собен к анализу данных, представленных нечетко (неформально) и приня-
тию на их основе верных решений. Основоположником «новой математи-
ки» стал Л. Заде, его программа состояла в построении новой математиче-
ской дисциплины, в основе которой лежала бы не классическая теория
множеств, а теория нечетких множеств. Последовательно проводя идею
нечеткости, по мнению Заде, можно построить нечеткие аналоги всех ос-
новных математических понятий и создать необходимый формальный ап-
парат для моделирования человеческих рассуждений и человеческого спо-
соба решения задач. Появляются многочисленные нечеткие математиче-
ские модели, которые применяются во многих гуманистических системах
(системах связанных с человеком).
Цель моей работы — осмысление концепций нечеткого подхода:
разбор теоретических аспектов теории нечетких множеств, нечеткой логи-
ки и др., рассмотрение примеров нечетких моделей гуманистических сис-
тем, изучение возможности применения информационных технологий на
примере вычислительного пакета MATLAB и встроенных в него возмож-
ностей для работы с нечеткими моделями (Fuzzy Logic Toolbox).
Рассматривается задача о разделении некоторого экономического ре-

гиона на торговые зоны. Формулировка проблемы основана на нечетком
подходе с использованием понятий нечеткого множества, отношения, вы-
пуклого подмножества. Предпочтение, отдаваемое потребителями продук-
1006
ции той или иной фирме-производителю, представляется в виде выпуклого
нечеткого множества. Предусмотрена возможность перекрытия торговых
зон. Устанавливается порог разделения. Построены две модели и выполнен
анализ двух реальных ситуаций. Первая из рассмотренных моделей пред-
ставляет собой упрощение реальной системы и строится с целью разъясне-
ния подхода с точки зрения теории нечетких множеств в задаче о разделе-
нии торговой зоны. В этой модели предполагается, что расхождение в рас-
стоянии — единственный решающий фактор пространственного предпоч-
тения потребителя в условиях рынка. Во второй модели в качестве факто-
ров, дополнительно влияющих на принятие потребителем решения о вы-
боре, рассматриваются социально-психологические и экономические пе-
ременные. Рассмотрим по отдельности эти модели.
Модель1 — разделение при линейной модели рынка.
В модели приняты допущения:

1) существование рынка отвечающего линейной модели;
2) произвольный характер распределения населения;
3) две конкурирующие фирмы F1 и F2 размещаются в заданных точках
α 1 и α 2 соответственно;
4) производится однородный товар одного типа;
5) цены одинаковые;
6) существует функция пространственного потребительского предпоч-
тения, которая измеряется обратно пропорционально трудности
преодоления пути до фирмы.
Примечание. Рассматривая сделанные предположения, стоит заме-
тить две ценные особенности:
• здесь отвергается допущение о регулярном распределении попу-
ляции;
• потребительское пространственное предпочтение вводится как
функция от трудности преодоления пути до фирмы, которая зави-
сит от пространственного распределения популяции.
На рис. 1 приведен пример пространственного распределения. Обо-
значим через U число потребителей. Пусть A1 и A2 нечеткие множества,
называемые предпочтением F1 и предпочтением F2 , представляют потре-
бительские пространственные предпочтения. Зададим их соотношениями:
(1 + k ⋅ ( x − α 1 ) 2 )−1 при k ≥ 1, x ≤ α 1 ,
µ A1 (x) =  − k ⋅( x −α1 )2 2
(1)
 (e ) при k ≥ 1, x ≥ α 1 ,
2
µ A2 (x) = e − k ⋅(x−α 2 ) при k ≥ 1 и любых x, (2)
1007
где µ Ai : U → [0, 1] — функция принадлежности, принимающая свои зна-
чения в множестве принадлежности [0, 1]; µ Ai (x) описывает степень
предпочтения фирмы F i потребителем x из U.
Рис. 1. Функции предпочтения для двух фирм с фиксированным размещением ведущих

конкурентную борьбу за рынок сбыта, описываемый линейной моделью.
Как можно видеть из рис. 1 и уравнений (1) и (2), при заданном рас-
стоянии изменение степени принадлежности функции предпочтения
больше внутри областей наивысшей плотности населения и меньше внутри
областей меньшей плотности. Эта формулировка согласуется с наблюде-
ниями: чем больше плотность населения — тем труднее путь потребителя
и тем короче расстояние, на которое он поедет. Таким образом, функция
принадлежности, описанная уравнениями (1) и (2), оказывается логичной
характеристикой этого типа решений потребителей о поездке. Другое важ-
ное свойство (1) и (2) состоит в том, что они описывают выпуклые нечет-
кие подмножества, удовлетворяющие условию:
µ Ai [λ ⋅ x1 + ( 1 − λ ) ⋅ x2 ] ≥ min[µ Ai (x1 ), µ Ai (x2 )] ,
для всех x1 и x 2 ∈ U и всех λ ∈ [0,1] .
Допущение выпуклости оправдано в том смысле, что при нем долж-
но предполагаться монотонное увеличение степени предпочтения с
уменьшением расстояния до фирмы.
Теперь построив точное представление нечеткого понятия —
предпочтения, можно определить способ, с помощью которого рынок
можно разделить между фирмами. Поскольку нечеткие множества A1 и A2
ограничены максимальными степенями sup µ A1 (x) и sup µ A2 (x) в точках α 1
x x
и α 2 , то их пересечение A1 ∩ A2 также ограничено выпуклым нечетким

1008
α 2 , то их пересечение A1 ∩ A2 также ограничено выпуклым нечетким
множеством, определяемым функцией принадлежности
 e − k ⋅(x −α 2 ) при k ≥ 1, x ≤ γ ,
2
µ A1 A2 (x) =  − k ⋅( x −α )2 2
∩ [e 1
] при k ≥ 1, x ≥ γ ,
принимающей максимальное значение sup µ A A (x) в γ. Применяя теорему
1∩ 2
x
об отделимости [2], получаем, что наивысшая степень разделения торговой
зоны, равная 1- sup µ A A (x) , достигается в точке γ. В классической модели
1∩ 2
x
фирма монополизирует рынок. Однако в [4] обосновывается, что модель
сбыта с доминированием более адекватна для описания торговых зон ре-
ального мира. Из этого можно заключить, что перекрытие торговых зон
скорее общий феномен, нежели исключение из правил. Для перекрытия
торговых зон фирм F1 и F2 можно использовать понятие порога раздели-
мости. В нашем случае порог разделения ограничен условием
l < max min[µ A1 ( x), µ A2 ( x)] = sup µ A A ( x) .
x 1∩ 2
x
Таким образом, для выбранного порога l торговая зона M i фирмы Fi
определяется нечетким множеством уровня l. Выбирая различные значения
l, можно получить различные торговые зоны. Общее правило состоит в
том, чтобы выбрать наибольшее возможное значение l, меньшее
max min[µ A1 ( x), µ A2 ( x)] :
{ }
x
M i = x µ Ai ( x) ≥ max min[µ A1 ( x), µ A2 ( x)] для всех x∈ M i .

x
Описанную здесь модель можно обобщить на рынок с m конкури-
рующими фирмами F1 , F2 ,..., Fm , расположенными в областях с плотно-
стью населения α 1 ,α 2 ,...,α m соответственно. Пусть A1 , A2 ,..., Am - ограни-
ченные выпуклые нечеткие множества, описывающие предпочтение F1 ,
предпочтение F2 , …, предпочтение Fm и определяемые функциями при-
надлежности µ A1 , µ A2 ,..., µ Am , которые заданы уравнениями, аналогичными
(1) и (2). Так как нечеткие множества A1 , A2 ,..., Am выпуклы и ограничены,
то нечеткие множества Ai ∩ A j i,j=1,…,m (по парное пересечение нечетких
множеств A1 , A2 ,..., Am ) будут также выпуклыми и ограниченными. Приме-
няя упомянутую теорему об отделимости, с помощью порога разделения
l < min max min[µ Ai ( x), µ A j ( x)]
ij x
можно определить торговые зоны M 1 , M 2 ,..., M m . При этом каждая из этих

зон представляет нечеткое множество уровня, которое определяется соот-
ношением
1009
M i =  x µ Ai ( x) ≥ min max min[µ Ai ( x), µ A j ( x)] для всех x∈ M i .

 ij x 
Пока единственным решающим фактором потребительского про-
странственного предпочтения была трудность преодоления пути до места
покупок. Цена, качество и выбор товаров, репутация фирмы, уровень об-
служивания и трудность пути — все это важные характеристики для вос-
приятия фирмы покупателем. Кроме того, при принятии решения у инди-
видуумов варьируются приоритеты этих характеристик. Все эти характе-
ристики нужно объединить в рамках более общей модели.
Модель2 — общая модель разделения торговой зоны
Приняты допущения:
1) существование рынка;
2) произвольная схема расселения населения;
3) размещение n конкурирующих фирм в данных точках;
4) продукция одного качества;
5) фирмы характеризуются p признаками;
6) степени важности признаков при принятии решения о поездке варь-
ируются между индивидуумами;
7) одна фирма предпочитается другой, если ее признаки по своей важ-
ности более близки к оценке потребителя.
Пусть X={ x1 , x 2 ,..., x n }-множество n покупателей, Y={ y1 , y 2 ,..., y p }-
множество p признаков фирм и Z={ z1 , z 2 ,..., z m }- множество m фирм.
Пусть Φ R : X × Y → [0,1] есть функция принадлежности бинарного
отношения R. Φ R ( x, y ) – степень важности признака у по оценке индиви-
дуума х при определении им предпочтения фирмы. Аналогично
π : Y × Z → [0,1] есть функция принадлежности нечеткого бинарного отно-
шения S. π S ( y, z ) = степень принадлежности или совместимости фирмы z
с признаком y. Оба эти отношения можно представить в матричной форме
y1 y2 yp
x1 Φ R ( x1 , y1 ) Φ R ( x1 , y2 ) ... Φ R ( x1 , y p ) 
x Φ R ( x2 , y1 ) Φ R ( x2 , y2 ) ... Φ R ( x2 , y p ) 
R= 2
...  ... ... ... ... 
xn Φ R ( xn , y1 ) Φ R ( xn , y2 ) ... Φ R ( xn , y p ) 
1010
z1 z2 zm
y1  π S ( y1 , z1 )
π S ( y1 , z2 ) ... π S ( y1 , zm )

y2 π S ( y2 , z1 ) π S ( y2 , z2 ) ... π S ( y2 , zm ) 
S=
...  ... ... ... ... 
y p π S ( y p , z1 ) π ( y p , z2 ) )
 S ... π S ( y p , zm 
Теперь можно получить матрицу T:
z1 z2 zm
µ ( x , z ) µ A ( x1 , z2 ) ... µ A ( x1 , zm )
x1  A1 1 1 2 m 
x  µ A1 ( x2 , z1 ) µ A2 ( x2 , z2 ) ... µ A ( x2 , zm )
T= 2
...  
m
... ... ... ...


xn µ ( x , z ) µ ( x , z ) ... µ A ( xn , zm )

 A1 n 1 A2 n 2
m 
элементы которой определяются функцией принадлежности
∑ Ф R ( x , y ) ⋅ π S ( x, z i )
y
µ Ai ( x, z i ) = для всех x∈X, y∈Y, z∈Z. Сумма
∑Ф
y
R ( x, y )
∑Φ
y
R ( x, y ) равна степени нечеткого множества, указывающей число важ-
нейших признаков y, которое потребитель x использует для оценки фирмы,

а µ Ai ( x, z i ) - взвешенная степень предпочтения фирмы z i индивидуумом x.
Функция µ Ai ( x, z i ) удовлетворяет определению выпуклого нечеткого
множества:
µ Ai [λ ⋅ ( x1 , z i ) + ( 1 − λ ) ⋅ ( x 2 , z i )] ≥ min[µ Ai (x1 , z i ), µ Ai (x2 , z i )] ,
для всех x1 и x 2 , всех z i ∈ Z и всех λ ∈ [0,1] .
Поскольку все µ Ai ( x, z i ) выпуклые, их пересечения также выпуклые функ-
ции. Можно построить матрицу W:
 µ A1 ( x1 , z1 ) ∧ µ A2 ( x1 , z 2 ) ... µ Am −1 ( x1 , z m −1 ) ∧ µ Am ( x1 , z m ) 
 µ ( x , z ) ∧ µ ( x , z ) ... µ ( x , z ) ∧ µ ( x , z ) 
W = 1
A 2 1 A2 2 2 Am −1 2 m −1 Am 2 m 
 ... ... ... 

 
 µ A1 ( x n , z1 ) ∧ µ A2 ( x n , z 2 ) ... µ Am −1 ( x n , z m −1 ) ∧ µ Am ( x n , z m )
По тем же самым соображениям, которые были высказаны в линейной мо-
дели рынка, в данной модели порог разделения торговой зоны может быть
ограничен условием
l < min max min[ µ Ai ( x, z i ), µ A j ( x, z j )]
ij x
Если порог выбран, то торговая зона описывается нечетким множеством

1011
уровня
M i =  x µ Ai ( x) ≥ min max min[µ Ai ( x, z i ), µ A j ( x, z j )] для всех x∈ M i .
 ij x 
Решение модельных задач
Средствами пакета Fuzzy Logic, входящего в состав вычислительной

системы MATLAB, найдены решения для заданной матрицы степеней
предпочтений фирм.
1. Заде Л. Понятие лингвистической переменной и ее применение к при-
нятию приближенных решений.— М.: Мир, 1976.— 167 с.
2. Zadeh L. A. Fuzzy sets // Inf. & Control.— 1965.— 8.— P.338–353.
3. Нечеткие множества и теория возможностей. Последние достижения:
Пер. с англ. / Под ред. Р. Р. Ягера.— М.: Радио и связь, 1986.— 408 с.
4. Beckmann M. Market share, distance and potential // Regional & Urban Eco-
nomics.— 1971.— 1— P.1–18.
1012
УДК 531.708:620.1
МОДЕЛИРОВАНИЕ ПРЕДЕЛЬНЫХ СОСТОЯНИЙ

КОНСТРУКЦИЙ С ИСПОЛЬЗОВАНИЕМ
КОМБИНИРОВАНИЯ МЕТОДОВ
Кучерюк В. И., Кузяков О. Н., Дубатовка У. В.

Тюменский государственный нефтегазовый университет, Тюмень,
e-mail: kuzyakov@tsogu.tmn.ru, onkuzyakov@mail.ru, ulvik@yandex.ru
Рассматриваются составные тонкостенные конструкции (пластины,

оболочки, стержни) при действии сочетания статических нагрузок. Иссле-
дуются предельные равновесные состояния конструкции. Для исследова-
ния этого состояния составляется математическая модель, которая являет-
ся составной и включает отдельные блоки (рис. 1). Для каждого из блоков
используется аналитическое и имитационное моделирование.
Программная реализация модели осуществляется с помощью пакета
MATLAB.
Математическая модель состоит из следующих блоков: геометриче-
ского, нагрузки, материала, напряженно-деформированного состояния,
модели статической теоремы, модели кинематической теоремы, модели
предельного состояния — «механизм».
Для получения информации о перемещениях конструкции при со-
ставлении и исследовании последних четырех блоков математической мо-
дели осуществляется физическое моделирование [4]. Физическая модель
удовлетворяет функциональному подобию натуре, когда обеспечиваются
следующие условия моделирования:
- геометрическое подобие натуры и модели в серединной поверхно-
сти;
- габаритные размеры модели определяются нагрузочным устройст-
вом, выбранным экспериментальным методом, техническими воз-
можностями обеспечения контурных условий и изготовления мо-
дели;
- толщины пластин и оболочек соответствуют тонким;
- функциональное соотношение цилиндрических жесткостей элемен-
тов из пластин и оболочек и изгибной жесткости стержневых эле-
ментов;
- для композитных конструкций используются приведенные (экви-
валентные) цилиндрические жесткости;
- функциональное подобие нагрузки вида q = a æ(x, у), где a - чис-
ло.
1013
Хорошие результаты дают модели из пластмасс с использованием
клеевых соединений. Возможен также композитный вариант.
Математическое моделирование
Геометрическое Моделирование МATLAB

моделирование нагрузки обработка
результатов
эксперимента
Кинематический метод Статический метод
Минимизация
SIMULINKE MATLAB
предельной
Анализ Реализация
нагрузки
кинематических экспериментального
жестко- принципа
пластических
систем
Выбор
предельной
нагрузки
Рис. 1. Основные этапы математического моделирования.
Для определения прогибов и перемещений в срединных поверхно-

стях используются два варианта метода, моделирующего муаровый эф-
1014
фект: электронно-проекционный и метод нанесения сетки на поверхность
конструкции.
Сущность электронно-проекционного метода подробно описана в
работах [1–3, 5, 6] и заключается в следующем. На исследуемую поверх-
ность объекта видео-проектором проецируется линейчатая сетка, состоя-
щая из чередующихся темных и светлых линий одного и того же шага. Па-
раметры сетки можно программно менять. Изображение сетки, содержа-
щее информацию об изменяющейся топологии объекта под действием на-
грузки, сканируется цифровой видеосистемой и через блок сопряжения пе-
редается в компьютер, где происходит сложение эталонной сетки, задан-
ной по формуле, и принятой после проецирования. Проектор и видеока-
мера установлены так, чтобы их оптические центры и точка пересечения
главных оптических осей находились в одной плоскости. Видеоинформа-
ция поступает с камеры (цифровой видеокамеры или фотокамеры) в уст-
ройство ввода-вывода, на которое возложены функции кодирования.
Разработанное программное обеспечение позволяет осуществить
обработку картины муаровых полос с последующей визуализацией самой
картины перемещений и аналитического вида функций перемещений, ко-
торые затем используются в качестве аппроксимирующих при определе-
нии напряженно-деформированного состояния конструкции с помощью
аналитических методов — путем сочетания методов строительной механи-
ки и метода Бубнова–Галеркина.
Определение перемещений в серединной поверхности осуществля-
ется теми же аппаратными средствами, но используется нанесение сетки
на поверхность, а блок программы обработки муаровых картин учитывает
особенность данного метода.
Дальнейшее исследование топологической модели деформации про-
изводится средствами Simulink пакета MATLAB по технологии «drag —
and — drop».
Библиотека Simulink дополняется программными блоками НДС кон-
струкции.
С помощью «смотровых окон» и графического интерфейса строится
трехмерное изображение перемещений и распределения внутренних уси-
лий. Подключение блоков нагрузок позволяет следить за динамикой про-
цесса образования предельных состояний. Использование пластических
зон позволяет строить модель «механизма» конструкций.
Аналитическое решение, согласно моделям статической и кинемати-
ческой теорем, осуществляется в матричной форме, что позволяет эффек-
тивно использовать инструментальный пакет MATLAB.
«Вилка» решений с учетом этих теорем и определяет предельную
нагрузку.
Блоки нагрузки и материалов могут быть стохастическими. Исследо-
вание математической модели производится циклически. Например, изме-
1015
нение характера нагрузки, геометрических размеров сечений, материала
просчитывается на каждом цикле.
1. Кучерюк В. И., Лобанок И. В., Чурилов В. А. Метод муаровых полос в
исследовании прочности и устойчивости конструкций.— Тюмень, Тю-
менский индустриальный институт, 1978.— 64 с.
2. Кузяков О. Н., Кучерюк В. И. Устройство для измерения деформаций
поверхности объекта электронно-проекционным муаровым методом //
Известия вузов. Нефть и газ.— 2002.— №1.— С.69–75.
3. Кузяков О. Н., Кучерюк В. И. Методы и средства измерения топологии
поверхности, перемещений и деформаций.— Тюмень: ТюмГНГУ,
2002.— 172 с.
4. Сухарев И. П. Экспериментальные методы исследования деформаций и
прочности.— М.: Машиностроение, 1987.— 216 с.
5. Сухарев И. П., Ушаков Б. Н. Исследования деформаций и напряжений
методом муаровых полос.— М.: Машиностроение, 1969.— 208 с.
6. Дифференциальный электронно-проекционный способ измерения фор-
мы поверхности объекта / Патент на изобретение к А.с. RU 2216710 С2,
7G 01 В 21/30. Заявл.13.12.2001. Опубл. 20.11.2003, Бюл. № 32.— 5 с.
1016
УДК 519.7
СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ

МОДЕЛИРОВАНИЯ ДИНАМИЧЕСКОЙ СИСТЕМЫ
УПРАВЛЕНИЯ С СУЩЕСТВЕННО ПЕРЕМЕННЫМИ
ПАРАМЕТРАМИ
Ледовский А. Д., Лобанов К. С., Лычагин Ю. В., Максютин М. М.,
Родин Б. П., Яковенко А. Н., Яковенко Н. Г.
Балтийский государственный технический университет
«ВОЕНМЕХ» им. Д. Ф. Устинова, Санкт-Петербург,
e-mail:rivas@rivas.spb.su
Введение
В настоящем сообщении приводятся результаты исследования авто-

номного комплекса с динамической системой управления (ДСУ) объектом,
который существенно изменяет свои параметры в процессе функциониро-
вания. Рассматриваемый объект размещается на подвижном основании для
доставки его к месту функционирования. Само функционирование авто-
номного комплекса осуществляется в условиях средне пересеченной мест-
ности с непосредственно доставившего в данную точку неподвижного ос-
нования без предварительного горизонтирования. На подвижном основа-
нии 0 (рис. 1) размещена платформа 1, которая разворачивается и удержи-
вается в процессе функционирования в рабочем положении с помощью
специального управляемого привода. На платформе в цапфах находится
качающийся пакет 2, имеющий одну степень свободы по углу относитель-
но платформы. Разворот и удерживание пакета в процессе функциониро-
вания комплекса осуществляется с помощью второго управляемого приво-
да. Собственно функционирование комплекса заключается в упорядочен-
ном последовательном поступательном перемещении относительно пакета
N покидающих эту систему инерционных тел 3n (n=1 — N).
Целевой функцией рассматриваемой динамической системы управ-
ления является удержание заданного начального положения платформы и
качающегося пакета, с момента начала движения первого покидающего
систему инерционного тела и до выпадения из системы последнего.
При этом общее время работы системы, состоящее из N циклов (по
числу покидающих эту систему инерционных тел), ограничено. Продол-
жительность одного цикла может состоять из одинаковых для всех N тел
по времени периодов от начала движения до момента выпадения и доста-
точно произвольных промежутков времени, идущих на затухание возни-
кающих при этом колебаний объекта (рис. 2).
1017
Рис. 1. Структура моделируемого устройства: 0 — подвижное основание; 1 — вра-

щающаяся платформа с приводом Пр1; 2 — качающийся пакет с приводом Пр2; 3n
(n=1 — N) — подвижные инерционные тела, выпадающие из системы.
Рис.2. Временная диаграмма структуры циклов.
Таким образом, объект управления на всем промежутке функциони-

рования имеет значительные и изменяющиеся моменты неуравновешенно-
сти и переменный момент инерции относительно осей вращения платфор-
мы и качающегося пакета.
1018
С учетом всего вышесказанного была разработана и исследовалась
математическая модель динамической системы управления (ДСУ), пред-
ставленная в настоящем сообщении.
Число циклов N, характерное для рассматриваемой системы, может
изменяться от 1 до 12, причем математическое описание работы системы
от цикла к циклу не меняется с точностью до статических характеристик
звеньев системы (массы, центра масс и т. д.). В свою очередь, цикл состоит
из трех временных промежутков. На одном из них модель установки со-
стоит из трех звеньев и описывается тремя координатами. На двух других
модель состоит из двух звеньев и описывается двумя координатами, соот-
ветственно. Исходя из этого система дифференциальных уравнений, опи-
сывающая функционирование автономного комплекса (модель) может
быть, как четвертого, так и шестого порядков.
При разработке и применении данной модели решались следующие
задачи:
1. Исследовать возможность максимально точного позициониро-
вания объекта в контрольных точках времени.
2. При соблюдении условия 1 минимизировать время функцио-
нирования системы.
3. Исследовать влияние возможного изменения времени (про-
должительности) некоторых циклов в ходе работы системы на качество ее
функционирования в целом.
4. Исследовать влияние порядка следования циклов при функ-
ционировании на точность работы системы.
5. Разработка и исследование различных алгоритмов управления.
Реализация и исследование математических моделей проводилось
параллельно тремя методами. Причем, в первом и втором случаях одина-
ковая математическая модель была реализована, как в виде MATLAB-
программы, так и C-программы, а в третьем случае в виде Simulink-
модели.
В заключение приведен сравнительный анализ трех использованных
методов моделирования
Модель ДСУ объекта с использованием языка программирования

MATLAB
При разработке математической модели ДСУ объектом, пригодной

для расчета с использованием стандартного решателя систем линейных
дифференциальных уравнений (ЛДУ) ODE пакета MATLAB применялась
последовательность операций в виде:
1. На интервале функционирования системы были выделены уча-
стки (промежутки времени) с аналогичной структурой. Эти промежутки
времени сменяют друг друга циклически. Поэтому целесообразно описать
1019
систему в виде нескольких систем ЛДУ, каждая из которых соответствует
работе системы на некотором временном интервале. Переключение между
этими системами ЛДУ осуществляется по задаваемому определенному за-
кону. При этом начальными условиями для расчета очередной системы
ЛДУ являются результаты, полученные при расчете предыдущего участка,
скорректированные относительно изменения структуры системы. При пе-
реходе от расчета одной системы ЛДУ к другой предусмотрена возмож-
ность анализа результатов расчета и изменения алгоритма ODE, а также
возможность для уменьшения времени счета, повышения точности и т. д.
скорректировать параметры ODE
2. Моделируемая система имеет многозвенную структуру, при-
чем на различных интервалах функционирования количество звеньев мо-
жет равняться двум либо трем. Поэтому вначале работы программы рас-
считываются все статические характеристики (масса, центр масс, моменты
инерции относительно выбранных осей и т. д.) каждого звена системы в
связанных с этими звеньями системах координат на протяжении полного
цикла работы ДСУ.
3. Объект управления моделируемой ДСУ представляет собой
систему абсолютно твердых тел или звеньев. Функционирование ДСУ за-
ключается во взаимном перемещении входящих в нее звеньях, при этом
для любого из звеньев изменяется только одна координата (поступательно-
го или вращательного движения).
4. Для того чтобы объединить движения отдельных звеньев друг
относительно друга в единую систему, соответствующую работе всего
объекта управления, введено понятие вектора состояния системы q . Век-
тор состояния системы q описывает взаимные перемещения входящих в
объект управления звеньев в процессе функционирования моделируемой
ДСУ.
Таким образом, математическая модель объекта управления описы-
вающая движение многозвенной системы и разрешенное относительно
вторых производных вектора состояния q , представляет собой уравнение
Лагранжа:
q = − D −1 (H + C − τ ) , (1)
где D — обобщенная матрица инерции системы; H — вектор сил взаимо-
действия между звеньями системы; C — вектор потенциальных сил сис-
темы; τ — вектор обобщенных внешних сил.
Причем все коэффициенты уравнения (1) зависят от вектора состоя-
ния q .
Так как решатель ODE предназначен для интегрирования системы
линейных дифференциальных уравнений, разрешенной относительно пер-
вых производных, введены дополнительные переменные Y , представлен-
ные в виде
1020
q 
Y =  .
q 
Тогда
q 
Y =  .
q 
К уравнению (1), приведенному к виду системы ЛДУ в форме Коши,
(4-6 порядка), была добавлена модель ДСУ 4 порядка.
Эти уравнения связаны следующим образом: на вход модели ДСУ
подается вектор q , а управляющее воздействие на объект управления вхо-
дит в сумму внешних сил τ .
Такой подход позволил развязать модель ДСУ и модель объекта
управления и вносить поправки в каждую модель независимо.
Так, замена электропривода ДСУ на гидропривод не требует никаких
изменений в модели объекта управления.
− Для программирования задачи в среде MATLAB система ЛДУ
была преобразована применительно к каждому промежутку
интегрирования, и каждая специфическая система была пред-
ставлена в виде M-функции, удовлетворяющей условиям ре-
шателя ODE.
− Создана управляющая функция, переключающая расчет моде-
ли между различными функциями описания правых частей,
соответствующих отличающимся участкам интегрирования,
настройку параметров интегрирования ODE, а также осущест-
вляющая обработку результатов и их визуализацию.
Для оптимизации размера программы, а также, для уменьшения не-
обходимых вычислительных ресурсов, в модели предусмотрены статиче-
ская и динамическая части, а также вынесены в отдельные функции части
математического описания одинаковые для всех участков интегрирования.
Проблема управления видимостью констант, необходимых для рас-
чета модели на всех участках, и передачи некоторых начальных условий не
входящих в вектор состояния системы решена через использование меха-
низма глобальных переменных MATLAB.
При первых расчетах модели проведенных с помощью алгоритма
Рунге-Кутта 4–5 порядка выяснилось, что модель с параметрами прибли-
женными к параметрам реального объекта, колеблется с малой амплитудой
и высокой частотой, т. е. ведет себя как жесткая система. Эти колебания
вызваны несовершенством алгоритма выбора шага и коррекции ошибок в
алгоритме ODE45 (ODE45 — это MATLAB реализация алгоритма Рунге–
Кутта).
Реально такие колебания не могут иметь места из-за энергетических
соображений. Для решения этой проблемы были проведены специальные
вычисления, обеспечивающие выбор оптимального алгоритма ODE. В про-
1021
грамму были введены средства контроля над адекватностью рассчитывае-
мых результатов. В итоге наиболее оптимальным алгоритмом оказался
средне-жесткий алгоритм ODE23tb, так как использование более жестких
алгоритмов, например ODE113, приводило к быстрому накоплению по-
грешности.
Гибкость решателя ODE позволяет использовать для этого механизм
Event Location, т. е. механизм поиска характерных ситуаций прямо в про-
цессе расчета конкретного интервала работы системы. Этот механизм
можно использовать и для реализации алгоритма работы активной ДСУ.
Для удобства управления параметрами, как системы в целом, так и
каждым отдельным этапом расчета, был создан графический интерфейс
пользователя (GUI, Graphic User Interface) в системе MATLAB. Этот ин-
терфейс использует встроенное средство разработки пользовательского
интерфейса GUIDE, позволяющего скрыть от пользователя всю MATLAB -
программу и предоставить удобный доступ к переменным, которые необ-
ходимо изменять для исследования системы.
При дальнейшем уточнении модели возникла проблема введения не-
которых нелинейностей, связанных с работой ДСУ. Некоторые из них, та-
кие как ограничение максимальной величины давления в гидросистеме,
были введены достаточно легко, так как давление является переменной со-
стояния в использованной модели гидропривода. Однако другие вызвали
значительные затруднения, связанные с тем, что модель объекта управле-
ния линейна, и внесение ограничений по интегрируемым величинам, таким
как угловые скорости, требовало либо значительной переделки самой мо-
дели объекта управления, либо введения некоторых несуществующих спе-
циально рассчитываемых внешних сил, имитирующих влияние на объект
нелинейной ДСУ.
Некоторые физические величины представляющие интерес при ис-
следовании системы не могли быть получены как результат интегрирова-
ния системы ЛДУ и требовали либо отдельного расчета, либо введения в
m- функции описания правых частей специальных участков программы,
транслировавших эти значения в управляющую функцию для анализа и
визуализации результатов. Такой способ, во-первых, замедлял счет, а во-
вторых, усложнял программу и ее анализ.
Моделирование ДСУ объекта с использованием языка

программирования С++
Кроме моделирования с использованием MATLAB-средств, парал-

лельно для сравнения было проведено моделирование с применением
средств разработки программного обеспечения, не связанных с MATLAB.
При моделировании с использованием языка программирования С++
применялось то же математическое описание модели ДСУ объекта, что и
1022
при использовании пакета MATLAB. Уравнение Лагранжа вида (1) реша-
лось с использованием средств С++. Отличие заключалось в используемом
алгоритме решения ЛДУ. С++ не является языком программирования, спе-
циально ориентированным на выполнение математических операций, в
нем отсутствуют встроенные функции решения ЛДУ; поэтому такая функ-
ция была написана специально для решения данной задачи. В функции
был реализован алгоритм численного решения линейных дифференциаль-
ных уравнений методом Рунге–Кутты 2-го порядка. Согласно этому мето-
ду, решение уравнения
x = f ( x, t ),
при начальном условии x(t0 ) = x0 находится исходя из соотношения:
 h h
xk +1 = xk + hf  xk + f ( xk , tk ), tk +  ,
 2 2
где h — шаг интегрирования.
Выбор этого метода несколько уменьшил точность вычислений по
сравнению с применяемым в MATLAB-программе методом Рунге–Кутты
4-го порядка из-за пренебрежения членами ряда Тейлора старших поряд-
ков, но позволил существенно повысить скорость выполнения расчетов.
Поскольку результатом компоновки программы в среде С++ являет-
ся исполняемый файл, для его работы не требуется установки каких-либо
других компонентов. Следовательно, его можно легко копировать на раз-
ные вычислительные машины без необходимости в дорогостоящем лицен-
зировании пакета MATLAB. Кроме того, он на два порядка меньше по
размеру, чем программа в MATLAB вместе с самой средой MATLAB.
Исполняемый файл, работая напрямую с ресурсами компьютера без
использования исходной среды программирования, имеет большую ско-
рость вычислений, чем MATLAB-программа. Понижение времени расчета
всего периода моделирования до 60–70 секунд на компьютере уровня Pen-
tium-III дало принципиальную возможность говорить о моделировании в
реальном времени, что невозможно применительно к MATLAB-модели.
Несомненным недостатком выбранной среды разработки, в отличие
от MATLAB, является негибкость получаемой после компоновки про-
граммы. Любое изменение математической модели требует разработки но-
вой программы, что может быть проведено только в первоначальной среде
разработки и только при наличии исходных кодов программы. Кроме того,
разработанная заново программа требует повторения проведения полного
цикла отладки и тестирования.
1023
Построение модели ДСУ объекта с помощью графического
редактора Simulink
При моделировании различных задач в среде MATLAB с использо-

ванием графического редактора Simulink реализуется принцип визуального
программирования, в соответствии с которым на экране из библиотеки
стандартных блоков создается модель устройства.
Такой подход позволяет оценить общую структуру системы, выде-
лить отдельные структурные элементы и производить построение модели
«снизу-вверх» в соответствии с этим делением, начиная с наиболее про-
стых составных частей системы. При этом разработчику не обязательны
(хотя и желательны) глубокие знания языка MATLAB или иных средств
моделирования и программирования.
Последовательность создания модели посредством графического ре-
дактора Simulink можно представить следующим образом:
1. Анализ структуры моделируемого объекта, с целью выделения
наиболее существенных в рамках рассматриваемой задачи элементов бу-
дущей модели.
2. Построение моделей отдельных структурных элементов сис-
темы с необходимой точностью и их отладка.
3. Соединение и организация взаимодействия между отдельными
элементами модели, что приводит к построению полной модели системы.
При построении исследуемой модели были приняты следующие до-
пущения. Во-первых, рассматривались только два момента, действующие
на исполнительные механизмы ДСУ — момент силы тяжести и момент,
возникающий при движении выбрасываемой массы. Во-вторых, модели
приводов функционирования были приняты практически линейными (учи-
тывалась лишь небольшая и не самая существенная часть нелинейностей).
Построение модели по принципу «снизу-вверх» предполагает реше-
ние следующих проблем, встающих перед разработчиком:
− грамотное структурное деление исходной системы для облег-
чения построения моделей составляющих частей и уменьшения вероятно-
сти появления ошибок;
− корректное построение и проверка полученных моделей со-
ставных частей системы;
− обеспечение корректного взаимодействия составляющих час-
тей системы;
− не всегда простой и очевидный переход от уравнений, описы-
вающих объект, к передаточным функциям (или иным структурным эле-
ментам), особенно для нелинейного объекта (объекта, нелинейностями ко-
торого нельзя пренебречь).
Проблема структурного деления системы решалась посредством
анализа исходных данных и опыта разработчиков. Выделенные состав-
1024
ляющие должны быть независимыми (с учетом дальнейшего уточнения
или изменения модели) и достаточно простыми. Это позволяет эффективно
отрабатывать построенные модели и упрощает их общее восприятие. Не-
обходимо отметить, что эта особенность моделирования в графическом
редакторе Simulink предоставляет мощные средства построения моделей
сложных систем или устройств.
В соответствии с заявленным принципом в рассматриваемой системе
были выделены следующие структурные элементы (звенья):
− Подвижное основание 0.
− Вращающаяся платформа 1.
− Качающийся пакет 2.
− N подвижных инерционных тел, выпадающие из системы
(N=12 штук);
− Два привода функционирования.
Подобное деление представляется наиболее удобным. Подвижное
основание используется для задания абсолютного положения объекта в
пространстве (на поверхности Земли). Поэтому, несмотря на необязатель-
ность модели самого подвижного основания, при рассмотрении функцио-
нирования объекта в системе координат, связанной с Землей, необходимо
было учитывать состояние этого основания. Выделение вращающейся
платформы и качающегося пакета связано с наличием двух приводов
функционирования и того факта, что оценка качества стабилизации произ-
водится по угловому положению этих частей в соответствующих плоско-
стях относительно основания. Для более детального изучения вопросов,
оговоренных во введении, выпадающие из системы массы требуют от-
дельной модели. Более мелкое деление на данном этапе неэффективно, но
в то же время любую часть модели можно усложнить или дополнить без
внесения существенных изменений (следовательно, и возможных допол-
нительных ошибок) в уже построенные модели.
Особенность цикличного функционирования системы потребовала
представления модели каждой из 12 инерционных тел в виде комбинации
трех подсистем, описывающих одно из возможных состояний: покой, дви-
жение и отсутствие массы. Переключение между структурами производи-
лось с помощью блока управления (в соответствии с Рис. 2).
Проверка адекватности построенной модели является актуальной
проблемой для любого из методов математического моделирования. Оце-
нить правильность построения модели позволяют либо экспериментальные
данные (которые могут отсутствовать), либо опыт разработчика (величина
субъективная). Тем не менее, одним из существенных достоинств заявлен-
ного принципа структурного построения модели является возможность
проверки корректности каждой отдельной части системы независимо от
наличия и законченности построения моделей других частей.
1025
Так, модель привода можно оценить, подав какое-либо тестовое воз-
действие (например, единичное входное воздействие) и проанализировав
результаты. В случае выявления ошибки, обнаружение ее причины и уст-
ранение последствий упрощается вследствие анализа не модели системы в
целом, а лишь ее части.
Тестирование моделей на данном этапе позволяет в будущем быть
уверенным в приемлемой адекватности этих моделей и дает основание ду-
мать, что последующие ошибки являются проявлением некорректной сты-
ковки составляющих частей.
Проблема обеспечения взаимодействия составляющих модель частей
также важна. При соединении в систему отдельных частей, следует стре-
миться к минимизации числа связей между ними. Каждая связь должна от-
ражать реальное физическое взаимодействие. Наличие связей, неудовле-
творяющих этому условию, свидетельствует о неудачном структурном де-
лении системы. Необходимо правильно выделить наиболее существенные
взаимодействия, так как построенные ранее модели отдельных частей сис-
темы могут быть более сложными, чем того требует решаемая задача (если
использовались уже готовые модели или если они строились с учетом
дальнейшего использования). Например, в исследуемой модели выделены
всего два вида моментов сил и момент инерции. Этого вполне хватает на
данном этапе для описания системы в целом и взаимодействия ее частей.
Предоставляемая графическим редактором Simulink возможность практи-
чески неограниченного доступа к любому сигналу схемы, позволяет оце-
нить правильность взаимодействия не только по конечному результату
(изменение угла), но и по некоторым промежуточным величинам (напри-
мер, максимальные моменты неуравновешенности или максимальный рас-
ход в гидроприводе).
Построение сложных нелинейных систем и учет нелинейностей в
модели существенно усложняют задачу исследования. Может потребо-
ваться изменение (адаптация) построенной модели или построение ее за-
ново. Исходя из этого, возможность подобного шага желательно учесть за-
ранее, сохраняя линейность (и как следствие простоту) модели на этапе
отладки. Безусловным преимуществом графического редактора Simulink с
этой точки зрения является наличие в библиотеке уже готовых блоков наи-
более распространенных видов нелинейностей и легкость внесения этих
нелинейностей в модели.
1026
Рис. 3. Модель системы, построенная в графическом редакторе Simulink.
Дополнительной сложностью при построении моделей в графиче-

ском редакторе Simulink является трудность динамического управления
алгоритмом расчета. Так, например, изменение шага расчета или порядка
функционирования системы в зависимости от различных условий затруд-
нительны. Производить анализ необходимых условий (особенно, если их
количество велико) в рамках Simulink представляется нецелесообразным,
так как гораздо легче и удобнее написать подобную функцию на языке
MATLAB (или ином языке программирования, например, С). Возможность
подключения таких функций в графическом редакторе Simulink имеется
Выводы
Анализ проделанной работы позволяет выделить наиболее характер-

ные особенности и проблемы каждого из подходов. Четкое представление
о достоинствах и недостатках рассматриваемых методов позволяет обос-
1027
нованно и аргументировано выбирать способ построения математической
модели.
Графический редактор Simulink позволяет решать задачу, имея лишь
общее представление о системе, занимаясь уточнением ее структуры па-
раллельно с построением модели. Рассмотрение системы по частям делит
задачу на ряд подзадач, последовательное решение которых приводит к
созданию моделей составляющих. Их можно подвергнуть проверке по от-
дельности и лишь после этого перейти к построению модели системы в це-
лом. При таком подходе уточнение модели любого элемента не приводит к
необходимости изменения модели системы в целом. Следовательно, ис-
пользование графического редактора Simulink оправданно при необходи-
мости построения моделей, последовательно приближаемых к исследуе-
мому объекту. При этом структурное деление системы должно произво-
диться уже при построении модели первого приближения, причем его из-
менение может привести к замене всей модели.
При наличии математического описания, соответствующего иссле-
дуемому объекту с требуемой степенью точности и необходимости прове-
дения значительного количества численных экспериментов, проводимых с
помощью этой модели, целесообразно использовать модель, реализован-
ную в виде совокупности m - файлов. Необходимо отметить, что незначи-
тельное уточнение уже разработанной модели может потребовать значи-
тельной переработки всей модели. В то же время имеется возможность
создания удобного интерфейса с помощью встроенной среды разработки
графического интерфейса GUIDE.
Среда C++ наиболее предпочтительна для создания коммерческих
версий программного продукта, предназначенных для поставки конечному
пользователю. Созданные в ней программы отличаются доступным поль-
зовательским интерфейсом, закрытым исходным кодом и высоким быст-
родействием в сочетании с автономностью и нетребовательностью к ре-
сурсам компьютера. Распространение программного продукта не требует
затрат на лицензирование пакета MATLAB для компьютеров конечных
пользователей, что повышает конкурентоспособность продукта на рынке
компьютерных технологий. Среда С++ может быть рекомендована для ис-
пользования при разработке специализированного программного обеспе-
чения, предназначенного, например, для выполнения математических рас-
четов в промышленных ЭВМ, устанавливаемых в различных видах техни-
ки в процессе ее функционирования. Однако следует заметить, что при ис-
пользовании С++ сохраняются основные недостатки, присущие среде
MATLAB, а именно, необходимость коррекции всей модели при модифи-
кации одного из ее элементов.
Для использования возможностей языка MATLAB необходимо на-
личие полной и точной математической модели в виде системы дифферен-
циальных уравнений уже на первоначальном этапе создания программы.
1028
Построение такой модели является весьма трудоемким, что заставляет ид-
ти на определенные упрощения, создающие проблемы на этапе исследова-
ния. При этом внесение изменений (дополнений) в построенную модель
затруднительно. Особенно большие сложности возникают при необходи-
мости учета нелинейностей.
Таким образом, очевидно, что применение тех или иных средств мо-
делирования рассмотренных в данной работе правомерны и предпочтение
в этом выборе обычно связано с опытом и возможностями разработчика
программ.
1. Попов Д. Н. Динамика и регулирование гидро- и пневмосистем: Учеб-
ник для вузов.— М. Машиностроение, 1987.— 464 с.
2. Загашвили Ю. В., Ледовский А. Д., Яковенко Н. Г., Лычагин Ю. В. Дина-
мическая система с исполнительным двигателем постоянного тока //
Пособие по курсовому и дипломному проектированию.— СПб.: Балт.
гос. техн. ун-т., 2001.— 48 с.
3. Никифоров В. О., Ушаков А. В. Управление в условиях неопределенно-
сти: чувствительность, адаптация, робастность.— СПб.: Изд-во
СПбГИТМО(ТУ), 2002.
4. Фрадков А. Л. Адаптивное управление в сложных системах.— М.: Нау-
ка, 1990.
5. Eslami M. Theory of Sensitivity in Dynamic Systems. An Introduction.—
Berlin.: Springer Verlag, 1994.
1029
УДК 519.7:62.506
ИСПОЛЬЗОВАНИЕ СРЕДЫ MATLAB ПРИ

ЛОКАЛИЗАЦИИ ИСТОЧНИКОВ СТОХАСТИЧНОСТИ В
СТАЦИОНАРНЫХ УРАВНЕНИЯХ ПРИ ВЫЧИСЛЕНИИ
МОМЕНТОВ ПЕРЕМЕННЫХ СОСТОЯНИЙ
Ледовский А. Д., Лычагин Ю. В., Яковенко Н. Г.,

Нгуен Ван Лам, Полницкий Д. А.
«ВОЕНМЕХ» им. Д. Ф. Устинова, Санкт-Петербург,
e-mail:adlgvsh@mail.ru
При анализе качества сложных человеко-машинных динамических

систем управления зачастую необходимо учитывать влияние на их функ-
ционирование различных случайных факторов внутреннего и внешнего
характера [1], [6]. К случайным факторам внутреннего характера относят-
ся, например, параметрические шумы, представляющие случайные функ-
ции и случайные параметры, учитывающие неточность производства и
влияние процессов старения и износа при хранении и эксплуатации систем
и т. п. Что касается внешних источников стохастичности, то они зависят от
условий функционирования системы. Примером такого рода стохастиче-
ских воздействий могут быть ветро-волновые возмущения, действующие
на морские подвижные объекты [2].
Общий вид нелинейной математической модели, в которой учитыва-
ется влияние на функционирование выше отмеченных случайных факторов,
имеет следующий вид [1]:
 dx  
Φ  ,x,u,µ,t  = 0;x ( t0 ) = x0 ;
 dt   (1)
y = Ψ ( x,u,µ,t ) , 

dx
где x, ∈ R S — вектор-столбец фазовых координат (переменных состоя-
dt
ний) и вектор-столбец их производных, x0 ∈ R S — вектор-столбец началь-
ных значений этих координат; u ∈ R P — вектор-столбец внешних пере-
менных (управляющих и возмущающих воздействий), в том числе содер-
жащих случайные составляющие; µ ∈ R N — вектор-столбец случайных па-
раметров с произвольными законами распределения его составляющих;
Φ ∈ R S — столбец векторов-функций; t — аргумент (время) с начальным
значением t = t0 ; Ψ ∈ R Q — столбец векторов-функций; y — вектор-
столбец выходов.
1030
Для рассматриваемого класса систем управления всегда имеется
возможность разрешить уравнение (1) относительно производной:
dx 
= Θ ( x,u,µ,t ) ;x ( t0 ) = x0 ;
dt  (2)
y = Ψ ( x,u,µ,t ) , 

где Θ ∈ R S ,Ψ ∈ R Q — столбцы вектор-функций.
Эксплуатация систем управления всегда предполагает их использо-
вание в ограниченном числе основных режимов работы. Такие режимы ра-
боты характеризуются постоянством или малыми изменениями внешних
воздействий — u . С учетом этого обстоятельства, а также в силу сущест-
венной инерционности объектов управления (системы в целом) рассматри-
ваемый класс систем обычно обладает свойствами фильтра низких частот,
что позволяет успешно решать задачу линеаризации (2) и получения ли-
нейных (линеаризованных) уравнений состояния вида:
dx
= А ( µ) x + В ( µ) u , (3)
dt
где A ( µ) , B ( µ) — матрицы, элементы которых являются регулярными
функциями случайных µ - параметров. Отметим, что в результате выбора
законов управления, система (3) должна обладать свойством инвариантно-
сти (малой чувствительности) к параметрическим возмущениям [7].
Вероятностная оценка показателей качества функционирования сис-
тем управления, основанная на применении неравенства Чебышева-
Куриленко [1], предполагает определение векторов математического ожи-
дания и дисперсии переменных состояний стационарного стохастического
уравнения (3). Причем, если для собственного движения их вычисление
особых проблем не вызывает, то вынужденное движение для чистоты ре-
зультата требует разделения влияний стохастического оператора B ( µ) и
вектора u, который может содержать случайные составляющие. При этом
информацию о наличии случайных параметров в самой матрице B ( µ) не-
обходимо сохранить.
Целью данной работы является строгое доказательство возможности
такого разделения.
Рассмотрим вначале соответствующее (3) детерминированное урав-
нение состояния:
dx
= Аx + Вu (4)
dt
или его скалярное представление:
1031
 dx 1
 dt = a11 x1 + a12 x2 … + a1S xS + b11u 1 + b11u 2 + … + b1Q uQ ;

 dx2 = a x + a x … + a x + b u + b u + … + b u ;
21 1 22 2 2S S 21 1 21 2 2Q Q
 dt (5)
....................................................................................

 dxS = a x + a x … + a x + b u + b u + … + b u .
 dt S1 1 S2 2 SS S S1 1 S2 2 SQ Q
Добавим в (5) S − Q входов:

dx1
 dt = a11x1 + …+ a1S xS + b11u1 + …+ b1QuQ + b1Q+1uQ+1 + …+ b1SuS ;

dx2 = a x + …+ a x + b u + …+ b u + b u + …+ b u ;
21 1 2S S 21 1 2Q Q 2Q+1 Q+1 2S S
 dt (6)
.......................................................................................................;

dxS = a x + …+ a x + b u + …+ b u + b u + …+ b u .
 dt S1 1 SS S S1 1 SQ Q SQ+1 Q+1 SS S
Если в (6) при любых значениях коэффициентов bij ∀ j = Q + 1, S , ( )

( )
∀i = 1, S элементы вектора управления u j ∀j = ( Q + 1,S ) торжественно
равны нулю, то (6) сводится к виду (5).
Перепишем (6) в матричной форме:
dx
= A x + Bu (7)
dt
где B ∈ R S × S , т. е. квадратная матрица размерности (S × S ) ; u — век-
тор управления размерности (S ×1) , имеющий последние (S − Q + 1) эле-
менты, равные нулю.
Проблему выбора значений коэффициентов bij ∀j = (Q + 1, S ) ,∀i = (1, S )
рассмотрим позднее.
Матрица B должна быть невырожденной и иметь обратную матрицу
−1 −1
B . Тогда умножая (7) слева на матрицу B слева, получим:
−1 d x −1 −1
B = B A x + B Bu , (8)
dt
где первое слагаемое в правой части может быть заменено тождественным,
−1 −1 −1
равным ему слагаемым B A x = B ABB x.
−1 dz −1 d x
Тогда, произведя замену переменной z = B x и =B , полу-
dt dt
чим:
dz
= Az + Iu, (9)
dt
1032
−1 −1
где I = B B — единичная матрица и A = B AB .
При переходе к стохастическому виду, т. е. к уравнению (3), и про-
изводя аналогичные преобразования, можно получить:
dz
= A ( µ ) z + Iu , (10)
dt
−1
где A ( µ) = B ( µ) A ( µ) B ( µ) .
Таким образом, в уравнении (10) перед вектором внешних перемен-
ных u вместо стохастического оператора оказалась детерминированная
−1
единичная матрица I = B B . Причем, информация о стохастичности
вектора (матрицы) коэффициентов усиления B ( µ) уравнения (3) не поте-
ряна, так как вошла в матрицу свободного движения A ( µ) уравнения (10).
Выбор дополнительных элементов вектора (матрицы) B в (7) весьма
произволен. Однако при таком выборе необходимо соблюсти следующие
условия:
1. Все значения элементов вектора (матрицы) B должны и могут
быть детерминированными.
2. Матрица B должна быть невырожденной, т. е. должна сущест-
−1
вовать обратная матрица B .
3. Число обусловленности матрицы B ([3], [4], [7]) должно быть
минимальным (по крайней мере, равным числу обусловленности матрицы
B уравнения (4)).
4. В уравнении (3) при расширении матрицы B ( µ) до квадратной
матрицы B ( µ) следует использовать математические ожидания добавляе-
мых элементов этой матрицы.
Остановимся на последнем условии подробнее.
Известно [3], что число обусловленности характеризует меру близо-
сти матрицы B к вырожденной матрице.
Оно определяется выражением
cond ( B ) = B × B −1 ,
где B , B −1 — нормы соответствующих матриц.
Причем для любой матрицы, число обусловленности должно быть не
менее 1. Однако, если оно больше 10, то матрица становится плохо обу-
словленной.
Число обусловленности матрицы может быть рассчитано через син-
гулярные значения и соответствующие им унитарные векторы.
1033
Так, для прямоугольной матрицы B , сингулярным значением назы-
вается неотрицательная скалярная величина σ , удовлетворяющая услови-
ям:
Вv = σ u;
(11)
B T u = σ v,
где u и v соответствующая этому сингулярному значению пара векторов-
столбцов.
Если матрица B имеет несколько сингулярных значений, образую-
щих диагональную матрицу S , то матрицы U и V являются унитарными
(в случае, если матрица B вещественная, то ортогональными) и условия
(11) принимают вид:
ВV = US;
(12)
B T U = VS,
откуда следует, что:
В = USV -1 . (13)
В случае спектральной нормы число обусловленности матрицы B
равно отношению ее максимального сингулярного значения к минималь-
ному:
max ( S )
cond ( B ) = . (14)
min ( S )
Поэтому число обусловленности матрицы, имеющей одинаковые отличные
от нуля сингулярные значения всегда равно единице.
Покажем, что с помощью (14) с учетом (12) и (13) при выборе до-
полнительных элементов вектора (матрицы) B (7) можно решить задачу
минимизации числа обусловленности этой матицы (вектора B ).
Пусть имеется исходная прямоугольная матрица B 0 размерности
S × Q, Q < S , R = S − Q :
 b11 … … b1Q 
… … … … 
B0 =  . (15)
… … … … 
 
 bS 1 … … bSQ 
Осуществим расширение размерности B0 до размерности (S × S ) до-
бавлением матрицы B1 с размерностью (S × R )
 b1,Q -1 … … b1S 
 … … … …
B1 =  . (16)
 … … … …
 
 b S , Q − 1 … … b SS 
1034
В результате получим расширенную квадратную матрицу B ∈ R S×S
вида:
 b11 … … b1,Q b1,Q +1 … … b1,S 
 … … … … … … … … 

 … … … … … … … … 
 
 bs1 … bsQ bs ,Q +1 … … bsS 
B= . (17)
 bs +1,1 … … bs +1,Q bs +1,Q +1 … … bs +1,S 
 
 … … … … … … … … 
 … … … … … … … … 
 
 b … … b b … … b 
 S1 SQ S ,Q +1 SS 
Если представить (15) и (16) в виде квадратных матриц B*0 и B1* , у

которых последние R и, соответственно, первые Q векторов-столбцов
нулевые:
 b11 … b1Q 0 … 0   0 … 0 b1,Q+1 … b1S 
… … … 0 … 0  0 … 0 0 … … 
*
B0 =   *
,B =  , (18)
 … … … … … … 1  0 … 0 … … … 
   
 bS 1 … bSQ 0 … 0   0 … 0 bS ,Q+1 … bSS 
тогда матрица (17) может быть записана следующим образом:
B* + B* = B ∈ R S×S .
0 1 (19)
Из (13) следует, что
S = U −1ВV . (20)
С учетом (19)
( ) ( ) ( )
S = U −1 В*0 + В*1 V = U −1 В*0 V + U −1 В*1 V = S*0 + S*1 . (21)
S*0 S*1
Отметим, что для пары векторов B1* (18) и В1 (16), а также для B*0
(18) и В 0 (17), значения ненулевых диагональных элементов матриц S*1 и
S1 ( S*0 и S 0 ), определяемых по (21) остаются неизменными.
Как правило, элементы диагональных матриц сингулярных значений
в (21) должны располагаться в нарастающем порядке. Поэтому выражение
S*0 + S1* следует понимать не как сумму матриц, а как добавление диаго-
нальных матриц друг к другу таким образом, чтобы элементы полученной
диагональной матрицы S также располагались в нарастающем порядке.
Таким образом, доказано следующее утверждение:
1035
Утверждение. Число обусловленности матрицы не изменится, если
к ней добавить ограниченное число выбранных предложенным особым об-
разом ненулевых векторов-столбцов.
Если исходная прямоугольная матрица B0 имеет соответствующую
диагональную матрицу сингулярных значений S 0 и число обусловленно-
max ( S 0 )
сти С0 = cond ( B 0 ) = , то и матрица В1 имеет диагональную мат-
min ( S 0 )
max ( S1 )
рицу S1 и число обусловленности С1 = cond ( B1 ) = .
min ( S1 )
Из (21) видно, что расширенная матрица В имеет наименьшее число
обусловленности (возможно равное числу обусловленности матрицы С0 )
только тогда, когда max ( S1 ) ≤ max ( S 0 ) и min ( S1 ) ≥ min ( S 0 ) . Поэтому, для
того, чтобы число обусловленности расширенной матрицы В было равно
числу обусловленности исходной матрицы, необходимо выбрать элементы
матрицы В1 таким образом, чтобы ее сингулярные значения находились в
интервале  max ( S 0 ) , min ( S 0 )  .
Рассмотрим частный случай, когда число обусловленности матрицы
В1 равно единице. Это означает, что она имеет одинаковые сингулярные
значения, например, min ( S1 ) = max ( S1 ) . Можно выбрать также и
min ( S1 ) = max ( S 0 ) или min ( S1 ) = min ( S 0 ) .
В любом случае, все элементы векторов-столбцов матрицы В1 , опре-
деляемой по (16) торжественны нулям, кроме одного, равного выбранному
сингулярному значению потому, что матрицы U и V в (21) являются уни-
тарными (при вещественных матрицах — ортогональными).
Пример
Пусть функционирование (продольное движение) пассажирского

судна на подводных крыльях описывается следующим линеаризованным
стационарным уравнением состояний [2]:
 dΨ 
 dt 
  0  Ψ   0
 d ωz  
0 1 0 0 
  ω  
 dt  a21 a22 a23 a24  z 
   b21 b2 2  δк .н. 
 =  
+  , (22)
dy
 g   a31 0 0 a34
 y g  0 0  δ
 к .к . 

 
    

 dt   a41 a42 a43 a44   α   b41 b42 
 dα 
 
 dt 
1036
dΨ d ωz
где Ψ , — угол дифферента (тангажа) и его производная; ωz , —
dt dt
d уg
угловая скорость килевой качки и ее производная; у g , — ордината
dt
dα
центра масс судна и ее производная; α , — угол атаки и его производ-
dt
ная; δк .н. δк .к . , — углы поворота носовых и кормовых крыльев (управляю-
( ) ( ) ( )
щие воздействия); aij ∀i, j = 1,4 , bij ∀i = 1,4 , j = 1,2 — коэффициенты, за-
висящие от конструкции судна.
Напомним, что эти коэффициенты являются регулярными функция-
ми от случайных µ - параметров и на практике рассчитываются и задаются
их математическими ожиданиями.
Так, например, для судна водоизмещением 60т матрицы М  A ( µ)  и
М  В ( µ)  имеют следующие значения своих элементов:
 0 1 0 0 
 −14,2 −12,2 −0,291 −0,236 
М  A ( µ)  =  ;
 17,5 0 0 −17,5 
 
 −5,12 −0,162 0,433 −6,41 
 0 0 
 −1,01 2,86 
М В ( µ)  =  .
 0 0 
 
 0,386 0,965 
В данном примере, исходная матрица М В ( µ)  = В0 имеет размер-
ность 4 × 2 .
Используя стандартную программу определения числа обуслов-
ленности в среде MATLAB [6], найдем это число обусловленности
С0 = 4,7344 , и диагональную матрицу сингулярных значений:
 3,1370 0 
 0 0,6626 
S0 =  . (23)
 0 0 
 
 0 0 
Выберем ненулевой элемент, который равен максимальному сингулярному
значению (в данном случае = 3,1370), и составим дополнительную матрицу
В1 размерностью 4 × 2 :
1037
 3,1370 0 
 0 0 
В1 =  . (24)
 0 3,1370 
 
 0 0 
Тогда матрицы (18) принимают вид:
 0 0 0 0  0 0 3,1370 0 
 −1, 01 2,86 0 0  0 0 
  0 0
В0 =
*
; В =
* . (25)
 0 0 0 0 1 0 0 0 3,1370 
   
 0,386 0,965 0 0  0 0 0 0 
Следует обратить внимание на то, что все элементы первой и
третьей строк исходных матриц (25) торжественно равны нулю, поэтому
элементы первой и третьей строк матрицы В1 (24) должны отличаться от
нуля. Иначе матрица B может оказаться вырожденной, и обратной ей мат-
рицы не будет существовать. При выполнении этого условия получим:
 0 0 3,1370 0 
 −1, 01 2,86 0 0 
В = В 0 + В1 = 
* * . (26)
 0 0 0 3,1370 
 
 0, 386 0, 965 0 0 
Матрицы в (24), (25) и (26) имеют соответствующие матрицы сингу-
лярных значений:
 3,1370 0   3,1370 0 0 0
 0 3,1370   0 3,1370 0 0 
S1 =  , S = 
* 
 0 0 
1
 0 0 0 0
   
 0 0   0 0 0 0
 3,1370 0 0 0  3,1370 0 0 0 
 0 0,6626 0 0   0 3,1370 0 0 
S0 =
*  ; S=  (27)
 0 0 0 0  0 0 3,1370 0 
   
 0 0 0 0  0 0 0 0,6626 
Последнее выражение показывает, что число обусловленности рас-
ширенной матрицы В в соответствии с (14) остается тем же, равным ис-
ходному значению 4,7344. Соответствующая обратная ей матрица опреде-
лится в виде:
1038
 0 -0.4643 0 1.3759 
 0 0.1857 0 0.4859 
В? = 
−1 .
 0.3188 0 0 0 
 
 0 0 0.3188 0 
Осуществляя преобразования (8) и (9), получим новую матрицу
−1
A = B AB , элементы которой при переходе к стохастическому виду так-
же являются регулярными функциям от случайных µ - параметров:
 a11 ( µ) a12 ( µ) a13 ( µ) a14 ( µ) 
 
 a 21 ( µ) a 22 ( µ) a 23 ( µ) a 24 ( µ) 
A ( µ) =  .
 a 31 ( µ) a 32 ( µ) a 33 ( µ) a 34 ( µ) 
 
a 41 ( µ ) a 42 ( µ ) a 43 ( µ ) a 44 ( µ )
 
В рассматриваемом примере, ее математическое ожидание имеет вид:
 −8,8575 7,1560 −1,4189 2,2928 
 1,1485 −9,7525 −16,0765 0,4905 
М  A ( µ)  =  .
   −0,3220 0,9117 0 0 
 
 −2,1533 −5,3833 17,5000 0 
В результате чего (10) примет вид:
 z1   a11 ( µ) a12 ( µ) a13 ( µ) a14 ( µ)   z1   1 0 0 0  δK.H. 
 
   a µ a µ a µ a µ     
 z2  =  21 ( ) 22 ( ) 23 ( ) 24 ( )   z2  +  0 1 0 0  δK.H.  .
 z3   a31 ( µ) a32 ( µ) a33 ( µ) a34 ( µ)   z3   0 0 1 0  0 
       
 z4   a41 ( µ) a42 ( µ) a43 ( µ) a44 ( µ)   z4   0 0 0 1  0 
 
Таким образом, исследование влияния случайных µ - параметров на
переменные состояния исходной системы, проведенное по уравнению (10),
несомненно, дает более достоверный и полный результат, так как состав-
ляющие матрицы A ( µ) содержат информации не только первоначальной
матрицы A ( µ) уравнения (3), но и матрицы B ( µ) .
Следующий шаг — применим интервальные вычисления [8] для оп-
ределения нижней и верхней границ собственных значений фундаменталь-
ной матрицы системы без учета (3) и при учете (10) стохастичности эле-
ментов исходной матрицы В .
Согласно [9], при малых вариациях элементов матрицу А можно
представить в виде интервальной матрицы [ A ] =  A, A  .
1039
Следовательно, если пренебречь малыми изменениями собственных
( )
векторов H (считая hij = const , ∀i, j = 1, n ), то собственные значения ин-
тервальной матрицы [ A ] =  A,A  также будут интервальными, то есть
[L ] = L,L  . Для интервальных собственных значений справедливы сле-

дующие выражения:
L = H −1 AH;
(29)
L = H −1 AH.
Если предположить, что случайные параметры элементов системы
имеют равномерное распределение в заданных границах (интервалах), то
при ее производстве и эксплуатации они «приводят» к усеченному нор-
мальному закону распределения показателей качества функционирования
[10], [1]. Тогда, с учетом (29) и «правила трех сигм» математические ожи-
дания и дисперсии собственных значений будут:
Lj + Lj 

M Lj  = ;
2 
( )
 ∀ j = 1,n . (30)
( )
2
Lj − Lj 
σ 2L j = 
36 
При математическом моделировании для рассмотренного в Прило-
жении 1 примера разбросы элементов фундаментальной матрицы A вы-
браны для двух варианта: err _ A = 2% и err _ A = 5% , а для элементов
матрицы B соответственно err _ B = 1% и err _ B = 5% .
В результате были получены следующие значения математических
ожиданий и дисперсий собственных значений (30):
1. При первом варианте err _ A = 2% и без учета разбросов эле-
ментов матрицы B :
M [ λ 1 ] = −10,8882; M λ 2,3  = −1,2280 ± j1,1933; M [λ 4 ] = −5,2659;
σλ21 = 0,0086; σλ2 2,3 = 0,0002; σλ2 4 = 0,0023 .
2. При втором варианте err _ A = 5% и без учета разброса эле-
ментов матрицы B :
M [ λ 1 ] = −10,8882; M λ 2,3  = −1,2280 ± j1,1933; M [λ 4 ] = −5,2659;
σλ21 = 0,0536; σλ2 2,3 = 0 ,0012; σλ2 4 = 0,0145.
3. При первом варианте err _ A = 2% и с учетом разброса элемен-
тов матрицы B т. к. err _ B = 1% :
M [ λ 1 ] = −10,9097; M λ 2,3  = −1,2301 ± j1,1953; M [λ 4 ] = −5,2742;
1040
σλ21 = 0,0003; σλ2 2,3 = 0,0164; σλ2 4 = 0,4067 .
4. При втором варианте err _ A = 5% с учетом разброса элемен-
тов матрицы B т. к. err _ B = 5% :
M [ λ 1 ] = −11,2181; M λ 2,3  = −1,2678 ± j1,2319; M [ λ 4 ] = −5,4233;
σλ21 = 0,0049; σλ2 2,3 = 0,2963; σλ2 4 = 7,2298.
Таким образом, при больших разбросах величины математических
ожиданий собственных значений системы остаются неизмененными, а
дисперсии увеличиваются, следовательно, вероятностные оценки качества
функционирования системы при этом ухудшаются [1].
В то же время верхние границы величин собственных значений сис-
темы равны:
 −11,4290 
 −2,7921 + j 0,6460 
Lmax =  ,
 −2,7921 − j 0,6460 
 
 2,6432 
а их нижние границы, соответственно:
 −11,0071 
0,2526 + j1,8179 
Lmin =  .
0,2526 − j1,8179 
 
 −13,4898 
Наличие положительных вещественных частей у собственных значе-
ний подтверждает факт потери устойчивости исследуемой системы. Это
вполне логично, если на практике параметры системы имеют чрезмерно
большие пределы изменения.
1. Куриленко А. М., Ледовский А. Д. Качество судовых динамических сис-
тем управления.— Л.: Судостроение, 1994.— 176 с.
2. Лукомский Ю. А., Корчанов В. М. Управление морскими подвижными
объектами: Учебник.— СПб: Элмор, 1996.— 320 с.
3. Сушкова М. В. Приложения Жордановой нормальной формы матрицы //
Математика в ВУЗе. Интернет–журнал СПбГТУ.— 2003.
4. Фам Ки Ань. Числовой анализ.— Ханой: Издательство «Наука и техни-
ка», 1995.— 199 с.
5. Андреевский Б. Р., Фрадков А. Л. Элементы математического моделиро-
вания в программных средах MATLAB 5 и Scilab.— СПб.: Наука,
2001.— 286 с.
6. Евланов Л. Г., Константинов В. М. Системы со случайными парамет-
рами.— М.: Наука, 1976.— 568 с.
1041
7. Шароватов В. Т. Обеспечение стабильности показателей качества ав-
томатических систем.— Л.: Энергоатомиздат. Ленинградское отделе-
ние, 1987.— 176 с.
8. Алефельд Г., Херцбергер Ю. Введение в интервальные вычисления. Пер.
с англ.— М.: Мир, 1987.— 360 с.
9. Никифоров В. О., Ушаков А. В. Управления в условиях неопределенно-
сти: чувствительность, адаптация, робастность.— СПб ГИТМО (ТУ)
2002.— 232с.
10. Ледовский А. Д., Хохлова Е. В. О переходе от заданного равномерного
распределения случайных параметров элементов тренажерной системы
к усеченному нормальному закону распределения показателей качества
функционирования при ее эксплуатации // Сб. науч. тр. «Вооружение,
автоматика, правление». — Ковров: Ковровская гос. технологическая
академия 2001.— С.295–300.
Приложение 1: Текст MATLAB-программы вычисления граничных зна-

чений элементов матрицы A и математических ожиданий и диспер-
сий собственных чисел системы
%Данное Приложение написано Н.В.Ламом 04-03-04

clear all; clc;
% Матрица фундаментальная исходная
A=[0 1 0 0;
-14.2 -12.2 -0.291 -0.236;
17.5 0 0 -17.5;
-5.12 -0.162 0.433 -6.41];
err_A=0.02; % допуск 2%
%err_A=0.05;% допуск 5%
r=rank(A);
for i=1:r
for j=1:r
DA(i,j)=abs(A(i,j)*err_A);
Amax(i,j)=A(i,j)+DA(i,j);
Amin(i,j)=A(i,j)-DA(i,j);
end
end
B=[0 0; 1.01 2.86]; % Исходная матрица В со случайными элементами, равными:
[0 0; 0.386 0.965];
% err_B=0.01; % error=1%
err_B=0.05;% error=1% Система неустойчива
for i=1:r
for j=1:2
DB(i,j)=abs(B(i,j)*err_B);
Bmax(i,j)=B(i,j)+DB(i,j);
Bmin(i,j)=B(i,j)-DB(i,j);
end
end
B1=[3.1370 0; 0 0;0 3.1370;0 0]; % Дополнение матрицы В
B=[B B1];% Квадратная матрица В после дополнения
Bmax=[Bmax B1];% Матрица Bmax-верхняя граница
Bmin=[Bmin B1];% Матрица Bmin-низняя граница
% Процедура нахождения обратной матрицы inv(B)
1042
%1-Определение детерминанта (определителя) матрицы B
b11=[Bmin(1,1) Bmax(1,1)];b12=[Bmin(1,2) Bmax(1,2)];b13=[Bmin(1,3) Bmax(1,3)];b14=[Bmin(1,4)

Bmax(1,4)];
Bmax(2,4)];
Bmax(3,4)];
Bmax(4,4)];
c1=ia(ia(ia(b33,b44,'*'),b22,'*'),b11,'*'); % результат=0
c2=ia(ia(ia(b43,b34,'*'),b22,'*'),b11,'*');% результат=0
c11=ia(ia(ia(b34,b13,'*'),b42,'*'),b21,'*');% =c11
c21=ia(ia(ia(b34,b13,'*'),b22,'*'),b41,'*');% = c21
detB=ia(c21,c11,'-');
%2- Нахождение элементов обратной матрицы

%C(1,1)=(b22*b33*b44-b22*b34*b43-b32*b23*b44+b32*b24*b43+b42*b23*b34-b42*b24*b33);
cd1=ia3(b22,b33,b44);cd2=ia3(b22,b34,b43);cd3=ia3(b32,b23,b44);cd4=ia3(b32,b24,b43);cd5=ia3(b42,b23
,b34);cd6=ia3(b42,b24,b33);%=0
%C(2,1)=-(b21*b33*b44-b21*b34*b43-b31*b23*b44+b31*b24*b43+b41*b23*b34-b41*b24*b33);
ce1=ia3(b21,b33,b44);ce2=ia3(b21,b34,b43);ce3=ia3(b31,b23,b44);ce4=ia3(b31,b24,b43);ce5=ia3(b41,b23,b
34);ce6=ia3(b41,b24,b33);%=0
cf1=ia3(b21,b32,b44);cf2=ia3(b21,b34,b42);cf3=ia3(b31,b22,b44);cf4=ia3(b31,b24,b42);cf5=ia3(b41,b22,b3
4);cf6=ia3(b41,b24,b32);
C31=ia(cf5,cf2,'-');% Только эти элементы отличны от нуля
BB31=ia(C31,detB,'/');
cg1=ia3(b21,b32,b43);cg2=ia3(b21,b33,b42);cg3=ia3(b31,b22,b43);cg4=ia3(b31,b23,b42);cg5=ia3(b41,b22,
b33);cg6=ia3(b41,b23,b32);%=0
ci1=ia3(b12,b33,b44);ci2=ia3(b12,b34,b43);ci3=ia3(b32,b13,b44);ci4=ia3(b32,b14,b43);ci5=ia3(b42,b13,b3
4);ci6=ia3(b42,b14,b33);
C12=sort(-ci5);
ck1=ia3(b11,b33,b44);ck2=ia3(b11,b34,b43);ck3=ia3(b31,b13,b44);ck4=ia3(b31,b14,b43);ck5=ia3(b41,b13
,b34);ck6=ia3(b41,b14,b33);
C22=ck5;
1043
cl1=ia3(b11,b32,b44);cl2=ia3(b11,b34,b42);cl3=ia3(b31,b12,b44);cl4=ia3(b31,b14,b42);cl5=ia3(b41,b12,b3
4);cl6=ia3(b41,b14,b32);%=0
cm1=ia3(b11,b32,b43);cm2=ia3(b11,b33,b42);cm3=ia3(b31,b12,b43);cm4=ia3(b31,b13,b42);cm5=ia3(b41,
b12,b33);cm6=ia3(b41,b13,b32);%=0
cn1=ia3(b12,b23,b44);cn2=ia3(b12,b24,b43);cn3=ia3(b22,b13,b44);cn4=ia3(b22,b14,b43);cn5=ia3(b42,b13
,b24);cn6=ia3(b42,b14,b23);%=0
co1=ia3(b11,b23,b44);co2=ia3(b11,b24,b43);co3=ia3(b21,b13,b44);co4=ia3(b21,b14,b43);co5=ia3(b41,b13,
b24);co6=ia3(b41,b14,b23);%=0
cp1=ia3(b11,b22,b44);cp2=ia3(b11,b24,b42);cp3=ia3(b21,b12,b44);cp4=ia3(b21,b14,b42);cp5=ia3(b41,b12
,b24);cp6=ia3(b41,b14,b22);%=0
cq1=ia3(b11,b22,b43);cq2=ia3(b11,b23,b42);cq3=ia3(b21,b12,b43);cq4=ia3(b21,b13,b42);cq5=ia3(b41,b12
,b23);cq6=ia3(b41,b13,b22);
C43=ia(cq4,cq6,'-');
C43=sort(-C43);
cr1=ia3(b12,b23,b34);cr2=ia3(b12,b24,b33);cr3=ia3(b22,b13,b34);cr4=ia3(b22,b14,b33);cr5=ia3(b32,b13,b
24);cr6=ia3(b32,b14,b23);
C14=cr3;
cs1=ia3(b11,b23,b34);cs2=ia3(b11,b24,b33);cs3=ia3(b21,b13,b34);cs4=ia3(b21,b14,b33);cs5=ia3(b31,b13,b
24);cs6=ia3(b31,b14,b23);
C24=sort(-cs3);
ct1=ia3(b11,b22,b34);ct2=ia3(b11,b24,b32);ct3=ia3(b21,b12,b34);ct4=ia3(b21,b14,b32);ct5=ia3(b31,b12,b2
4);ct6=ia3(b31,b14,b22);%=0
cu1=ia3(b11,b22,b33);cu2=ia3(b11,b23,b32);cu3=ia3(b21,b12,b33);cu4=ia3(b21,b13,b32);cu5=ia3(b31,b12
,b23);cu6=ia3(b31,b13,b22);%=0
% Нижняя и Верхняя границы обратной матрицы ВВ
BBmin=[0 BB12(1) 0 BB14(1);

0 BB22(1) 0 BB24(1);
BB31(1) 0 0 0 ;
0 0 BB43(1) 0;];
BBmax=[0 BB12(2) 0 BB14(2);
0 BB22(2) 0 BB24(2);
BB31(2) 0 0 0 ;
0 0 BB43(2) 0;];
% Нахождение интервальной матрицы [Anew]=[inv(B)]*[A]*[B]

% Результат - Нижняя и Верхняя граница новой фундаментальной матрицы
% Anewmin, Anewmax
[TGmin, TGmax]=matprod (BBmin, BBmax, Amin, Amax, '*');

[Anewmin, Anewmax]=matprod (TGmin, TGmax, Bmin, Bmax, '*');
% Имеем A=H*L*inv (H). Предполагаем [A]=H*[L]*inv (H)

% [L] при учете стохастичности элементов матрицы B и без такого учета
% 1 - Без учета
1044
[H, L]=eig (A);
Lmax = diag (inv (H)*Amax*H);
%L=diag (L);
Lmin =diag (inv (H)*Amin*H);
ML=(Lmax + Lmin)/2; % Математические ожидания без учета В
for i=1:4
RdeltaL (i)=(real (Lmax (i))-real (Lmin (i)))^2./36;
IdeltaL (i)=(imag (Lmax (i))-imag (Lmin (i)))^2./36;
DeltaL (i)= RdeltaL (i)+IdeltaL (i);
end
DeltaL ;% Дисперсии без учета В
% 2- при учете
Anew_tb=(Anewmax + Anewmin)/2;
[Hnew, Lnew]=eig (Anew_tb);
Lbmax =diag (inv (Hnew)*Anewmax*Hnew)
Lbmin =diag (inv (Hnew)*Anewmin*Hnew)
Mlnew = (Lbmax + LBmin)/2 % Математические ожидания c учетом В
for i=1:4
RDeltaL(i)=(real(LBmax(i))-real(LBmin(i)))^2./36;
IDeltaL(i)=(imag(LBmax(i))-imag(LBmin(i)))^2./36;
DeltaLB (i)= RDeltaL(i)+IDeltaL(i);
end
DeltaLB% Дисперсии с учетом В.
function c = ia(a, b, z)
if (a(2) >= a(1))&(b(2) >= b(1))
if z=='+'
c(1)=min([a(1)+b(1) a(1)+b(2) a(2)+b(1) a(2)+b(2)]);
c(2)=max([a(1)+b(1) a(1)+b(2) a(2)+b(1) a(2)+b(2)]);
end
if z=='-'
c(1)=min([a(1)-b(1) a(1)-b(2) a(2)-b(1) a(2)-b(2)]);
c(2)=max([a(1)-b(1) a(1)-b(2) a(2)-b(1) a(2)-b(2)]);
end
if z=='*'
c(1)=min([a(1)*b(1) a(1)*b(2) a(2)*b(1) a(2)*b(2)]);
c(2)=max([a(1)*b(1) a(1)*b(2) a(2)*b(1) a(2)*b(2)]);
end
if z=='/'
c(1)=min([a(1)/b(1) a(1)/b(2) a(2)/b(1) a(2)/b(2)]);
c(2)=max([a(1)/b(1) a(1)/b(2) a(2)/b(1) a(2)/b(2)]);
end
end
c = [c(1) c(2)];
function c = ia3(a, b, d)
t(1)=min([a(1)*b(1) a(1)*b(2) a(2)*b(1) a(2)*b(2)]);
t(2)=max([a(1)*b(1) a(1)*b(2) a(2)*b(1) a(2)*b(2)]);
c(1)=min([t(1)*d(1) t(1)*d(2) t(2)*d(1) t(2)*d(2)]);
c(2)=max([t(1)*d(1) t(1)*d(2) t(2)*d(1) t(2)*d(2)]);
c = [c(1) c(2)];
function [Cmin, Cmax] = matprod(Amin, Amax, Bmin, Bmax, z)

r =max(rank(Amin), rank(Bmin));
if z=='+'
for i=1:r
for j=1:r
A=[Amin(i,j) Amax(i,j)];
B=[Bmin(i,j) Bmax(i,j)];
1045
[Cmin(i,j), Cmax(i,j)]=isym(A, B, '+');
end
end
end
if z=='-'
for i=1:r
for j=1:r
A=[Amin(i,j) Amax(i,j)];
B=[Bmin(i,j) Bmax(i,j)];
[Cmin(i,j), Cmax(i,j)]=isym(A,B,'-');
end
end
end
if z=='*'
for i=1:r
for j=1:r
C=[0 0];
for k=1:r
A=[Amin (i, k) Amax (i, k)];
B=[Bmin (k, j) Bmax (k, j)];
[Tmin, Tmax]=isym (A,B,'*');
T=[Tmin Tmax];
[Cmin(i,j),Cmax(i,j)]=isym(C,T,'+');
C=[Cmin(i,j),Cmax(i,j)];
end
end
end
end
function [cmin, cmax] = isym(a, b, z)

error (nargchk (3, 3, nargin));
if (a(2) >= a(1))&(b(2) >= b(1))
if z=='+'
c(1)=min([a(1)+b(1) a(1)+b(2) a(2)+b(1) a(2)+b(2)]);
c(2)=max([a(1)+b(1) a(1)+b(2) a(2)+b(1) a(2)+b(2)]);
end
if z=='-'
c(1)=min([a(1)-b(1) a(1)-b(2) a(2)-b(1) a(2)-b(2)]);
c(2)=max([a(1)-b(1) a(1)-b(2) a(2)-b(1) a(2)-b(2)]);
end
if z=='*'
c(1)=min([a(1)*b(1) a(1)*b(2) a(2)*b(1) a(2)*b(2)]);
c(2)=max([a(1)*b(1) a(1)*b(2) a(2)*b(1) a(2)*b(2)]);
end
if z=='/'
c(1)=min([a(1)/b(1) a(1)/b(2) a(2)/b(1) a(2)/b(2)]);
c(2)=max([a(1)/b(1) a(1)/b(2) a(2)/b(1) a(2)/b(2)]);
end
end
cmin = c (1);
cmax = c (2);
syms b11 b12 b13 b14 b21 b22 b23 b24 b31 b32 b33 b34 b41 b42 b43 b44;
B=[b11 b12 b13 b14;b21 b22 b23 b24;b31 b32 b33 b34; b41 b42 b43 b44];
Det (B);
C=inv (B);
1046
Приложение 2
В разделе / Приложения диска с трудами конференции представлены
следующие программы:
Conf2004.m — MATLAB-программа вычисления граничных значе-
ний элементов матрицы A и математических ожиданий и дисперсий собст-
венных чисел системы;
ia.m — вычисление интервальных матриц;
ia3.m — интервальная матрица A третьего ранга;
iinv.m — инверсия матрицы 4-го ранга;
isym.m — вычисление суммарной интервальной матрицы;
matprod.m — вычисление граничных значений матрицы A.
1047
УДК 62-50
АДАПТИВНОЕ УПРАВЛЕНИЕ НЕЛИНЕЙНЫМ

ОБЪЕКТОМ С ВХОДНЫМ ЗАПАЗДЫВАНИЕМ
Миркин Е. Л.
Международный университет Кыргызстана, Бишкек, Киргизия,
e-mail: eugene@iuk.kg
В последнее время интерес большинства исследователей концентри-

руется вокруг проблем, связанных с управлением системами с запаздыва-
нием в управлении, так как эффекты временного запаздывания оказывают
существенное влияние на устойчивость и качество процессов управления.
Об этом свидетельствует большой спектр работ, посвященных данной
проблематике. Однако только незначительная часть из них касается про-
блемы управления такими системами в условиях неопределенности, на-
пример [7–9]. Поскольку проблема управления такими системами сама по
себе является сложной и требует для своего решения явный или неявный
прогноз выхода системы на время запаздывания в канале управления, то
наличие неопределенности в модели системы ведет за собой еще большее
усложнение алгоритмов работы управляющих устройств, которые в неко-
торых случаях становятся громоздкими и непригодными для технической
реализации.
В данной работе новая схема управления с модельным упреждени-
ем [1–6] распространяется на класс нелинейных систем с запаздыванием в
управлении. При этом для разрешения проблемы неопределенности, пред-
лагается использовать схему прямой адаптации и вспомогательную дина-
мическую систему для реализации эффекта неявного упреждения.
Рассматривается объект управления, динамика которого описывается

нелинейным дифференциальным уравнением с запаздыванием в управле-
нии вида
x (t ) = Ax (t ) + Df [ x (t )] + Bu(t − τ ),
(1)
x ( t0 ) = x0 ,
где x ∈ ℜn — вектор состояния, u ∈ ℜm — управляющее воздействие,
f [ x ] ∈ ℜk — известная нелинейная функция, A ∈ ℜnxn , D ∈ ℜnxk , B ∈ ℜnxm —
неизвестные постоянные матрицы, τ > 0 — детерминированное запазды-
вание в канале управления.
Ставится задача нахождения такого закона управления u(t ) , который
обеспечивал бы выполнение следующей целевой функции:
1048
lim e(t ) = lim[ x (t ) − xm (t )] = 0, (2)
t →∞ t →∞
где xm ∈ ℜn — выход детерминированной устойчивой эталонной модели

вида
xm (t ) = Am xm (t ) + Bm um (t − τ ),
(3)
xm ( t0 ) = xm 0 ,
где xm ∈ ℜn —вектор состояния модели, um ∈ ℜm — задающее воздейст-
вие, Am ∈ ℜnxn , Bm ∈ ℜnxm — известные постоянные матрицы.
Положим для простоты изложения, что B = Bm и класс объектов (1)
ограничим следующими предположениями:
Предположение 1. Выполнены традиционные условия согласования
объекта (1) и модели (3):
A = Am + Bm ∆A,
(4)
D = Bm ∆D,
где Am ∈ ℜnxn , Bm ∈ ℜnxm — неизвестные постоянные матрицы.
Предположение 2. Объект управления (1) в случае u ≡ 0 абсолютно устой-
чив, а также абсолютно устойчива система вида:
e(t ) = Ae(t ) + Dφ [e(t ), t ],
(5)
e( t 0 ) = x 0 − x m 0 ,
где φ [e(t ), t ] = f [e(t ) + xm (t )] − f [ xm (t )] .
Замечание. Поскольку φ [0, t ] = 0 условия абсолютной устойчивости
системы (5) могут, например, заключаться в гурвицевости матрицы A и
попадании годографа линейной части системы в разрешенную область
(круговой критерий абсолютной устойчивости [11]).
Отметим хорошо известный факт, что если управление объектом (1)
ведется по принципу обратной связи, то для компенсации эффекта времен-
ного запаздывания в канале управления, необходимо получать точную уп-
реждающую оценку x(t + τ | t ) вектора x (t + τ )
x(t + τ | t ) = x(t + τ )
на ее основе формировать управление u (t ) как функцию x(t + τ | t ) .
Однако в нашем случае параметрической неопределенности (4), по-
лучить упреждающую оценку x(t + τ | t ) оказывается невозможным без
знания матриц A и D . Поэтому для синтеза системы управления в этих
условиях, будем использовать схему прямой адаптации с модельным уп-
реждением [1], где за счет введения вспомогательной динамической сис-
темы, сконструированной специальным образом, решается проблема неяв-
ного прогноза выхода объекта.
1049
Адаптивное управление с вспомогательной моделью
Структуру регулятора зададим уравнением

u (t ) = um (t ) + c(t ) x(t + τ | t ) + γ (t ) f [ x m (t + τ | t )], (6)
где c(t ) ∈ ℜ , γ (t ) ∈ ℜ — матрицы настраиваемых коэффициентов;
mxn mxk
x m (t + τ | t ) — упреждающая оценка вектора xm (t ) детерминированной

эталонной модели (3).
Модель упредителя, обеспечивающего выполнение условия
x m (t + τ | t ) = xm (t + τ )
определим, в соответствии с [10], следующей динамической системой
z (t ) = Am z (t ) + Bm um (t ),
(7)
z ( t0 ) = x m 0 .
x m (t + τ | t ) = z (t ) + e Amτ [ xm (t ) − z (t − τ )], (8)
где z ∈ ℜn — внутренний вектор состояния, x m (t + τ | t ) — вектор выхода
упредителя.
Зададим вспомогательную модель линейным дифференциальным
уравнением вида
xa (t ) = Am xa (t ) + Bm {c(t ) x (t ) − c(t − τ ) xm (t ) +
+ γ (t ) f [ x (t )] − γ (t − τ ) f [ xm (t )]}, (9)
x a ( t 0 ) = 0.
Сформируем новую ошибку ea (t ) , которую определим соотношением
ea (t ) = e(t ) + xa (t ) = x (t ) − xm (t ) + xa (t ) (10)
Очевидно, что требования к регулятору вида (2), теперь будут определять-
ся выражениями:
lim ea (t ) = 0, (11)
t →∞
lim xa (t ) = 0. (12)
t →∞
Уравнение возмущенного движения для ошибки ea (t ) в соответствии с
уравнениями (1,3,6,9) определится соотношением
ea (t ) = Am ea (t ) + Bm {[c(t ) + ∆A] x (t ) + [γ (t ) + ∆D ] f [ x (t )]},
(13)
ea (t0 ) = ea 0 .
Докажем следующую теорему:
Теорема. Если закон управления определить соотношением (6), за-
коны адаптации уравнениями
c(t ) = − H c BmT Pea (t ) x T (t ),
(14)
γ (t ) = − H γ BmT Pea (t ) f T [ x (t )],
где H c = H cT > 0, H γ = H γT > 0 — произвольные постоянные положительно
1050
определенные матрицы соответствующих размеров; P = P T > 0 — посто-
янная положительно определенная матрица, определяемая из следующего
уравнения Ляпунова
AmT P + PAm + Q = 0 (15)
где Q = Q > 0 — произвольная постоянная положительно определенная
T
матрица; тогда при допущении, что:

1) выполнено предположение 2,
2) входной сигнал um (t ) обладает богатым спектром (присутствует
≥ n гармоник),
2
все сигналы в системе ограничены, и ошибка слежения e(t ) стремится к
нулю при t → ∞ .
Доказательство. Рассмотрим положительно-определенную функ-
цию V как функцию Ляпунова
V = eaT Pea + tr{[c(t ) + ∆A]T H c−1[c(t ) + ∆A]} +
(16)
+ tr{[γ (t ) + ∆D ]T H γ−1[γ (t ) + ∆D ]},
где tr{⋅} — операция взятия следа матрицы.
Полная производная функции V по времени, вычисленная по отно-
шению к (13), с учетом (15) запишется следующим образом:
V = − eaT Qea + 2eaT PBm [c(t ) + ∆A] x (t ) +
+ 2tr{[c(t ) + ∆A]T H c−1c(t )} + 2eaT PBm [γ (t ) + ∆D ] f [ x (t )] + (17)
+ 2tr{[γ (t ) + ∆D ]T H γ−1γ (t )}.
Таким образом, если законы адаптации определить в виде (14), то выраже-
ние (17) можно записать как
V = − eaT Qea ≤ 0. (18)
Это означает, что сигналы ea (t ), c(t ), γ (t ) ограничены (то есть
ea (t ), c(t ), γ (t ) ∈ L∞ ). Покажем теперь ограниченность e(t ) и как следствие
ограниченность xa (t ) .
Запишем с учетом (1,3,6) уравнение для ошибки e(t ) = x (t ) − xm (t )
e(t ) = Ae(t ) + Dφ [e(t ), t ] +
(19)
+ Bm [c(t − τ ) + ∆A] xm (t ) + Bm [γ (t − τ ) + ∆D ] f [ xm (t )].
Что означает, так как сигналы c(t ), γ (t ), um , xm ограниченны, а матрица
A — гурвицева, ограниченность e(t ) и e(t ) , то есть e(t ), e(t ) ∈ L∞ . Из этого
следует (т. к. e = x − xm ), что x ∈ L∞ и в соответствии с (13) ea (t ) ∈ L∞ .
Учитывая, что V ≥ 0,V ≤ 0 и ea (t ) ∈ L∞ можно записать:
1) ошибка ea ∈ L2 ∩ L∞ , ⇒ ea → 0 при t → ∞ и c, c, γ , γ ∈ L∞ ,
2) c, γ ∈ L2 ∩ L∞ , ⇒ c, γ → 0 при t → ∞ ,
1051
что означает, в соответствии со стандартными положениями теории Ляпу-
нова, выполнение следующих условий:
lim ea (t ) = 0,
t →∞
lim c(t ) = c * = const , (20)

t →∞
lim γ (t ) = γ * = const.
t →∞
Учитывая тот факт, что сигнал um (t ) обладает богатым спектром, т. е. в
замкнутой системе присутствует как минимум ≥ n гармоник, алгоритмы
2
адаптации (14) становятся идентифицирующими:
lim c(t ) = c * = − ∆A,
t →∞
(21)
lim γ (t ) = γ * = − ∆D.
t →∞
Заметим, что для доказательства выполнения основной цели (2) функцио-
нирования системы, необходимо показать выполнение условия (12).
В соответствии с (11,21) для достаточно большого t динамика вспо-
могательной модели (9) будет описываться следующим уравнением
xa (t ) = Axa (t ). (22)
В силу гурвицевости матрицы A , будет выполнено условие (12), что озна-
чает выполнение исходной цели функционирования (2) и доказывает тео-
рему.
Таким образом, использование схемы прямой адаптации совместно с
вспомогательной динамической моделью, за счет реализации эффекта не-
явного упреждения, позволило преодолеть трудности вызванные наличием
временного запаздывания в канале управления и выполнить основную
цель управления (2).
Пример численного моделирования
Для иллюстрации эффективности предложенной схемы адаптивного

управления с модельным упреждением, рассмотрим случай управления ус-
тойчивым объектом (1) с эталонной моделью (3). Время запаздывания в
канале управления τ = 5 секунд.
При моделировании были выбраны следующие параметры объекта и
модели (n = 2, m = 1):
0 1  0 1  0  0
A=  , A =
 m  − 1 − 2 , B = B m = 1 , D == 2.
 − 5 − 10      
Нелинейная функция в математическом описании объекта имеет вид
f [ x (t )] = x1 sin 2 ( 2 x1 )
В соответствии с методикой, изложенной в предыдущем разделе парамет-
ры регулятора (6,14,15) были заданы в виде:
1052
10 0  15 5
Q=  ,P =   , H c = H γ = 1.
 0 − 10  5 5
Моделирование проводилось в системе MATLAB (использовался па-
кет Simulink), результаты моделирования адаптивной системы представле-
ны на рис. 1, a–d.
Рис. 1 Переходные процессы в адаптивной системе.
На рис. 1, a приведены кривые x (t ) и xm (t ) , показывающие динами-

ку адаптивного слежения неопределенного объекта за детерминированной
эталонной моделью. Как видно из рисунка процесс сходится за время
t ≈ 100 секунд.
Изменение во времени управления u(t ) , и задания на эталонную мо-
дель um (t ) иллюстрирует рис. 1, b.
На рис. 1, c представлена динамика изменения вспомогательного
сигнала xa (t ) . Динамику настройки коэффициентов c(t ), γ (t ) иллюстриру-
ет рис. 1, d.
1053
Предложенная в данной статье структура адаптивного управления с

модельным упреждением для объектов с входным запаздыванием, являет-
ся одним из возможных приемов борьбы с эффектом временного запазды-
вания в канале управления. Использование для управления сигналов упре-
ждения выхода детерминированной эталонной модели x m (t + τ | t ) и выхо-
да специально введенной вспомогательной динамической системы xa (t ) ,
позволило избежать трудностей, связанных с прогнозированием выхода
параметрически неопределенного объекта управления. Требование нали-
чия в замкнутом контуре сигнала с богатым спектром (то есть идентифи-
цируемость параметра настройки), объясняется присутствием в структуре
управляющего устройства неявного прогноза выхода объекта управления,
без которого эффективно управлять им по принципу обратной связи не
представляется возможным.
1. Миркин Е. Л. Новая схема прямого адаптивного управления с модель-
ным упреждением для систем с запаздыванием в управлении // Сб. тру-
дов 6-го Санкт-Петербургского симпозиума по теории адаптивных сис-
тем.— СПб., 1999.— С.111–114.
2. Миркин Е. Л. Синтез адаптивного регулятора для систем с запаздывани-
ем в управлении // Вестник Международного Университета Кыргызстан
(Бишкек).— 1999.— №1(5).— С.19–23.
3. Миркин Е. Л. Адаптивное управление с идентификатором объектом
один вход один выход с запаздыванием в управлении // Сб. тр. между-
народной конф. «Идентификация систем и задачи управления»
(SICPRO'00).— М.: ИПУ РАН, 2000.— С.91–106.
4. Миркин Е. Л., Новая схема адаптивного управления неустойчивыми
объектами с входным запаздыванием // Сб. тр. международной конф.
«Идентификация систем и задачи управления» (SICPRO'03).— М.: ИПУ
РАН, 2003.— С.2512–2524.
5. Mirkin E. L. Combination of sliding mode and reference model prediction
methods for adaptive control of input-delay systems. // Proc. of the 7th Inter-
national Workshop on Variable Structure Systems. — Sarajevo, 17–19 July
2002.— P.153–162.
6. Миркин Е. Л. Адаптивное управление с модельным упреждением для
объектов, имеющих один вход один выход с запаздыванием в управле-
нии. // Вестник Международного Университета Кыргызстан (Биш-
кек).— 2000.— №1(9).— С.1–13.
7. Ortega R., Lozano R., Globally stable adaptive controller for systems with
delay // Int. J. Control.— 1988.— V.47.— N.1.— P.17–23.
1054
8. Hasanul Basher A. M., Mukundan R., Model reference control of uncertain
systems with time delays in plant state and control // Int. J. Syst. Sci.—
1987.— V.18.— P.1609–1626.
9. Cheres E., Palmor Z., Gutman S., Min-Max Predictor control for uncertain
systems with input delays // IEEE Trans. Automat. Contr.— 1990.— V.35.—
P.210–214.
10. Миркин Е. Л. Синтез прогнозирующего устройства для объектов ней-
трального типа с запаздыванием // Системы управления и обработки
информации для подвижных объектов.— Фрунзе: ФПИ, 1988.— C.84–
88.
11. Попов Е. П., Прикладная теория процессов управления в нелинейных
системах.— М.: Наука, 1973.
1055
УДК 519.6
КОНТУРНОЕ ПРЕДСТАВЛЕНИЕ ЛИНЕЙНЫХ СИСТЕМ

УПРАВЛЕНИЯ
Мироновский Л. А.
Университет аэрокосмического приборостроения, Санкт-Петербург,
e-mail: mir@aanet.ru
При исследовании систем управления важную роль играют канони-

ческие представления, обладающие различными свойствами. В данной ра-
боте вводится новое каноническое представление, полезное при исследо-
вании нулевых режимов систем управления. Это так называемое контур-
ное представление и связанная с ним контурная каноническая форма. В
них в явном виде выделяется подсистема, полюсы которой совпадают с
нулями исходной системы.
Рассмотрим скалярную линейную систему, заданную передаточной
функцией
an =1, bm =k≠ 0, m<n. (1)
Величина l = n–m>0, равная разности порядков числителя и знамена-
теля передаточной функции, называется относительным порядком системы
и характеризует ее инерционность. Наряду с описанием (1) будем исполь-
зовать описание в пространстве состояний
X = AX + b u , y = cX , (2)
где u и y — входной и выходной сигнал системы, Х — вектор состояния.
В рамках этого описания относительный порядок системы может
быть найден как номер первого ненулевого марковского параметра в по-
следовательности h0 = cb, h1 = cAb, h2 = cA 2 b, …. Числа m, n, l несут важную
информацию о структуре и особенностях системы — числе ее нулей, по-
люсов, времени запаздывания. Следующей леммой вводится полезная де-
композиция системы на две подсистемы порядков l и m.
Лемма (о контурном представлении передаточной функции).
Любую систему с передаточной функцией (1) можно единственным обра-
зом представить в виде встречно-параллельного соединения двух подсис-
тем с передаточными функциями (рис. 1)
1 B0 ( p )
Q0 ( p ) = , Q1 ( p) = ,
A0 ( p ) B( p )
(2)
где порядок полинома А0(р) равен относительному порядку системы l, по-
рядок полинома В(р) равен m, а порядок полинома В0(р) меньше m, так что
дробь Q1(p) — правильная.
1056
u y
Q0(p)
-1
Q1(p)
Рис. 1.
Указанное представление получается в результате выполнения

первого шага разложения Q(p) в цепную дробь по алгоритму Евклида. Оно
явно выделяет часть системы, отвечающую за запаздывание ее выходного
сигнала относительно входного. Характерная черта такого представле-
ния — наличие в сигнальном графе системы только одного прямого пути
от входа до выхода, причем этот путь проходит через l интеграторов.
В пространстве состояний контурному представлению (2) соответст-
вует контурная каноническая форма. В отличие от других канонических
~
форм — модальных, сопровождающих, цепных — матрица A контурного
представления содержит в себе информацию обо всех трех матрицах A, b, c
исходной системы, а не только о матрице А. Таким образом, в первую оче-
~
редь она характеризуется предельно простым видом матриц b , c~ , которые
содержат только по одному ненулевому элементу, и уже затем регулярной
~
структурой матрицы A , содержащей n + m + 1 варьируемых параметров
(все они расположены в двух столбцах).
Для получения контурного представления надо записать обратную
1 A( p)
передаточную функцию = , выделить в ней целую часть — поли-
Q( p) B( p)
ном А0(р) и остаток — полином В0(р). Это можно сделать всегда, и притом
единственным образом. В пакете MATLAB для этого удобно использовать
функцию deconv.
Более сложной является процедура получения контурного представ-
ления для систем, заданных описанием в пространстве состояний (2). Оче-
видный, но несколько громоздкий алгоритм состоит в следующем.
Алгоритм 1.
Шаг 1. Используя формулу Q(p) = c(pE–A)–1b или любой другой спо-
соб, вычислить передаточную функцию системы;
Шаг 2. Для найденной передаточной функции Q(p) = B(p)/A(p), найти
полиномы А0(р) и В0(р) ее контурного представления;
Шаг 3. Выполнить обратный переход от описания с помощью пере-
даточных функций к описанию в пространстве состояний.
Реализация алгоритма 1 на языке MATLAB имеет вид:
sys=ss(a,b,c,0);
1057
stf=tf(sys);
[N,D] = TFDATA(stf,'v');
k0=min(find(abs(N)>1e-9));
N0=N(k0:end);
[A0,B0]=deconv(D,N0);
k1=min(find(abs(B0)>1e-9));
B1=B0(k1:end);
Q0=tf(1,A0);
Q1=tf(B1,N);
A11=fliplr(rot90(compan(A0)));
A22=fliplr(rot90(compan(N0)));
A12=zeros(length(A11),length(A22));
A12(1,end)=-1;
A21=zeros(length(A22),length(A11));
A21(:,end)=rot90(B1);
a1=[A11 A12; A21 A22];
b1=zeros(length(a1),1);
b1(1)=N0(1);
c1=zeros(1,length(a1));
c1(length(A11))=1;
sys1=ss(a1,b1,c1,0); %Feedback Canonical Form
T=ctrb(sys)*(ctrb(sys1))^-1; % state transformation matrix T
Недостаток приведенного алгоритма состоит в трудности пересчета
начальных условий контурного представления в начальные условия ис-
ходной системы и обратно.
Поставим задачу отыскания алгоритма перехода от исходного опи-
сания системы (2) к ее описанию в пространстве состояний. Для этого
сформулируем требования к матричному описанию контурного представ-
ления. Обозначим матрицы подсистемы Q0 через A0, b0, c0, а матрицы под-
системы Q1 — через A1, b1, c1. Из леммы и схемы рис.1 вытекает, что c0 =
ek, b0 = e1Т= [1 0 … 0]T, где ei — i-й единичный орт. Кроме того, дифферен-
циальное уравнение для подсистемы Q0 не должно содержать производных
в правой части, т. е. первые l–1 марковских параметров этой подсистемы
должны быть равны нулю
h0 = cb = 0, h1 = cAb = 0, …, hl − 2 = cAl − 2b = 0. (3)
Тогда выходной сигнал y(t) и его производные можно принять за пе-
ременные состояния подсистемы Q0.
Обозначим через Z1 = [ y, y , , y ( l −1) ]T вектор состояния подсистемы
Q0, через Z2 — вектор состояния подсистемы Q1 с выходом v, а через
Z 
Z =  1  – вектор состояния контурного представления системы. Матричное
Z 2 
описание схемы с обратной связью, представленной на рис. 1, имеет вид:
Z1 = A11 Z1 + b0 u − b1v, y = c0 Z1;
Z 2 = A22 Z 2 + b1 y, v = c1 Z 2 .
Его можно переписать в форме

1058
~ ~
Z = A Z + b u, y = c~Z , (4)
~ ~
где матрицы A, b , c~ имеют блочную структуру.
~
Матрицы b , c~ имеют ровно по одному ненулевому элементу, а вне-
~
диагональные клетки матрицы A содержат одну ненулевую строку и один
ненулевой столбец. Клетки А11 и А22 имеют размеры lxl и (m-l)x(m-l) соот-
ветственно, а размеры внедиагональных клеток lx(m-l) и (m-k)xl, где l —
это относительный порядок передаточной функции системы.
~ ~
Указанная структура матриц A, b , c~ следует из равенств (3) для мар-
ковских параметров. Внутренняя структура матриц А0 и А1 в контурном
представлении принципиальной роли не играет и может быть взята, на-
пример, сопровождающей.
Системы (2) и (4) подобны, поэтому их матрицы должны быть связа-
ны преобразованием вида
~ ~
A = T −1 AT , b = T −1b, c~ = cT , X (0) = TZ (0), (6)
где Т — невырожденная матрица замены переменных X=TZ. Поэтому про-
блема преобразования исходной системы, заданной своим описанием в
пространстве состояний (2), к контурному представлению, сводится к оты-
сканию матрицы Т.
Один из способов отыскания матрицы Т опирается на процедуру,
описанную выше. Он состоит в том, чтобы сначала по исходному описа-
нию системы (2) найти ее передаточную функцию
Q( p ) = c( pE − A) b = B( p) / A( p ), далее, выполнив один шаг алгоритма Евкли-
−1
да, перейти к контурному представлению передаточной функции. Затем,

выписав для него матрицы A0, b0, c0, A1, b1, c1, сформировать по ним матри-
~ ~
цы A, b , c~ , после чего решить стандартную задачу отыскания матрицы за-
мены переменных Т, связывающей две известные эквивалентные реализа-
~ ~ ~
ции (A, b, c) и ( A, b , c~ ). Один из вариантов решения дает формула T = RR −1 ,
~
где R и R — матрицы управляемости систем (3) и (4).
Ясно, что это достаточно громоздкий способ, поэтому желательно
найти более простой алгоритм, не требующий перехода от описания в про-
странстве состояний к передаточным функциям.
Используем имеющуюся свободу в задании матрицы Т для приведе-
~
ния диагональных клеток матрицы A к фробениусовой форме вида
× 1 0 0 0
× 0 1 0 0 

 ,
 
× 0 0 0 1
 × 0 0 0 0 
где крестиками обозначены варьируемые элементы матрицы (коэффициен-
ты ее характеристического полинома с обратным знаком).
В этом случае матрицы (6) примут вид:
1059
 − α b −1 1 0 0 0 0 0 0 0 0 0
− α 0 1 0 0 0 0 0 0 0  0
 b−2  
   
   
 − α1 0 0 0 1 0 0 0 0 0 0
~  − α0 0 0 0 0 1 0 0 0 0 ~ l 
A = , b =  ,
 β m −1 0 0 0 0 − bm −1 1 0 0 0 0 (7)
β 0 0 0 0 − bm − 2 0 1 0 0 0
 m−2   
   
 β 0 0 0 0 − b1 0 0 0 1 0
 1   
 β 0 0 0 0 0 − b0 0 0 0 0   0 
c~ = [ 1 0 0 0 0 0 0 0 0 0 ].
Такому описанию отвечает структурная реализация контурного
представления, при которой подсистемы Q0 и Q1 реализованы в идентифи-
кационной канонической форме, а знак отрицательной обратной связи уч-
тен в коэффициентах β 0 , ..., β m −1.
~ ~
Число варьируемых параметров в матрицах A, b , c~ равно n+m+1,
т. е. совпадает с числом коэффициентов передаточной функции (1). Отсю-
да вытекает, что контурное представление с матрицами (7) единственно,
поэтому оно является канонической формой.
Матрицы контурной канонической формы имеют следующие харак-
терные черты:
~
– все столбцы матрицы A , кроме двух, имеют вид единичных ортов;
~
– матрица A имеет вид матрицы Хессенберга с единичной наддиагона-
лью a~k +1,k = β0;
~
– диагональные блоки А11 и А12 размеров lxl и (m-k)x(m-k) матрицы A
имеют фробениусову структуру с ненулевыми последними столбцами;
~
– все элементы блока А12 матрицы A равны нулю, за исключением еди-
ничного элемента в ее левом нижнем углу;
~
– все элементы блока А21 матрицы A1 , кроме первого столбца, равны ну-
лю;
~
– матрица-столбец b имеет вид единичного орта еk, домноженного на
значение первого ненулевого марковского параметра системы hl = k;
– матрица-строка c~ имеет вид единичного орта еlT.
В отличие от других канонических форм — модальных, сопровож-
~
дающих, цепных — матрица A контурной канонической формы содержит
в себе информацию о всех трех матрицах A, b, c исходной системы, а не
только о матрице А. В первую очередь она характеризуется предельно
~
простым видом матриц b , c~ , которые содержат только по одному ненуле-
~
вому элементу, и уже затем регулярной структурой матрицы A , содержа-
1060
щей n + m + 1 варьируемых параметров (все они расположены в двух
столбцах).
Процедуры построения по известным матрицам A, b, c сводится к
отысканию матрицы Т перехода от исходного базиса к каноническому.
Выпишем базовые соотношения, которым должны удовлетворять эти мат-
рицы:
~ ~ ~ ~
Tb = b, c~ = cT , TA = AT , TR = R, D = DT . (8)
~ ~
Здесь через R, R и D, D обозначены матрицы управляемости и на-
блюдаемости системы в исходном и каноническом базисах
 c~ 
[ ]
R = b, Ab, ..., A n −1b ,
 c 
 cA   ~~ 
~  cA 
D= , D= . (9)
   
[
~ ~ ~~ ~ ~
R = b , A b , ..., A n −1b ,]  n −1 
cA 
~ ~ n −1 
c A 
~
Заметим, что первые l столбцов матрицы R пропорциональны еди-
ничным ортам: b~ = kel , A~ b~ = kel , ..., A~ l −1b~ = kek . Из равенства TA~ l −1b~ = Al −1b сразу
следует, что первый столбец Т1 матриц Т пропорционален вектору
~ ib~ = Aib, i = 1, 2, ..., l − 1 получаем: kТ = Al-2 b,
Al −1b : kT1 = Al −1b. Из равенств TA 2
l-3
kT3 = A b, …, kTb = b.
Тем самым оказываются определенными первые l столбцов матрицы
Т:
Ti = Al − i1b / k , i = 1, ..., l.
Последние ее столбцы связаны рекуррентными соотношениями
Tk + 2 = ATk +1 ,
Tk +3 = ATk + 2 , ..., Tn = ATn −1 , (10)
~
которые следуют из анализа равенства TA = AT с учетом простой структу-
~
ры столбцов матрицы A с номерами от k+1 до n–1 (они имеют вид единич-
ных ортов). Для того чтобы эти соотношения можно было использовать,
нужно сначала определить столбец Тk+1. Соотношение для его определения
имеет вид:
DTk +1 = −e n , Tk +1 = − D −1e n .
Тем самым искомый столбец Тk+1 равен последнему столбцу обратной мат-
рицы наблюдаемости, взятому со знаком минус.
Таким образом, алгоритм преобразования матриц исходной системы
(2) к контурной канонической форме (7), содержит следующие шаги.
Алгоритм 2.
Шаг 1. Вычислить матрицу управляемости R (9) и определить отно-
сительный порядок системы k как номер первого ненулевого элемента в
векторе-строке cR.
Шаг 2. Взять в качестве первых k столбцов матрицы Т первые k
столбцов матрицы управляемости R.
1061
Шаг 3. Вычислить матрицу наблюдаемости D (9), обратную матрицу
-1
D и взять в качестве (k +1)-го столбца Тk+1 матрицы Т последний столбец
матрицы D-1 со знаком минус.
Шаг 4. Вычислить оставшиеся столбцы матрицы Т, используя ре-
куррентное соотношение (10) Ti+1 = ATi, i = k, …, n–1.
Шаг 5. Вычислить матрицы канонической формы по формулам
~ ~
A = T −1 AT , b = T −1b, c~ = cT .
Приведенный алгоритм содержит простые линейные операции и од-
ну операцию вычисления обратной матрицы (фактически нам нужна не вся
матрица D-1, а только ее последний столбец).
Реализация алгоритма 2 на языке MATLAB имеет вид:
sys=ss(a,b,c,0);
n=length(sys.a);
R=ctrb(sys);mp=sys.c*R; %marcovian parameters
k=min(find(abs(mp)>1e-9));
m=n-k;
D=obsv(sys);
invD=inv(D);
T0=R(:,1:k);
T1=-invD(:,n); % first part of matrix T
T2=zeros(n,m-1);
T2(:,1)=T1; % second part of matrix T
for I=1:m-1,
T2(:,I+1)=sys.a*T2(:,I);
end
T=[T0 T2];
sys1=ss2ss(sys,inv(T)); %Feedback Canonical Form
В заключение перечислим некоторые свойства контурной канониче-
ской формы.
Свойство 1. Нули системы (1) равны собственным числам диаго-
нальной клетки А22 матрицы A~ контурной канонической формы (5), т. е.
полюсам подсистемы Z 2 = A22 Z 2 .
Свойство 2. Контурная каноническая форма (5) наблюдаема при лю-
бых значениях ее параметров α i , β i , bi .
Свойство 3. Редукция контурной канонической формы, получаемая
вычеркиванием последних переменных состояния, сохраняет старшие ко-
эффициенты числителя и знаменателя передаточной функции, а также ее
марковские параметры.
Работа выполнена при финансовой поддержке РФФИ (грант № 04-

01-00464) и Минобразования (грант № Т02-03.2-1113).
1062
УДК 711.7
РОБАСТНОЕ ВОССТАНОВЛЕНИЕМ МАТРИЦ

КОРРЕСПОНДЕНЦИЙ С ИСПОЛЬЗОВАНИЕМ
БИБЛИОТЕКИ OPTIMIZATION TOOLBOX
Михайлов А. Ю., Головных И. М., Лагерев Р. Ю.

Иркутский государственный технический университет, Иркутск,
e-mail:road@istu.irk.ru
В данной статье изложены результаты исследований возможностей

применения OPTIMIZATION TOOLBOX для решения одной из наиболее
актуальных задач оценки улично-дорожных сетей (УДС). В зарубежной
теории и практике проектирования транспортных систем уже с 70-х годов
уделялось большое внимание методам восстановления матриц корреспон-
денций в виде потоков транспортных средств (Estimation of Origin-
Destination Matrix from Traffic Counts). Методы восстановления сущест-
вующих матриц корреспонденций отнесены специалистами «Мировой до-
рожной ассоциации» (PIARC) к числу важнейших инструментов анализа
УДС. В американском руководстве Highway Capacity Manual 2000 восста-
новлению матриц корреспонденций уделено большое внимание (Глава 29
«Corridor analysis») и изложен метод такой оценки применительно к маги-
стральным дорогам. По данной тематике имеется обширнейшая библио-
графия, которую невозможно представить в рамках статьи.
В нашей стране в первую очередь получила развитие теория расче-
тов пассажиропотоков, в том числе, были предложены методы оценки су-
ществующих матриц корреспонденций на маршрутном пассажирском
транспорте [1]. Собственно методам восстановления матриц корреспон-
денций в виде потоков транспортных было посвящено лишь несколько ис-
следований [3,4], что объяснялось относительно меньшим интересом к
проблемам проектирования и реконструкции УДС.
Продолжающийся рост автомобильного парка и объемов движения в
российских городах требует совершенствования инструментария проекти-
рования и оценки УДС. Поэтому представляется интересным рассмотреть
возможности решения рассматриваемой задачи применительно к россий-
ским условиям, учитывая, в первую очередь применяющиеся методы об-
следований интенсивности движения. Как правило, такие обследования
проводятся в пиковые часы с подсчетом транспортных средств разных ти-
пов на всех направлениях движения на каждом из обследуемых перекрест-
ков. Поэтому формулируется задача регрессионной оценки матрицы кор-
респонденций для следующих условий:
1063
• исходными данными являются замеры интенсивности движения на от-
дельных участках улично-дорожной сети, выполняемые в определенное
время в будние дни (например, вечерний час пик 17.00—19.00);
• исходные данные об интенсивности движения содержат ошибки (см.
рис. 3), вызванные проведением замеров в разные дни и ошибками са-
мих подсчетов интенсивности движения.
Следует привести очень важную для понимания рассматриваемой
задачи цитату из HCM 2000 [6]: «Количество элементов матрицы коррес-
понденций всегда превосходит количество сегментов сети. Цель оценива-
ния состоит не в определении точной матрицы корреспонденций, а в на-
хождении такой, которая достаточно близка к ней и соответствует данным
интенсивности движения.» (глава 29 «Corridor analysis»с. 29-30). Следует
пояснить, что под сегментами в оригинальном тексте понимаются дуги
графа, которым представлено описание сети.
В последние годы восстановление матриц корреспонденций по заме-
рам на дугах сети применяется для информационных сетей (Y. Zhang и др.
[7], A. Medina и др. [8]). Также отмечается (A. Medina и др. [8]), что в рас-
сматриваемых задачах количество оцениваемых корреспонденций N (кор-
респонденции xi, i = 1,2,…, N) значительно превосходит количество дуг K,
на которых известны нагрузки, т. е. N>>K.
В отличии от HCM 2000 рассматривается не «транспортный кори-
дор», а участок УДС. С целью использования распределения потоков по
принципу «все или ничего» (all or nothing) УДС разделяется на отдельные
«маршруты», или (как в HCM 2000) «направления движения» (рис 1 — 2).
Таким образом, матрицы описывающая принадлежность корреспонденций
дугам графа будет состоять из 1 и 0 (наличие или отсутствие данной кор-
респонденции).
3 5 9 11 k-5 k-3
1 2 6 8 12 14 k-7 k-6 k-1 k
4 7 10 13 k-4 k-2
Рис. 1. Представление маршрута движения в виде ориентированного графа для опреде-

ления матрицы корреспонденций: 1,3,4,5,7,9,10,11,13, …, k-4, k-5, k-4, k-3, k-2, k - вер-
шины графа, в которых возникают и заканчиваются корреспонденции (O-D pairs).
1064
а) вершины матрицы корреспон-
денций транзитных потоков («за-
грузочные» вершины) центра Ир-
кутска и интенсивности движения
в вечерний час пик, физ.ед./ч
б) граф для оценки матрицы кор-

респонденций из вершины 1 в вер-
шины 1,2,3, …, 20, используемой
для оценки транзитных потоков из
вершины 5 в вершины 1,2,3
б) транзитные потоки из вершины

5 в вершины 1,2,3, полученные
при оценке матрицы корреспон-
денций для графа УДС, представ-
ленного ершинами 1,2,3, …, 20,
Рис. 2. Определение матрицы корреспонденций для транзитных потоков в центральной

части Иркутска: а — исходные потоки на водах и выходах в центральную часть города,
для которых рассчитывается матрица корреспонденций; б — один из маршрутов дви-
жения, на которые разделяется УДС, и для которых строятся графы и рассчитываются
матрицы корреспонденций; в — результат оценки транзитных потоков, для одного из
входов в центральную часть.
Отдельно рассматриваемое направление движения (маршрут) пред-

ставляется в виде графа (рис. 1 и 3), для которого определяется своя мат-
1065
рица корреспонденций. Соответственно начальными и конечными пунктам
корреспонденций являются поворотные потоки на перекрестках, т. е. вхо-
дящие потоки на улицу или выходящие с нее (рис. 1). Вместо центроидов
расчетных транспортных районов используются «нагрузочные» вершины
сети (рис. 2), образующиеся на границах рассматриваемого участка УДС, в
которых начинаются и оканчиваются корреспонденции.
Сформулированная задача регрессионного оценивания корреспон-
денций предполагает использование статистических процедур устойчивых
к выбросам (т. е. грубым ошибкам данных). Один из приемов робастной
оценки параметров регрессии θ состоит в использовании вместо суммы
n
квадратов отклонений регрессии ∑ ei2 минимизации целевой функции
i =1
n n
v v
∑ ei =∑ yi − θ , (1)
i =1 i =1
где v — показатель степени, значения которого принимают в диапазоне
1 ≤ v < 2.
Оценки (1) предложено называть Lv оценками [3]. Устойчивость та-
кой аппроксимации по сравнению с методом наименьших квадратов вы-
звана тем, что большие отклонения (yi–θ) меньше влияют на целевую
функцию. Поэтому показатель степени v интерпретируется некоторыми
авторами как фильтр выбросов [3].
Частным случаем (ν = 1) оценки (1) является минимизация суммы
абсолютных модулей отклонений, т. е. метод наименьших модулей (МНМ)
n n m
∑ ei = ∑ yi − ∑ a j xij , (2)
i =1 i =1 j =1
Аппроксимацию (2) можно рассматривать как задачу линейного про-
граммирования с минимизацией целевой функции в виде взвешенной сум-
мы модулей ошибок ei [5]
m
∑ wi ( g i + hi ), (3)
i =1
где gi = max0, ei, hi = min-ei, 0; wi — весовые коэффициенты, при ог-
раничениях (в случае простого МНМ весовые коэффициенты wi принима-
ются равными 1).
Ограничения задачи (3): Ax + g − h = y ; w ≥ 0, g ≥ 0, h ≥ 0.
При определении вектора корреспонденций x (вектор-столбец раз-
мерности m × 1 ), решается задача линейного программирования для нового
вектора переменных x2 размерности (m + 2n) ×1 . В целевую функцию (3), ко-
торой является сумма модулей ошибок, входит лишь часть вектора пере-
менных x2. Матрица коэффициентов A размера n × m преобразуется в мат-
1066
рицу A2 размером n × ( m + 2n ) , т. е. дополняется двумя диагональными
матрицами d1 и d2.
 a11 a12 … a1m 1 0 0… 0 −1 0 …
a a 22 … a 2 m 0 1
0 0… 0 −1 …
A2 =  21 
… … … … … … … … … … … 0
 
 an1 a n 2 … a nm 0 0 0 1 0 0 … − 1
Вектор ошибок е i определяется учетом результатов оценки вектора
корреспонденций x i-1 на предыдущей итерации. В зависимости от знака
ошибки ei задаются элементы вектора x2, начиная с индекса m+1. Таким
образом, задача (3) формулируется в следующем виде
m+ 2n
min ∑ wi xi , (4)
i = m +1
при условии
A2 x2 = y; x ≥ 0 .
При проведении первой итерации для определения весовых коэффи-
циентов wi необходим оцененный каким-либо методом вектор x0, при этом
допускаются даже экспертные оценки [2]. Применительно к рассматривае-
мой задаче такой начальной оценкой x0 могут быть старая матрица, мат-
рица, полученная в результате предварительного расчета, в самом крайнем
случае — экспертная оценка. Начальные значения корреспонденций xij0 оп-
ределялись автором с использованием простой гравитационной модели
xij0 = ai b j Ai B j , (5)
где xij — количество транспортных средств, следующих из вершины i в
вершину j; ai — интенсивность движения из i; bj — интенсивность движе-
ния в j; Ai, Bj — коэффициенты балансировки по столбцам и строкам мат-
рицы.
Минимизация целевой функции (4), рассматривается задача линей-
ного программирования со смешанными ограничениями
min wT x , (6)
при линейных ограничениях, в которых матрица A2 получается на основе
матрицы инцидентности A
A2 x2 = y; (7)
и двухсторонних ограничениях
xlb ≤ x ≤ xub. (8)
Исходные данные включают:
A — матрицу инцидентности ранга n×m, задает принадлежность
корреспонденций дугам графа сети, ее элементы aij имеют значение 0 или
1. если корреспонденция j проходит по дуге i, то aij = 1, в противном слу-
1067
чае aij = 0, где i =1,2…n, n —количество дуг графа УДС, на которых задана
интенсивность движения, j =1,2…,m, m — количество корреспонденций .
y — вектор-столбец значений интенсивности движения на дугах се-
ти;
x0 — начальное приближение значений корреспонденций — исход-
ный вектор-столбец значений, который может быть задан: в виде старой
матрицы корреспонденций, преобразованной в вектор; значениями кор-
респонденций, полученными в результате экспертной оценки; в виде оцен-
ки матрицы корреспонденций, полученной с использованием гравитаци-
онной модели ;
lb — коэффициент, задающий нижние допустимые значения коррес-
понденций xlb=x lb;
ub — коэффициент, задающий верхние допустимые значения кор-
респонденций xub=x ub;
div — коэффициент, задающий верхние допустимые значения искус-
ственных переменных xubi = xi ⁄ div;
v−2
v — показатель степени весовых коэффициентов wi = ei .
В результате решения получаем векторы-столбцы:
x — восстановленные значения корреспонденций;
ŷ– теоретические значения интенсивности движения на дугах, рас-
считанные на основе восстановленных корреспонденций ŷ = A x;
e — остатки (ошибки) регрессии — разность между наблюдаемыми
и рассчитанными значениями интенсивности движения на дугах e = y−A x.
Оценка точности регрессии основана на парном сравнении замерен-
ных yi и оцененных y i значений потоков на дугах (т. е. анализ остатков
регрессии e = y − A*x) и использовании статистик:
• критерий Стьюдента для парного сравнения исходных и оцененных
значений потоков;
• средняя абсолютная разность пар замеренных и оцененных значений
потоков eabs = ∑ ei n ;
i
• отношение средней абсолютной ошибки к среднему значению интен-
сивности движения E = eabs y .
Для предварительной оценки качества исходных данных и наличия в
них грубых ошибок (рис. 3, а): предлагается рассматривать УДС в сле-
дующем виде (рис. 3, б):
входящие на перегон F(in)i и выходящие F(out)i с перегона потоки
образуют пары;
для оценки статистической однородности выборок значений интен-
сивности движения и выявления выбросов используются значения разно-
стей пар
1068
di = V(out)i − V(in)i. (9)
ул.К.Маркса ул.Дзержинского ул.Тимирязева

669 143
379 768 829 ул.Седова
ул.Ленина 689
874 257
996
68 298 602 768 689 669
257
Ленина
874 1733 1665
996
602
а)
V3
V6
V(out)2 V(in)2
V2 V(in)1 V(out)1 V5
V1 V4
б)
Рис. 3. Возникновение ошибки при проведении обследований интенсивности движения

(а) и представление перегона улицы в модели оценки ошибок подсчетов интенсивности
движения (б).
Оценка качества данных интенсивности движения сводится к про-

верке гипотезы, что связанные выборки V(out)i и V(in)i принадлежат к од-
ной генеральной совокупности, для их сравнения используется критерий
Стьюдента для разностей пар. Кроме проверки близости выборок исполь-
зуются следующие критерии:
средняя абсолютная ошибка
d abs = ∑ d i n . (10)
i
отношение средней абсолютной ошибки к среднему значению ин-
тенсивности движения на перегоне в одном направлении
E = d abs V . (11)
Для выявления грубых ошибок исходных данных следует использо-
вать нормированное отклонение z = (di − d ) Sd , рассчитываемое для раз-
ностей пар входящих и выходящих потоков di = V(out)i − V(in)i.
1069
В соответствии с имевшимися данными (материалы обследований:
С.Петербург 1977–1978 гг., 1985–1988 г.г.; Иркутск 1995 г., центральная
часть Иркутска 1998 г.) максимальные абсолютные значения ошибок дос-
тигают 450–470 авт./ч. (в одном направлении). Диапазон значений средней
абсолютной ошибки составил d abs =53.8–190.6, а значений отношения
d abs V имеет разброс от 0.082 до 0.391. Средняя абсолютная ошибка соста-
вила 115.3 авт./ч., при этом средняя абсолютная ошибка составляет в сред-
нем 19% интенсивности движения. Анализ ошибок обследований интен-
сивности движения позволило сформулировать требования к точности
восстановления матриц корреспонденций. Представляется, что приемлемая
точность восстановления корреспонденций ±10…±20 авт/ч, которую мож-
но использовать в качестве допустимой невязки итераций.
По результатам тестирования с применением искусственных данных
без ошибок, искусственных загрязненных данных (максимальные ошибки
±350 авт/ч) и реальных данных простой МНМ (все весовые коэффициенты
wi =1) имеет более высокую скоростью схождения по сравнению с взве-
шенным МНМ (рис. 4).
Анализ ошибок оценки корреспонденций d abs , значений потоков
eabs и невязок оценок корреспонденций ∆d i = xin − xin−1 ≤ 20 ( xin и
xin −1 — соответственно оценки корреспонденции xi на итерациях n−1 и n)
показывает, что необходимая сходимость достигается простым МНМ на 2-
ой итерации (см. рис. 4). В этой связи для практического использования
рекомендуется процедура восстановления матрицы с использованием про-
стого МНМ или комбинированного МНМ (вторая итерация — взвешенный
МНМ).
Установлено, что наибольший эффект на качество восстановления
корреспонденций и значений потоков оказывают двухсторонние ограниче-
ния (8) корреспонденций xi i= 1,2,…,m и искусственных переменных xi,
i=m+1,m+2,…,m+2n.
1070
100 100
90 90
80 80
70 70
60 60
50 50
40 40
остатки регрессии
остатки регресси
30 30
20 20
10 10
0 0
-10 -10
-20 -20
-30 -30
-40 -40
-50 -50
-60 -60
-70 -70
шаг 0 шаг 1 шаг 2 шаг 0 шаг 1 шаг 2
итерации итерации
а) б)
Рис. 4 Ошибки значений потоков ei = yi − y i (остатки регрессии) на 0-й — 2-й итераци-

ях: а — взвешенный МНМ; б — сочетание итераций: 1-я — простой МНМ,
2-я — взвешенный МНМ.
В соответствии с результатами тестирования рекомендуются сле-

дующие значения ограничений:
– нижние ограничения оцениваемых переменных xlbi=kxi, k=0;
– верхние ограничения оцениваемых переменных xubi=kx I , k ≥ 2 ;
– нижние ограничения искусственных переменных xlbi= 0,
i=m+1,m+2,…, m+2n;
– верхние ограничения искусственных переменных xubm+j = (1⁄div) xj
и xubm+n+j = (xj ⁄div) рассчитывать для div ≥ 30 , где xj — модуль
1071
остатка регрессии ej, полученный на предыдущей итерации, n —
количество дуг графа УДС, на которых заданы значения интен-
сивности движения; j = 1,2,…,n.
Восстановление матриц корреспонденций можно выполнять с ис-
пользованием функций:
LP библиотеки Optimization Toolbox 2.0 версий пакета MATLAB 5.1
и 5.2;
LINPROG библиотеки Optimization Toolbox 2.2 версии пакета
MATLAB 6.1
Выбор пакета MATLAB для решения задачи восстановления матриц
корреспонденций обусловлен тем, что пакет:
– ориентирован на выполнение операций с векторами и матрицами,
в том числе разряженными матрицами;
– применяется для решения сетевых задач [7], в том числе на его
основе осуществляется разработка приложений для транспортных
задач, например, программа DelftOD Version 2.0 (автор Nanne J.
van der Zijpp, Delft University of Technology — http:// www.delftod.
tudelft.nl);
– достаточно известен и распространен в нашей стране, имеет со-
провождение .
Предложенный метод полностью основан на применении стандарт-
ных математических библиотек и не требует специальных профессиональ-
ных знаний в области программирования, поэтому прост и доступен. По-
скольку в составе пакета MATLAB есть средства разработки графического
интерфейса и обмена данными с Exсel имеется возможность разработки
специального приложения для среды MATLAB. В дальнейшем авторы
планируют рассмотреть возможности применения метода робастного вос-
становления корреспонденций пассажирских (межостановочных матриц
корреспонденций) пешеходных потоков, а также разработать графический
интерфейс на примере DelftOD Version 2.0 с помощью приложения «GUI»
пакета MATLAB (Graphical User Interfaces), при этом создать возможность
синхронизации данных между табличным процессором Excel через прило-
жение «Excel Link», для удобства сбора и подготовки исходных данных.
В завершение следует отметить, что опубликованное в августе 2003
решение задачи восстановления матриц корреспонденций в информацион-
ных сетях [8] также использует в качестве начальной итерации гравитаци-
онную модель, но следующей итерации рассматривается задача томогра-
фии, решаемая методами квадратичного программирования — т. е. приме-
няется взвешенный метод наименьших квадратов. В нашем случае мар-
шруты (см. рис. 1, 2) описываются матрицами, имеющими плохую обу-
словленность, поэтому тесты по использованию взвешенного метода наи-
меньших квадратов (1998–2001 гг.) показали его непригодность.
1072
1. Артынов А. П., Скалецкий И. И. Автоматизация процессов планирова-
ния и управления транспортными системам.— М.: Транспорт, 1981.—
280 с
2. Демиденко У. З. Линейная и нелинейная регрессия.— М.: Финансы и
статистика, 1981.— 302 с.
3. Киселева О. Н., Сена С. Л., Федоров В. П. Определение матрицы суще-
ствующих грузовых корреспонденций на основе обследований на маги-
стральной сети // Социально-экономические проблемы развития транс-
портных систем городов. Тез. докл. второй обл. эконом. конф.—
Свердловск, 1988.— С.95–98.
4. Мягков В. Н., Пальчиков Н. С., Федоров В. П. Математическое обеспе-
чение градостроительного проектирования.— Л.: Наука, 1989. — 144 с.
5. Петрович М.Л. Регрессионный анализ и его математическое обеспече-
ние на ЕС ЭВМ: Практическое руководство.— М.: Финансы и стати-
стика, 1982. — 199 с.
6. Highway Capacity Manual — TRB, Washington, DC, 2000.— 1134 p.
7. Medina A., Taft N., Salamatian K, Bhattacharyya S., Diot C. Traffic Matrix
Estimation: Existing Techniques and New Directions // SIGCOMM’02.—
August 19–23, 2002. — 15 p. (Available: http://gaia.cs.umass.edu
/measurement/traffic_matrix_estimation pdf).
8. Yin Zhang, Roughan M., Duffield N., Greenberg A. Fast Accurate Computa-
tion of LargeScale IP Traffic Matrices from Link Loads // SIGMET-
RICS’03.— Jn.10–14,2003.— 12 p.(Available:http://www.research.att.com).
1073
УДК 517.977
ПРИМЕНЕНИЕ SEDUMI ИНТЕРФЕЙСА К РЕШЕНИЮ

ЗАДАЧ РОБАСТНОГО УПРАВЛЕНИЯ С ОБРАТНОЙ
СВЯЗЬЮ ПО ВЫХОДУ
Пакшин П. В., Митрофанов И. Н.

Арзамасский филиал Нижегородского государственного технического
университета, Арзамас,
e-mail: pakshin@afngtu.nnov.ru
Линейные матричные неравенства в теории управления
В задачах робастного управления имеют большое значение и актив-

но применяются методы выпуклой оптимизации, в частности методы, ос-
нованные на линейных матричных неравенствах (Linear Matrix Inequalities,
LMI) [1].
Теория линейных матричных неравенств восходит своими истоками
к работе А.М. Ляпунова об устойчивости движения. В 1890 г. Ляпунов по-
казал, что система, описываемая линейным дифференциальным уравнени-
ем x(t ) = Ax(t ) устойчива тогда и только тогда, когда существует положи-
тельно определенная матрица P > 0 , удовлетворяющая матричному нера-
венству AT P + PA < 0 .
В середине прошлого века А. И. Лурье и другие исследователи при-
меняли методы Ляпунова к различным задачам теории управления. В 60-х
и 70-х годах, благодаря работам В. А. Якубовича, В. М. Попова и Р. Э.
Калмана, появились критерии устойчивости нелинейных систем, основан-
ные на LMI. Помимо ручного метода решения LMI (применимого только к
самым простым системам) появились графические методы, а также методы
решения LMI, связанные с решением уравнений Риккати.
В 80-х годах Е. С. Пятницкий и В. И. Скородинский впервые пред-
ложили рассматривать LMI как задачу выпуклой оптимизации и решать ее
численными методами, в частности — с помощью алгоритма эллипсоидов.
Ю. Е. Нестеров и А. С. Немировский в 1988 г. разработали чрезвычайно
эффективный алгоритм внутренней точки, который в дальнейшем стал ба-
зовым для численного решения LMI [1,2].
Множество задач теории управления, не имеющих аналитического
решения, оказалось возможным решить численно, способом проверки со-
вместности (feasibility) некоторой системы LMI и/или оптимизации неко-
торой линейной целевой функции на выпуклом множестве, заданном в ви-
де LMI. Особые свойства LMI (легкость сведения систем LMI к одному
LMI, возможность преобразования нелинейных неравенств в линейные с
1074
помощью теоремы Шура, и т. п.) сделали данный инструмент анализа по-
пулярным инструментом исследования систем управления [1,2]. Здесь ин-
тересно отметить, что во всем мире признана ведущая роль российских
ученых в развитии теоретических основ LMI. Так, по мнению авторов наи-
более цитируемой монографии [1] Ляпунова следовало бы считать дедуш-
кой, а Якубовича — отцом рассматриваемого научного направления. В то
же время все программное обеспечение, в том числе и с участием россий-
ских авторов разработано за пределами России
Обзор современных LMI-решателей
Появление алгоритма внутренней точки стимулировало появление

множества различных программных пакетов, предназначенных для реше-
ния LMI. Среди них можно отметить SeDuMi, SDPA, SDPHA, SDPPack,
SDPT3, CSDP, CUTSDP, DSDP. Они отличаются друг от друга способами
задания неравенств, интерфейсом, количеством опций, скоростью сходи-
мости, надежностью и другими особенностями [3].
Практически все эти пакеты имеют интерфейсы для их использова-
ния в среде MATLAB [4]. Все эти интерфейсы можно условно разделить на
два класса: визуальные и текстовые.
Визуальные интерфейсы (например, LMITOOL, sdpsol, LMI Control
Toolbox) предоставляют возможность записывать LMI в виде математиче-
ских формул. При всей наглядности и сравнительной простоте использо-
вания подобных интерфейсов они обладают рядом существенных недос-
татков: низкой скоростью работы и отсутствием гибкости в решении не-
стандартных задач.
Текстовые интерфейсы (LMI Toolbox, YALMIP, LMILab translator)
исповедуют иной подход: пользователю предоставляется набор команд, с
помощью которых он инициализирует пакет, декларирует переменные, за-
дает неравенства и целевые ограничения, запускает процесс оптимизации и
производит анализ полученного решения. Трудоемкость такого способа
задания LMI зачастую бывает довольно высока, однако она вполне ком-
пенсируется его гибкостью и доступом ко всем возможностям используе-
мого программного пакета.
По-видимому, самым популярным интерфейсом для решения LMI на
сегодняшний день является LMI Control Toolbox, включенный в состав
MATLAB [4]. Его несомненным достоинством является наличие инстру-
мента визуального задания LMI. Вместе с тем, LMI Control Toolbox имеет
и ряд недостатков, среди которых — отсутствие поддержки линейных мат-
ричных уравнений (Linear Matrix Equalities, LME).
Этот факт послужил одной из причин выбора для решения рассмат-
риваемой в данной работе задачи синтеза робастного регулятора интер-
фейса SeDuMi [3], который относится к классу текстовых интерфейсов.
1075
Особенности SeDuMi интерфейса
Интерфейс SeDuMi разработан во Франции (авторы: Dimitri Peaucelle

и Krysten Taitz) и представляет собой MATLAB-интерфейс к голландскому
пакету SeDuMi (Self-Dual-Minimization Package, автор Jos F. Sturm).
К числу преимуществ SeDuMi относятся [3,5]:
1. Легкость использования в среде MATLAB;
2. Большая скорость работы, в сравнении с другими пакетами.
3. Обработка данных в разреженном (sparse) формате, что значительно
уменьшает расход оперативной памяти.
4. Возможность эффективного применения к задачам различной раз-
мерности.
5. Поддержка как LMI, так и LME–ограничений.
6. Работа как с действительными, так и с комплексными константами
и переменными.
7. Свободное (бесплатное) распространение.
8. Непрерывное совершенствование пакета.
Вместе с тем, SeDuMi Interface не лишен недостатков. В нем нет ви-
зуального интерфейса, отсутствует поддержка скалярно-диагональных
матриц вида γ ⋅ I . Особенности синтаксиса (например, необходимость ис-
пользования коэффициента 0,5 при добавлении слагаемых в диагональные
блоки LMI) могут служить источником ошибок, диагностика которых за-
труднена.
Для иллюстрации стиля SeDuMi Interface приведем пример програм-
мы, проверяющей неравенство Ляпунова третьего порядка A' P + PA < 0 на
совместность (для запуска необходимо установить SeDuMi и SeDuMi Inter-
face):
%set input arguments and create an LMI quiz
N = 3; A = -eye(N);
quiz = sdmpb('Test Lyapunov inequality for feasibility');
%declare an LMI variable

[quiz P] = sdmvar(quiz,N,'s');
%0 < P
[quiz ndx] = sdmlmi(quiz, N);
quiz = sdmineq(quiz,-ndx,P);
%A'P + PA < 0
quiz = sdmineq(quiz,ndx,P,1,A);
%test for feasibility

quiz = sdmsol(quiz);
1076
Синтез робастного регулятора
Рассмотрим применение SeDuMi Interface к задаче синтеза робастно-

го стабилизирующего регулятора системы случайной структуры со стати-
ческой обратной связью по выходу. В качестве конкретного примера такой
системы рассматривалась система стабилизации продольного движения
многорежимного летательного аппарата.
Объект управления описывается следующей системой дифференци-
альных уравнений:
x (t ) = Ai x (t ) + Bi u (t ), y (t ) = Ci x (t ) , если r (t ) = i (1)
где x – вектор переменных состояния объекта, y – вектор выходa, u – век-
тор управления, r (t ) – марковская цепь с дискретным множеством состоя-
ний N = {1,2 ,… ,ν } и переходной матрицей P (τ ) = exp(Πτ ), Π = [π ij ]1 , π ij ≥
ν
≥ 0, j ≠ i, π ii = − ∑ j ≠ i π ij
ν
В момент времени τ вектор состояния x может измениться скачком

и его значение после скачка линейно зависит от значения до скачка:
x(τ ) = Φ ij x(τ − 0 ) , где Φ ij – постоянные матрицы, Φ ii = I .
Поскольку в реальных задачах управления вероятности переходов из
одного режима в другой не известны точно, предположим, что функция
Π = Π (δ ) является аффинной функцией векторного параметра δ , т. е.
Π (δ (t )) = Π 0 + δ 1Π 1 + … + δ k Π k для всех δ ∈ ∆ . Пусть неопределенные па-
раметры δ j , j = 1,…, k принимают значения в интервале δ j ,δ j , т. е. [ ]
δ j ∈ [δ j ,δ j ]. Определим конечное множество углов области неопределен-
ности, как
∆0 = {δ = (δ 1 ,…, δ N ) | δ j ∈ [δ j , δ j ], j = 1,..., k }
Задача состоит в нахождении такого вектора управления со статической
обратной связью по выходу
u (t ) = −Gi y (t ) , если r (t ) = i,
которое обеспечивает устойчивость системы (1) в среднем квадратическом
в условиях указанных неопределенностей. Такое управление назовем роба-
стным стабилизирующим
В основу предлагаемого метода синтеза робастного стабилизирую-
щего управления положено следующее утверждение
Теорема 1. Система (1) робастно стабилизируема управлением со
статической обратной связью по выходу тогда и только тогда, когда для
некоторых симметричных матриц M i (δ ) и Ri > 0 существует решение
H i > 0 системы связанных уравнений Риккати
1077
ν
AiT H i + H i Ai − H i Bi Ri− 1 BiT H i + M i (δ ) + ∑π ij (δ )Φ ijT H jΦ ij = 0 , δ ∈ ∆0 (2)
j =1
и матрицы Li соответствующей размерности, удовлетворяющие системе
неравенств
ν
( Ai − Bi K i )
T
H i + H i ( Ai − Bi K i ) + ∑π ij (δ )Φ ijT H jΦ ij − SiT K i − K iT S < 0 , (3)
j =1
S i = Li Ci+ Ci − BiT H i + BiT H i Ci+ Ci , , i ∈ N , δ ∈ ∆0 ,

где K i = Ri−1 BiT H i , а Ci+ — псевдообратная (по Муру–Пенроузу) к Ci мат-
рица.
Матрица усиления робастного стабилизирующего управления имеет
вид:
(
Gi = Ri−1 BiT H i + Li Ci+ . )
Алгоритм синтеза робастного стабилизирующего регулятора по вы-
ходным сигналам заключается в поиске решений H i (i ∈ N ) системы свя-
занных уравнений Риккати (2) (метод, использующий LMI, описан в [6]), с
последующей проверкой совместности системы неравенств (3) и вычисле-
нием матрицы усиления регулятора Gi .
Данный алгоритм был реализован в среде MATLAB с использовани-
ем SeDuMi Interface и показал высокую эффективность в проведенных
численных экспериментах. Поддержка этим интерфейсом LME позволила
ввести дополнительное требование равенства матриц Gi во всех режимах
полета (условие одновременной стабилизации всех режимов фиксирован-
ным регулятором).
Кроме того, можно проверить является ли полученный регулятор ро-
бастным при учете неопределенностей матрицы объекта и нелинейностей в
управлении. Математическая модель, учитывающая эти факторы имеет
вид
x(t ) = [ Ai + Fi Ω (t )Ei ]x(t ) + Bi [u (t ) + ϕ (t , y )],
если r (t ) = i , (4)
y (t ) = Ci x(t )
где Fi и Ei — некоторые матрицы, характеризующие структуру неопреде-
ленностей, Ω (t ) — матрица неопределенных параметров, значение кото-
рой для каждого момента времени удовлетворяющая неравенству
I − Ω T (t )Ω (t ) > 0 , ϕ (t , y ) — нелинейная m -мерная векторная функция,
компоненты которой имеют вид
ϕ l (t , y ) = ϕ l (t , yl ),
ϕ l (t ,0 ) = 0 , (l = 1,… ,m )
и удовлетворяют ограничениям
1078
0 ≤ ϕ l (t , yl ) yl ≤ κ l (i ) yl2 .
Для простоты, без потери общности, мы предполагаем κ l (i ) = 1 . То-
гда можно написать ϕ (t , y )Γ [ϕ (t , y ) − y ] ≤ 0 , где Γ = diag [ yl ]1 ( yl > 0 ) .
m
Проверка робастности по отношению к указанным неопределенно-

стям основана на результатах следующей теоремы [8].
Теорема 2. Пусть для некоторых положительных скаляров
y , yl (l = 1,… ,m ) и матриц M i ≥ 0 существует положительно определенное
решение H i системы связанных матричных неравенств
H i ( Ai − Bi Gi Ci ) + ( Ai − Bi Gi Ci )T H i +
γ − 1 H i Fi FiT H i + M i + γEiT Ei +
T
 1 T  −1  1 T  (5)
 H i Di + Li Γ Γ  H i Di + Li Γ  +
 2   2 
ν
∑π ijΦ ijT H jΦ ij < 0
j =1
Тогда управление с обратной связью по выходу u (t ) = −Gi y (t ) будет роба-
стным стабилизирующим управлением.
На рис.1 представлены графики реакции рассматриваемой многоре-
жимной системы с робастным регулятором на единичный ступенчатый
скачок в каждом из режимов работы.
Рис. 1. Реакция системы на единичный ступенчатый скачок.
1079
Особенности программной реализации алгоритма
Программное обеспечение синтеза робастного регулятора реализо-

вано в виде двух файлов: pq_out_ric6.m и weight.m. Файл weight.m со-
держит MATLAB-функцию, реализующую алгоритм Джонсона [7] выбора
весовых матриц Qi и Ri по заданным матрицам Ai , Bi и желаемому харак-
теристическому полиному.
Файл pq_out_ric6.m представляет собой MATLAB-программу, кото-
рая реализует предложенный алгоритм синтеза. Рассмотрим его основные
особенности, иллюстрируя их фрагментами файла pq_out_ric6.m.
В начале файла задаются глобальные параметры программы (раз-
мерность, количество режимов работы системы, число входных и выход-
ных сигналов), после чего инициализируются матрицы, характеризующие
летательный аппарат как объект управления ( Ai , Bi ,Ci ,Π , а также Di , Li ).
N = 3; % problem size
NU = 9; % number of switching modes
NI = 1; % number of input signals
NO = 2; % number of output signals
% matrices A
A(:,:,1) = [0,1,0 ; -4.2,-1.5,4.2 ; 0.77,0,-0.77 ];
A(:,:,2) = [0,1,0 ; -7.1,-1.9,7.1 ; 1,0,-1 ];
A(:,:,3) = [0,1,0 ; -78,-4.1,78 ; 2.8,0,-2.8 ];
A(:,:,4) = [0,1,0 ; -4,-1.4,4 ; 0.62,0,-0.62 ];
A(:,:,5) = [0,1,0 ; -116,-2.36,116 ; 2.3,0,-2.3 ];
A(:,:,6) = [0,1,0 ; -7.9,-1.1,7.9 ; 0.56,0,-0.56 ];
A(:,:,7) = [0,1,0 ; -55,-0.66,55 ; 0.84,0,-0.84 ];
A(:,:,8) = [0,1,0 ; -14.5,-0.43,14.5; 0.33,0,-0.33 ];
A(:,:,9) = [0,1,0 ; -18,-0.31,18 ; 0.34,0,-0.34 ];
% matrices B
B(:,:,1) = [0;-7.4;0];
B(:,:,2) = [0;-12.7;0];
B(:,:,3) = [0;-57;0];
B(:,:,4) = [0;-7.5;0];
B(:,:,5) = [0;-42;0];
B(:,:,6) = [0;-13.8;0];
B(:,:,7) = [0;-22.5;0];
B(:,:,8) = [0;-8.6;0];
B(:,:,9) = [0;-10;0];
% matrices C
C(:,:,1) = [1,0,0; 0,1,0];
C(:,:,2) = [1,0,0; 0,1,0];
C(:,:,3) = [1,0,0; 0,1,0];
C(:,:,4) = [1,0,0; 0,1,0];
C(:,:,5) = [1,0,0; 0,1,0];
1080
C(:,:,6) = [1,0,0; 0,1,0];
C(:,:,7) = [1,0,0; 0,1,0];
C(:,:,8) = [1,0,0; 0,1,0];
C(:,:,9) = [1,0,0; 0,1,0];
% matrices D
%D(:,:,1) = [0 0 0; -7.4 0 0; 0 0 0];
%D(:,:,2) = [0 0 0; -12.7 0 0; 0 0 0];
%D(:,:,3) = [0 0 0; -57 0 0; 0 0 0];
%D(:,:,4) = [0 0 0; -7.5 0 0; 0 0 0];
%D(:,:,5) = [0 0 0; -42 0 0; 0 0 0];
%D(:,:,6) = [0 0 0; -13.8 0 0; 0 0 0];
%D(:,:,7) = [0 0 0; -22.5 0 0; 0 0 0];
%D(:,:,8) = [0 0 0; -8.6 0 0; 0 0 0];
%D(:,:,9) = [0 0 0; -10 0 0; 0 0 0];
%matrices D and LL
for I = 1:NU,
D(:,:,I) = B(:,:,I); LL(:,:,I) = [1 0 0];
end;
PP = zeros(NU); % standard probability matrix

for I = 1:NU,
if (I == 1), PP(1,1) = 1; PP(1,2) = -1;
elseif (I == NU), PP(I,I) = -1; PP(I,I-1) = 1;
else PP(I,I) = -2; PP(I,I-1) = 1; PP(I,I+1) = 1;
end;
end;
Производится вычисление специальных матриц Bi⊥ ,Ci⊥ , E I i , E K i с по-
мощью встроенных MATLAB-функций null, pinv и eye.
%B' orth, C orth, EI and EK
for I = 1:NU,
Nb(:,:,I) = null(B(:,:,I)');
Nc(:,:,I) = null(C(:,:,I));
EI(:,:,I) = pinv(C(:,:,I)) * C(:,:,I);
EK(:,:,I) = eye(N) - EI(:,:,I);
end;
Матрицы Qi и Ri задаются с помощью специального алгоритма
Джонсона [7], реализованного в файле weight.m. Вызов функции weight
сделан таким образом, чтобы матрицы Qi и Ri обеспечивали полюса сис-
темы − 5 , − 10 + 5i , − 10 − 5i в первом режиме ( i = 1 ).
% Qi and Ri
POLY = [-5 -10+5i -10-5i];
for I = 1:NU,
Q(:,:,I) = weight(A(:,:,1),B(:,:,1),POLY);
R(:,:,I) = 1;
end;
Первый шаг алгоритма заключается в решении уравнения Риккати
1081
ν
A H i + H i Ai − H i Bi R B H i + Qi + ∑ π ijΦ ijT H jΦ ij = 0 ,
T
i i
−1 T
i (6)
j =1
в результате чего вычисляются значения матриц Ляпунова H i и коэффи-

циентов обратной связи по состоянию K i .
Уравнение (6) решается методом Ait-Rami - El-Ghaoui L [6], которые
предложили способ решения системы нестандартных связанных уравнений
Риккати через решение задачи максимизации выражения
tr{H 1 + H 2 + … + Hν } при ограничениях вида
ν
A H i + H i Ai − H i Bi R B H i + Qi + ∑ π ijΦ ijT H jΦ ij > 0 .
T
i i
−1 T
i (7)
j =1
Используя теорему Шура, нелинейные ограничения (7) приводятся к

линейным, пригодным для обработки в SeDuMi
ν
 T 
A
 i iH + H A
i i + Q i + ∑ π ijΦ ijT H jΦ ij H i Bi 
>0.
 T
j =1

 Bi H i Ri 
Решение этой оптимизационной задачи традиционно состоит из 5
фрагментов кода:
1) Инициализация LMI-проблемы.
quiz = sdmpb('search for Hi and Ki'); disp('...Searching for Hi and Ki:');
2) Объявление LMI-переменных (точнее, их индексов). Массив ин-
дексов X_index будет соответствовать искомым матрицам H i . После объ-
явления каждой из LMI-переменных для нее записывается условие поло-
жительной определенности:
% declare symmetric variables Xi = Hi, Xi > 0
for I = 1:NU,
[quiz X_index(I)] = sdmvar(quiz,N,'s');
[quiz ndx] = sdmlmi(quiz, N); quiz = sdmineq(quiz,-ndx,X_index(I));
end;
3) Задание основных матричных неравенств в соответствии с алго-
ритмом Ait-Rami - El-Ghaoui L [6], Для каждого из режимов системы по-
следовательно задаются слагаемые, входящие в LMI-блоки (1,1), (1,2 и
2,1), и (2,2):
% A'X + XA + Q + sum(pij * Xj) — X*B*inv(R)*B'X > 0
for I = 1:NU,
[quiz ndx] = sdmlmi(quiz, [N size(R(:,:,I),1)]);

quiz = sdmineq(quiz,[-ndx 1 1],X_index(I),1,A(:,:,I));
quiz = sdmineq(quiz,[-ndx 1 1],0,0.5,Q(:,:,I));
for J = 1:NU,
quiz = sdmineq(quiz,[-ndx 1 1],X_index(J),0.5,PP(I,J));
end;
quiz = sdmineq(quiz,[-ndx 2 1],X_index(I),B(:,:,I)',1);
quiz = sdmineq(quiz,[-ndx 2 2],0,0.5,R(:,:,I));
1082
end;
4) Задание линейной целевой функции, значение которой подлежит
максимизации. В соотвестствии с алгоритмом, такой функцией должно яв-
ляться выражение tr{H 1 + H 2 + … + Hν }.
%max Tr sum(Xi)
for I = 1:NU,
quiz = sdmobj(quiz,X_index(I),'tr',+1);
end;
5) Получение решения заданной LMI-проблемы. Запускается про-
цесс выпуклой оптимизации, выводятся на печать значения матриц H i и
Ki :
pars.fid = 0;
quiz = sdmsol(quiz,pars); if (get(quiz,'feas') == 1), disp('solved.');
else disp('not solved.'); end;
for I = 1:NU,
H(:,:,I) = quiz(X_index(I));
K(:,:,I) = inv(R(:,:,I)) * B(:,:,I)' * H(:,:,I);
disp(sprintf('H%d =',I)); disp(H(:,:,I));
disp(sprintf('K%d =',I)); disp(K(:,:,I));
end;
Первый шаг алгоритма завершен. Теперь необходимо, используя
найденные значения H i и K i , проверить, существуют ли матрицы Li и Si ,
такие, что выполняются (3). Проверку системы LMI на совместность
(feasibility) можно совместить с решением какой-либо оптимизационной
задачи, в качестве которой выбрана максимизация параметра δ , характе-
ризующего неопределенность матрицы вероятностей Π в форме
Π (δ ) = Π 0 (1 ± δ ) .
Второй шаг алгоритма состоит из шести фрагментов кода.
1) Инициализация LMI-проблемы.
quiz = sdmpb('search for Li and Si'); disp('...Searching for Li and Si:');
2) Объявление LMI-переменных и задание ограничений на них.
% unknown variables Si and Li (not symmetric, not necessarily > 0)
for I = 1:NU,
[quiz S_index(I)] = sdmvar(quiz,size(K(:,:,I),1),N);
[quiz L_index(I)] = sdmvar(quiz,size(K(:,:,I),1),size(EI(:,:,I),1));
end;
%unknown variable Delta (scalar), 0 < delta < 1

[quiz Delta_index] = sdmvar(quiz,1);
[quiz ndx] = sdmlmi(quiz,1); quiz = sdmineq(quiz,-ndx,Delta_index);

[quiz ndx] = sdmlmi(quiz,1);
quiz = sdmineq(quiz,ndx,Delta_index); quiz = sdmineq(quiz,-ndx,0,0.5,1);
3) Задание основных LMI-ограничений.
% (A-BK)'H + H(A-BK) + Sum_j(pij * Hj) - S'K - K'S < 0
1083
% two inequalities: for -DELTA and +DELTA
for I = 1:NU,
% for PP * (1-DELTA)
PP_local = PP * (1 - DELTA);

quiz = sdmineq(quiz,ndx,0,H(:,:,I),A(:,:,I) - B(:,:,I)*K(:,:,I));
quiz = sdmineq(quiz,ndx,S_index(I),-K(:,:,I)',1);
% negative Delta
for J = 1:NU,
quiz = sdmineq(quiz,ndx,0,0.5 * PP(I,J),H(:,:,J));
quiz = sdmineq(quiz,ndx,Delta_index,-0.5 * PP(I,J),H(:,:,J));
end;
% for PP * (1+DELTA)
PP_local = PP * (1 + DELTA);

quiz = sdmineq(quiz,ndx,0,H(:,:,I),A(:,:,I) - B(:,:,I)*K(:,:,I));
%positive Delta
for J = 1:NU,
quiz = sdmineq(quiz,ndx,0,0.5 * PP(I,J),H(:,:,J));
quiz = sdmineq(quiz,ndx,Delta_index,+0.5 * PP(I,J),H(:,:,J));
end;
quiz = sdmineq(quiz,ndx,S_index(I),-K(:,:,I)',1);
end;
4) Запись уравнений (LME), связывающих переменные Li и Si .
%S = L*EI - B'H*EK
for I = 1:NU,
[quiz ndx] = sdmlme(quiz,size(K(:,:,I),1),N);
quiz = sdmeq(quiz,ndx,S_index(I));
quiz = sdmeq(quiz,-ndx,L_index(I),1,EI(:,:,I));
quiz = sdmeq(quiz,-ndx,0,-B(:,:,I)'*H(:,:,I),EK(:,:,I),1);
end;
5) Задание дополнительных LME-ограничений
( ) ( ) (
Ri−1 B1T H 1 + L1 Ci+ = Ri−1 B2T H 2 + L2 Ci+ = … = Ri−1 BνT Hν + Lν Ci+ )
для одновременной стабилизации всех режимов полета регулятором с об-
щей, фиксированной матрицей усиления G1 = G2 = … = Gν .
%S = L*EI - B'H*EK
for I = 1:NU,
J = I + 1; if J == NU + 1, J = 1; end;
[quiz ndx] = sdmlme(quiz,size(K(:,:,I),1),N);
quiz = sdmeq(quiz,ndx,0,B(:,:,I)',H(:,:,I));
quiz = sdmeq(quiz,ndx,L_index(I),1,1);
quiz = sdmeq(quiz,-ndx,0,B(:,:,J)',H(:,:,J));
quiz = sdmeq(quiz,-ndx,L_index(J),1,1);
end;
1084
6) Выбор значения переменной δ в качестве критерия для максими-
зации.
%max Delta
quiz = sdmobj(quiz,Delta_index,1,1);
7) Запуск процедуры выпуклой оптимизации. На печать выводятся
значения матриц Li и искомых матриц обратной связи по выходу Gi .
pars.fid = 0;
quiz = sdmsol(quiz,pars); if (get(quiz,'feas') == 1), disp('feasible.');
else disp('infeasible.'); end;
for I = 1:NU,
L(:,:,I) = quiz(L_index(I));
G(:,:,I) = inv(R(:,:,I))*(B(:,:,I)'*H(:,:,I)+L(:,:,I))*pinv(C(:,:,I));
disp(sprintf('G%d =',I)); disp(G(:,:,I));
end;
disp(sprintf('Max Delta = %d',quiz(Delta_index)));
После решения задачи синтеза робастного регулятора происходит
построение графиков реакции системы в различных режимах работы на
единичный ступенчатый скачок. Графики (рис. 1) демонстрируют характер
переходного процесса в различных режимах.
figure(1);
clf;
for I = 1:NU,
step(A(:,:,I) -B(:,:,I)*G(:,:,I)*C(:,:,I),B(:,:,I)*G(:,:,I)*C(:,:,I),C(:,:,I),0,1);
hold on;
end;
После синтеза регулятора выполняются проверки на его робастность
по отношению к неопределенностям объекта управления. Модель объекта
управления (4) в отсутствие нелинейностей в управлении приобретает сле-
дующий вид:
x(t ) = [ Ai + Fi Ω (t )Ei ]x(t ) + Bi u (t )
y (t ) = Ci x(t ) , если r (t ) = i,
В рассматриваемой задаче матрицы Fi и Ei подбираются экспери-
ментально:
% 1. construct matrices F and E
for I = 1:NU,
F(:,:,I) = 0.01 * 0.5;
E(:,:,I) = 1 * eye(N);
end;
После чего, в соответствии с теоремой 2, выполняется проверка на
совместность следующей системы LMI
H i ( Ai − Bi Gi Ci ) + ( Ai − Bi Gi Ci ) H i +
T
ν
(8)
γ H i Fi F H i + M i + γEi Ei + + ∑ π ijΦ ijT H jΦ ij < 0 ,
−1 T T
j =1
Систему (8) в соответствии с теоремой Шура можно преобразовать к

виду системы линейных матричных неравенств
1085
 H i ( Ai − Bi Gi Ci ) + ( Ai − Bi Gi Ci )T H i + 
 

ν H F 
M i + γEiT Ei + ∑ π ijΦ ijT H jΦ ij
i i
 j =1

  <0
 
 T
Fi H i γ 
 
 
Проверка на совместность выполняется одновременно с минимиза-
цией неопределенного параметра γ . При совместности данной системы
LMI статический регулятор с обратной связью по выходу u (t ) = −Gi y (t ) ес-
ли r (t ) = i, будет являться робастным стабилизирующим регулятором.
quiz = sdmpb('test for robustness');
disp('...Robustness without nonlinearities:');
% 2. set LMI variable gamma, scalar-diagonal

[quiz Gamma_fake_index] = sdmvar(quiz,3,'d');
[quiz Gamma_index] = sdmvar(quiz,[1 0 0; 0 1 0; 0 0 1],'st');
[quiz ndx] = sdmlmi(quiz, N); quiz = sdmineq(quiz,-ndx,Gamma_index);
% 3. set a number of inequalities

for I = 1:NU,
[quiz ndx] = sdmlmi(quiz, [N N]);
% constant terms
quiz = sdmineq(quiz,[ndx 1 1],0,H(:,:,I),(A(:,:,I)-B(:,:,I)*G(:,:,I)*C(:,:,I)));
%quiz = sdmineq(quiz,[ndx 1 1],0,0.5,Q(:,:,I));
for J = 1:NU, if (J ~= I),
quiz = sdmineq(quiz,[ndx 1 1],0,0.5 * PP(I,J),H(:,:,J)- H(:,:,I));
end; end;
% linear term
quiz = sdmineq(quiz,[ndx 1 1],Gamma_index,0.5,E(:,:,I)'*E(:,:,I));
% inverse term and side terms (Schur complement)

quiz = sdmineq(quiz,[ndx 2 2],Gamma_index,-0.5,1);
quiz = sdmineq(quiz,[ndx 1 2],0,H(:,:,I),F(:,:,I));
end;
% 4. minimization objective
quiz = sdmobj(quiz,Gamma_index,'tr',-1);
% 5. test for feasibility
pars.fid = 0; quiz = sdmsol(quiz,pars);
if (get(quiz,'feas') == 1), disp('feasible.'); else disp('infeasible.'); end;
% 6. get gamma
GAMMA = quiz(Gamma_index);
GAMMA = GAMMA(1,1);
disp(' '); disp(sprintf('gamma = %d',GAMMA));
1086
Заключительным этапом анализа является проверка регулятора на
робастность по отношению как к неопределенностям объекта управления,
так и к нелинейностям регулятора.
Модель объекта управления с учетом неопределенностей и нелиней-
ностей имеет вид (4). Проверка регулятора на робастность выполняется в
соответствии с теоремой 2 путем проверки на совместность условий (5),
которые, согласно теореме Шура, преобразуются в следующую систему
LMI
 H i ( Ai − Bi Gi Ci ) + ( Ai − Bi Gi Ci )T H i + γEiT Ei + 
 
ν
 M + γE T E + π Φ T H Φ + 1 LT ΓL H i Fi H i Di 
 i i i ∑j =1
ij ij j ij
4
i i 
 
 
 T
Fi H i γ 0  <0
 
 
 
 
 DiT H i 0 −Γ 
 
 
Одновременно с проверкой совместность выполняется минимизация
m
выражения γ + ∑ yl .
l =1
quiz = sdmpb('test for robustness'); disp(' ');
disp('...Robustness with nonlinearities:');
% 2. set LMI variables Gamma and Gammas

[quiz Gamma_fake_index] = sdmvar(quiz,3,'d');
[quiz Gamma_index] = sdmvar(quiz,[1 0 0; 0 1 0; 0 0 1],'st');
[quiz Gammas_index] = sdmvar(quiz,1,'d');
% 0 < gamma, 0 < Gammas

[quiz ndx] = sdmlmi(quiz, N); quiz = sdmineq(quiz,-ndx,Gamma_index);
[quiz ndx] = sdmlmi(quiz, 1); quiz = sdmineq(quiz,-ndx,Gammas_index);
% 3. set a number of inequalities

for I = 1:NU,
[quiz ndx] = sdmlmi(quiz, [N N 1]);
% constant terms
quiz=sdmineq(quiz,[ndx 1],0,H(:,:,I),(A(:,:,I)-B(:,:,I)*G(:,:,I)*C(:,:,I))+…
0.5*D(:,:,I)*LL(:,:,I));
quiz = sdmineq(quiz,[ndx 1 1],Gamma_index,0.5,E(:,:,I)'*E(:,:,I));
quiz = sdmineq(quiz,[ndx 1 1],Gammas_index,0.25 * 0.5 * LL(:,:,I)',LL(:,:,I));
%quiz = sdmineq(quiz,[ndx 1 1],0,0.5,Q(:,:,I));

1087
for J = 1:NU,
quiz = sdmineq(quiz,[ndx 1 1],0,0.5 * PP(I,J),H(:,:,J));
end;
% inverse term and side terms (Schur complement)

quiz = sdmineq(quiz,[ndx 2 2],Gamma_index,-0.5,1);
quiz = sdmineq(quiz,[ndx 1 2],0,H(:,:,I),F(:,:,I));
%terms responsible for nonlinearities

quiz = sdmineq(quiz,[ndx 3 3],Gammas_index,-0.5,1);
quiz = sdmineq(quiz,[ndx 1 3],0,H(:,:,I),D(:,:,I));
end;
% 4. maximization objective
quiz = sdmobj(quiz,Gamma_index,'tr',-1);
quiz = sdmobj(quiz,Gammas_index,'tr',-1);
% 5. optimization
pars.fid = 0;
quiz = sdmsol(quiz,pars); if (get(quiz,'feas') == 1), disp('feasible.');
else disp('infeasible.'); end;
% 6. display gamma and gammas

GAMMA = quiz(Gamma_index); GAMMA = GAMMA(1,1);
disp(' '); disp(sprintf('gamma = %d',GAMMA));
GAMMAS = quiz(Gammas_index);
disp('Gammas = '); disp(GAMMAS);
С использованием данной программы был синтезирован регулятор с
обратной связью по выходу, робастный по отношению к неопределенно-
стям смены режимов, неопределенностям матрицы объекта в отдельных
режимах и нелинейностям системы с постоянной матрицей усиления
Gi = [− 32 ,7774 − 2 ,3541] для всех режимов i = 1,… ,9 . Полный текст про-
граммы и доказательство теоремы 1 могут быть высланы электронной по-
чтой по запросу.
1. Boyd S., El-Ghaoui L., Feron E., Balakrishnan V. Linear matrix inequalities
in system and control theory.— Philadelphia: SIAM, 1994.
2. Поляк Б. Т., Щербаков П.С., Робастная устойчивость и управление.—
М.: Наука, 2002.
3. Peaucelle D., Henrion D., Labit Y., Taitzidoroff K. User’s Guide for
SEDUMI INTERFACE 1.04 (www.laas.fr/~peaucell/SeDuMiInt.html).
4. Gahinet P., Nemirovski A., LaubA., Chilali M. LMI Control Toolbox For
Use with MATLAB (www.mathworks.com/access/helpdesk/help/pdf_doc
/lmi/).
5. Sturm J. Using SeDuMi 1.02, a MATLAB toolbox for optimization over
symmetric cones (http://fewcal.kub.nl/~sturm).
1088
6. Ait-Rami M., El-Ghaoui L. LMI optiomization for nonstandard Riccati equa-
tions arising in stochastic control // IEEE Trans. Automatic Control.—
1996.— V.41.— P.1666–1667.
7. Johnson C. The unreachable poles defect in LQR theory: analysis and rem-
edy // Int. J. Control.— 1988.— V.47.— P.697–709.
8. Пакшин П. В., Ретинский Д. М. Робастное управление нелинейными
системами случайной структуры. // Известия РАН. Теория и системы
управления.— 2003.— №1.— С.29–34.
1089
УДК 629.113.5.014
РАЗРАБОТКА УПРАВЛЕНИЯ ДВС АВТОМОБИЛЯ СО

СТРУКТУРОЙ КРУТЯЩЕГО МОМЕНТА
Пискунов А. Г.,
OOO «НПП ЭЛКАР», Москва,
e-mail: piskunov@elcar.ru
Bauer S. M.
Siemens VDO Automotive AG, Regensburg, Germany,
e-mail: software@elcar.ru
Принципиальные подходы к реализации моментного управления авто-

мобильными двигателями
Все мы знаем, что за последние годы функциональность и сложность

встраиваемых автоматизированных систем управления драматически уве-
личилась. Один из примеров таких систем — электронное управление ав-
томобильным ДВС.
Как показывает мировая практика, выполнение постоянно ужесто-
чающихся требований к ограничению загрязнения окружающей среды ав-
томобилями с бензиновыми двигателями возможно только при повышении
точности поддержания состава отработавших газов автомобильного бензи-
нового двигателя, что связано с повсеместным применением каталитиче-
ских нейтрализаторов отработавших газов. При переходных процессах, ко-
гда скорость изменения циклового наполнения велика, обеспечить требуе-
мую точность без принципиально новых решений весьма проблематично.
Решить проблему управления составом отработавших газов возможно пу-
тем замены механической связи между положением педали акселератора и
дроссельной заслонки электрической. Применение электрически управ-
ляемой дроссельной заслонки позволяет ограничить скорость изменения ее
положения и, как следствие, скорость изменения циклового наполнения,
что приводит к существенному повышению точности его измерения. Это
дает возможность реализовать управление подачей топлива обеспечиваю-
щее управление составом отработавших газов, с необходимой точностью.
Для понимания организации структуры управления рабочим процес-
сом двигателя рассмотрим как же выглядит контур управления скоростью
автомобиля? С одной стороны, положение педали акселератора, с другой
текущая скорость автомобиля (или ее изменение). Между ними двигатель с
его системой управления преобразующий положение педали в значение
эффективного крутящего момента (рис. 1).
1090
Рис.1. Структура управления рабочим процессом в ДВС.
Рассмотрим случай интерпретации положения педали акселератора

как значения эффективного крутящего момента. Водитель, изменяя вели-
чину крутящего момента двигателя, имеет возможность управлять как ха-
рактером изменения скорости автомобиля, так и самой скоростью. Для
обеспечения устойчивости управления в системе управления рабочим про-
цессом двигателя необходимо реализовать статический регулятор частоты
вращения двигателя, рабочая точка которого определяется текущим со-
стоянием и условиями движения автомобиля, входным параметром кото-
рого является положение педали акселератора, а выходным — уставка эф-
фективного крутящего момента двигателя. Причем, этот регулятор оказы-
вается включенным последовательно во внешний контур управления ско-
ростью автомобиля, где полученный эффективный момент двигателя реа-
лизуется в виде текущей скорости автомобиля, учитываемой водителем
при формировании воздействия на педаль акселератора
Понимание характера процессов при управлении автомобилем дает
нам возможность представить структуру системы управления двигателем в
терминах крутящего момента. Как представляется (с точки зрения калиб-
ровки системы), система управления должна состоять из двух основных
звеньев. Первое должно включать функции управления рабочим процес-
сом обеспечивающие реализацию двигателем уставки крутящего момента
и второе, включающее пропорциональный регулятора частоты вращения
коленчатого вала двигателя и преобразующий положение педали акселера-
тора а уставку эффективного крутящего момента. Кратко коснемся вопро-
са выбора характеристики этого регулятора. Следствием низкой крутизны
регуляторной характеристики будет являться низкая устойчивость под-
держания скорости автомобиля. Водитель будет вынужден постоянно из-
менять положение педали акселератора в процессе управления автомоби-
лем, однако, при такой регулировке обеспечивается наиболее благоприят-
ный отклик автомобиля на требование изменения скорости. При высокой
крутизне регуляторной характеристики упрощается поддержание постоян-
ной скорости автомобиля, однако ухудшается качество управления связан-
1091
ное с изменением его скорости, что особенно проявляется при движении
автомобиля в потоке с малой скоростью. Необходимый компромисс в вы-
боре регуляторной характеристики, определяется как характеристиками,
так и назначением автомобиля и может быть достигнут, только в процессе
проведения адаптационных работ в реальных эксплуатационных условиях.
Рис. 2. Выбор регуляторной характеристики при управлении эффективным моментом.
Предельными значениями эффективного крутящего момента двига-

теля, которыми может распоряжаться водитель, будут являться с одной
стороны, значения эффективного крутящего момента двигателя по внеш-
ней скоростной характеристике за вычетом внешних потребителей, а с
другой, значения эффективного крутящего момента механических потерь
двигателя (естественно, что сюда входят и крутящий момент внутренних
потребителей).
При анализе структуры системы управления использующей в каче-
стве управляющего параметра эффективный крутящий момент двигателя
мы сталкиваемся с трудностями, связанными со сложностью определения
минимального эффективного крутящего момента двигателя. И если при
частоте вращения коленчатого вала двигателя соответствующей режиму
ограничения минимальной частоты вращения возможно использование ре-
гулятора частоты вращения для определения текущей величины мини-
мального крутящего момента двигателя, то в остальном диапазоне частот
вращения коленчатого вала информация о механических потерях в двига-
теле (с требуемой точности) отсутствует.
1092
Решить эту проблему позволяет переход от использования эффек-
тивного крутящего момента двигателя к индикаторному. Это тем более
возможно, так как при управлении автомобилем нас не интересует абсо-
лютное значение эффективного крутящего момента двигателя, а лишь из-
менение скорости автомобиля, вызванное изменением крутящего момента.
Это является следствием того, что двигатель оказывается последовательно
включенным во внешний контур управления скоростью автомобиля.
Рис. 3. Выбор регуляторной характеристики при управлении индикаторным моментом.
Итак, перейдя от использования эффективного крутящего момента к

индикаторному мы переходим к структуре системы управления рабочим
процессом двигателя, в которой в качестве управляющего параметра ис-
пользуется индикаторный момент двигателя. При таком подходе с точки
зрения управления автомобилем не важно, какой рабочий процесс исполь-
зуется непосредственно в самом двигателе. Это может быть бензиновый
двигатель с впрыском топлива во впускную систему, бензиновый двига-
тель с непосредственным впрыском или дизельный двигатель. Поведение
автомобиля, с этой точки зрения управления скоростью будет одинаковым.
Рассмотрим, как же может выглядеть структура системы управления
рабочим процессом двигателя, использующая в качестве управляющего
параметра индикаторный крутящий момент двигателя, на примере органи-
зации управления бензиновым двигателем с впрыском топлива во впуск-
ную систему. Уставка индикаторного момента двигателя, сформированная
пропорциональным регулятором частоты вращения коленчатого вала по
1093
положению педали акселератора, суммируется с запросом эффективного
крутящего момента от внешних потребителей и с запросом индикаторного
момента от потребителей внутренних (с точки зрения самого двигателя).
Полученный результат должен быть ограничен индикаторным моментом
по внешней характеристике двигателя или какими либо другими условия-
ми, связанными, например, с ограничениями на выбросы с отработавшими
газами. Далее необходимо ограничить скорость изменения полученной ус-
тавки индикаторного момента до допустимых, с точки зрения требований
поддержания заданного состава отработавших газов и качества управления
скоростью автомобиля пределов. При этом, необходимо выделить высоко-
частотную составляющую спектра колебаний уставки индикаторного мо-
мента двигателя с целью возможной компенсации введенных фильтром за-
держек путем изменения угла опережения зажигания. Такой подход позво-
ляет при низкой динамике изменения циклового наполнения сохранить
достаточную динамику изменения крутящего момента, хотя и не полном
объеме.
Рис. 4. Структура системы управления с использованием индикаторного момента ДВС.
Используя регулировки двигателя, описывающие связь между

илликаторным крутящим моментом и цикловым наполнением двигателя,
можно определить требуемое цикловое наполнение, соответствующее те-
кущей уставке индикаторного момента и реализовать его управляя дрос-
сельной заслонкой с электрическим приводом. В процессе расчета величи-
ны иллового наполнения необходимо учитывать запросы на изменение
эффективности рабочего процесса двигателя связанные как с процессами
управления температурой отработавших газов, так и с переходом на каче-
ственное управление мощностью двигателя. Реальное цикловое наполне-
ние, полученное на основании результатов измерения потребления воздуха
1094
двигателем, используется для расчета цикловой подачи топлива, угла опе-
режения зажигания и других регулировок двигателя.
Противоречия при разработке встраиваемых систем
Использование методов математического моделирования для разра-

ботки алгоритмов управления сложных систем сегодня стало традицион-
ным. Использование таких средств как Simulink, существенно повышают
эффективность разработки. Но они решают лишь часть проблем на пути
создания сложного конечного продукта, каким является встраиваемая сис-
тема управления, работающая в режиме жесткого реального времени. На
этом пути возникает трудно преодолимый барьер между принципиально
различными предметными областями — прикладной областью автомати-
ческого управления и специфической областью системного программиро-
вания. Инженер по управлению и программист мыслят абсолютно разны-
ми понятиями и используют разные критерии оценки результата. Даже ис-
пользование встроенной возможности Simulink генерировать Си-код из
блок-диаграмм не решает конечной задачи, поскольку не гарантирует
ичество кода и не снимает необходимости использовать программистов
для построения финальной системы. А значит, вышеописанный барьер со-
храняется. В данном докладе будет показано совершенно новый подход
использования Simulink для полного исключения программирования при
реализации конечного продукта, которым является встраиваемая система
управления.
Все мы знаем, что за последние годы функциональность и сложность
автоматизированных систем управления драматически увеличилась. Один
из примеров таких систем — электронное управление автомобильным
ДВС. Поддержанное возросшей мощностью микроконтроллеров, это раз-
витие привело к быстрому увеличению размера и сложности контроллер-
ного ПО. В прошлом, достижимый уровень функциональности встраивае-
мых систем управления предопределялся оборудованием и производи-
тельностью микроконтроллеров. Теперь же, все более и более лимити-
рующим фактором является процесс развития самого ПО.
Критичные для управления ДВС требования к безопасности, режим
жесткого реального времени, сложность самого объекта управления при-
водят к чрезвычайно высоким затратам на разработку встраиваемых сис-
тем управления.
Большой проблемой является необходимость глубоких знаний в
предметной области для проектирования этих систем. В то же время тре-
бование высокой эффективности и жесткого реального времени предопре-
деляет необходимость в высокой квалификации программистов, создаю-
щих встраиваемое ПО.
1095
При проектировании встраиваемой системы управления с использо-
ванием традиционных технологий эти противоречивые требования приво-
дят к очень высоким затратам на процесс разработки и сильно ограничи-
вают достижимую функциональность и надежность конечной системы.
Особенно если принять во внимание частую модификацию объектов
управления и периодическое возрастание требований к функциональности
(требований к токсичности выхлопа, безопасности, управляемости и т. д.).
Решение проблем — в новых технологиях
В настоящем докладе на примере использования принципов управ-

ления индикаторным моментом ДВС представлена новая технология раз-
работки встраиваемых систем управления автомобильными ДВС, которая
получила название MSEpro. Она основана на возможности автоматической
генерации кода из блок-диаграмм, присущей пакету Simulink.
В основу данной технологии положены следующие идеи:
• полностью исключить из процесса разработки встраиваемого ПО
необходимость знания программирования;
• предоставить возможность прикладному инженеру полностью
самому выполнять всю разработку функций управления вплоть до
получения финального кода встраиваемой системы управления;
• предоставить прикладному инженеру легкий и понятный язык для
описания функций управления, позволяющий легко и безопасно
модифицировать функции управления, повторно использовать их
в новых разработках;
• гарантировать высокое качество финального кода за счет сквоз-
ной автоматизации процесса разработки высоко интеллектуаль-
ными программными инструментами.
Использование и эффективность данной технологии разработки бу-
дет продемонстрировано на примере системы управления автомобильным
ДВС со структурой крутящего момента.
Краткий обзор технологии MSEpro
Для реализации базовых идей процесса разработки в состав блоков

Simulink добавлена специализированная библиотека функций для проекти-
рования СУ ДВС. Эта библиотека содержит около 50 блоков и служит
чрезвычайно удобным и наглядным языком для создания алгоритмов
функций управления.
1096
Рис. 5. Библиотека функций MSEpro в Simulink.
Все блоки в библиотеке имеют интеллектуальное поведение:

• используют данные в физической форме вместе с их единицами
измерения и умеют правильно понимать их;
• автоматически масштабируют данные в арифметических опера-
циях, приводя их к общим базовым единицам измерения;
• автоматически конвертируют данные из физической формы в
ишинную форму целевого микроконтроллера и выполняют вы-
числения сразу с этой формой данных;
• автоматически проверяют допустимость данных в операциях по
их физическому диапазону и единицам измерения.
Основной подход при разработке этих функциональных блоков вы-
ражается идеей: разработчик работает с физической формой данных, а
функции исполняются с их машинным представлением.
Так, все ошибки, связанные с машинной формой данных целевого
микроконтроллера, будут выявлены уже в Simulink, что сильно улучшает
надежность встраиваемого кода, особенно при использовании целочислен-
ной арифметики.
Чтобы автоматизировать весь процесс разработки и гарантировать
корректную обработку данных и их использование в последующих проек-
тах, все данные снабжаются детальными описаниями и хранятся в центра-
лизованном хранилище — наборе параметров. Под параметром понимает-
ся любой элемент данных, используемый в технологии, хранящийся со-
вместно с его описанием.
В основе описания каждого параметра лежит небольшой перечень
базовых единиц измерения. Они могут быть скомбинированы для создания
сложных единиц измерения и используются для описания значений дан-
ных. Такой подход позволяет контролировать использование данных в
1097
операциях и автоматически масштабировать их при необходимости. Вы
можете легко складывать минуты и миллисекунды, километры и
иллиметры, получая корректный результат. Это сильно упрощает ис-
пользование данных и делает алгоритм независимым от их машинной
формы и величины.
Для быстрого и легкого создания параметров в технологии MSEpro
используется специальный программный инструмент — Data Manager.
Рис. 6. Менеджер подготовки данных готовит данные для Simulink.
От позволяет быстро создавать сложные описания данных. все дан-

ные хранятся в физической форме и могут быть скомпилированы под лю-
бую целевую платформу микроконтроллера.
Другой важной особенностью библиотеки MSEpro является интел-
лектуальное поведение функций при доступе к данным. Данные могут
быть представлены различными формами. Один и тот же параметр может
быть постой переменной (константой), вектором или таблицей. Все эти
формы данных читаются одной и той же библиотечной функцией — Read-
Parameter(). Эта функция всегда возвращает результат операции чтения па-
раметра в виде числа. При чтении сложных данных она автоматически ис-
пользует линейную интерполяцию. Так, вы можете менять форму ваших
данных «на лету». И это не приводит к изменению алгоритма и его кода.
Пример разработки функций управления по технологии MSEpro
Рассмотрим использование инструментов MSEpro на примере созда-

ния реальной функции управления с использованием индикаторного мо-
мента ДВС. Пусть эта функция будет подавлять колебания скорости вра-
1098
щения, возникающие в трансмиссии. На рисунках ниже представлены мо-
дели такой функции с использованием описываемой технологии.
Рис. 7. Вычисление индикаторного момента ДВС.
Поскольку спектр колебаний трансмиссии совпадает со спектром ре-

ального поведения частоты вращения, в функции используется следующий
алгоритм. На основе фильтрованного сигнала частоты вращения расчиты-
вается индикаторный момент ДВС (рис. 7). Из рисунка видно, как Симу-
лину использует физические величины с размерностями.
По значению момента вычисляется расчетное значение скорости
вращения, которое служит опорным значением для вычисления отклоне-
ний скорости, вызванных колебаниями трансмиссии. (рис. 8).
pFREQM
—
pFREQTORQF —
Z -1
-1
Z
pDBFREQMOD1
cTIMSYN20ms x pDBFREQMOD2 x
:
+ pFREQDEV cvFREQOSC15
qHFILFREQDIF +
0.1591 [1] qCFILFREQDIF x
+
x
— 2 [1]
x
:
x —
-1 -1
Z Z
pDBFREQDIF2 pDBFREQDIF1
Рис. 8. Модель фильтра колебаний частоты вращения.
Значение выходного параметра используется для записи входной ко-

ординаты cvFREQOSC15 табличной функции.
1099
Рис 9. Координатный вектор cvFREQOSC15 табличной функции.
Рис. 10. Параметр табличной функции qTORQOSCCOR.
yellow
pFREQM
qTORQOSCCOR
x
pTORQINDOSC
:
x magenta
1.0000 [1] —
460.00 [gm2] x
1.00 [rev] 20 [ms] cyan

pFREQDEV
Рис. 11. Модель функции подавления колебаний.
Эта табличная функция вычисляет коэффициент подавления колеба-

ний. На рис. 11 Видно, как для чтения значения из этой таблицы использу-
ется универсальная функция библиотеки ReadParameter(qTORQOSCCOR).
На рис. 12 показан процесс работы разработанной функции, где жел-
тый цвет — исходная скорость вращения, розовый — скорректированная
частота вращения, голубой — отклонения на входе регулятора.
1100
Рис. 12. Результат работы функции подавления колебаний.
Из приведенных примеров видно, что алгоритм каждой функции

управления начинается с блоков чтения параметров. Далее следует обра-
ботка данных и заканчивается записью результата в параметры. Таким об-
разом, каждая функция не имеет традиционных для Simulink внешних свя-
зей и ограничена всего одним окном. Вы можете легко сохранять ее в под-
системе или библиотеке, просто перетаскивать в другие проекты. Алго-
ритм становится очень наглядным и простым для понимания.
Важным компонентами библиотеки являются специализированные
функции чтения/записи параметров с возможностью внешнего вмешатель-
ства в этот процесс. Вы можете разорвать процесс записи в параметр из ал-
горитма или операционной системы и подменить данные из внешнего ис-
точника. Вы можете сделать это как в Simulink, так и в финальном коде
системы.
Так, эти блоки позволяют использовать отключать сигналы датчиков
или результаты расчетов и вводить вместо них данные вручную или из
файла. Т. е. вы имеете возможность записать данные на реальном объекте
(на автомобиле, едущем по городу) и использовать этот файл для проверки
поведения функций управления в своем компьютере или в готовом микро-
контроллере. И это поведение будет абсолютно тем же, что и на реальном
объекте управления.
В приведенном выше примере использовался блок чтения данных из
файла (рис. 13), в котором происходило чтение реальной бортовой записи
автомобиля.
1101
'Trq_1.txt'
Priority=1
Рис. 13. Блок чтения файла данных библиотеки MSEpro.
Автоматическая генерация кода
Как только вы имеете необходимые модели функций, технология

предоставляет удобный инструмент для сборки всей системы управления и
генерации финального кода: System Builder.
Process list
File list
Event list
Generated
code
Рис. 14. Инструмент System Builder.
В используемой операционной системе EMOS каждая функция

управления исполняется в ответ на то или иное событие операционной
системы. Вы просто кладете файл модели функции управления на строку
события операционной системы, связывая их. Так собирается весь проект.
Далее нажатием всего одной кнопки запускается автоматическая генерация
кода и сборка системы. System Builder обращается к Simulink и получает от
него готовый Си-код из моделей функций. На выходе инструмента мы
имеем готовый HEX-файл, который можно загрузить в память микрокон-
троллера и посмотреть его работу.
1102
Рис. 15. Калибровочный инструмент MSEpro
Как показано на реальном примере, для разработки функций управ-

ления и получения готового продукта не нужны программисты. Не нужно
сложное имитирующее оборудование. Специалист в прикладной области
может сделать всю работу сам и в очень короткое время, гарантируя каче-
ство финального кода.
Данная технология неизмеримо повышает производительность труда
прикладного инженера и является дальнейшим развитием технологий, за-
ложенных в пакет Simulink.
1103
УДК 519.6
ОПРЕДЕЛЕНИЕ ДИСПЕРСИЙ СОБСТВЕННЫХ ЧИСЕЛ

МАТРИЦЫ СТОХАСТИЧЕСКИХ ЭЛЕМЕНТОВ С
ПОМОЩЬЮ ПАКЕТА MATLAB
Полницкий Д. А.
«Военмех» им. Д. Ф. Устинова, Санкт-Петербург,
e-mail: polndima@yandex.ru
При проектировании систем автоматического управления часто в ка-

честве их моделей используются системы линейных (линеаризованных)
дифференциальных уравнений, представляемые для удобства анализа в
матричной форме [1, 2, 3]. Одной из типовых задач в этом случае является
задача нахождения собственных чисел матрицы состояния, которые опре-
деляют переходные процессы системы.
Одним из моментов, который не учитывается в линейных и линеари-
зованных моделях динамических систем управления является стохастич-
ность физических параметров системы. Стохастичность параметров обу-
словлена следующими факторами:
• учет постепенного старения и износа элементов во время рабо-
ты и хранения;
• учет разброса параметров элементов при их изготовлении;
• учет изменения параметров элементов под воздействием
внешних условий (температура, влажность, давление и пр.).
В реальных условиях, когда параметры систем могут быть заданы
только их математическими ожиданиями и дисперсиями, часто необходи-
мо оценить смещение реальных значений собственных чисел системы от
их начальных значений.
Рассмотрим нахождение дисперсии собственных чисел для двух слу-
чаев.
A. Элементы матрицы являются случайными независимыми
параметрами системы.
Для вектора случайных параметров можно определить математиче-
ское ожидание maij ∈ R S и дисперсию σ a2ij ∈ R S , тавляющие которых соот-
ветственно равны:
∞
maij = ∫ aij f (aij )daij , ∀i, j = 1,2,..., S (1)
−∞
[ ]
∞ 0
σ = M (aij − M [aij ]) = ∫ a f (aij )daij , ∀i, j = 1,2,..., S
2 2 2
aij ij (2)
−∞
1104
Для краткости записи операцию осреднения в (1) будем обозначать
M , таким образом
∞
M[X ] = ∫ X ⋅ f ( X )dX
−∞
(3)
Согласно [1], можно написать

M [Λ(µ )] = H −1M [ A(µ )]H , (4)
где M [Λ(µ )] - матрица собственных чисел матрицы A(µ ) , H -матрица соб-
ственных векторов матрицы M [ A(µ )] .
Доказано [3], что матрицы собственных векторов H для матриц
M [ A(µ )] и A(µ ) можно считать равными при следующих допущениях:
• в системах присутствует достаточно большое число случайных
параметров;
• влияние стохастической составляющей случайного коэффици-
ента на его абсолютную величину мало;
• система обладает малой чувствительностью выходного резуль-
тата к изменению любого из стохастических параметров.
Учитывая это, для каждого из собственных чисел матрицы Λ можно
написать следующее равенство:
S S
λk = ∑∑ hik hkj−1aij , (5)
i =1 j =1
−1
где hik и h элементы матрицы собственных векторов и обратной ей соот-
kj
ветственно.
Равенство (5) устанавливает взаимосвязь между элементами матри-
цы и ее собственными числами. По своей сути произведение hik hkj−1 имеет
смысл удельного веса коэффициента матрицы А в собственном числе мат-
рицы А.
В наших допущениях собственные числа матрицы А могут быть ве-
щественными и комплексно-сопряженными. Причем и в том и другом слу-
чае собственные числа являются многомерными случайными величинами.
Учитывая принятые допущения, сведем вещественное собственное число к
модели одномерной случайной величины, а комплексно-сопряженные соб-
ственные числа к двумерным случайным величинам. Поясним последнее
рисунком (см. рис. 1).
1105
Im ( λ )
B C
0
λ M  Im ( λi ) 
А D
M  Re ( λi )  Re ( λ )
Рис 1. Модель случайной комплексной величины.
Стохастическое собственное число можно представить в виде [3]:

λi (aij ) = mλi + λ i ,
0
(6)
где λi (aij ) — стохастическое собственное число; mλi — его математическое
0
ожидание; λ i — стохастическая составляющая.
А под стохастическим комплексным числом будем подразумевать
следующее:

 Re (λi (aij )) = Re mλi + Re
0 
λi  ( )
 
 . (7)
Im(λ (a )) = Im m + Im λ i  ( )
0
λi
 i ij
 
С учетом (6) перепишем равенство (5):
S S
0
 0

mλk + λk = ∑∑ hik hkj−1  maij + aij  . (8)
i =1 j =1  
Ввиду справедливости равенства для математических ожиданий
S S
mλk = ∑∑ hik hkj−1maij , (9)
i =1 j =1
справедливо и равенство для случайных составляющих:

0 S S 0
λk = ∑∑ hik hkj−1 aij (10)
i =1 j =1
Возведем в квадрат (10) и произведем операцию осреднения.

0 0
Заметим, что если m и n независимые случайные величины, то для
них справедливы следующие соотношения:
1106
 0 0
 если M n
  = M m = 0,

  0  2   0  2 
то M  m   = σ m , M  n   = σ n ,
2 2
(11)
      

M m⋅ n  = ρ  m, n  = 0.
0 0 0 0
    
 0 0
Здесь ρ  m, n  — корреляционный момент двух случайных величин. Он
 
характеризует влияние одной случайной величины на другую и тождест-
венно равен нулю для независимых случайных величин. Тогда
S S
σ λk = ∑∑ hik hkj−1σ a2ij .
2
(12)
i =1 j =1
Таким образом, формула (12) позволяет получить дисперсию веще-

ственного собственного числа. В случае комплексной пары чисел
λk ,k +1 = α k ± − 1 ⋅ β k равенство (10) можно разложить на два других:
 0   S S 0 
Re
  k λ = Re 
 ∑∑ h h
ik kj
−1
a ij 

    i =1 j =1 
 . (13)
   0  S S 0 
λ k  = Im ∑∑ hik hkj a ij 
−1
Im
     
  i=1 j =1 
Для вещественной и мнимой частей (13) следуют два равенства:
   S S  2
2
σ α =  Re ∑∑ hik hkj   σ a

2 −1
 k   i =1 j =1   ij

 2
. (14)
 2   S S  2
σ βk =  Im ∑∑ hik hkj   σ aij
−1
   i=1 j =1 
Тогда дисперсию комплексного числа можно представить следующим об-
разом:
σ λ2k ,k +1 = σ α2k + jσ β2k , ∀k = 1,2,...S . (15)
Подобное представление дисперсии не означает, что для комплекс-
ного числа имеет место комплексная дисперсия, запись (15) удобно ис-
пользовать для представления результатов расчета дисперсий собственных
чисел, полученных с помощью ЭВМ.
1107
Б. Элементы матрицы зависят от случайных параметров, т. е. в
общем случае зависимы между собой.
Рассмотрим случай Б параллельно с примером расчета дисперсии
собственных чисел матрицы состояния системы с двигателем постоянного
тока (см. рис. 2).
Для вектора случайных параметров можно определить математиче-
ское ожидание mµi ∈ R S и дисперсию σ µ2i ∈ R S , составляющие которых со-
ответственно равны:
∞
mµi = ∫ µi f (µi )dµi , ∀i = 1,2,..., S (16)
−∞
[ ]
∞ 0
σ µi = M (µi − M [ µi ]) = ∫ µi2 f (µi )dµi , ∀i = 1,2,..., S
2 2
(17)
−∞
U U
f7
k13
k6 k7 k9
k2 k3
T6 p + 1 p p
k8
k10
Рис. 2. Модель системы с двигателем постоянного тока.
На рис. 2 представлена модель системы с двигателем постоянного

тока. Стохастические коэффициенты этой системы будут являться коорди-
натами вектора случайных параметров
f (µ ) = f (k2 , k3 , k6 , k7 , k8 , k9 , k10 , k13 , f 7 , T6 ) (18)
Не останавливаясь подробно на описании этой системы и ее коэф-
фициентах, отметим, что матрица состояний системы будет иметь вид[2]:
 a11 (µ ) a12 (µ ) a13 (µ )
 
A(µ ) =  a21 (µ ) a22 (µ ) 0 , (19)
 0 a23 (µ ) 0 

где
1108
1 k (k k k + k )
a11 (µ ) = − ; a12 (µ ) = − 6 3 9 10 8 ;
T6 T6
k 2 k3 k 6
a13 (µ ) = − ; a21 (µ ) = k7 ; (20)
T6
a22 (µ ) = − k7 f 7 ; a32 (µ ) = k9 .
0
Причем случайные составляющие элементов матрицы a ij (µ ) в силу
своей малости можно найти с помощью дифференцирования аналитиче-
ского выражения для коэффициента по всем составляющим вектора слу-
чайных параметров:
S ∂a (µ ) 0
a ij (µ ) = aij (µ ) − M [aij (µ )] = ∑ ij
0
µn . (21)
n =1 ∂µ n
Таким образом, получим
1 0
a11 (µ ) = 2 T6 ;
T6
k6 k9 k10 0 k3 k9 k10 + k8 0 k3 k6 k10 0
a12 (µ ) = − k3− k6− k9−
T6 T6 T6
k3 k 6 k9 0 k 0 k (k k k + k ) 0
− k 10 − 6 k 8 + 6 3 9 210 8 T 6 ;
T6 T6 T6
k3 k 6 0 kk 0 kk 0 kkk 0
a13 (µ ) = − k 2 − − 2 6 k 3 − − 2 3 k 6 + − 2 32 6 T 6 ; (22)
T6 T6 T6 T6
0
a21 (µ ) = k 7 ;
0 0
a22 (µ ) = − f 7 k 7 − k7 f 7 ;
0
a32 (µ ) = k 9 .
Для нашего примера справедливо (5). Значит, можно пользоваться
зависимостями (6)–(10) и (13). Но следует учесть, что теперь коэффициен-
ты не являются независимыми, т. е. корреляционный момент двух коэф-
фициентов не равен нулю.
Найдем дисперсии коэффициентов матрицы состояний (20), пользу-
ясь формулами (22).
1109
1 2
σ a211 = σT ;
T64 6
2 2 2
k k k  k k k +k  k k k 
σ 2
a12 =  6 9 10  σ k23 +  3 9 10 8  σ k26 +  3 6 10  σ k29 +
 T6   T6   T6 
 k (k k k + k ) 
2 2
k k k  k 
+  3 6 9 σ k210 +  6  σ k28 +  6 3 9 210 8  σ T26 ;
 T6   T6   T6 
2 2 2 2
k k  k k  k k  k k k 
σ 2
a13 =  3 6  σ k22 +  2 6  σ k23 +  2 3  σ k26 +  2 32 6  σ T26 ; (23)
 T6   T6   T6   T6 
σ a221 = σ k27 ;
σ a222 = f 72σ k27 + k72σ 2f7 ;
σ a232 = σ k29 .
Некоторые ненулевые корреляционные моменты элементов матрицы
A( µ ) :
0
1 k6 ( k3 k9 k10 + k8 ) 2
ρ  a11 , a12  =
0 0
2
σ T6 ;
  T6 T62
1 kkk
ρ  a11 , a13  = 2 2 32 6 σ T26
0 0
  T6 T6
k6 k9 k10  k2 k6
 2
ρ  a12 , a13  = −
0 0
σ k3 − −
   T6  T6
k k k + k8  k2 k3  2 k6 ( k3 k9 k10 + k8 )  k2 k3 k6  2
− 3 9 10 −  σ k6 +   σ T6 ; (24)
T6  T 6  T62  T6
2

k3 k6 k10 2
ρ  a12 , a 32  = −
0 0
σ k9 ;
  T6
0 0 
ρ  a 21 , a 22  = − f 7σ k27 .
 
Далее воспользуемся формулой (10), учитывая (24) и (23). Возведем
обе части (10) в квадрат и осредним, получим
 S S  S S
−1   0 0
σ λk =  ∑∑ hik hkj  ∑∑ hmk hkl−1  ρ  a ij , a ml 
2
(25)
 i =1 j =1  m =1 l =1   
или
1110
 2
( ) ( )
S S S S
0 0 
 α k ∑∑∑∑
σ ρ
−1 −1
= Re h h
ik kj Re h h
mk kl  a ij , a ml 
 i =1 j =1 m=1 l =1  
 (26)
( ) ( )
S S S S
σ 2 =  0 0

 βk ∑∑∑∑
Im hik hkj−1 Im hmk hkl−1 ρ  a ij , a ml 
i =1 j =1 m=1 l =1  
0 0  0 0  0 0 
где, ρ  a ij , a ml  = ρ  a ml , a ij , ρ  a ij , a ij  = σ a2ij , ∀i, j = 1,2,..., S .
     
Очевидна громоздкость аналитических вычислений при подстановке
(22) в (26). Для автоматизации расчета в общем случае, когда известна за-
висимость коэффициентов матрицы А от случайных параметров системы,
т. е. aij = f (µ ) , можно случайные составляющие коэффициентов матрицы
0
представить векторами в пространстве случайных параметров µ , т. е.
0
a ij = [ f1 (µ1 ), f 2 (µ 2 ),..., f S (µ S )]T . (27)
Тогда операция нахождения корреляционного момента будет эквивалентна
операции нахождения скалярного произведения для векторов в декартовых
координатах:
0 0 
ρ  a ij , a ml  = f1 ij (µ1 ) f1aml (µ1 )σ µ21 +
a
  (28)
+ f 2 (µ 2 ) f 2 (µ 2 )σ µ22 + ... + f N ij (µ N ) f N ml (µ N )σ µ2N .
aij aml a a
Представляя случайную составляющую в виде (27), следует отдельно

рассмотреть вопрос нормировки в пространстве, базис которого задан век-
тором случайных параметров. В качестве масштаба в направлении какого-
либо из ортов необходимо выбирать корень из дисперсии его параметра.
Тогда, записав случайные составляющие коэффициентов матрицы А
в виде
 ∂aij (µ ) 0 
 ∂µ µ 1 
 1 
0  ij µ ) µ0 
∂ a (
a ij (µ ) =  ∂µ 2  ∀i, j = 1,2,..., S , (29)
 2

 ∂a (...µ ) 0 
 ij
µS 
 ∂µ S 
для рассматриваемого примера получим:
1111
0  1 
a11 (µ ) = 0 0 0 0 0 0 0 0 σ T ;
 T62 6 
0  kkk k k k +k k
a12 (µ ) = 0 − 6 9 10 σ k3 − 3 9 10 8 σ k6 0 − 6 σ k8 ...
 T6 T6 T6
k3k6 k10 k3 k 6 k9 k6 (k3k9 k10 + k8 ) 
... σ k9 σ k10 0 σ T6 ;
T6 T6 T62 
0  kk k 2 k6 k 2 k3 k 2 k3 k 6 
a13 (µ ) = − 3 6 σ k2 − σ k3 − σ k6 0 0 0 0 0 2
σ T6 ; (30)
 T6 T6 T6 T6 
{ }
0
a 21 (µ ) = 0 0 0 σ k7 0 0 0 0 0;
(µ ) = {0 }
0
a 22 0 0 − f 7σ k7 0 0 0 − k7σ f7 0;
(µ ) = {0 }
0
a 32 0 0 0 0 σ k9 0 0 0.
Таким образом, можно использовать операцию скалярного произве-
дения для получения корреляционных моментов многомерных случайных
величин.
Учитывая алгоритм получения дисперсии собственного числа при
зависимых коэффициентах матрицы А, можно свести процесс вычисления
дисперсии собственных чисел при независимых коэффициентах к той же
последовательности действий.
В случае независимых коэффициентов нужно сформировать вектор
случайных параметров следующим образом:
 a11 
a 
µ =  12  , (31)
 ... 
 
aSS 
Выбор последовательности коэффициентов в качестве координат
вектора случайных параметров принципиального значения не имеет. Важ-
но, что представленные таким образом случайные параметры, сохраняют
свою независимость в вычислениях. Можно пользоваться алгоритмом вы-
числения дисперсии, соответствующем формуле (26), если представить
случайные составляющие коэффициентов в векторном виде:
σ a11   0   0 
0  0  0 σ  0  0 
a 11 =  , a 11 =  21  ,... a SS = 
a 
 ...   ...   ...  . (32)
     
 0   0  σ
 SS 
a
1112
Это необходимо для общности подхода к решению данной задачи,
т. к. подобное универсальное представление данных поможет и пользова-
телю, и программисту, перенастраивающему алгоритм на другую структу-
ру, избежать дополнительных ошибок, а также сократит техническую до-
кументацию программы.
Формулы (32) можно получить с помощью более общей зависимости
(29). Действительно, при подстановке (31) в (29) получим:
 ∂aij (µ ) 
 ∂a σ a 11 
 ij   0 
 ∂aij (µ )  
 ∂a σ i 12 
0 
a
 
0  ij
  ... 
a ij (µ ) =  ...  = , ∀i, j = 1,2,..., S . (33)
∂a
 ij ( µ )  σ
 SS 
 ∂a σ aij   ... 
a
 ij
  
 ...   0 
 ∂aij (µ ) σ 
 ∂µ S aSS

Таким образом, в обоих случаях разложение элементов матрицы в базисе
вектора случайных параметров можно производить по формуле (29).
Необходимо отметить, что предложенный алгоритм не определяет
закон распределения собственных чисел исследуемой матрицы. С учетом
принятых допущений, можно считать нормальным законом распределения
собственных чисел случай, когда случайные параметры имеют нормаль-
ный или различные законы распределения и равномерный закон — в слу-
чае равномерного закона распределения случайных параметров.
Следует учесть, что алгоритм решения поставленной задачи сложен
для аналитического решения, поэтому он будет реализован на ЭВМ в среде
MATLAB. Также нужно отметить, что большинство операций алгоритма
достаточно просты в реализации. Относительно сложной является опера-
ция символьного дифференцирования, необходимая для (29), поэтому она
вынесена за рамки предложенной методики. Код программы расчета дис-
персий собственных чисел матрицы со стохастическими элементами све-
ден в функцию, описание которой приведено в приложении 1.
1. Евланов Л. Г., Константинов В. М. Системы со случайными парамет-
рами.— М.: Наука, 1976.— 568 с.
2. Андриевский Б. Р. Анализ систем в пространстве состояний.— СПб.:
ИПМаш РАН, 1997.— 206 с.
3. Куриленко А. М., Ледовский А. Д. Качество судовых динамических сис-
тем управления.— Л.: Судостроение, 1994.— 176 с.
1113
Приложение 1. Код программы. Файл dlambda.m
% function [sig,Mlam]=dlambda(A,dA,sigmaA)
% функция вычисляет дисперсию собственных чисел матрицы А.
% Ограничения, принимаемые при расчете:
% 1. Применение расчета обосновано при достаточно большом количестве случайных параметров
системы, малого влияния стохастической составляющей случайного коэффициента на его
абсолютную величину, а также малой чувствительности выходного результата к изменению
любого из них.
% 2. Собственные числа матрицы А могут быть вещественными и комплексно-сопряженными,
метод не распространяется на случай кратных собственных чисел.
% 3. Вещественные собственные числа сведены к модели одномерной случайной величины, а
комплексно-сопряженные - к двумерной, т. е. комплексная дисперсия, полученная в результате
расчета, будет характеризовать дисперсию мнимой части собственного числа.
% 4. закон распределения собственных чисел принимается нормальным, в случае нормального
закона распределения случайных параметров либо различных законов распределения и
равномерным, в случае их равномерного распределения.
function [sig,Mlam]=dlambda(A,dA,sigmaA)
% A - квадратная матрица n x n, n-порядок матрицы

% dA - матрица m x n*n. m — количество стохастических элементов системы. Характеризует
взаимовлияние элементов матрицы А. Если все элементы независимы между собой, то это
единичная матрица n*n x n*n, если взаимовлияние присутствует (элементы матрицы А есть
функции параметров системы), то это матрица значений частных производных элементов
матрицы А по координатам вектора стохастических параметров. Составляется по следующему
правилу:
% a(i,j)=F(X), X-вектор длины m.
% dA=[da(1,1)/dX(1)... da(i,j)/dX(1) ... da(n,n-1)/dX(1) da(n,n)/dX(1);
% … … … … … …
% da(1,1)/dX(j)… da(i,j)/dX(j) ... da(n,n-1)/dX(j) da(n,n)/dX(j);
% … … … … … …
% da(1,1)/dX(m) ... da(i,j)/dX(m)...da(n,n-1)/dX(m) da(n,n)/dX(m)];
% значения матрицы dA вычисляются при невозмущенных параметрах.
% sigmaA - матрица среднеквадратических отклонений (СКО) элементов матрицы А.
% sig - диагональная матрица дисперсий собственных чисел матрицы А
% Mlam - диагональная матрица собственных чисел матрицы А
n=size(A,1);
m=size(dA,1);
% преобразование матрицы СКО системы к строке для удобства дальнейших вычислений

for i=1:n
for j=1:n
sigmaAstr(1,(i-1)*n+j)=sigmaA(i,j);
end
end
% нахождение члена da(i,j)/dx(j)*CKO(a(i,j))
for i=1:n^2
dsigmaA(1:m,i)= sigmaAstr(1,i).*dA(1:m,i);
end
[H,sch]=eig(A);
iH=inv(H);
Mlam(1:n,1:n)=0;
VSig(1:m, 1:n)=0;
1114
% Вычисление дисперсий собственных чисел
for k=1:n
for i=1:n
for j=1:n
for ii=1:n
for jj=1:n
VSig(1:m,k)=VSig(1:m,k)+Real(H(i,k)*iH(k,j))*Real(H(ii,k)*…
…iH(k,jj)).*dsigmaA(1:m,(i-1)*n+j).*dsigmaA(1:m,(ii-1)*n+jj);
VSig(1:m,k)=VSig(1:m,k)+Imag(H(i,k)*iH(k,j))*Imag(H(ii,k)*…
…iH(k,jj)).*dsigmaA(1:m,(i-1)*n+j).*dsigmaA(1:m,(ii-1)*n+jj)*sqrt(-1);
end
end
Mlam(k,k)=Mlam(k,k)+H(i,k)*iH(k,j)*A(j,i);
end
end
end
sig=diag(sum(VSig,1));
1115
УДК 519.977.55
СИНТЕЗ ОПТИМАЛЬНЫХ ЦИФРОВЫХ СИСТЕМ

УПРАВЛЕНИЯ С ПОМОЩЬЮ ПАКЕТА DIRECTSDM
Поляков К. Ю., Розенвассер Е. Н.

Государственный морской технический университет, Санкт-Петербург,
e-mail: kpolyakov@mail.ru
1. Введение
В последнее время в теории цифровых систем управления не-

прерывными объектами основное внимание уделяется так называемым
прямым (точным) методам синтеза регуляторов, при которых непрерывно-
дискретная система не сводится к стационарной непрерывной или дис-
кретной системе, а рассматривается непосредственно в непрерывном вре-
мени [1–4].
Наибольшее распространение получили методы «лифтинга» [1–3] и
«FR-оператора» [5], которые позволяют свести некоторые задачи оптими-
зации непрерывно-дискретных систем к аналогичным задачам для эквива-
лентных дискретных систем, полученных с помощью операций в про-
странстве состояний. Однако для некоторых практически важных случаев
метод «лифтинга» неприменим. Например, в работах [6–7] отмечались
серьезные проблемы, возникающие при построении эквивалентной дис-
кретной задачи для систем с запаздыванием.
Указанные методы не позволяют учесть структуру конкретной сис-
темы и не дают информации о порядке и структуре оптимального регуля-
тора и оптимальной системы.
Один из альтернативных подходов основан на концепции парамет-
рической передаточной функции [4] непрерывно-дискретной системы, ко-
торая является аналогом обычной передаточной функции (матрицы) ста-
ционарных систем. Вычислительные процедуры этого метода, реализован-
ные в одномерной версии пакета DIRECTSD [8–9], во многом строятся на
использовании полиномиальных уравнений. Такой подход позволил изба-
виться от некоторых промежуточных этапов в алгоритме синтеза и полу-
чить явные выражения для порядка оптимальных регуляторов [10–14].
В настоящем докладе представляется многомерная версия пакета,
названная DIRECTSDM, в которой реализованы полиномиальные алгорит-
мы прямого синтеза оптимальных цифровых регуляторов для управления
многомерными непрерывными объектами. В частности, реализована про-
цедура решения L2 -задачи для цифровых систем, которая является
вырожденной и допускает множественность решений. Теоретической
1116
денной и допускает множественность решений. Теоретической базой этих
алгоритмов являются результаты работ [15–18].
Для повышения надежности алгоритмов синтеза в настоящей статье
предлагается комбинированная процедура, позволяющая сочетать пре-
имущества частотного подхода, который дает возможность строить квад-
ратичные функционалы в частотной области для широкого класса систем,
и эффективность вычислительных алгоритмов, основанных на использова-
нии уравнений Риккати. Методика, описанная ниже и реализованная в па-
кете DIRECTSDM, позволяет строить эквивалентные дискретные модели в
пространстве состояний для всех задач оптимизации цифровых систем, ко-
торые сводятся к минимизации квадратичного функционала.
Пакет DIRECTSDM построен на основе объектно-ориентированных
технологий и предназначен для использования в среде MATLAB версии
6.0 и выше. Для его работы необходим пакет Control Systems Toolbox.
Пакет несовместим с коммерческим пакетом Polynomial Toolbox
(http://www.polyx.com), поскольку некоторые функции имеют одинаковые
имена.
2. Структуры данных
Для описания элементов системы управления используются два типа

структур данных:
• полиномиальные и квазиполиномиальные матрицы (т. е., рациональ-
ные матрицы, имеющие полюса только в начале координат);
• рациональные матрицы.
Полиномиальные матрицы реализованы как объекты нового класса
poln. Для ввода полиномиальных матриц с клавиатуры можно использо-
вать специальные переменные s, p, z, d и q, реализованные в виде функций.
Первые две переменные относятся к моделям непрерывных систем, ос-
тальные — к дискретным моделям. Например, при вводе
P = [ s+1 s^2+s-6
s^3 s-12 ]
среда MATLAB создает и выводит на экран полиномиальную матрицу
P: polynomial matrix: 2 x 2
s + 1 s^2 + s - 6
s^3 s - 12
Более того, пакет DIRECTSDM обеспечивает возможности для работы
с квазиполиномами с помощью объектов того же самого класса poln (толь-
ко для переменных z, d и q). Например, при вводе
P = [ z+1 z+1+z^-1
z^2-5 1+z^-2 ]
среда MATLAB создает и выводит на экран квазиполиномиальную матри-
цу
P: quazipolynomial matrix: 2 x 2
1117
z + 1 z + 1 + z^-1
z^2 - 5 1 + z^-2
Для хранения рациональных матриц используются стандартные объ-
екты пакета Control Systems Toolbox, предназначенные для описания моде-
лей стационарных линейных систем: tf (передаточная матрица), zpk (за-
пись в форме нулей, полюсов и коэффициента усиления) и ss (представле-
ние в пространстве состояний). В пакете DIRECTSDM переопределяются
функции вывода на экран для объектов tf и zpk, а также исправлены неко-
торые ошибки в функциях пакета Control Systems Toolbox (версий до 5.2
включительно) для работы с объектами класса zpk.
3. Операции с полиномиальными матрицами
Поскольку вычислительные процедуры синтеза оптимальных циф-

ровых регуляторов используют модели в форме полиномиальных матриц и
MFD (matrix fraction description) [19], пакет DIRECTSDM реализует основ-
ные алгоритмы для работы с полиномиальными (и квазиполиномиальны-
ми) матрицами. Это позволяет использовать его не только при исследова-
нии цифровых систем, но также и для решения алгебраических задач.
Для объектов класса poln переопределены все основные арифмети-
ческие операции (сложение, вычитание, умножение, деление), а также
транспонирование и инверсия для квадратных матриц. При выполнении
операций необходимо, чтобы все операнды имели одну и ту же независи-
мую переменную s, p, z, d или q). Приведем краткий перечень основных
функций этой группы.
Свойства полиномиальных матриц:
Coef коэффициент матрицы при члене заданной степени
Lcoef старший коэффициент матрицы
coldeg степени столбцов матрицы
rowdeg степени строк матрицы
deg наибольшая степень элементов матрицы
det определитель матрицы (полином)
eig собственные числа квадратной матрицы (корни определителя)
norm норма матрицы (Евклидова норма массива из коэффициентов)
polyval значение матрицы при заданном значении переменной
значение производной от матрицы при заданном значении пе-
polyder
ременной
rank ранг полиномиальной матрицы
корни определителя (для квадратной матрицы) или корни каж-
roots
дого из элементов
trace след матрицы
1118
Элементарные операции:
coladd сложение столбцов
colchg перестановка столбцов
colmul умножение столбца на полином
fliplr отражение слева направо
flipud отражение сверху вниз
rowadd сложение строк
rowchg перестановка строк
rowmul умножение строки на полином

Приведение к специальному виду:
colherm столбцовая форма Эрмита
rowherm строчная форма Эрмита
echelonl левая эшелонная форма
echelonr правая эшелонная форма
ltriang нижняя треугольная форма
utriang верхняя треугольная форма
colred столбцово-пониженная (column-reduced) форма
rowred строчно-пониженная (row-reduced) форма
smith каноническая форма Смита

Другие функции:
gcld наибольший общий левый делитель
gcrd наибольший общий правый делитель
invuni инверсия унимодулярной матрицы
jfact спектральная J -факторизация эрмитовой матрицы
null базис нуль-пространства матрицы
pinv псевдообратная матрица
lfact левая спектральная факторизация
1119
rfact правая спектральная факторизация
sylv построение блочной матрицы Сильвестра из коэффициентов

Решение матричных полиномиальных уравнений:
daxb уравнение AX=B
dxab уравнение XA=B
daxbyc уравнение AX+BY=C
dxaybc уравнение XA+YB=C
daxybc уравнение AX+YB=C

Операции с MFD:
построение полиномиальных матриц, удовлетворяющих тож-
bezout
дествам Безу [19]
lmfd левое непонижаемое MFD
lmfd2ss переход от левого MFD к модели в пространстве состояний
rmfd правое непонижаемое MFD
rmfd2ss переход от правого MFD к модели в пространстве состояний
ss2lmfd переход от модели в пространстве состояний к левому MFD
ss2rmfd переход от модели в пространстве состояний к правому MFD
rmfd2lmfd переход от правого MFD к левому
lmfd2rmfd переход от левого MFD к правому
3. H 2 -оптимальный регулятор для одноконтурной системы
3.1. Расширенная одноконтурная система
Пакет DIRECTSDM содержит функцию sdh2, реализующую алгоритм

синтеза H 2 -оптимального цифрового регулятора для многомерной одно-
контурной системы, структурная схема которой показана на рис. 1.
1120
Рис. 1. Структурная схема одноконтурной цифровой системы стабилизации.
Цифровой регулятор (в штриховом прямоугольнике) состоит из им-

пульсного элемента с периодом T , линейного цифрового фильтра с дис-
кретной передаточной матрицей C (z ) (от переменной z = e − sT ) и экстрапо-
лятора с передаточной функцией µ(s ) 1. Контур управления включает соб-
ственно объект управления F (s ) , привод G (s ) и динамическую отрица-
тельную обратную связь Q(s ) . Возмущение w(t ) и шум измерений
m(t ) описываются как независимые векторные стационарные случайные
процессы, порожденные формирующими фильтрами Fw (s ) и Fm (s ) , соот-
ветственно, после прохождения через них единичных белых шумов ξ(t ) и
η(t ) .
Сигнал выхода y (t ) представляет собой ошибку стабилизации. Зада-
ча состоит в том, чтобы обеспечить минимальную мощность сигнала вы-
хода при ограничениях на мощность управления. Для того чтобы иметь
возможность формировать частотные свойства системы нужным образом
(например, обеспечить низкую чувствительность регулятора в области вы-
соких частот) вводятся частотно-зависимые устойчивые весовые матрицы
V y (s ) и Vu (s ) , так что вектор выхода строится из сигналов z y (t ) и zu (t )
(см. рис. 1).
1
В настоящей версии в качестве экстраполятора могут использовать любые обобщен-
T
ные экстраполяторы с передаточной функцией вида µ( s ) = ∫0
CH e AH t BH dt , где AH ,
BH и C H — постоянные матрицы соответствующих размеров.
1121
Поскольку система является периодически нестационарной [4], дис-
персии непрерывных сигналов зависят от времени, но являются периодич-
ными с периодом T . Поэтому для оценки качества системы естественно
использовать сумму средних (по непрерывному времени) дисперсий вы-
ходных сигналов
T
1
J = ∫ E{z y ' (t ) z y (t ) + zu ' (t ) zu (t )} dt → min , (1)
T0
где штрих означает транспонирование, а E{⋅} — математическое ожида-
ние.
Предполагается, что выполнены следующие допущения2:
1. матрицы V y FFw , QFFw , QFm и QFG — строго правильные3, а V y FG и
Vu — по меньшей мере правильные;
2. матрица QFG — несократимая;
3. матрицы Fw , Fm , V y и Vu не имеют неустойчивых полюсов;
4. матрицы G и Q не имеют полюсов на мнимой оси;
5. все передаточные матрицы — нормальные в смысле [4], то есть, для
них матрица A в минимальной реализации ( A, B, C , D) — цикличе-
ская [19];
6. период квантования T — непатологический.
Допущение 1 необходимо для того, чтобы задача оптимизации была
корректной. Допущения 2 и 6 обеспечивают несократимость дискретной
модели непрерывной части замкнутого контура и стабилизируемость сис-
темы. Допущение 3 не ограничивает общности, поскольку для любой спек-
тральной плотности, не имеющей полюсов на мнимой оси, можно постро-
ить устойчивый формирующий фильтр. При нарушении допущения 4
формальное применение процедуры оптимизации дает регулятор, который
не является стабилизирующим (выводит систему на границу устойчиво-
сти). Допущение 5 практически всегда выполняется в реальных задачах и
служит для упрощения некоторых вычислительных алгоритмов.
Таким образом, задача заключается в том, чтобы при известных не-
прерывных элементах, интервале квантования T и экстраполяторе µ(s )
найти передаточную матрицу регулятора C (z ) , обеспечивающего мини-
мум критерия (1).
2
Здесь и далее аргументы передаточных матриц опускаются, если это не вызывает пу-
таницы.
3
Рациональная матрица W (s ) называется правильной, если lim W ( s ) = K w ≠ ∞ и
s →∞
строго правильной, если limW ( s ) = 0 .

s →∞
1122
3.2. Функция sdh2
Пример 1.
В качестве примера рассмотрим задачу синтеза H 2 -оптимального
регулятора для системы стабилизации на курсе танкера «Казбек», упро-
щенная модель которого имеет вид [20]
 0.051 
  1
F ( s ) =  (25s + 1) s  , G ( s ) = , Q( s) = 1 .
 0 .051  s + 1
 25s + 1 
Примем T = 1 и
1 0
Fw ( s ) = 1, Fm ( s ) = 0, V y ( s ) =  , Vu ( s ) = 1 .
 0 1 
В отличие от задачи, рассмотренной в [20], для управления используются
два сигнала обратной связи (угол рыскания и угловая скорость вращения),
то есть, регулятор имеет 2 входа и 1 выход.
В качестве экстраполятора применяется фиксатор нулевого порядка
с передаточной функцией
1 − e − sT
µ( s ) = .
s
Для описания системы, изображенной на рис. 1, используется струк-
тура языка MATLAB, содержащая поля с теми же именами, что и блоки
схемы. Для рассматриваемой системы
sys.F = tf({0.051; 0.051}, {[25 1 0];[25 1]} );
sys.G = tf(1, [1 1]);
sys.Fw = tf(1);
sys.Vu = tf(1);
sys.T = 1;
Обязательными полями структуры sys являются только sys.F , sys.G,
sys.Fw и sys.T. Если остальные поля не заданы, они принимают значения
по умолчанию:
sys.Fm = 0;
sys.Vy = eye(n);
sys.Vu = 0;
sys.Q = eye(n);
Здесь n обозначает количество выходов передаточной матрицы объекта
F (s ) , и eye(n) — единичная матрица соответствующего размера.
Результатом вызова функции
[C,P] = sdh2 ( sys )
является передаточная матрица оптимального регулятора C (z ) и полюса
замкнутой системы в плоскости z :
C: zero-pole-gain model 1 x 2
1123
! 0.98247 (z-0.3679) 17.4769 (z-0.3679) !
! —––––––––––––––––– —––––––––––––––––– !
! (z-0.3457) (z-0.3457) !
Sampling time: 1
P=
0.9627 + 0.0240i
0.9627 - 0.0240i
0.3679
0.3679
Поскольку все полюса находятся внутри единичного круга, опти-
мальная замкнутая система устойчива. Значение функции потерь (1) равно
0,0373 .
Полностью рассмотренный пример исследуется в демонстрационной
программе demoh2, входящей в состав пакета DIRECTSDM.
4. L2 -оптимальный регулятор для одноконтурной системы
4.1. Расширенная одноконтурная система
Рассмотрим одноконтурную многомерную следящую систему на

рис. 2.
Рис. 2. Структурная схема одноконтурной цифровой следящей системы.
Контур управления включает объект управления F (s ) , предфильтр

G (s ) , динамическую отрицательную обратную связь Q(s ) и цифровой ре-
гулятор C (z ) . Входной сигнал r (t ) имеет изображение по Лапласу R(s ) .
Задача системы состоит в наиболее точном воспроизведении желае-
мого сигнала ~ y (t ) , который определяется идеальным линейным операто-
ром с передаточной матрицей W y (s ) .
Для того чтобы ограничить сигнал управления, в [12] предложено
ввести идеальный оператор с передаточной матрицей Wu (s ) , задающий
желаемый сигнал управления u~ (t ) . Кроме того, для возможности форми-
1124
рования частотных свойств сигналов ошибок e y (t ) = y (t ) − ~ y (t ) и
eu (t ) = u (t ) − u~ (t ) , вводятся частотно-зависимые весовые матрицы V y (s ) и
Vu (s ) (в простейшем случае — диагональные постоянные матрицы).
Критерий качества включает собой сумму взвешенных интегральных
квадратических ошибок по выходу и управлению
∞
J = ∫ {z y ' (t ) z y (t ) + zu ' (t ) zu (t )} dt → min (1)
0
Предполагается, что выполнены следующие допущения:
1. матрицы V yW y R , VuWu R , GR и GQF — строго правильные, а V y F и
Vu — по меньшей мере правильные;
2. матрица GQF – несократимая;
3. матрицы R , W y и Wu не имеют неустойчивых полюсов;
4. матрицы G и Q не имеют полюсов на мнимой оси;
5. все передаточные матрицы — нормальные;
6. период квантования T – непатологический.
Допущение 1 необходимо для того, чтобы задача оптимизации была
корректной. Допущения 2 и 6 обеспечивают несократимость дискретной
модели непрерывной части контура и стабилизируемость системы. Если
допущение 3 не выполняется, система не стабилизируема. При нарушении
допущения 4 формальное применение процедуры оптимизации дает регу-
лятор, который не является стабилизирующим. Допущение 5 практически
всегда выполняется в реальных задачах и служит для упрощения некото-
рых вычислительных алгоритмов.
Задача L2 -оптимизации заключается в том, чтобы при известных не-
прерывных элементах системы, экстраполяторе µ(s ) и при заданном ин-
тервале квантования T найти оптимальный цифровой регулятор C (z ) ,
обеспечивающий устойчивость замкнутой системы и минимум критерия
(2).
4.2. Функция sdl2
Пример 2.
Чтобы продемонстрировать использование пакета DIRECTSDM, рас-
смотрим следящую систему на рис. 2 при
 1 
 0,5s + 1  1 0 
F (s) =   , G ( s ) = 1, Q( s ) =  .
 1   0 1 
 (0,5s + 1) s 
1125
0 0 
W y (s ) = 
0 1  , Wu ( s ) = [0 0] ,
 
1 
  1 0
R( s ) =  s  , V y (s ) =   , Vu ( s ) = 0, T = 1 .
1  0 1 
 
s
Она задается в виде структуры языка MATLAB следующим образом:
sys.F = tf( {1; 1}, {[0.5 1];[0.5 1 0]} );
sys.R = tf( {1; 1}, {[1 0]; [1 0]} );
sys.Wy = tf( {0 0;0 1}, {1 1;1 1} );
sys.T = 1;
Обязательными полями структуры sys являются только sys.F, sys.R,
sys.Wy и sys.T . Если остальные поля не заданы, они принимают значения
по умолчанию:
sys.G = eye(m);
sys.Q = eye(n);
sys.Vy = eye(n);
sys.Wu = 0;
sys.Vu = 0;
Здесь n обозначает количество выходов объекта F (s ) , m — размерность
вектора входных сигналов r (t ) , и eye(.) — единичная матрица соответст-
вующего размера. В качестве экстраполятора используется фиксатор нуле-
вого порядка.
Результатом вызова функции
[C,P] = sdl2 ( sys )
является передаточная матрица оптимального регулятора C (z ) и полюса
замкнутой системы в плоскости z :
C: zero-pole-gain model 1 x 2
!-0.44824(z-0.1175)(z-1) 1.3504(z^2-0.3709z+0.03901)!
!----------------------- --------------------------- !
! (z-0.4299) (z+1.052) (z-0.4299) (z+1.052) !
Sampling time: 1
P=
0
0
0.3673
-0.2329
Поскольку все полюса находятся внутри единичного круга, опти-
мальная замкнутая система устойчива. Значение функции потерь (2) равно
1,235 .
Полностью рассмотренный пример исследуется в демонстрационной
программе demol2, входящей в состав пакета DIRECTSDM.
1126
5. Эквивалентные дискретные модели в задачах оптимизации
стандартной цифровой системы
5.1. Стандартная цифровая система
Преимущество описанных выше полиномиальных (и вообще частот-

ных) методов решения оптимизационных задач заключается в том, что они
позволяют учесть конкретную структуру системы и таким образом вы-
явить обязательные сокращения при выполнении процедур синтеза опти-
мальных регуляторов. В то же время для каждой конкретной структуры
формулы фактически приходится выводить заново.
Удобным инструментом для анализа и синтеза систем управления
общего вида оказалось понятие так называемой стандартной цифровой
системы [3], изображенной на рис. 3.
ε w
P11 P12
y u
P21 P22
ST −K H
Рис. 3. Стандартная цифровая система.
Непрерывный обобщенный объект описывается операторными урав-

нениями
ε = P11w + P12u
,
y = P12 w + P22u
где w — вектор внешние сигналов (возмущения, помехи измерения и
т. п.), ε — выходной сигнал, имеющий смысл ошибки управления, y —
измеряемые сигналы, доступные управляющему устройству, u — вектор
управляющих сигналов.
Блок ST на рис. 3 обозначает идеальный импульсный элемент, рабо-
тающий с периодом T , блок K — линейный цифровой фильтр, реали-
зующий алгоритм управления, а блок H — экстраполятор. Сплошными
линиями показаны непрерывные сигналы, а штриховыми — дискретные.
Задача заключается в том, чтобы в заданных условиях (для заданного
класса входных сигналов w ) найти цифровой регулятор, минимизирую-
щий некоторую норму сигнала ошибки ε .
1127
5.2. Эквивалентная дискретная система
Особенность цифровых систем состоит в том, что они содержат как

непрерывные, так и дискретные элементы, которые описываются соответ-
ственно дифференциальными и разностными уравнениями. Это исключает
использование стандартных методов анализа и синтеза линейных стацио-
нарных систем и требует разработки специального математического аппа-
рата.
Большинство существующих методов прямого (точного) синтеза
сводятся к тому, что строится (явно или неявно) эквивалентная дискретная
модель задачи, которая затем решается с использованием методов теории
дискретных систем.
Методы лифтинга [1–3] и FR-оператора [5] предусматривают по-
строение соответствующей эквивалентной стандартной дискретной систе-
ме (рис. 4), обладающей следующим свойством: регулятор K обеспечива-
ет устойчивость замкнутой цифровой системы (рис. 3) и минимум нормы
ошибки ε на заданном классе входных сигналов w∈ W тогда и только то-
гда, когда он обеспечивает устойчивость дискретной системы (рис. 4) и
минимум нормы ошибки ε d на заданном классе входных сигналов
wd ∈ Wd :
K = arg min ε ⇔ K = arg min ε d . (3)
w∈W , K∈S wd ∈Wd , K∈Sd
В (3) через S обозначен класс регуляторов, стабилизирующих цифровую

систему на рис. 3, а через S d — класс регуляторов, стабилизирующих дис-
кретную систему на рис. 4.
εd wd
G11 G12
yd G21 G22 ud
−K
Рис. 4. Стандартная дискретная система.
В работах [1–3] получены эквивалентные дискретные модели задач

H 2 и H ∞ -оптимизации стандартной цифровой системы при условии, что
непрерывный объект описывается конечномерной моделью в пространстве
состояний. Необходимо отметить, что применяемый в [1-3,5] метод не ра-
ботает для некоторых практически важных классов цифровых систем, на-
пример, для систем с запаздыванием [21-23].
1128
С другой стороны, в [4, 20] разработан частотный метод, позволяю-
щий решать широкий класс задач оптимизации цифровых систем, в том
числе и для систем с запаздыванием. Однако соответствующие вычисли-
тельные алгоритмы, основанные на полиномиальных методах, «привяза-
ны» к конкретной структуре системы.
В настоящей статье, по-видимому, впервые, излагается реализован-
ный в пакете DIRECTSDM метод построения эквивалентной (в смысле (3))
стандартной дискретной системы для задач H 2 и L2 -оптимизации стан-
дартной цифровой системы.
Известно, что алгоритмы оптимизации в частотной области не явля-
ются грубыми с вычислительной точки, и предпочтительнее использовать
операции в пространстве состояний. Полученный результат позволяет пе-
рейти к дискретной модели в пространстве состояний для любой задачи,
которая сводится к квадратичному функционалу, в том числе для задач оп-
тимизации цифровых систем с элементами запаздывания.
5.3. Функционал качества в частотной области
Чаще всего для оценки величины ошибки ε(t ) при детерминирован-

ных возмущениях используется ее L2 -норма4 [3]
1/ 2
∞ 
ε 2 = ∫ ε' (t ) ε(t ) dt  ,
0 
где штрих означает операцию транспонирования и предполагается, что
ε(t ) = 0 при t < 0 .
Для системы со скалярным входом в качестве эталонного входного
сигнала выбирается единичный импульс (дельта-функция) δ(t ) . Если
w(t ) — векторный сигнал длиной m , качество системы оценивается вели-
чиной
1/ 2
m 2
J 0 = ∑ ε i 2  , (4)
 i =1 
где ε i (t ) — выходной сигнал при воздействии единичного импульса на
i -ый вход.
Поскольку цифровая система периодически нестационарна [4], L2 -
норма ошибки зависит (в отличие от непрерывных стационарных систем)
от момента приложения входного сигнала. Критерий (4) соответствует
случаю, когда единичные импульсы подаются на соответствующие входы
в момент t = 0 .
Рассмотрим величину
4
Предполагается, что эта величина конечна.
1129
1/ 2
m 2
J 0 τ =  ∑ ε iτ 2  , (5)
 i=1 
где ε iτ (t ) — выходной сигнал при воздействии единичного импульса на
i -ый вход в момент τ (0 ≤ τ < T ) . Поскольку момент τ точно неизвестен, в
качестве функции потерь естественно использовать усредненную (на ин-
тервале [0, T ] ) величину [3]
1/ 2
1 2 
T
J 1 =  ∫ J 0 τ dτ  , (6)
T 0 
которая получила название обобщенной H 2 -меры [24,25].
В [4, 15, 18] дана статистическая интерпретация функции потерь (6).
Поскольку цифровая система на рис. 3 — периодически нестационарная,
дисперсия ошибки зависит от времени, но является периодической с пе-
риодом T . Можно показать, что квадрат J1 совпадает с величиной средней
(по непрерывному времени) дисперсии ошибки при воздействии на вход
векторного белого шума с единичной матрицей спектральной плотно-
сти [4, 15]:
1/ 2
1 
T
J1 = ∫ E{ε' (t ) ε(t )} dτ , (7)
T 0 
где символ E{⋅} означает математическое ожидание. Поэтому величина J1
может быть названа H 2 -нормой цифровой системы.
Как показано в [4,15,18], задачи оптимизации цифровых систем отно-
сительно функций потерь (3)-(7) сводятся к минимизации функционала
вида
J=
1
∫
2πj Γ
[
tr M * A0 MA1 + BM + M * B* + R
dz
z
, (8) ]
на множестве допустимых регуляторов. Здесь j = − 1 , символ tr обозна-
чает след матрицы. Кроме того, A0 ( z ) = A0* ( z ) , A1 ( z ) = A1* ( z ) , B( z ) и
R( z ) — рациональные матрицы соответствующих размеров, и
M ( z ) = K [I − DK ] ,
−1
(9)
где D ( z ) — рациональная матрица, представляющая собой дискретную
модель приведенной непрерывной части контура управления. Верхний ин-
декс * обозначает эрмитово-сопряженную матрицу, которая для функций
переменной z вычисляется как F * ( z ) = F ' ( z −1 ) .
Непосредственная минимизация функционала (8) в частотной облас-
ти с использованием метода Винера-Хопфа сложна с вычислительной
точки зрения и приводит к значительным ошибкам, особенно для много-
мерных систем. Для того чтобы использовать методы синтеза в простран-
1130
стве состояний, обладающие лучшей вычислительной устойчивостью, тре-
буется построить некоторую дискретную стандартную систему, которая
будет эквивалентна исходной цифровой системе в смысле условия (3). Ре-
шение этой задачи приводится далее.
5.4. Условия эквивалентности
В теории дискретных систем классической является задача миними-

зации H 2 -нормы дискретной передаточной матрицы стандартной системы
(рис. 4)
Tεw ( z ) = G11 + G12 M d G21 , (10)
где Gik ( z ) (i, k = 1,2) — дискретные передаточные матрицы соответствую-
щих блоков и
M d ( z ) = K [I − G22 K ] .
−1
(11)
Для решения этой задачи существуют эффективные вычислительные ме-
тоды, основанные на использовании пространства состояний и уравнений
Риккати [3]. В частотной области задача сводится к минимизации функ-
ционала
1 dz 1 dz
∫ ∫
2
J d = Tε w 2 = tr Tε*wTε w = tr Tε wTε*w =
2π j Γ z 2π j Γ z
1 dz
= ∫ tr G21M d G12G12 M d G21 + G11G12 M d G21 + G21M d G12G11 + G11G11 
* * * * * * * *
.
2π j Γ z
Используя свойство следа произведения матриц tr AB = tr BA , получаем
1 dz
Jd = ∫ tr  M d* G12* G12 M d G21G21 + G21G11* G12 M d + M d* G12* G11G21 
* *
2π j Γ z
(12)
1 dz
2π j Γ∫
+ *
tr G11G11 .
z
Таким образом, для решения поставленной задачи требуется постро-
ить матрицы Gik ( z ) (i, k = 1,2) стандартной дискретной системы так, что ре-
гулятор K обеспечивает устойчивость цифровой системы (рис. 3) и мини-
мум критерия (8) тогда и только тогда, когда он обеспечивает устойчи-
вость дискретной системы (рис. 4) и минимум критерия (12).
Заметим, что функции потерь (8) и (12) имеют одинаковую форму.
Кроме того, при выборе
G22 ( z ) = D( z ) (13)
получаем M d ( z ) = M ( z ) . В дальнейшем будем выбирать матрицу G22 ( z )
эквивалентной дискретной системы в соответствии с (13).
Известно, что оптимальный стабилизирующий регулятор, обеспечи-
вающий минимум функционала (8), определяется (если он существует)
1131
только матрицами A0 , A1 и B в (8). Поэтому достаточно выбрать матрицы
G11 , G12 и G21 так, чтобы обеспечить выполнение равенств
A0 ( z ) = G12* G12 , (14)
A1 ( z ) = G21G21 ,
*
(15)
B( z ) = G21G11G12 .
*
(16)
Далее будет показано, что выполнение равенства (16) не обязатель-
но. Поэтому будем различать следующие два типа эквивалентных дис-
кретных систем.
Определение 1. Эквивалентной дискретной системой полного по-
рядка будем называть модель вида (10), для которой выполняются равен-
ства (14)-(16).
Определение 2. Эквивалентной дискретной системой пониженного
порядка будем называть модель вида (10), для которой выполняется усло-
вие эквивалентности (3) и порядок минимальной реализации стандартной
системы меньше, чем для полной модели.
Отметим, что для системы пониженного порядка условие (16) может
нарушаться. Однако упрощение системы не должно изменять оптималь-
ный регулятор (модель должна быть эквивалентна исходной системе в
смысле (3)).
5.5. Эквивалентная дискретная система полного порядка
Предположим, что матрицы A0 ( z ) и A1 ( z ) неотрицательно опреде-

лены на единичной окружности и имеют ранги и m , соответственно. То-
гда, используя результаты [26], можно показать, что существуют фактори-
зации
* Q0  Q 
[ ]
*
A0 ( z ) = U 0   [Q0 0] U 0 , A1 ( z ) = U1  1  Q1* 0 U1* , (17)
0
   0 
где U i ( z ) (i = 1,2) — унимодулярные полиномиальные матрицы5, а
Qi ( z ) (i = 1,2) — квадратные рациональные матрицы полного ранга, так что
матрица Q0 имеет размеры × , а матрица Q1 — размеры m × m .
Далее будем предполагать, что рациональная матрица B в (8) такова,
что справедливо представление
~
−1 −1  B 0
U1 BU 0 =  , (18)
 0 0 
~
где B ( z ) — рациональная матрица размером m × .
5
Унимодулярной называется полиномиальная матрица, определитель которой есть не-
нулевая постоянная, не зависящая от переменной z .
1132
Очевидно, что равенства (14)–(15) выполняются при выборе
Q 
G12 ( z ) = [Q0 0] U 0 , G21 ( z ) = U1  1  . (19)
0
 
В этом случае при выполнении допущения (18) выбор матрицы G11 опре-
деляется из условия (16), которое дает
~
 B 0 Q1  * Q1G11* Q0 0
 =   G11 [Q0 0] = 
−1 −1
U1 BU 0 =  , (20)
 0 0   0   0 0 
откуда следует
[ ~
]
G11 ( z ) = Q1−1 B Q0−1 * . (21)
Заметим, что если матрицы A0 ( z ) и/или A1 ( z ) имеют неполный ранг,
то полученная эквивалентная H 2 -задача является вырожденной и для ее
решения необходимо использовать специальные алгоритмы, учитывающие
эту особенность. В пакете DIRECTSDM реализован алгоритм, предложен-
ный в [27].
Для использования стандартных методов синтеза в пространстве со-
стояний требуется, чтобы все матрицы дискретной модели были правиль-
ными, то есть,
lim Gik = const ≠ ∞, (i, k = 1,2) .
z →∞
Матрицы D( z ) , A0 ( z ) и A1 ( z ) — правильные по построению во всех
рассматриваемых задачах [4,15], поэтому матрицы G12 , G21 и G22 — также
правильные. В то же время матрица G11 , найденная в соответствии с (21),
может оказаться неправильной. При этом
~
G11 ( z ) = G11 ( z ) + F11 ( z ) ,
~
где G11 ( z ) — правильная матрица, а F11 ( z ) — полиномиальная матрица,
такая, что F11 (0) = 0 . Представим передаточную матрицу замкнутой систе-
мы (10) в виде
~
Tεw ( z ) = Tεw ( z ) + F11 ( z ) ,
~
где рациональная матрица Tεw ( z ) — правильная по построению. Тогда
функцию потерь для эквивалентной дискретной системы можно выразить
как
1 dz
2πj ∫Γ
Jd = tr T *
T
εw εw =J d 1 + J d 2 + J d 3 + J d 4 ,
z
где
1 ~ ~ dz 1 ~ dz
J d1 =
2πj Γ∫ tr Tε*wTεw , J d 2 =
z 2πj Γ ∫ tr Tε*w F11 ,
z
1 ~ dz 1 dz
Jd3 =
2πj Γ∫ tr F11*Tεw , J d 4 =
z 2πj Γ ∫ tr F11* F11
z
.
1133
Поскольку предполагается, что замкнутая система устойчива, все
полюса ее передаточной матрицы Tεw , а значит и все полюса передаточной
~
матрицы Tεw , находятся внутри единичного круга. Тогда все полюса мат-
~
рицы Tε*w расположены вне единичного круга. Отсюда, учитывая, что
F11 содержит множитель z , по теореме о вычетах получаем J d 2 = 0 . По-
скольку J d 3 = J d 2 = 0 , имеем
1 ~ * ~ dz 1 dz
2πj ∫Γ z 2πj ∫Γ
Jd = tr TεwT εw + tr F *
11 F11 .
z
Учитывая, что матрица F11 не зависит от выбора регулятора, прихо-
дим к выводу, что при построении оптимального регулятора можно игно-
рировать F11 и использовать стандартную дискретную систему с переда-
точной матрицей
~
G11 ( z ) G12 ( z ) 
G( z) =  .
G
 21 ( z ) G 22 ( z ) 
В качестве альтернативного варианта можно применить известное
свойство H 2 -нормы дискретной передаточной матрицы:
2
2 1
X ( z) 2 = m X ( z) ,
z 2
где m > 0 — целое число. Выберем достаточно большое m так, чтобы пе-
редаточная матрица G11 / z m была правильной. Тогда исходная задача оп-
тимизации цифровой системы эквивалентна задаче минимизации H 2 -
нормы передаточной матрицы дискретной стандартной системы, в которой
дискретный объект описывается передаточной матрицей
G11 ( z ) / z m G12 ( z ) / z m 
G( z) =  .
 G21 ( z ) G22 ( z ) 
Этот способ несколько хуже предыдущего, поскольку в модели объ-
екта появляются дополнительные полюса в точке z = 0 .
5.6. Эквивалентная дискретная система пониженного порядка
Как видно из (21), матрица G11 эквивалентной системы полного по-

рядка в общем случае содержит полюса, которые являются нулями матриц
Q0* и Q1* . Это повышает порядок (число состояний минимальной реализа-
ции) эквивалентной дискретной системы, что нежелательно. В этом разде-
ле рассматривается способ построения эквивалентной дискретной модели,
свободный от этого недостатка.
1134
Перейдем к переменной ζ = 1 / z в функционале (8) и во всех матри-
цах. Соответствующие передаточные матрицы от ζ будем обозначать чер-
той сверху. Построим пары лево- и право-взаимностых полиномиальных
матриц, {al (ζ ), bl (ζ )} и {ar (ζ ), br (ζ )} соответственно, реализующих непо-
нижаемые (irreducible) MFD [19] для матрицы
G22 (ζ ) = G22 ( z ) z =1 / ζ = al−1bl = br ar−1 . (22)
Тогда существуют полиномиальные матрицы X r 0 (ζ ) и Yr 0 (ζ ) , такие
что [19]
alYr 0 + bl X r 0 = I ,
где I — единичная матрица соответствующего размера. При этом множе-
ство всех стабилизирующих регуляторов K (ζ ) и множество соответст-
вующих допустимых матриц M (ζ ) параметризуется в виде [28,29,15]
K (ζ ) = ( X ro + ar Ψ )(Yr 0 − br Ψ ) −1 . (23)
M (ζ ) = ( X ro + ar Ψ ) al . (24)
где Ψ (ζ ) — произвольная устойчивая (не имеющая полюсов внутри и на
границе единичного круга) рациональная матрица. При использовании
подстановки (24) с учетом равенства tr AB = tr BA задача сводится к мини-
мизации функционала
~
J =
1
2πj ∫Γ
[tr Ψ *~
A0 Ψ
~ ~
A1 + B Ψ + Ψ * ~*
B + R]
~ dζ
ζ
, (25)
на множестве устойчивых дробно-рациональных матриц Ψ (ζ ) . Здесь6

~
A0 = ar* A0 ar , (26)
~
A1 = al A1al* , (27)
~ ~ ~
B ( z ) = al B ar + A1 X r*0 ar−* A0 , (28)
~
R ( z ) = R + al X r 0 A0 X r 0 al A1 + B X r 0 al + al X r 0 B ,
* * * * *
(29)
~ ~
Далее предполагается, что матрицы A0 и A1 имеют ранги и m , со-
ответственно. Тогда они могут быть факторизованы в виде
* Q0  Q 
[ ]
*
~ ~
A0 (ζ ) = U 0   [Q0 0] U 0 , A1 (ζ ) = U1  1  Q1* 0 U1* , (30)
0
   0
где U i (ζ ) (i = 1,2) — унимодулярные полиномиальные матрицы, а
Qi (ζ ) (i = 1,2) — квадратные рациональные матрицы полного ранга, так
что матрица Q0 имеет размеры × , а матрица Q1 — размеры m × m .
~
Кроме того, предполагается, что матрица B такова, что
6
Здесь и далее используется обозначение F
−*
[
(ζ ) = F * (ζ ) ]
−1
.
1135
~
−1~ −1  B0 0
U BU 0 = 
1 , (31)
 0 0
~
где B0 ( z ) — рациональная матрица размером m × . Это условие обеспе-
чивает наличие минимума у вырожденного функционала (25) [27].
Подставляя (28) и (30) в (31), получаем
~
−1 ~ −1 −1 −1  B02 0
U1 B U 0 = U1 al B arU 0 +   ,
 0 0 
~
где B02 (ζ ) — некоторая рациональная матрица размером m × .
Отсюда следует, что для выполнения (31) необходимо
~
−1 −1  B01 0
U1 al B arU 0 =  , (32)
 0 0 
~
где B01 (ζ ) — некоторая рациональная матрица размером m × .
Обозначим
~
Ψ (ζ ) = U 0 Ψ U 1 . (33)
Поскольку полиномиальные матрицы U 0 и U1 — унимодулярные по
~
построению, устойчивость матрицы Ψ равносильна устойчивости Ψ . Ра-
~
зобьем матрицу Ψ на блоки, так что
~ Ψ Ψ1 
Ψ (ζ ) =  0 , (34)
Ψ
 2 Ψ 3
где матрица Ψ0 (ζ ) имеет размеры m × . Можно показать (см. [27]), что

при выполнении (30) и (31) оптимальная матрица Ψ0 должна быть выбра-
на из условия минимума невырожденного функционала
J0 =
1
2πj ∫Γ
tr[Q1 Ψ
* * *
Q Q
0 0 Ψ Q 1 +
~
B0 Ψ + Ψ] * ~ * dζ
B0
ζ
→ min ,
(35)
а устойчивые матрицы Ψi (i = 1,… ,3) могут быть выбраны произвольно и
не влияют на значение функционала качества (25). Отметим, что этот при-
ем обобщает результаты, полученные в [29,30] для вырожденных функ-
ционалов типа (25).
Будем предполагать, что матрицы Q0 и Q1 выбраны так, что все их
нули и полюса устойчивы (находятся вне единичного круга в плоскости
ζ ). Известно [28,29,15], что в этом случае оптимальная матрица Ψ0 , обес-
печивающая минимум функционала (35), может быть вычислена как
Ψ0opt (ζ ) = −Q0−1{L}+ Q1−1 ,
где
~
L(ζ ) = Q0−* B0Q1−*
1136
и {⋅}+ обозначает устойчивую часть правильной сепарации [28,15]:
L(ζ ) = {L}+ + {L}−
где матрица {L}+ — устойчивая, а {L}− — строго неустойчивая и строго
правильная. Таким образом, матрица {L}− не влияет на оптимальный ре-
гулятор, и это дает некоторую свободу в выборе матриц эквивалентной
дискретной модели.
Учитывая (26), (27) и (30), для выполнения условий
A0 (ζ ) = G12* G12 , A1 (ζ ) = G21G21*
можно выбрать
Q 
G12 (ζ ) = [Q0 0]U 0 ar−1 , G21 (ζ ) = al−1U1  1  .
0
По определению матрица G11 для модели полного порядка определя-
ется равенством
B (ζ ) = G21G11* G12 ,
~
Q1  * Q1G11* Q0 0  B01 0
U1 al B arU 0 =   G11 [Q0 0] = 
−1 −1
= . (36)
0  0 0  0 0
Тогда получаем
~ * −*
G11 (ζ ) = Q0−* B01Q1 . (37)
В этом случае имеем
~
L1 (ζ ) = Q0−* B01Q1−* = G11 .
{L1}+ = {G11}+ .
Это значит, что в качестве (1,1)-блока эквивалентной системы пониженно-
го порядка вместо (37) можно использовать
G11s (ζ ) = {G11}+ .
При этом оптимальная матрица Ψ0 не изменится, поэтому также не меня-
~
ется множество оптимальных матриц Ψ (при произвольном выборе устой-
чивых Ψi (i = 1,…,3) ) и, как следствие, соответствующее множество опти-
мальных регуляторов (23).
Необходимо учесть, что для того, чтобы использовать процедуру
синтеза оптимального регулятора в пространстве состояний, стандартная
система должна быть стабилизируема и детектируема. Можно показать,
что в случае, когда матрица G22 (в минимальной реализации) имеет неус-
тойчивые полюса, стандартная система с матрицей G11s в (1,1)-блоке имеет
неуправляемые и/или ненаблюдаемые неустойчивые моды. Для того чтобы
обеспечить управляемость/наблюдаемость этих мод, надо сохранить в
1137
(1,1)-блоке эквивалентной стандартной системы все слагаемые в сепарации
G11 , полюса которых совпадают с полюсами G22 .
Пусть справедливо разложение
{G11}− = G0 + Gu
где G0 (ζ) — строго правильная матрица, полюса которой совпадают с по-
люсами матрицы G22 , а Gu (ζ ) — строго правильная матрица, не имеющая
общих полюсов с G22 . Тогда в качестве (1,1)-блока эквивалентной стан-
дартной системы надо выбрать
G11r (ζ ) = G11s + G0 = {G11}+ + G0 . (38)
Передаточные матрицы эквивалентной стандартной модели вычис-
ляются путем подстановки ζ = 1 / z :
G (ζ ) G12 (ζ ) 
G ( z ) =  11r  .
G
 21 ( ζ ) G22 ( ζ )  ζ =1/ z
5.7. Синтез оптимальных регуляторов с помощью пакета DIRECTSDM
Пример 3.
Продемонстрируем эффективность предлагаемой методики на при-
мере синтеза оптимального регулятора в задаче H 2 -оптимизации цифро-
вой системы с запаздыванием (рис. 5), для которой неприменимы сущест-
вующие методы перехода к эквивалентной стандартной дискретной систе-
ме [1–3, 5].
Рис. 5. Цифровая система стабилизации с запаздыванием.
Объект управления с передаточной функцией F ( s ) подвергается

воздействию стохастического стационарного внешнего возмущения, кото-
рое моделируется как единичный белый шум, прошедший через форми-
рующий фильтр Fw ( s ) .
Цель управления заключается в минимизации средней (по непре-
рывному времени) дисперсии ошибки ε(t ) . Для этого используется цифро-
1138
вой регулятор K ( z ) с фиксатором нулевого порядка (с передаточной
функцией H ( s ) = (1 − e − sT ) / s ). Вычислительное запаздывание моделирует-
ся звеном e − sτ . Все непрерывные элементы, а также интервал квантования
T , предполагаются известными, передаточная функция регулятора K ( z )
подлежит определению. Далее принимаются значения
1 2
F ( s ) = , Fw ( s ) = , T = 1 , τ = 0,5 .
s s+2
Необходимо отметить, что эта задача не может быть решена с ис-
пользованием лифтинга и метода FR-оператора, поскольку система вклю-
чает звенья чистого запаздывания.
Стандартная цифровая система задается объектом с передаточной
матрицей
 FFw Fe − sτ 
P( s) =  − sτ 
.
 − FFw − Fe 
В системе MATLAB она может быть задана следующим образом:
F = tf(1, [1 0]);
Fw = tf(2, [1 2]);
T = 1;
G = tf(1);
G.iodelay = 0.5;
sys = [ F*Fw F*G
-F*Fw —F*G];
Для построения эквивалентных дискретных моделей для задачи H 2 -
оптимизации стандартной цифровой системы используется функция
sdh2dmod:
out2 = 1;
in2 = 1;
options.method = 'basic';
dsys = sdh2dmod ( sys, out2, in2, T, options );
Первый параметр этой функции — непрерывный обобщенный объект
стандартной системы, второй — число сигналов обратной связи, третий —
число сигналов управления, четвертый — период квантования. Поле
method структуры options, передаваемой как пятый параметр, позволяет
задать тип модели. В приведенном выше варианте строится модель полно-
го порядка (‘basic’), которая имеет размерность минимальной реализации
5. После приведения к канонической модальной форме эта модель имеет
вид
a=
x1 x2 x3 x4 x5
x1 1 0 0 0 0
x2 0 -0.2679 0 0 0
x3 0 0 -0.2187 0 0
x4 0 0 0 0.1353 0
x5 0 0 0 0 0
1139
b=
u1 u2
x1 -1.086 1.086
x2 0.3349 0
x3 -0.213 0
x4 1.826 0
x5 0 1.34
c=
x1 x2 x3 x4 x5
y1 -0.9211 -1.457 -1.468 -0.1 0
y2 -0.9211 0 0 -0.4626 0.3732
d=
u1 u2
y1 0.07331 -0.2113
y2 0 0
Для построения модели пониженного порядка применяется метод
‘reduced’(он используется по умолчанию):
options.method = 'reduced';
dsys = sdh2dmod ( sys, out2, in2, T, options );
Эта модель имеет размерность минимальной реализации 3, что существен-
но упрощает вычислительную сложность алгоритмов и повышает точность
вычислений:
a=
x1 x2 x3
x1 1 0 0
x2 0 0 0
x3 0 0 0.1353
b=
u1 u2
x1 0.9533 -0.9533
x2 0 -1.706
x3 1.195 0
c=
x1 x2 x3
y1 -1.049 0 0.02046
y2 1.049 -0.2932 -0.2432
d=
u1 u2
y1 -0.8213 0.7887
y2 0 0
Далее для синтеза оптимального регулятора остается вызвать функ-
цию h2reg:
K = h2reg ( dsys, out2, in2 )
1140
которая возвращает реализацию оптимального цифрового регулятора в
пространстве состояний:
a=
x1 x2
x1 -0.7475 0
x2 0 0.1326
b=
u1
x1 -1.268
x2 0.03009
c=
x1 x2
y1 1.005 0.1648
d=
u1
y1 1.743
Если эквивалентная дискретная модель сама по себе не нужна, для
синтеза оптимального регулятора можно использовать функцию sdh2std:
[K,Poles] = sdh2std(sys, out2, in2, T, options)
Она строит эквивалентную дискретную модель (полного или пониженного
порядка, в зависимости от типа, указанного в структуре options) и вызыва-
ет функцию h2reg, реализующую процедуру синтеза оптимального регуля-
тора для дискретного объекта в пространстве состояний [27]. Результатом
последнего вызова являются оптимальный регулятор и полюса замкнутой
системы:
K: zero-pole-gain model 1 x 1
! 1.7434 z (z-0.1137) !
! --------------------- !
! (z-0.1326) (z+0.7475) !
Sampling time: 1
Poles =
0
0
-0.2679
-0.2187
Для вычисления критерия качества (в данном случае — H 2 -нормы
цифровой системы на рис. 3) с помощью пакета DIRECTSDM применим
функцию sdnorm:
J = sdnorm(sys, K, 'h2')^2;
Полученное значение J = 0.759 .
1141
Пример 4.
Далее рассмотрим задачу синтеза L2 -оптимального регулятора для
системы, исследованной в примере 2. Соответствующая стандартная сис-
тема имеет передаточную матрицу
− V yW y R V y F 
P ( s ) =  − VuWu R Vu 
 
 GR − GQF 
и может быть задана следующими командами MATLAB:
F = tf( {1; 1}, {[0.5 1]; [0.5 1 0]} );
G = eye(2);
Q = eye(2);
R = tf( {1; 1}, {[1 0]; [1 0]} );
Wy = tf( {0 0;0 1} , {1 1;1 1} );
Wu = 0;
Vy = eye(2);
Vu = 0;
sys = [ -Vy*Wy*R Vy*F
-Vu*Wu*R Vu
G*R -G*Q*F];
T = 1;
Последняя команда задает интервал квантования. Вызов функции
sdl2std пакета DIRECTSDM
out2 = 2;
in2 = 1;
options.method = 'reduced';
K = sdl2std ( sys, out2, in2, T, options )
позволяет рассчитать оптимальный регулятор:
K: zero-pole-gain model 1 x 2
! 0.45108(z-1)(z-0.153) 0.45108(z-0.1202)(z+1.273) !
! --------------------- --------------------------- !
! (z^2+0.3549z+0.5925) (z^2+0.3549z+0.5925) !
Как видим, этот регулятор отличается от регулятора, полученного в
примере 2. Однако можно непосредственно проверить, что соответствую-
щие этим двум регуляторам матрицы Ψ0 (ζ ) совпадают и равны
0.10937(ζ −1 + 0,3065)(ζ −1 − 0,5908)
Ψ0 (ζ ) = .
(ζ −1 + 0,2329)(ζ −1 − 0,3673)
Как следствие, оба регулятора обеспечивают одинаковые полюса
замкнутой системы и одинаковое значение критерия качества J = 1,235 ,
которое может быть найдено с помощью функции sdnorm:
J = sdnorm(sys, K, 'l2')^2;
Это иллюстрирует факт множественности решений многомерной задачи
L2 -оптимизации при известном входном сигнале.
1142
6. Заключение
В докладе представлена многомерная версия пакета DIRECTSDM,

предназначенного для прямого синтеза оптимальных цифровых систем
управления непрерывными объектами в среде MATLAB. В пакете исполь-
зуются новые алгоритмы синтеза, основанные на концепции параметриче-
ской передаточной функции и теории матричных полиномиальных урав-
нений.
Предлагается новый метод построения эквивалентных дискретных
моделей для задач оптимизации стандартной цифровой системы, сводя-
щихся к минимизации произвольных квадратичных функционалов. Метод
предусматривает построение функционала в частотной области с помощью
теории параметрических передаточных функций, что позволяет исследо-
вать более широкий класс систем, например, системы с запаздыванием. За-
тем строится эквивалентная в смысле (3) стандартная дискретная система,
и далее синтез оптимального регулятора выполняется с помощью вычис-
лительных методов, основанных на использовании уравнений Риккати. Та-
кой подход является более надежным с вычислительной точки зрения, чем
непосредственная минимизация функционалов в частотной области.
Использование объектно-ориентированных возможностей програм-
мирования в среде MATLAB позволило «прозрачно» реализовать основ-
ные операции с полиномиальными матрицами на основе перегрузки опе-
раций и функций. Объекты базового класса poln могут быть как полино-
миальными матрицами, так и матричными квазиполиномами. Это позволя-
ет использовать пакет DIRECTSDM не только при исследовании цифровых
систем, но также и для решения алгебраических задач.
В настоящее время выполняется реализация алгоритмов синтеза
многомерных робастных цифровых систем, а также усовершенствование
вычислительных процедур.
1. Hara S., Fujioka H., Kabamba P. T. A hybrid state-space approach to sam-
pled-data feedback control // Linear Algebra and Its Applications.— V.205–
206.— 1994.— P.675–712.
2. Yamamoto Y. A function space approach to sampled-data systems and track-
ing problems // IEEE Trans. Automat. Contr.— V.AC–39.— 1994.— №4.—
P.703–713.
3. Chen T., Francis B. A. Optimal Sampled-Data Control Systems.— Berlin
Heidelberg New York: Springer-Verlag.— 1995.
4. Розенвассер Е. Н. Линейная теория цифрового управления в непрерыв-
ном времени.— М.: Наука. 1994.
1143
5. Hagiwara T., Araki M. FR-operator approach to the H 2 -analysis and synthe-
sis of sampled-data systems // IEEE Trans. Automat. Contr.— V.AC–40.
1995.— №8.— P.1411–1421.
6. Khargonekar P., Yamamoto Y. Delayed signal reconstruction using sampled-
data control // Proc. 35th IEEE Conf. Decision Contr.— 1996.— P.1259–
1263.
7. Yamamoto Y., Hara S. Performance lower bound for a sampled-data signal
reconstruction // Open Problems in Mathematical Systems and Control The-
ory (V. Blondel, E. Sontag, M. Vidyasagar, J. Willems, eds.).— London:
Springer, 1998.— P.277–279.
8. Polyakov K., Rosenwasser E., Lampe B. DirectSD — a toolbox for direct de-
sign of sampled-data systems // Proc. IEEE Intern. Symp. CACSD'99.— Ko-
hala Coast, Island of Hawaii. Hawaii. USA, 1999.— P.357–362.
9. Поляков К. Ю., Розенвассер Е. Н. DirectSD 2.0 — пакет для анализа и
прямого синтеза цифровых систем управления // Тр. Всеросс. науч.
конф. «Проектирование научных и инженерных приложений в среде
MATLAB».— М.: ИПУ РАН, 2002.
10. Поляков К. Ю. Полиномиальный синтез цифровых систем управления.
I. Квадратичная оптимизация // Автоматика и телемеханика.— 1998.—
№10.— С.76–89.
11. Поляков К. Ю. Полиномиальный синтез цифровых систем управления.
II. Робастная оптимизация // Автоматика и телемеханика.— 1998.—
№1.— С.94–108.
12. Поляков К. Ю. Полиномиальный синтез оптимальных цифровых следя-
щих систем. I. Квадратичная оптимизация // Автоматика и телемехани-
ка.— 2001.— №2.— С.149–162.
13. Поляков К. Ю. Полиномиальный синтез оптимальных цифровых следя-
щих систем. II. Робастная оптимизация // Автоматика и телемеханика.—
2001.— №3.— С.94–107.
14. Поляков К. Ю. Синтез оптимальных цифровых систем с двумя степеня-
ми свободы // Автоматика и телемеханика.— 2001.— №6.— С.85–94.
15. Rosenwasser E., Lampe B. Algebraische Methoden zur Theorie der
Mehrgrößen-Abtastsysteme.— Rostock: Universität, 2000.
16. Поляков К. Ю. Полиномиальный синтез многомерных импульсных сис-
тем // Математическое моделирование информационных и технологиче-
ских систем. Сб. науч. тр. Вып. 5.— Воронеж. Воронежская государст-
венная технологическая академия (ВГТА), 2001.— С.204–207.
17. Поляков К. Ю., Розенвассер Е. Н. Полиномиальный метод H 2 -
оптимизации многомерных дискретных и импульсных систем // Меха-
троника, автоматизация, управление.— 2003.— №5.— С.3–15.
18. Rosenwasser E., Lampe B., Multivariable Computer Controlled Systems: a
transfer function approach. (готовится к печати).
19. Kailath T. Linear Systems. Englewood Cliffs.— NJ: Prentice Hall, 1980.
1144
20. Rosenwasser E., Polyakov K., Lampe B. Entwurf optimaler Kursregler mit
Hilfe von Parametrischen Übertragungsfunktionen // Automatisierungs-
technik.— 1996.— V.44.— Bd.10.— S.487–495.
21. Rosenwasser E. N., Polyakov K. Y., Lampe B. P. Application of Laplace
transformation for digital redesign of continuous control systems // IEEE
Trans. Automat. Control.— 1999.— V.44.— N.4.— P.883–886.
22. Rosenwasser E. N., Polyakov K. Y., Lampe B. P Optimal discrete filtering for
time-delayed systems with respect to mean-square continuous-time error cri-
terion // Int. J. Adapt. Control Signal Process.— 1998.— N.12.— P.389–406.
23. Rosenwasser E. N., Polyakov K. Y., Lampe B. P. Frequency domain method
for H 2 -optimization of time-delayed sampled-data systems // Automatica.—
1997.— V.33.— N.7.— P.1387–1392.
24. Bamieh B. A., Pearson J. B. The H 2 -problem for sampled-data systems //
Syst. Contr. Lett.— 1992.— V.19.— N.1.— P.1–12.
25. Khargonekar P. T., Sivashankar N. H 2 -optimal control for sampled-data
systems // Syst. Contr. Lett.— 1992.— V.18.— P.627–631.
26. Попов В. М. Гиперустойчивость автоматических систем.— М.: Наука,
1970.
27. Поляков К. Ю. Вырожденные задачи H 2 -оптимизации дискретных сис-
тем // Автоматика и телемеханика (в печати).
28. Алиев Ф. А., Ларин В. Б., Науменко К. И., Сунцев В. И. Оптимизация ли-
нейных инвариантных во времени систем.— К.: Наукова Думка, 1978.
29. Фомин В. Н. Методы управления линейными дискретными объекта-
ми.— Л.: Изд. ЛГУ, 1985.
30. Пак В. Г., Фомин В. Н. Линейно-квадратичная задача оптимального
управления при известном возмущающем воздействии. I. Абстрактная
линейно-квадратичная задача с известным возмущающим элементом.—
СПб., 1997. (Деп. в ВИHИТИ от 24.06.97, № 2603-В97).
1145
УДК 62-50
СИНТЕЗ ОПТИМАЛЬНОГО ГАШЕНИЯ КОЛЕБАНИЙ

ДВУХМАССОВОЙ СИСТЕМЫ В ПАКЕТЕ MATLAB
Федюков А. А.
Нижегородский государственный университет
им. Н. И. Лобачевского, Нижний Новгород,
e-mail:TeleginSasha@yandex.ru
Введение
Задачи управления колебательными процессами постоянно привле-

кали внимание исследователей. В публикациях последнего времени на-
блюдается тенденция развития аналитико-численных методов управления
[1–3]. Это обусловлено сложностью математических моделей управляемых
процессов: высокой размерностью, нестационарностью и их нелинейным
характером.
В настоящее время существуют два основных подхода к решению
задач управления колебательными процессами. Первый из них базируется
на применении принципа максимума Понтрягина и направлен на решение
задач с ограниченным управлением. Во втором подходе используются
идеи аналитического конструирования регуляторов для линейных систем с
интегрально-квадратичным функционалом. За последние 10-15 лет этот
подход получил новое развитие в связи с созданием теории H ∞ - управле-
ния, которая позволяет решать задачи управления в условиях неопреде-
ленности как параметров самой системы, так и действующих на систему
возмущений [4–10].
Когда объект управления полностью определен применение эффек-
тивных вычислительных процедур, реализованных в MATLAB, позволяет
синтезировать оптимальные H ∞ –регуляторы, обеспечивающие минималь-
но возможный уровень гашения внешнего возмущения в классе линейных
динамических регуляторов по выходу [11]. В случае, когда в описании
системы присутствует неопределенность, синтез робастных H ∞ –
регуляторов, обеспечивающих гашение возмущений в заданном отноше-
нии для любой неопределенности из данного класса, сводится к синтезу
H ∞ –регулятора для некоторой вспомогательной полностью определенной
системы [12–16].
В этой работе решается задача построения оптимального робастного
управления для двухмассовой системы c параметрическим и внешним воз-
мущением. Синтез управления осуществляется методами теории H ∞ -
управления с использованием линейных матричных неравенств. В работе
применяется алгоритм, реализуемый как итерационный процесс, на каж-
1146
дой итерации которого с помощью стандартных команд пакета MATLAB
решается задача поиска минимума линейной функции при ограничениях,
задаваемых линейными матричными неравенствами. Приведены результа-
ты численного моделирования.
1. Предварительные результаты
Пусть задан управляемый линейный объект

x = Ax + B1v + B2u,
z = C1 x + D12u , (1.1)
y = C2 x + D21v
в котором x — состояние системы, v — возмущение, u — управление,
z — управляемый выход, y — измеряемый выход. Синтез H ∞ — управле-
ния этим объектом состоит в построении динамического регулятора по из-
меряемому выходу, при котором обеспечивается гашение возмущений в
заданном отношении γ , т. е.
z
sup <γ
v ≠0 v
для всех ненулевых допустимых возмущений, а в отсутствие возмущений
асимптотическая устойчивость замкнутой системы, где
∞
η = ∫ η (t ) dt .
2 2
для любой вектор функции η (t ) ∈ L2 .

Известно [6], что при выполнении следующих условий
(1) ( A, B1 ) стабилизируема, (C1 , A) детерминируема;
(2) ( A, B2 ) стабилизируема, (C2 , A) детерминируема;
(3) D12T (C1 , D12 ) = (0 I );
 B  0
(4)  1  D21T =   ;
 D21  I
один из возможных, так называемый центральный, H ∞ регулятор описыва-
ется уравнениями
x = Ar x + L∞ ( y − C2 x ), Ar = A + γ −2 B1 B1T X ∞ − B2 B2T X ∞
(1.2)
u = −θ x , θ = B2T X ∞
где L∞ = Y∞ ( I − γ −2 X ∞Y∞ )−1 C2T , а X ∞ и Y∞ — неотрицательно определенные ста-
билизирующие решения уравнений Риккати
AT X + XA + X (γ −2 B1 B1T − B2 B2T ) X + C1T C1 = 0 (1.3)
и
AY + YAT + Y (γ −2C1T C1 − C2T C2 )Y + B1 B1T = 0 (1.4)
причем
ρ ( X ∞Y∞ ) < γ 2 , (1.5)
1147
где ρ (.) обозначает спектральный радиус. В [17,18] приведена альтерна-
тивная характеризация H ∞ –регуляторов в терминах линейных матричных
неравенств: эти регуляторы, в частности, определяются уравнениями (1.2),
в которых X ∞ = γ R −1 и Y∞ = γ S −1 , а R = RT > 0 , S = S T > 0 удовлетворяют систе-
ме линейных матричных неравенств
 RAT + AR − γ B2 B2T B1 RC1T 
 
 B1T
−γ I 0 <0, (1.6)
 C1 R 0 −γ I 

 SA + AT S − γ C2T C2 C1T SB1 
 
 C1 −γ I 0  < 0, (1.7)
 T
B1 S 0 −γ I 

R I 
 ≥0. (1.8)
 I S
Разрешимость этих линейных матричных неравенств относительно
переменных R > 0 . S > 0 , которая проверяется с помощью команды feasp в
пакете MATLAB (toolbox LMI), определяет необходимые и достаточные
условия существования H ∞ –регулятора при данном γ .
Синтез оптимального H ∞ –управления, обеспечивающего минимально
возможный уровень гашения возмущений в классе Ξ линейных динамиче-
ских регуляторов по выходу, требует нахождения минимальной H ∞ —
нормы замкнутой системы (1.1)
z
γ 0* = inf sup . (1.9)
u∈Ξ v ≠ 0 v
Поиск этой величины сводится к задаче выпуклой оптимизации: ми-
нимизировать величину γ при ограничениях (1.6)–(1.8). Эта процедура
также эффективно выполняется в пакете MATLAB с применением коман-
ды mincx, осуществляющей минимизацию линейной функции на множест-
ве, определяемом линейными матричными неравенствами.
Согласно [19] задача синтеза робастного H ∞ –управления для случая
неопределенной системы (1.1), т. е. системы в которой исходное состояние
x(0) = 0 и матрица A имеет вид
4
A = A0 + ∑ Fk Ω k (t , x) Ek , (1.10)
k =1
где A0 , Fk , Ek — заданные матрицы, а Ω k (t , x) — неизвестные матричные

функции, удовлетворяющие неравенству
ΩTk (t , x)Ω k (t , x) ≤ I , ∀t ≥ 0 , ∀x , k = 1,..., n
разрешима при данном γ , если имеет место
min{ψ (V , W ) : R > 0, S > 0,V > 0,W > 0,
Φ1 ( R,V ) < 0, Φ 2 ( S ,W ) < 0, Φ 3 ( R, S ) ≥ 0, Φ 4 (V , W ) ≥ 0} = 0.
где
1148
n
ψ (V ,W ) = tr (V − W −1 ) = ∑ (α k − β k−1 )
k =1
 RA + A0 R − γB2 B
T T
B1 FV RC1T RE T 
 0 2

 B1T − γI 0 0 0 
Φ 1 ( R, V ) =  VF T 0 −V 0

0 ,

 C1 R 0 0 − γI 0 
 
 ER 0 0 0 −V 
 SA0 + A0T S − γC 2T C 2 C1T E T W SB1 SF 
 
 C1 − γI 0 0 0 
Φ 2 ( S ,W ) =  WE 0 −W 0 0  ,

 B1T S 0 0 − γI 0 
 
 FTS 0 0 0 −W 
R I  V I 
Φ 3 ( R, S ) =   , Φ 4 (V ,W ) =   .
 I S I W
F = ( F1 F2 ...Fn ) , E T = ( E1T E2T ...EnT ) ,
V = diag (α1 , α 2 ,...,α n ) , W = diag ( β1 , β 2 ,..., β n ) ,
где α k , β k , k = 1, 2,..., n — некоторые числа.
Основная сложность в решении рассматриваемой оптимизационной
задачи состоит в том, что минимизируемая функция не является выпуклой
и, следовательно, поиск ее глобального экстремума не может быть осуще-
ствлен методами выпуклой оптимизации. Алгоритм глобальной оптими-
зации этой функции, реализуемый посредством итерационной процедуры,
на каждом шаге которой находится минимум линейной функции при ли-
нейных матричных (выпуклых) ограничениях, состоит в следующем.
Вводится линейная по переменным α k и β k функция
V I  n
ψ (V , W ; q) = q T  q = ∑ (α k + q k2 β k + 2q k ) , (1.11)
I W k =1
где
q = col (1,...,1, q1 ,..., q n ) , (1.12)
а q k , k = 1,2,..., n — некоторые параметры. Фиксируется значение q = q ( 0) ,т. е.
q k = q k( 0) , k = 1,2,..., n и рассматривается следующая задача минимизации ли-
нейной функции (1.11) при q = q ( 0) :
min{ψ (V , W ; q ) : R > 0, S > 0,V > 0,W > 0,
(1.13)
Φ 1 ( R,V ) < 0, Φ 2 ( S ,W ) < 0, Φ 3 ( R, S ) > 0, Φ 4 (V ,W ) > 0}.
Минимум этой функции находится численно с помощью процедуры
mincx. Пусть он достигается при значениях V = V ( 0) = diag (a1( 0) ,..., a n( 0) ) ,
W = W ( 0 ) = diag ( β 1( 0 ) ,..., β n( 0) ) . Значения переменных q заменяются на
q k(1) = −1 / β k( 0 ) , k = 1,2,..., n и решается оптимизационная задача (1.13) при
q = q (1) . Пусть ее минимум достигается при W = W (1) = diag ( β 1(1) ,..., β n(1) ) ,
1149
V = V (1) = diag (a1(1) ,..., a n(1) ) . Выбирается q k( 2) = −1 / β k(1) , k = 1,2,..., n
и указанный
процесс продолжается. Остановка алгоритма происходит при выполнении
хотя бы одного из следующих двух условий:
η (V ( j ) ,W ( j ) ) < ε ,
либо
∆η ( j ) = η (V ( j +1) ,W ( j +1) ) − η (V ( j ) , W ( j ) ) < ε ,
в которых
n
η (V , W ) = tr (VW − I ) = ∑ (α k β k − 1)
k =1
характеризует степень невыполнения равенства VW = I , а ε > 0 определяет

заданную точность вычислений. При этом возможны две ситуации. Если
η (V ( j ) ,W ( j ) ) → η∞ = 0 , то задача робастного H ∞ управления разрешима при
данном γ [19]. Если же η (V ( j ) ,W ( j ) ) → η∞ > 0 то процесс поиска следует по-
вторить при других начальных условиях q ( 0) , как это обычно делается в за-
дачах глобальной оптимизации.
После нахождения с заданной точностью минимального значения γ 0
и соответствующих α k* , при которых задача робастного H ∞ –управления
для системы (1.1),(1.10) разрешима, синтез искомого регулятора осуществ-
ляется согласно уравнениям (1.2), в которых X ∞ = γ 0 R −1 и Y∞ = γ 0 S −1 , а R и
S удовлетворяют линейным матричным неравенствам (1.6)–(1.8) при най-
денных значениях V * , W * и γ 0 .
Применим описанные результаты для синтеза оптимального гашения
колебаний двухмассовой системы с параметрическим и внешним возму-
щениями.
2. Постановка задачи оптимального гашения колебаний
Рассмотрим двухмассовую управляемую систему c параметрическим

и внешним возмущениями, описываемую уравнениями
mξ1 − α 2ξ 2 + (α1 + α 2 )ξ1 − c2 x2 + (c1 + c2 ) x1 = v1
(2.1)
mξ 2 + α 2ξ 2 − α 2ξ1 + c2 x2 − c2 x1 = u + v1
где m — масса элемента рассматриваемой системы, ξ i , i = 1,2 — координа-
та i -й массы системы , u - управляющая сила, v1 = v1 (t ) — внешнее возму-
щение системы, α1 ,α 2 — коэффициенты демпфирования, c1 , c2 — коэффи-
циенты упругости такие, что
α1 = α (1 + f1α Ω1 ) α 2 = α (1 + f 2α Ω 2 ) c1 = c(1 + f1α Ω3 ) c2 = c(1 + f 2α Ω 4 )
где 0 ≤ f iα < 1, i = 1,2,3,4 заданы, α и c — номинальные значения, соответст-
вующие соответственно демпфированию и упругости, а функции
Ω i (t , ϕ , ϕ ), i = 1,2,3,4 определяют параметрические возмущения и удовлетво-
ряют условиям
1150
Ω i (t , ϕ , ϕ ) ≤ 1, ∀t , ϕ , ϕ , i = 1,2,3,4 .
Допустим, что имеется возможность наблюдать следующие величи-
ны деформации системы, измеряемые с некоторыми ошибками
v 2 = col (v 21 , v 22 ) .
y1 = x1 + v21
, (2.2)
y2 = x2 − x1 + v22
Введем новые переменные t , x :
m m ξ 
t = t, x = ξ , ξ =  1 ,
α α ξ2 
2
Тогда систему (2.1) можно переписать в каноническом виде

x = Ax + B1v + B2 u , (2.3)
где x = col (ξ , ξ ) — вектор состояния системы, а блочные матрицы A , B , C
имеют следующий вид:
0 0 0 0
   
4 0 0 0 0
A = A0 + ∑ Fk Ω k (t , x) Ek B1 =  , B2 =   , (2.4)
k =1 1 0 0 0
   
1 0 0 1
где y = col ( y1 , y 2 ) , A0 , Fk , Ek — заданные матрицы,
 0 I   2 1 cm
A0 =   , K =   , ω 02 = 2 ,
−ω K − K   − 1 2 α
2
F1 = (0 0 − f1α 0 ) , E1 = (0 0 1 0 ) ,
T
F2 = (0 0 − f 2α ) , E 2 = (0 0 − 1 1) ,
T
f 2α
F3 = (0 0 − f 1c 0) ,
T
E3 = ω 02( 0 0 0, )
F4 = (0 0 f 2c − f 2c ) ,
T
(
E4 = − ω 2
0 ω 2
0 0 0. )
Вектор функцию внешнего возмущения v = (v1 (t ), v 2 (t )) , будем считать
квадратично-интегрируемой функцией на интервале [0, ∞) , т. е. v(t ) ∈ L2 [0, ∞)
∞
или ∫ v 2 (t )dt < ∞ . Предполагаем, что система (2.3) имеет нулевые начальные
0
условия.
Введем вектор y = col ( y1 , y 2 ) .Тогда уравнение (2.2) примет вид
y = C 2 x + v2 , (2.5)
где
 1 0 0 0
C 2 =   .
 − 1 1 0 0
Уравнения (2.3), (2.5) определяют динамику двух массовой управляемой
системы с параметрическим и внешним возмущением.
Управление системой (2.3), (2,4) будем осуществлять линейным ди-
намическим регулятором, синтезируемым по принципу обратной связи по
выходу y в виде
1151
x r = Ar x r + Br y (2.6)
u = −θx, x r (0) = 0 ,
где x r — состояние динамического регулятора. Введем управляемый вы-
ход системы как
z = C1 x + D12 u (2.7)
и в качестве матрицы C1 выберем матрицу, имеющую следующий вид
  2ω 2 − ω 2 0 0
1/ 2

 0 0
 
  − ω 02 ω 02 0 0 
 
C1 =   0 0 1 0  .

 0 0 0 1  
  
 0 0 0 0 
При таком выборе матрицы C1 квадратичная форма в подынтегральном
выражении z в (2.8) определяет полную механическую энергию двух
массовой системы при ее движении и затраты на управление. Задача опти-
мального гашения колебаний рассматриваемой системы заключается в по-
строении линейного динамического регулятора по выходу, который обес-
печивает выполнение неравенства
z < γ v , ∀v ∈ L2 , v ≠ 0, ∀Ω(t , x) ∈ Σ (2.8)
с минимально возможным значением γ и, таким образом, сводится к зада-
че оптимального робастного H ∞ –управления системой (2.3), (2.5), (2.7).
3. Результаты численного моделирования
Ниже приводятся результаты синтеза закона управления, обеспечи-

вающего оптимальное гашение колебаний двухмассовой системы, полу-
ченные в пакете MATLAB. Расчет проводился для параметров системы
ω 0 = 10, f1α = 0.1, f 2α = 0.1, f1c = 0.1, f 2 c = 0.1 .
Точность решения задачи оптимизации была выбрана равной 10−6 .
В результате расчета оказалось, что для не существует управления
для системы (2.3), (2.5), (2.7), которое гасит колебания с γ < 18.3005 , а при
γ > 18.3005 такое управление существует. В частности, для значения
γ = 21.3 были получены следующие значения параметров регулятора:
1152
 -10.8864 -19.3968 1.0000 0   30.2832 19.3968 
   
 -15.8212 -33.8588 0 1.0000   49.6800 33.8588 
Ar = , L∞ = ,
 -247.4504 -3.0033 -1.9944 1.0059   150.4615 103.0127 
   
 31.5950 -260.6285 0.7925 -3.4667   227.7599 157.0011 
 -2.3554 
 
 3.6369 
θ =
t
.
 0.2131 
 
 2.4726 
На рис.1 приведены графики движений масс с этим регулятором в
случае, когда на систему действует внешнее возмущение
v = (10e −0.01 t sin(0.15t ), e −0.01 t sin(0.15t ), e −0.01 t sin(0.15t )) .
Рис.1. Графики движений масс системы при γ = 21.3 .
Работа выполнена при поддержке Конкурсного центра фундамен-

тального естествознания (проект № A03-2.10-380).
1153
1. Габасов Р., Кириллова Ф. М., Ружицкая Е. А. Демпфирование и стаби-
лизация колебаний маятника при больших начальных возмущениях //
Изв. РАН. ТиСУ.— 2001.— №1.
2. Гурман В. И., Знаменская Л. Н. Управление колебаниями при ограни-
ченном ресурсе управления // Изв. РАН. ТиСУ.— 2002.— №1.
3. Голубев Ю. Ф., Дитковский А. Е. Управление вращением упругого
стержня в плоскости без возбуждения упругих колебаний // Изв. РАН.
ТиСУ.— 2001.— №1.
4. Zames G. Feedback and optimal sensitivity: model reference transformations,
multiplicative seminorms and approximate inverses // IEEE Trans. Automat.
Control. Apr.— 1981.— V.AC–26.— P.301–320.
5. Zames G., Francis B. A. Feedback, minimax sensitivity, and optimal robust-
ness // IEEE Trans. Automat. Control.— 1983.— V.AC–28.— P.585–601.
6. Doyle J.C., Glover K., Khargonekar P. P., Francis B. A. State-space solu-
tions to standard H 2 and H ∞ control problems // IEEE Transactions on
Automatic Control.— 1989.— V.34.— N.8.— C.831–847.
7. Kwakernaak H. Robust control and H ∞ –optimization // Automatica.—
1993.— V.29.— N.2.— P.255–273.
8. Позняк А. С., Себряков Г. Г., Семенов А. В., Федосов Е. А. H ∞ –теория
управления: феномен, достижения, перспективы, открытые пробле-
мы.— М.: Гос НИИАС, ИПУ, 1990.
9. Себряков Г. Г., Семенов А. В. Проектирование линейных стационарных
многомерных систем на основе вход-выходных отображений. Методы
H ∞ - теории управления ( обзор ) // Изв. АН CCCР. Техн. Кибернети-
ка.— 1989.— №2.— C.3–16.
10. Барабанов А. Е., Первозванский А. А. Оптимизация по равномерно-
частотным показателям (H –теория ) // Автоматика и телемеханика.—
1992.— N.9.— С.2–32.
11. Gahinet P., Nemirovski A., Laub A., Chilali M. LMI Control Toolbox. For
Use with MATLAB.— The MathWorks Inc., 1995.
12. Savkin A. V., Petersen I. R. A connection between H ∞ control and the abso-
lute stability of uncertain systems // System and Control Letters. 1994. Vol.
23. P. 197-203.
13. Коган М.М. Синтез робастных Н-субоптимальных регуляторов как ре-
шение дифференциальной игры в условиях неопределенности: прямая и
обратная задачи // А и Т. 2000. N7. C. 109-120.
14. Doyle J.C. Synthesis of robust controllers and filters with structured plant
uncertainty// Proc. IEEE Conf. Decision Control. 1983. San Antonio, TX.
15. Megretski A. Necessary and sufficient condition of stability: a multi-loop
generalization of the circle criterion// IEEE Trans. Automat. Control. 1993.
Vol. 38. P. 753-756.
1154
16. Shamma J.C. Robust stability with time-varying structured uncertainty//
IEEE Trans. Automat. Control.— 1994.— V.39.— P.714–724.
17. Iwasaki T., Skelton R. E. All controllers for the general H ∞ control problem:
LMI existence conditions and state space formulas // Automatica.— 1994.—
V.30.— N.8.— P.1307–1317.
18. Gahinet P., Apkarian P. A linear matrix inequality approach to H ∞ control //
International Journal of Robust and Nonlinear Control.— 1994.— V.4.—
P.421–448.
19. Баландин Д. В., Коган М. М. Синтез оптимального робастного H ∞
управления методами выпуклой оптимизации // Автоматика и телеме-
ханика.— 2004.— №4.
1155
УДК 62-50
РАЗРАБОТКА MATLAB-ВЕРСИИ КОМПЛЕКСА

ПРОГРАММ «АНАЛИЗ И СИНТЕЗ ИНТЕРВАЛЬНЫХ
АВТОМАТИЧЕСКИХ СИСТЕМ»
Хлебалин Н. А.
Электростальский политехнический институт (филиал)
Московского государственного института стали и сплавов, Электросталь,
e-mail:khleb@kodos.ru
1. Теоретические основы комплекса программ «АСИАС»

(Анализ и Синтез Интервальных Автоматических Систем)
1.1. Основные определения (интервальный, функционально — интер-

вальный, параметрический)
Определение. Интервальной автоматической системой называют ав-

томатическую систему (АС) с начальными условиями, параметрами и
внешними возмущениями, значения которых принадлежат интервалам с
заданными достижимыми границами.
Этому определению удовлетворяют линейные, нелинейные, неста-
ционарные, дискретные и все другие известные виды АС, имеющие на-
званные выше неопределенности.
Определение. Частным случаем ИАС являются автоматические сис-
темы с интервальной неопределенностью параметров (АСИНП), у которых
начальные условия и возмущения считаются точно известными, а значения
параметров (коэффициентов математической модели АС) могут быть лю-
быми в пределах заданных интервалов.
Как правило, проектировщик АС имеет дело с математическими мо-
делями (ММ) в виде систем дифференциальных уравнений (ДУ) или
структурных схем с передаточными функциями (ПФ), причем коэффици-
енты ДУ и ПФ являются вектор — функциями некоторых параметров (объ-
екта и регулятора). И те, и другие являются в той или иной степени
неопределенными. Объект обычно является многорежимным («мультимо-
дельным» по немецко-англоязычной терминологии), между режимными
значениями параметров, вообще говоря, — неопределенность. Регулятор
имеет неопределенные параметры, так как мы их и ищем, а после синтеза
на них должны быть назначены допуски.
Формы учета неопределенностей математических моделей автома-
тических систем бывают разными:
1. Случайная.
2. Замкнутые множества (интервалы, эллипсоиды).
1156
3. Размытые множества.
Определение. Так как коэффициенты ММ являются функциями от
параметров, то такие ММ предлагается называть параметрическими [1]. В
частности, полином называют параметрическим, если не делается допол-
нительных пояснений — в каких областях изменяются физические пара-
метры (каким множествам они принадлежат).
Интервальные объекты могут быть двух видов: чисто-интервальные
и функционально-интервальные.
Определение. Чисто — интервальным называется объект, в описа-
ние которого коэффициенты, значения которых могут изменяться незави-
симо друг от друга в пределах некоторых интервалов, входят один раз и в
первой степени.
Определение. Функционально — интервальным называется объект,
коэффициенты которого являются функциями от некоторых интервально
неопределенных величин.
Основа интервальной формы учета неопределенностей — интер-
вальная математика. Вещественные числа в ней представляются не одним
значением, а диапазоном, сегментом (интервалом) — интервальным чис-
лом (множеством). Интервальный анализ — автоматический учет погреш-
ностей при вычислении на ЭВМ [2], [3]. В теории АС интервальный анализ
применяется примерно с 1980 г. [4]. Математической модели автоматизи-
руемого объекта в этом случае приписываются не числа, а диапазон их воз-
можных значений.
Подробные сведения об интервальной математике могут быть взяты
из [5], [6], [7], [8].
Операции над интервальными числами образуют интервальную
арифметику. Она осуществляется с помощью арифметических действий
над границами интервала. Одной из основных задач интервального анализа
является задача об оценке интервала значений функции.
Определение. Функция F ([ x]) , получаемая заменой вещественного
аргумента x в рациональной функции f ( x) интервальным аргументом [ x] ,
называется естественным интервальным расширением функции f ( x) .
Если с помощью этого определения вычислить интервалы значений
различных форм записи f ( x) , то эти интервалы могут не совпадать.
Определение. Форма записи f ( x) , дающая точный интервал ее зна-
чений, называется объединенным интервальным расширением.
Несоблюдение закона дистрибутивности приводит к тому, что вы-
числение точных значений границ может быть выполнено только для дос-
таточно узкого класса функций. Если записать функцию от многих аргу-
ментов таким образом, что каждый аргумент входит в ее аналитическое
выражение один раз и в первой степени, то, заменив вещественный аргу-
1157
мент на интервальный и применив интервальную арифметику, мы получим
точный интервал значений.
В интервальной математике различают матрицы интервальные и то-
чечные (вещественные).
Определение. Интервальная матрица — это прямоугольная упорядо-
ченная совокупность вещественных или комплексных интервальных чи-
сел, состоящая из n строк и m столбцов:
[a1 , a 2 ]11 [a1 , a 2 ]12 [a1 , a 2 ]1m 
[a , a ] [a1 , a 2 ] 22 [a1 , a 2 ] 2 m 
[ A] =  1 2 21 .
 
 
[a1 , a 2 ] n1 [a1 , a 2 ] n 2 [a1 , a 2 ] nm 
Обозначаются интервальные матрицы [ A] = [[a ij ]]; [a ij ] = [a ij , a ij ]..... и т. д.

Поскольку элементы в матрице расположены определенным обра-
зом, она является математическим объектом и понимается как единое це-
лое, т. к. над ее элементами производятся определенные математические
операции. Матричные операции в интервальной математике непрерывны и
обладают рядом интересных особенностей. В частности, свойство дистри-
бутивности в интервальной матричной алгебре в общем случае не выпол-
няется, а имеет место так называемая субдистрибутивность.
Определитель интервальной матрицы является интервальным чис-
лом. Если такой определитель не включает 0, то такая матрица называется
невырожденной. Через матрицы и векторы можно определять граничные и
точечные векторы и матрицы: ([ A] = [ A1 , A2 ]) , где A1 — точечная матрица, в
которой записаны нижние границы ее элементов, A2 — точечная матрица,
в которой записаны верхние границы ее элементов. [ A] ⊆ [ B] — включение,
поэлементно означающее ( bij ≤ a ij ≤ bij ).
Пусть имеем полином
P( s,ν ) = a 0 (ν ) + a1 (ν ) s + a 2 (ν ) s 2 + … + a n (ν ) s n ; (1)
где
a 0 (ν ), a1 (ν ), a n (ν ) (2)
— коэффициенты полинома. Они зависят от вектора физических парамет-
ров объекта
ν = [ν 1 ,ν 2 , … ,ν e ]T . (3)
Область изменения физических параметров обозначается N.
Определение. Полином (1), (2), (3) называют параметрическим, ес-
ли не делается дополнительных пояснений, в каких областях изменяются
физические параметры (каким множествам они принадлежат).
В зависимости от того, какими являются функции (2), различают
чисто интервальные, аффинные, мультилинейные, полиномиальные коэф-
фициенты и коэффициенты в виде произвольных функций.
1158
Аффинные коэффициенты записываются следующим образом:
a i (ν ) = b i + C iT ν (4)
Аффинная функция содержит постоянную часть (bi ) и часть, которая
линейно зависит от вектора параметров ν .
C iT ν = C1ν 1 + C 2ν 2 + … + C lν l .
Определение. Мультилинейными называются функции, которые
при фиксировании l − 1 параметров зависят аффинно (линейно) от оставше-
гося параметра.
Полиномиальные коэффициенты имеют вид:
n
a k (ν ) = ∑a
ii = 0
i1 ν 1i …ν ni .
(k ) 1 n
Например (2ν + ν + 1) s + (ν + 2ν + 2) s 2 ........

2 3 5 3
Коэффициенты в виде произвольных функций: e −ν , sin v i . i
Определение. Чисто интервальный полином — это полином

P( s,ν ) = a 0 (ν ) + a1 (νs) + … + a n (ν ) s n
с чисто интервальными коэффициентами, которые можно обозначать по-
разному:
a i ∈ [a i , a i ] , ai ∈ [ai− , ai+ ], ai ∈ [α i , β i ]) .
Пример чисто интервального полинома 1-й степени: [a 0 ] + [a1 ]s = p( s, [ν ]) ,
где N изображено на рис. 1. Для краткости чисто интервальные полиномы
называют просто — «интервальные полиномы» (ИП).
Рис. 1. Область N с двумя интервальными параметрами.
Задачи исследования (анализа) АС, решаемые с помощью КП

АСИАС:
1. Исследование устойчивости.
2. Задача о локализации корней (нулей и полюсов).
3. Построение трубок решения дифференциальных уравнений.
1159
Многие из этих задач решаются с помощью частотных характери-
стик АС. Одним из основных понятий теории автоматических систем явля-
ется передаточная функция:
B( s) b0 s m + b1 s m −1 + … + bm −1 s + bm
W (s) = = ,
A( s) a0 s n + a1 s n −1 + … + a n −1 s + a n
где s — комплексная переменная; а коэффициенты bi , ai — действитель-
ные числа. Если ввести равенство s = jω (j — мнимая единица), а вещест-
венную переменную назвать частотой, то комплексно — значную функ-
цию W ( jω ) от непрерывного аргумента ω называют [12] амплитудно —
фазовой частотной функцией (АФЧФ):
m
B ( jω )
∑ b ( jω )i
m −i
W ( jω ) = = i =0
.
A( jω ) n
∑ a ( jω )
k =0
k
m−k
Ее действительную часть U (ω ) = Re W ( jω ) и мнимую часть V (ω ) = ImW ( jω )

называют соответственно вещественной и мнимой частотной функцией
(ВЧФ и МЧФ).
На комплексной плоскости W ( jω ) определяет вектор, длина которо-
го равна A(ω ) , а аргумент (угол, образованный этим вектором с действи-
тельной положительной полуосью) — ϕ (ω ) . Модуль A(ω ) называют
амплитудной частотной функцией (АЧФ):
W ( jω ) = V 2 (ω ) + V 2 (ω )
Аргумент ϕ (ω ) называют фазовой частотной функцией (ФЧФ):
V (ω )
arctg + kπ , k = 0 ± 1 ± 2…
U (ω )
Графики перечисленных функций называют характеристиками.
n
Если взять отдельный полином A( s) = a0 s n + … + an = ∑ ai s i , то для него
i =0
существуют следующие частотные функции: A( jω ) — функция Михайло-

ва, вещественная функция Михайлова (ВМФ)
n
X ( jω ) = Re A( jω ) = ∑θ ai =0
i n −i ωi ,
где θ (i ) = 2[i 2] + 1 − i . (здесь квадратные скобки означают операцию взятия

целой части).
Частотные характеристики (ЧХ) уже являются функциями от коэф-
фициентов ПФ. Если же коэффициенты ПФ зависят от физических пара-
метров, то, очевидно, что ЧХ — функционально-интервальные. При по-
B ( jω )
строении ЧХ АСИНП проблема состоит в том, что W ( jω ) = и вся ПФ
A( jω )
1160
становится функционально-интервальной, поскольку в числитель и знаме-
натель в общем случае входят одни и те же [ν i ] . Задача состоит в том, что-
бы предложить аналитические подходы и эффективные компьютерные ал-
горитмы для построения ЧХ АСИНП. Какие существуют для этого мето-
ды?
Метод математического анализа. Это задача о наибольшем и наи-
меньшем значении функции (ННЗФ). Заключается в том, что необходимо
взять производные по неопределенным параметрам, записать систему
уравнений, решить ее (определить «подозрительные на экстремум точки»)
и так далее по известному алгоритму, в конце которого необходимо прове-
рить, нет ли экстремальных значений на границах области. Здесь дело ос-
ложняется тем, что ЧХ — функции частоты, т. е. нужно дискретизировать
задачу, найти при ωі ННЗФ, потом построить мажоранты и миноранты ин-
терполированием.
Метод интервального анализа. По специальным правилам подсчи-
тывается интервал значений (с гарантией включения истинного в подсчи-
танный). Включает в себя метод угловых элементов (см. ниже). Недоста-
ток — большая величина гарантированного интервала. Достоинство —
поддержка «интервальными» языками программирования (PASCAL-XSC
[10] и другие).
Метод угловых элементов (МУЭ, другие названия — метод ха-
рактерных точек или метод тестовых точек). Для углового сочетания
параметров строятся ЧХ, затем строятся мажоранты и миноранты. Выска-
занная впервые в [11] гипотеза о том, что все ЧХ отношения интервальных
полиномов ограничиваются угловыми функциями, к сожалению, в общем
случае, оказалась несправедливой. Это справедливо для узкого класса ПФ,
причем для АФЧХ требуются другие алгоритмы. Два алгоритма разрабо-
таны в [14], [15]. Для КП АСИАС разработан алгоритм на основе решения
в символьном виде задачи о наибольшем и наименьшем значении функции
(ННЗФ).
Если рассмотреть некоторую интервально — значную функцию
(ИЗФ) f (ω , [ν i ]) (ν i - параметр, изменяющийся в интервале [ν i ]), у которой
ω — независимая переменная, принимающая вещественные значения, то
при возможных значениях параметров в зависимости от ω мы будем
иметь график изменения интервала значений этой функции.
Следовательно, ИЗФ представима двумя граничными функциями —
мажорантой и минорантой [13], с. 384.
Если независимая переменная является комплексной величиной (в
частности, чисто мнимой jω), то значения функции будут комплексным ин-
тервалом. Они могут быть представлены в виде прямоугольных или круго-
вых комплексных интервалов. Именно так строят АФЧХ авторы [14], [15].
В КП АСИАС мажоранты и миноранты строятся, во-первых, для
случая чисто интервальных частотных функций (программа Х4Х1). Если
1161
B( jω , [bi ])
рассматривается W ( jω , [ai ], [bi ]) = и при этом коэффициенты друг
A( jω , [ai ])
от друга не зависят, тогда мажоранты и миноранты являются выпуклой
оболочкой элементов угловых ЧХ и экстремальных точек (кроме годогра-
фа).
Во-вторых, имеется возможность построения ЧХ функционально —
интервальных элементарных звеньев. Например, программа «PFreqChar»
может строить частотные характеристики вида: АЧХ, ЛАЧХ, ВЧХ, ВЧХ,
МЧХ, АФЧХ для колебательного звена с ПФ
k
W (s ) = ,
T ⋅ s + 2 ⋅ξ ⋅T ⋅ s +1
2 2
где k ∈ [k − ; k + ]; T ∈ [T − ; T + ]; ξ ∈ [ξ − ; ξ + ].
Основное внимание в докладе будет уделено программам КП
АСИАС, работающим с моделями АСИНП на основе параметрических по-
линомов. Рассмотрим типичные задачи, решаемые для таких моделей.
1.2. Исследование полиномиальных моделей АСИНП
1.2.1. Анализ устойчивости характеристических полиномов

непрерывных и дискретных АСИНП
Параметры ПФ или ДУ автоматической системы могут быть извест-

ны неточно. Тогда знаменатель (характеристический полином — ХП) яв-
ляется параметрическим:
P( s, a) = a 0 + a1 s + … + a n −1 s n −1 + a n s n = 0 . (5)
Если
a 0− ≤ a 0 ≤ a 0+ , a1− ≤ a1 ≤ a1+ , … , a n− ≤ a n ≤ a n+ a > 0 (для всех i ), (6)
где a i , a i — заданные числа, то этот ХП называют чисто-интервальным
− +
характеристическим полиномом (ЧИХП).

В. Л. Харитонов: слабая и сильная теоремы (1975–1978).
Слабая теорема заключается в том, что для анализа устойчивости
ИП нужно проверять на устойчивость все угловые полиномы (их будет
2n+1).
Сильная теорема: для устойчивости ИХП при любых значениях ко-
эффициентов из (6) необходимо и достаточно, чтобы были устойчивы че-
тыре угловых полинома:
p + − ( s ) = a 0+ + a1− s + a 2− s 2 + a 3+ s 3 + a 4+ s 4 + ......
p + + ( s ) = a 0+ + a1+ s + a 2− s 2 + a 3− s 3 + a 4+ s 4 + ......
p − + ( s ) = a 0− + a1+ s + a 2+ s 2 + a 3− s 3 + a 4− s 4 + ......
p − − ( s ) = a 0− + a1− s + a 2+ s 2 + a 3+ s 3 + a 4− s 4 + ......
1162
Заметим, в [9] показано, что два из этих четырех полиномов могут
быть заменены на два других — эквивалентных для задачи анализа устой-
чивости. Таким образом, полиномы из сильной теоремы Харитонова
неединственны.
Тестирующее множество [1]:
AT = {a + − , a + + , a − + , a − − } ,
a + − = {a 0+ , a1− , a 2− , a 3+ , a 4− } ,
a + + = {a0+ , a1+ , a 2− , a3− , a 4+ } ,
a − + = {a 0− , a1+ , a 2+ , a3− , a 4− } ,
a − − = {a 0− , a1− , a 2+ , a 3+ , a 4− } .
Для полиномов низких степеней:
n = 3; AT = {a + − };
n = 4; AT = {a + − , a + + };
n = 5; AT = {a + − , a + + , a − + };
n>5 AT имеет вид (3).
Для n = 1 и 2 необходимо и достаточно, чтобы a i > 0 .
Заметим опять, что впервые факт достаточности проверки на устой-
чивость для n=3 только одного полинома (по применяемым здесь обозна-
чениям p + − ( s) = a 0+ + a1− s + a 2− s 2 + a 3+ s 3 + a 4+ s 4 + ...... ) был установлен в [9].
Если модель задана в виде дискретной ПФ или системой разностных
уравнений в матричной форме, то ее ХП имеет вид
aN zN+ aN–1 zN–1 + . . . +а0 =0. (7)
Для получения условий устойчивости можно воспользоваться крите-
риями Рауса или Гурвица, если предварительно преобразовать его коэф-
фициенты так, чтобы внутренность единичного круга на плоскости z ото-
бразилась на левую полуплоскость другой комплексной переменной w.
(обычно — на всю полуплоскость). К получившемуся преобразованному
уравнению применяется любой из критериев устойчивости непрерывных
АС или D-разбиение. При работе с параметрами лучше иметь дело с ис-
ходным полиномом (7). В аналитическом виде условия устойчивости для
(7) первых четырех порядков выглядят следующим образом:
– полином первого порядка a1 z+a0=0;
a1+a0>0; a1-a0>0;
– полином второго порядка a2 z2+a1 z+a0=0;
a2+a1+a0>0; a2-a1+a0>0; a2-a0>0;
– полином третьего порядка a2 z3+a2 z2+a1 z+a0=0;
a3+a2+a1+a0>0; a3-a2+a1-a0>0; a3(a3-a1)-a0(a0-a2)>0; 3(a3+a0)-a2-a0>0;
– полином четвертого порядка a4 z4+a3 z3+a2 z2+a1 z+a0=0;
a4+a3+a2+a1+a0>0; a4-a3+a2-a1+a0>0;
(a4-a0)[a3(a1-a3)-(a2-a4-a0)(a4-a0)]+a4(a1-a3)2>0;
2(а4-a0)+(a1-a3)>0;
1163
2(а4-a0)+(a3-a1)>0.
В общем случае задача анализа устойчивости дискретных интер-
вальных полиномов до сих пор не решена. Поэтому в АСИАС имеется
программа для n = 1, 2, 3, 4, 5.
1. bi ∈ [α i , β i ] . Если α 0 = β 0 = 1 (монический полином) и n=2 или n=3,
то можно проверять устойчивость по слабой теореме.
2. Если α 0 < β 0 (n = 2, n = 3) , угловые полиномы должны быть устойчи-
вы, но этого не достаточно — приходится искать дополнительные сочета-
ния параметров. Для n=2, 3, 4, 5 эти сочетания указываются точно.
3. Если n=4 и α 0 = β 0 = 1 , то нужно для анализа устойчивости прове-
рить все угловые полиномы, а также полиномы с коэффициентами b1* ,
b3
bi ∈ [α i , β i ], (i = 2,4), т.е. (b1* , b2 , b3 , b4 ) , где b1* = (1 + b4 ) , причем должно быть
2b4
еще b4 < 0 , α 1 < b1* < β 1 .
4. n=5 α 0 = β 0 = 1 . Нужно проверить на устойчивость угловые поли-
номы и дополнительные полиномы, коэффициенты которых сформирова-
ны по довольно сложным формулам [16].
Если полиномы функционально — интервальные, то для анализа ус-
тойчивости применяются: в случае одного параметра — метод из [17]
(Хлебалин, 1985) или метод корневого годографа (корневой диаграммы), в
случае двух параметров — метод D-разбиения (Неймарк, 1949), в случае
большего числа параметров — реберная теорема (Bartlett, Hollot, Lin) —
при линейной зависимости; интервальный вариант критерия Михайлова
(принцип исключения нуля Дезоера) — при мультилинейной зависимости
коэффициентов от параметров.
1.2.2. Построение областей локализации корней

интервального полинома
Если полином имеет коэффициенты в виде интервалов, то для такого

полинома может быть поставлена задача о нахождении областей на ком-
плексной плоскости, в которых лежат его корни. По-другому можно на-
звать эту задачу задачей о построении области локализации корней (ОЛК).
Можно наоборот, указывать области, в которых корни полинома не ле-
жат.
В отличие от обычных полиномов, у интервальных полиномов могут
быть изолированные области (комплексные и вещественные), а также
смешанные области корней.
Для полиномов низких порядков (до 4-го включительно) можно
строить области локализации корней по формулам.
Если ввести понятие углового полинома, т. е. полинома, у которого
коэффициенты — обычные числа, соответствующие некоторому набору
1164
границ интервалов коэффициентов интервального полинома, то можно по-
пытаться построить односвязные области на комплексной плоскости — от-
резок на вещественной оси, сектор, трапецию (программа XTRAP), усе-
ченную трапецию (Xvicin). Гораздо более привлекательно выглядит воз-
можность строить многосвязные области локализации корней. Это можно
сделать, используя алгоритмы построения областей заданного качества в
пространстве параметров, разработанные в теории автоматического управ-
ления (программа XMSOLK).
Построение многосвязной области опирается на информацию о но-
минальных значениях a 0* , a1* , … , a n* и на данные об области (U a ) изменения
этих коэффициентов в соответствующем пространстве (алгоритм Р.Т. Си-
разетдинова).
Пусть s = λ — некоторый действительный корень полинома. Если
подставить его в полином, то получится уравнение:
λ n −1 a1 + λ n − 2 a 2 + … + λa n −1 + a n + λ n = 0
В пространстве коэффициентов полинома это уравнения определяет
(n–1)-мерную гиперплоскость Γλ , которая соответствует множеству поли-
номов, имеющих корень λ . Фактически для существования полиномов с
коэффициентами из U a , имеющих корень λ необходимо и достаточно,
чтобы гиперплоскость Γλ проходила через область U a , т. е. Γλ ∩ U a ≠ 0 .
Если S1, 2 = µ ± jη , то записываются уравнения:
для вещественной части:
Re( µ + jη ) n −1 a1 + … + µa n −1 + a n + Re( µ + jη ) n = 0 ;
для мнимой части:
Im(µ + jη ) n −1 a1 + … + ηa n −1 + a n + Im(µ + jη ) n = 0 .
Эти уравнения определяют (n-2)-мерную Γµη . Что бы эта пара ком-
плексно-сопряженных корней существовала нужно: U a ∩ Γµη ≠ 0 .
Для построения многосвязной области, нужно:
1. Задать некоторую номинальную точку a 0* , которая принадлежит
области изменения параметров.
2. Вычислить соответствующие ей корни s *j ( j = 1, n) .
3. Около каждого корня построить односвязную область, с примене-
нием метода слежения вдоль границы [12].
Выбираемые направления изменения параметров на плоскости — по
сторонам квадрата (вверх, вниз, влево и вправо). В вершинах этих квадра-
тов проверяют выполнения условий:
– если на данном шаге изменения параметров пересекается граница и
осуществляется вход в искомую область, то следующий шаг выпол-
няется по часовой стрелке;
1165
– если пересечения границы не наблюдается, то делается шаг в преды-
дущем направлении и так до тех пор, пока не произойдет пересече-
ния границы;
– если рабочая точка находится внутри области, то всегда делается по-
ворот по часовой стрелке (при длительном нахождении изменяется
шаг);
– при выходе за пределы области поворот выполняется против часовой
стрелки последовательно (увеличивая шаг) до тех пор, пока опять не
произойдет пересечения границы и вход в область.
2. Описание и исследование версий комплекса программ «АСИАС»
2.1. Разработка и модернизация комплекса программ АСИАС
Комплекс программ «Анализ и Синтез Интервальных Автоматиче-

ских Систем» (АСИАС) начал разрабатываться в 1980 г. в Саратовском
политехническом институте на кафедре «Автоматика и телемеханика» ав-
тором данного доклада. Назначение комплекса программ АСИАС — ана-
лиз устойчивости, качества и синтез регуляторов интервальных автомати-
ческих систем (рис. 2).
Как у нас в стране, так и за рубежом в области автоматики проводи-
лись интенсивные разработки теории, которая позволяла бы решать хоро-
шо понимаемые инженерами допусковые задачи. За более чем 25 лет со
времени опубликования В.Л. Харитоновым работ, давших толчок к иссле-
дованиям «интервальных» АС, было опубликовано огромное количество
статей и получено много хороших результатов. Разработка «проблемы ин-
тервалов» как математиками, так и учеными в области ТАУ, шла одновре-
менно с развитием вычислительной техники, языков программирования и
систем на их основе. Поэтому развивались пакеты «интервальной» ариф-
метики, математики, потом — анализа.
Представление о том, как развивались «математические» пакеты
программ для работы с интервальными данными в мире (и России в част-
ности), можно составить по дополнению к переводу книги [6]. В данной
работе упомянуты новые разработки (известные автору доклада) и основ-
ное внимание акцентировано на пакетах, относящихся к интервальным АС.
Разумеется, информация далеко не полная.
Одним из первых пакет программ для решения задач расчета интер-
вальных АС был разработан М.А. Цацкиным.
Для идентификации были разработаны программы Ю. А. Меркурье-
вым (Рига, 1982 — для статики АС), А. П. Вощининым, Г. Р. Сотировым и
др. (INA, Москва, 1989 — статические модели), А. Ф. Бочковым и Нгуен
Вьет Зунгом (INTIDE, Москва, 1992 — для статических объектов, линей-
ных динамических объектов, нелинейных динамических объектов в виде
1166
модели Гаммерштейна и модели Винера). Программа INTIDE написана на
языке программирования Си для персональных компьютеров, работает под
MSDOS, имеет две версии (на русском и английском языках), поддержива-
ется системой меню-окон, графики и подсказок.
Рис. 2. Структура КП АСИАС.
Для синтеза регуляторов пакеты созданы И. В. Дугаровой, Е. М.

Смагиной (INT, Томск, 1988 — для расчета П- и ПИ-регуляторов, в том
числе для многосвязных систем), А. Н. Моисеевым, С. В. Алексеевым
(INTERVAL, Анжеро-Судженск, 1997 — для синтеза модального регуля-
тора, решения задачи асимптотического слежения за командным сигналом
и моделирования трубки движения).
Для анализа АСИНП разработаны комплексы программных средств
Ф. М. Ахметжановым (Уфа, 1996 — по интервальным полиномам и по
«трубкам» частотных характеристик), Н. А. Целигоровым (Ростов-на-
1167
Дону, 1999 — робастная абсолютная устойчивость для нелинейных им-
пульсных АС с интервальной неопределенностью, интерактивный выбор
параметров управляющего устройства).
Интервально-математические пакеты созданы А. П. Вощининым,
Г. Р. Сотировым и др. (SOLI, Москва, 1989 — позволяет решать задачи ли-
нейного программирования с интервально заданной целевой функцией),
А. Б. Бабичевым, О. Б. Кадыровой, Т. П. Кашеваровой, А. Л. Семеновым
(UniCalk, Новосибирск, 1991 — для решения произвольных систем алгеб-
раических и алгебро — дифференциальных соотношений), В. М. Нестеро-
вым, С. П. Шарым.
2.2. Основная версия КП АСИАС (АСИАСF )
2.2.1. Структура КП АСИАС при поставке и хранении
На жестком диске «фортрановская» версия комплекса программ

«АСИАС» хранится в одноименной папке (рис. 3).
Рис. 3. Общие свойства папки «АСИАС».
Внутри нее находятся следующие папки (рис. 4).

Каждая из папок Asias_98, BasProg, Xtrap98, АСИАС_exe,
АСИАС_архивы, АСИАС_тексты3 занимает около 1,4 Мб и, таким обра-
зом, может храниться на дискете. Названия папок дают представление о
том, что в них находится. Для пояснения приложен файл read_me.txt. В
1168
папке BasProg находятся основные программы, отвечающие за «интер-
вальные» вычисления, в частности — в папке XOLL.
Рис. 4. Структура папки «АСИАС».
2.2.2. Особенности программ КП АСИАС
Программы комплекса программ АСИАС хранятся в виде исполняе-

мых файлов (расширение exe) и допускают ввод данных либо с экрана, ли-
бо из файла. Каждая программа снабжена контрольным примером. Имя
файла контрольного примера совпадает с именем программы и имеет рас-
ширение dat. После окончания работы программа выводит результаты в
файл со своим именем и расширением rzl. Описания программ и контроль-
ных примеров хранятся в файлах с именами, имеющими расширение chi.
Программы снабжены различными видами защит. Пример работы
защиты от неправильно вводимых данных (программа XMOKO1) показан
на рис. 5.
Рис. 5. Защита от неправильно вводимых границ интервалов.
1169
В учебной версии комплекса программ АСИАС решаются задачи
анализа и синтеза линейных непрерывных автоматических систем с интер-
вальной неопределенностью параметров (АСИНП). Другими словами, на-
чальные условия и возмущения считаются точно известными, а значения
параметров (коэффициентов математической модели автоматических сис-
тем) могут быть любыми в пределах заданных интервалов.
В учебной версии комплекса программ АСИАС размеры решаемых
задач ограничены 3-м порядком, число управлений не может быть больше
двух (исключением является программа XIMAUS1, размер решаемых за-
дач в которой равен 5).
Задача синтеза состоит в проверке условий существования регулято-
ра с постоянными (но также может быть неопределенными, лежащими в
некоторых допусках) коэффициентами по области параметрической неоп-
ределенности объекта и желаемой цели управления и в вычислении коэф-
фициентов регулятора (если это возможно). Целью управления считается
придание замкнутой системе устойчивости, а процессам, в ней протекаю-
щим — некоторых качественных показателей, определенных в виде функ-
ционалов или ограничений различного вида.
Синтез регуляторов осуществляется интервальными вариантами ме-
тодов модального управления, аналитического конструирования и имеется
программа XCHRIST1, в которой реализован частотный метод синтеза
компенсатора.
Решаемые комплексом АСИАС задачи относятся к робастному
управлению автоматическими системами с интервальной неопределенно-
стью параметров (АСИНП).
Математическими моделями АСИНП могут являться передаточные
функции или системы линейных дифференциальных уравнений первого
порядка. Неопределенные параметры рассматриваются в виде вектора, от
элементов которого функционально зависят коэффициенты модели
АСИНП. Функциональная зависимость может быть линейной или нели-
нейной (полилинейной, сигномиальной).
Под а н а л и з о м АСИНП понимается получение оценок основных
свойств АС при неопределенности параметров объекта и коэффициентов
регулятора. Решение задачи анализа обычно преследует цель улучшения
свойств системы, что предполагает изучение объекта для установления
корректности требований к его функционированию.
Одним из этапов анализа АСИНП является определение ее управ-
ляемости.
Следующим этапом анализа АСИНП является определение ее устой-
чивости. Если модель АСИНП задана в виде передаточной функции, то ус-
тойчивость оценивается по функционально — интервальному полиному ее
знаменателя. Если модель АСИНП задана дифференциальными уравне-
1170
ниями, то используются критерии устойчивости функционально — интер-
вальных матриц.
Качество АСИНП можно оценивать по корневым, частотным и вре-
менным характеристикам. КП АСИАС позволяет строить одно — и много-
связные области локализации нулей и полюсов АСИНП, различные виды
ЧХ. Однако наиболее привлекательной является такая его возможность,
как построение трубок траекторий во временной области. Для построения
трубок используется мажорантно — минорантная аппроксимация различ-
ной степени точности всего множества решений дифференциального урав-
нения или переменных состояния.
2.2.3. Назначение, входные и выходные данные

программ анализа КП АСИАС
Анализ управляемости проводится с помощью программы XAUR1, в

которой реализован интервальный вариант критерия Калмана: формирует-
ся интервальная матрица управляемости, а затем определяется ее ранг. Ес-
ли он равен порядку объекта, который представлен матричной парой А и В,
то последний вполне управляем. Ранг интервальной матрицы определяется
путем вычисления интервала значений определителей квадратных матриц,
составляемых из ее столбцов.
- XAUR1 —
Назначение: анализ управляемости АСИНП интервальным вариан-
том критерия Калмана.
Входные параметры программы XAUR1:
— размер матрицы А,
— количество столбцов матрицы В,
— нижние и верхние границы элементов матрицы А,
— нижние и верхние границы элементов матрицы В,
— ширина индикатора неопределенности (интервальные величины с
меньшей шириной считаются неинтервальными со значением, равным
нижней границе).
Выходные параметры программы XAUR1:
— контрольная печать входных параметров (кроме ширины индикатора
неопределенности),
— нижние и верхние границы элементов матрицы управляемости,
— сообщение об управляемости или неуправляемости объекта,
— интервал значений определителя n-го порядка.
В качестве контрольного примера анализируется управляемость объ-
екта, описанного в файле xsmrcb1.chi.
Анализ устойчивости АСИНП осуществляется программами
XARIT41, XIMAUS1, X4X1 алгебраическими и частотными методами.
Если система имеет модель в виде передаточной функции, то используется
1171
программа XARIT41, в которой к интервальному полиному знаменателя
ПФ применяется критерий Харитонова, причем анализ устойчивости че-
тырех его полиномов проводится с помощью критерия Рауса. Определить
устойчивость интервальной передаточной функции можно также с помо-
щью программы X4X1, которой строятся ограниченные мажорантами и
минорантами области возможных значений следующих частотных харак-
теристик: амплитудной, фазовой, вещественной, мнимой.
Если АСИНП представляет собой объект в форме Коши, замкнутый
обратной связью по полному вектору состояния, то для анализа устойчи-
вости применяется программа XIMAUS1. Эта же программа может найти
область устойчивости (гипербрус) в пространстве параметров объекта и
коэффициентов обратной связи.
- XARIT41 —
Назначение: анализ устойчивости АСИНП с помощью критерия Ха-
ритонова.
Входные параметры программы XARIT41:
— степень полинома,
— нижние и верхние границы коэффициентов полинома.
Выходные параметры программы XARIT41:
— коэффициенты четырех полиномов Харитонова,
— сообщение об устойчивости или неустойчивости интервального по-
линома.
- XIMAUS1 —
Назначение: анализ устойчивости АСИНП и синтез допусков на ко-
эффициенты регулятора.
Описание входных и выходных параметров программы XIMAUS1
приведено в файле ximaus1.chi. Эта программа не имеет ввода с экрана, так
как количество запрашиваемых ею данных велико. Для ее проверки име-
ются два файла с данными: ximaus1.dat — система с неопределенными па-
раметрами и ximaus2.dat — система без неопределенных параметров.
- X4X1 —
Назначение: построение частотных характеристик АСИНП.
Входные параметры программы Х4Х1:
— коэффициент усиления,
— степень числителя передаточной функции,
— нижние границы коэффициентов числителя по возрастающим степе-
ням s,
— верхние границы коэффициентов числителя по возрастающим степе-
ням s,
— степень знаменателя передаточной функции,
— нижние границы коэффициентов знаменателя по возрастающим сте-
пеням s,
1172
— верхние границы коэффициентов знаменателя по возрастающим сте-
пеням s,
— начальное и конечное значения частоты,
— количество частот (не более 400),
— вид масштаба по частоте (1-линейный, 2-логарифмический),
— ширина индикатора неопределенности.
Выходные параметры программы ХЧХ1:
— контрольная печать входных параметров,
— графики мажорант и минорант вещественной, мнимой, амплитудной
и фазовой характеристик.
Анализ качественных показателей АСИНП может проводиться по
расположению корней ИХПЗС на комплексной плоскости, частотным ха-
рактеристикам, переходным процессам — реакциям на типовые входные
сигналы и ненулевые начальные условия.
Если АСИНП описывается передаточной функцией без нулей, то
расположение корней ИХПЗС (устойчивой АСИНП) в трапецеидальной
области левой комплексной полуплоскости можно получить с помощью
программы XTRAP1. Многосвязную область локализации корней ИХПЗС
(не обязательно устойчивого) строит программа XMSOLK1. В этом же
случае можно оценить качество АСИНП по собственным движениям —
реакциям на ненулевые начальные условия, в виде ограниченной мажоран-
той и минорантой области переходных процессов (программа XFELD1).
Начальное условие задается для выходной переменной и оно должно быть
положительным.
Если АСИНП имеет передаточную функцию с нулями, то качествен-
ные показатели можно оценить по частотным характеристикам (программа
X4X1). Строятся ограниченные мажорантами и минорантами области воз-
можных значений следующих частотных характеристик: амплитудной, фа-
зовой, вещественной, мнимой.
- XTRAP1 —
Назначение: построение трапецеидальной области расположения
корней устойчивого интервального полинома.
Входные параметры программы XTRAP1:
— нижние и верхние границы коэффициентов полинома.
Выходные параметры программы XTRAP1:
— график трапецеидальной области локализации корней полинома (в
случае его устойчивости),
— параметры этой области (eta, fi, ksi).
- XFELD1 —
Назначение: построение области переходных процессов АСИНП.
Входные параметры программы XFELD1:
1173
— нижние и верхние границы коэффициентов полинома (полином
должен быть моническим, то есть с единицей при старшей степени s).
— начальное условие по выходу (неотрицательное, остальные — нули).
Выходные параметры программы XFELD1:
— график области переходных процессов.
- XMSOLK1 —
Назначение: построение многосвязной области локализации корней
интервального полинома.
Входные параметры программы XMSOLK1:
— нижние и верхние границы коэффициентов полинома,
— ширина индикатора неопределенности,
— точность построения области.
Выходные параметры программы XMSOLK1:
— график многосвязной области локализации корней.
2.2.4. Назначение, входные и выходные данные

программ синтеза КП АСИАС
Синтез регуляторов для АСИНП проводится интервальным вариан-

том метода модального управления [18]. Описание метода приведено в
файле xsmrcb1.chi. Используется способ включения интервального харак-
теристического полинома замкнутой системы (ИХПЗС) в желаемый
ИХПЗС. Достоинства и недостатки этого способа после десятилетнего
опыта применения были изложены в [19]. Этот способ реализован в виде
программы XSMRCB1. Для работы этой программы необходим желаемый
ИХПЗС. Его синтез по желаемой области расположения корней в виде
трапеции, расположенной в левой комплексной полуплоскости проводится
программой XSIPT1. Соответствующая теория и алгоритм опубликованы
в [20].
- XSMRCB1 —
Назначение: решение интервальной задачи модального управления
способом включения. Объект в программе XSMRCB1 может быть функ-
ционально-интервальным: каждый коэффициент матрицы А и вектора b за-
висит от вектора неопределенных и вектора определенных (известных) па-
раметров. Вид функциональной зависимости должен быть таким, чтобы
коэффициенты матрицы Р и вектора d (смотри описание метода в файле
xsmrcb1.chi) были ДУО-функциями (допускающими угловое оценивание),
то есть наибольшее и наименьшее их значения достигались на некоторых
комбинациях границ элементов вектора неопределенных параметров. Про-
1174
стейший случай требуемой функциональной зависимости — чисто-
интервальная (А и b — интервальные матрица и вектор).
Для описания функциональной зависимости коэффициентов от не-
определенных и определенных параметров пользователем должна быть со-
ставлена подпрограмма XUKAB. Если часть коэффициентов функцио-
нально зависит от определенных параметров, пользователь составляет
подпрограмму XOKAB. Для примера, описанного в xsmrcb1.chi, тексты
подпрограмм XOKAB и XUKAB можно просмотреть, вызвав файлы с их
именами. После составления собственных подпрограмм XOKAB и
XUKAB пользователь, имея MS-Fortran 5.0, для получения выполняемого
файла должен запустить файл xsmrcb_l.bat.
Входные параметры программы XSMRCB1:
— размерность системы,
— число неопределенных параметров,
— число определенных параметров,
— вектор определенных параметров,
— вектор нижних границ неопределенных параметров,
— вектор верхних границ неопределенных параметров,
— вектор нижних границ коэффициентов желаемого ИХПЗС (начи-
ная с n–1 степени s),
— вектор верхних границ коэффициентов желаемого ИХПЗС (начи-
ная с n–1 степени s).
Выходные параметры программы XSMRCB1:
— матрицы РН и РВ,
— коэффициенты характеристического полинома объекта,
— коэффициенты желаемого ИХПЗС,
— система центров (матрица и вектор),
— система длин (матрица и вектор),
— коэффициенты регулятора,
— проверка разрешимости задачи (длины левой части, запас по дли-
нам),
— допуск на каждый коэффициент регулятора,
— интервалы значений коэффициентов регулятора.
Описание контрольного примера приведено в файле xsmrcb1.chi,
данные контрольного примера — в файле xsmrcb1.dat.
- XSIPT1 —
Назначение: синтез желаемого устойчивого интервального полино-
ма.
Входные параметры программы XSIPT1:
— порядок полинома,
— угол сектора, в котором должны лежать корни синтезируемого по-
линома (0, 30, 45, 60, 90 градусов),
1175
— степень устойчивости,
— расстояние до максимально удаленного корня,
— верхняя граница коэффициента при n–1 степени s полинома,
— длины интервальных коэффициентов полинома,
— число циклов работы программы, в каждом цикле увеличивается
верхняя граница коэффициента при n–1 степени s,
— шаг изменения (увеличения) этой границы.
Выходные параметры программы XSIPT1:
— верхняя граница коэффициента при n–1 степени s ИХПЗС,
— нижние границы коэффициентов желаемого ИХПЗС,
— верхние границы коэффициентов желаемого ИХПЗС,
— нижние границы коэффициентов ЭТА-сдвинутого полинома В(s),
— верхние границы коэффициентов ЭТА-сдвинутого полинома В(s),
— верхние границы параметров ЛЯМБДА(i) критерия устойчивости,
— нижние границы коэффициентов КСИ-сдвинутого полинома D(s),
— верхние границы коэффициентов КСИ-сдвинутого полинома D(s),
— верхние границы параметров ЛЯМБДА(i) критерия устойчивости.
Выходные параметры печатаются в каждом цикле работы програм-
мы. В качестве синтезированного (желаемого) полинома можно брать лю-
бой, о котором выданы сообщения: ИХПЗС ИМЕЕТ ЖЕЛАЕМУЮ
СТЕПЕНЬ УСТОЙЧИВОСТИ, ИХПЗС ИМЕЕТ ЖЕЛАЕМОЕ КСИ.
Существует множество способов решения интервальной задачи
АКОР [21], [22], [23], [24]. В данной версии реализован способ, в котором
интервальной может являться матрица состояний объекта (программа
XMOKO1).
- XMOKO1 —
Назначение: решение интервальной задачи АКОР.
Входные параметры программы XMOKO1:
— размер матрицы А,
— нижние и верхние границы матрицы А,
— количество столбцов матрицы В,
— матрица В,
— матрица Q,
— матрица R,
— ширина индикатора неопределенности,
— матрица А0 номинального режима.
Выходные параметры программы XMOKO1:
— решение уравнения Риккати для номинального режима,
— вектор (матрица) К коэффициентов регулятора для номинального
режима,
— вектор (матрица) К коэффициентов робастного регулятора.
1176
Синтез допусков на коэффициенты регулятора, входящего в
АСИНП, осуществляется двумя программами — XSMRCB1 и XIMAUS1
[25]. Первая программа находит допуски в процессе синтеза модального
регулятора. При этом допуски находятся как в процентах от номинальных
значений, так и в виде симметричных интервалов относительно них. Реа-
лизация любых значений коэффициентов регулятора из интервалов допус-
ка гарантирует не только устойчивость, но и расположение корней ИХПЗС
в желаемой трапеции левой комплексной полуплоскости. Вторая про-
грамма находит допуски, исходя из условий устойчивости АСИНП. Пред-
варительно пользователь оценивает с ее помощью чувствительность свой-
ства устойчивости к изменению каждого коэффициента регулятора и на-
значает шаги расширения — сужения допусков.
3. МАТЛАБ — версия КП АСИАС (АСИАСМ )
3.1. Интервальные вычисления и система MATLAB
В настоящее время можно выделить следующие тенденции в организа-

ции и использовании интервальных вычислений на ЭВМ (см. дополнение к
переводу книги [6]):
— средства для проведения интервальных вычислений включаются в
состав автоматизированных систем различной проблемной ориентации;
— наряду с замкнутыми интервалами широко применяются и другие
классы интервальных объектов, а также соответствующие модифицированные
операции;
— постоянно растет число реализованных языков программирования,
предоставляющих средства для удобной работы с элементами интервальных
типов данных;
— в организации вычислений широко используются возможности ком-
пьютерной алгебры;
— массовым становится переход от программного способа интерпре-
тации примитивов к микропрограммному и аппаратному;
— наблюдается стремление разработчиков к систематическому приме-
нению средств, реализующих регулярные методы увеличения точности вы-
числяемых результатов;
— расширяется номенклатура изделий, производимых промышленно-
стью обработки данных, при создании которых учтена специфика интерваль-
ных вычислений.
Система MATLAB — один из самых мощных и эффективных инстру-
ментов для создания разнообразных программных комплексов, предназначен-
ных для решения научно-технических задач. Благодаря текстовому формату
m-файлов пользователь может ввести в систему любую новую команду, опе-
ратор или функцию и затем пользоваться ими также просто, как и встроенны-
1177
ми операторами или функциями. Благодаря именно этой особенности, а также
встроенным в систему MATLAB средствам аналитических вычислений и эле-
ментам интервальных вычислений, стало возможным перевести написанные
на языке Фортран программы комплекса программ АСИАС в систему
MATLAB, создав m-файлы с текстами аналогичных программ.
Рассмотрим, для примера, как это было реализовано для программы
построения уточненной области локализации корней интервального поли-
нома (Xvicin).
3.2. Создание в системе MATLAB программы Xvicin
Программа «Построение многоугольной области локализации кор-

ней устойчивого интервального полинома» имеет имя Xvicin. Программа
функционирует в системе MATLAB версии 5.2 и выше.
Программа написана на встроенном в MATLAB m-языке.
Программой решается задача построения многоугольной области
локализации устойчивого интервального полинома.
Эта задача является частным случаем задачи об относительной ус-
тойчивости. Автоматическая система считается относительно устойчивой,
если все корни ее характеристические полиномы локализованы в заданной
области Λ комплексной плоскости.
Для того чтобы построить область локализации корней нужно по-
строить все его угловые полиномы, найти корни, а затем «вокруг» этих
корней построить область.
Рис. 6. Многоугольная область локализации корней интервального полинома.
Такая область строится в данной программе по следующему алго-

ритму:
1. Проверка правильности введенных данных (нижние границы
меньше верхних).
2. Формирование коэффициентов полиномов Харитонова.
1178
3. Проверка устойчивости полиномов по критерию устойчивости
Гурвица.
4. Если полином устойчив, то переход к п. 5, иначе сообщение о не-
устойчивости полинома и конец работы программы.
5. Формирование коэффициентов угловых полиномов.
6. Вычисление корней угловых полиномов и определение из их па-
раметров области расположения корней.
7. Вывод графика области расположения корней и вывод параметров
области.
Блок-схема программы представлена на рис. 7.
Входными параметрами являются:
– степень интервального полинома — n,
– нижние границы коэффициентов интервального полинома — Gn,
ввод осуществляется со старшей степени,
– верхние границы коэффициентов интервального полинома — Gv,
ввод осуществляется со старшей степени.
Данные вводятся в ответ на соответствующие запросы программы.
Число n — целое, значения коэффициентов Gn, Gv записываются в
квадратных скобках и через пробел.
Выходными данными являются параметры области расположения
корней:
fi — угол сектора Фи,
tet — степень устойчивости Тета,
ksi — расстояние до максимально удаленного корня Кси,
Ym — максимальная мнимая часть корней угловых полиномов.
Решим контрольный пример. Введем следующий интервальный по-
лином:
∆( s ) = [1;1]s 3 + [4;5]s 2 + [4;4]s + [2;5] .
Результат работы программы:
Введите степень полинома : n=3
Введите нижние границы коэффициентов интервального полинома, начиная со
старшей степени : [gnN...gn2 gn1 gn0]=[1 4 4 2]
Введите верхние границы коэффициентов интервального полинома, начиная со
Угол сектора Фи=
72.2286
Cтепень устойчивости Эта=
0.3279
Расстояние до максимально удаленного корня Кси=
4.3442
Максимальная мнимая часть корней Ym=
1.1826
1179
Рис. 7. Блок-схема программы Xvicin.
1180
Рис. 8. Многоугольная область локализации корней интервального полинома.
3.3. Исследование двухмассовой упругой механической системы

с двумя интервальными параметрами
Для проверки работы программ исследуем двухмассовую упругую

механическую систему, изображенную на рис. 9.
Рис. 9. Двухмассовая упругая механическая система.
Представим числитель и знаменатель передаточных функций в виде

интервальных полиномов для случаев двух интервальных параметров:
Н ⋅ м⋅с Н ⋅ м⋅с
J2∈[1, 2] и J1∈[1, 2] .
рад рад
Полиномы числителя и знаменателя передаточных функций содер-
жат нижние границы:
s 2 + 2s + 1 − s 2 − 2s − 1
W11 ( s ) = , W 22 ( s ) = ,
s 3 + 4 s 2 + 5s + 2 s 3 + 4 s 2 + 5s + 2
1181
s 2 + 2s + 1 s +1
Ww ( s ) = , W21 ( s) = 3 .
s + 4 s + 5s + 2
3 2
s + 4 s 2 + 5s + 2
Полиномы числителя и знаменателя передаточных функций содер-
жат верхние границы:
2s 2 + 2s + 1 − 2s 2 − 2s − 1
W11 ( s ) = , W 22 ( s ) = ,
4 s 3 + 8s 2 + 7 s + 2 4 s 3 + 8s 2 + 7 s + 2
2s 2 + 3s + 1 s +1
Ww ( s ) = 3 , W21 ( s) = 3 .
4 s + 8s + 7 s + 2
2
4 s + 8s 2 + 7 s + 2
Для исследования устойчивости воспользуемся программой XARIT.
Введите степень полинома: n=3
Введите нижние границы коэффициенты интервального полинома, начиная со
старшей степени: [gnN...gn2 gn1 gn0]=[1 4 5 2]
Введите верхние границы коэффициенты интервального полинома, начиная со
Коэффициенты полинома Харитонова
4 4 5 2
1 4 7 2
1 8 7 2
4 8 5 2
Интервальный полином устойчив
Далее построим области локализации корней интервальных поли-
номов передаточных функций двухмассовой упругой механической систе-
мы. Для построения данных областей воспользуемся программами
XTRAP, XVICIN. Интервальный характеристический полином двухмас-
совой упругой механической системы имеет вид:
∆( s ) = [1;4]s 3 + [4;8]s 2 + [5;7]s + [2;2] .
В результате работы программы получаем следующее:
Введите степень полинома : n=3
75.5225
0.2500
7.3574
В результате работы программы Xvicin получаем следующее:

75.5225
0.2500
1182
7.3574
Максимальная мнимая часть корней Ym=
1.5469
Рис. 10. Область локализации корней и множество корней полинома при случайных
значениях коэффициентов интервального полинома.
1183
Теперь исследуем временные характеристики интервального харак-
теристического полинома двухмассовой упругой механической системы,
для чего воспользуемся программой Xfeld.
В результате работы программы Xfeld получаем следующее:
Введите степень полинома: n=3
Рис. 12. Область переходных процессов АСИНП и переходный процесс при

конкретных значениях коэффициентов интервального полинома
3.4. Анализ устойчивости и качества следящего

привода с интервальной неопределенностью
Исследуем следящий привод, структурная схема которого изобра-

жена на рис. 13.
1184
Рис. 13. Структурная схема следящего привода
Параметры привода:
JД=0,015 Н⋅м⋅с2/рад — момент инерции, приведенный к двигателю;
Кмп=0,15 мм/рад — коэффициент механической передачи;
Lя=0,007 Гн — индуктивность якоря;
Rя=0,5 Ом — cопротивление якоря;
Се=0,25 В⋅с/рад , См=0,15 Н⋅м/рад — постоянные двигателя;
КТП=105 —коэффициент передачи преобразователя.
Параметры измерителей:
КТГ=0,22 В⋅с/рад—коэффициент передачи тахогенератора;
Кдп=7 В/мм—коэффициент передачи датчика перемещения.
Параметры регуляторов:
КРТ=3.8, ТРТ=0.014 c,
КРС=2.8, ТРС=0.024, c
КРП=3.
Возьмем интервальный параметр JД∈[0,015; 0,02] Н⋅м⋅с2/рад, после
вычислений в системе CLASSIC передаточные функции выглядят сле-
дующим образом:
2.53 ⋅ 10 −5 s 2 + 0.00287 s + 0.0754
Wн( s ) = ,
1.6 ⋅ 10 −9 s 6 + 4.28 ⋅ 10 −7 s 5 + 0.000227 s 4 + 0.026 s 3 + 1.45s 2 + 53.6 s + 528
2.53 ⋅ 10 −5 s 2 + 0.00287 s + 0.0754
Wв ( s ) = .
1.7 ⋅ 10 −9 s 6 + 5.64 ⋅ 10 −7 s 5 + 0.000299s 4 + 0.03s 3 + 1.45s 2 + 53.6 s + 528
Здесь Wн — передаточная функция при нижней границе интервального па-
раметра , Wв — передаточная функция при верхней границе интервального
параметра. Интервальным является только полином знаменателя, поэтому
достаточно исследовать его свойства.
Исследуем с помощью переведенных программ устойчивость сле-
дящего привода (программа Xarit), области локализации корней интер-
вального полинома знаменателя (программы Xtrap, Xvicin), временные
(программа Xfeld) характеристики интервального полинома.
Программа Xarit выдает сообщение
Интервальный полином устойчив
В результате работы программы Xtrap получаем следующее:
Угол сектора Фи=8.1095e+001
1185
Cтепень устойчивости Эта=1.3447e+001
Расстояние до максимально удаленного корня Кси=1.2443e+002
В результате работы программы Xvicin получаем следующее:
Угол сектора Фи=8.1095e+001

Cтепень устойчивости Эта=1.3447e+001
Расстояние до максимально удаленного корня Кси=1.2443e+002
Максимальная мнимая часть корней Ym=3.9746e+002
Рис. 14. Область локализации корней и корни полинома при конкретных значениях
коэффициентов интервального полинома.
1186
Рис. 16. Область локализации корней и корни полинома при конкретных значениях
коэффициентов интервального полинома.
В результате работы программы Xfeld получаем следующее —

рис. 18–19.
1187
Рис. 18. Область переходных процессов автоматической системы с интервально

неопределенными параметрами.
Рис. 19. Область переходных процессов АСИНП и переходный процесс при

конкретных значениях коэффициентов интервального полинома.
Таким образом, программы КП АСИАС, «переведенные» на

MATLAB, позволяют исследовать устойчивость и качество следящего
привода с помощью построения временных характеристик, трапецеидаль-
ной и многоугольной областей локализации корней характеристического
полинома следящего привода.
1188
1. Ackermann J. Robuste Regelung.— Springer–Verlag Berlin Heidelberg,
1993.
2. Moore R. E. Interval analysis.— N.Y.: Prentice Hall, 1966.
3. Шокин Ю. И. Интервальный анализ.— Новосибирск: Наука. Сиб. отде-
ление, 1981.— 112с.
4. Хлебалин Н. А. Анализ асимптотической устойчивости линейных систем
управления в условиях неопределенности параметров объекта.— Сара-
тов: Саратовский политехн. ин-т, 1980. (Деп. в
ЦНИИТЭИприборостроения 23.07.80, №1370).— 9 с.
5. Ludyk G. CAE von Dynamischen Systemen.— Springer Verlag Berlin
Heidelberg, 1990.— 335 p.
6. Алефельд Г., Херцбергер Ю. Введение в интервальные вычисления: Пер.
с англ.— М.: Мир, 1987.— 360 с.
7. Добронец Б. С., Шайдуров В. В. Двухсторонние численные методы.—
Новосибирск: Наука. Сиб. отделение, 1990.— 208 с.
8. Калмыков С. А., Шокин Ю. И., Юлдашев З. Х. Методы интервального
анализа.— Новосибирск: Наука. Сиб. отделение, 1986.— 224 с.
9. Хлебалин Н. А. Аналитический синтез регуляторов в условиях неопре-
деленности параметров объекта управления. Дисс…канд. техн. наук. —
Саратов, 1984.
10. Клатте Р., Кулиш У., Неага М.,Рац Д., Ульрих Х. PASCAL XSC: Руко-
водство по языку и учебный курс: Пер. с англ.— М.: Теневинф, 1997.—
336 с.
11. Хлебалин Н.А. Характеристики отношения двух интервальных полино-
мов как функции комплексного переменного // Материалы Всесоюзн.
конф. «Актуальные проблемы прикладной математики». Т.1. (Саратов,
20–22 мая 1991).— С.106–109.
12. Теория автоматического управления. Ч. 1. Теория линейных систем ав-
томатического управления. / Под ред. А.А. Воронова. Учеб. пособие для
вузов. — М.: Высшая школа, 1977. — 303 с.
13. Бронштейн И. Н., Семендяев К. А. Справочник по математике для ин-
женеров и учащихся ВУЗов.— М.: 1986.— 544 с.
14. Bailey F. N., Panzer D. и Gu. G. Two algorithms for frequency domain de-
sign of robust control systems // Int. J. Control.— 1988.— V.48.— N.5.—
P.1787–1806.
15. M. Fu. Computing the frequency response of linear systems with parametric
perturbation // Systems & Control Letters.— 15.— 1990.—P.45–52.
16. Kraus F. J., Anderson B. D., Juri E. I., Mansour M. On the Robustnes of
Low — Order Schur Polynomials // IEEE Trans. On Circuits and Systems.—
V.35.— N.5.— P.570–577.
17. Хлебалин Н. А. Анализ и обеспечение устойчивости систем с одним не-
определенным параметром // Аналитические методы синтеза регулято-
1189
ров: Межвуз. научн. сб.— Саратов: Саратовский политехн. ин-т,
1985.— С.70–72.
18. Хлебалин Н.А. Аналитический метод синтеза регуляторов в условиях
неопределенности параметров объекта // Аналитические методы синте-
за регуляторов: Межвуз. научн. сб. — Саратов: Саратовский политехн.
ин-т, 1981.— С.107–123.
19. Хлебалин Н. А., Шокин Ю. И. Интервальный вариант метода модального
управления // ДАН СССР.— 1991.— Т.316.— №4.— С.846–850.
20. Хлебалин Н. А. Построение интервальных полиномов с заданной обла-
стью расположения корней // Аналитические методы синтеза регулято-
ров: Межвуз. научн. сб.— Саратов: Саратовский политехн. ин-т,
1982.— С.92–98.
21. Александров А. Г., Хлебалин Н. А. Аналитический синтез регуляторов
при неполной информации о параметрах объекта управления // Анали-
тические методы синтеза регуляторов: Межвуз. научн. сб.— Саратов:
Саратовский политехн. ин-т, 1981.— С.138–147.
22. Хлебалин Н. А., Солдунов В. А. Некоторые подходы к синтезу регулято-
ров в условиях неопределенности // Создание и расчет электронных уст-
ройств и приборов.— Саратов: Изд-во Саратовского ун-та, 1982.—
С.52–55.
23. Хлебалин Н. А. Аналитическое конструирование регуляторов в условиях
интервальной неопределенности параметров // Материалы Всесоюзн.
конф. «Актуальные проблемы прикладной математики».Т.1. (Саратов,
20–22 мая 1991).— С.104–105.
24. Petersen I. R. A Riccati Equation Approach to the Design of Stabiliziing
Controllers and Observers for a Class of Uncertain Linear Systems // IEEE
Transactions on Automatic Control.— 1985.— V.AC-30.— N.9.— P.904–
907.
25. Хлебалин Н. А. Интервальный метод анализа устойчивости в условиях
неопределенности параметров и его программное обеспечение // Отчет
о НИР «САПР САУ ЛА с постоянными параметрами» (промежуточ-
ный). Научн. руков. А. Г. Александров, № Гос. регистрации 80017703,
инв. №02820058296.— Саратов: Саратовский политехн. ин-т, 1982.—
112 с.
1190
УДК 681.5
ПОСТРОЕНИЕ H∞ -СУБОПТИМАЛЬНОГО РЕГУЛЯТОРА

ДЛЯ УПРАВЛЕНИЯ САМОЛЕТОМ НА РЕЖИМЕ
ПОСАДКИ С ПОМОЩЬЮ ПАКЕТА
LMI CONTROL TOOLBOX
Чайковский М. М.,
Калужский филиал МГТУ им. Н.Э. Баумана, Калуга,
Курдюков А. П.,
Институт проблем управления РАН им. В.А. Трапезникова, Москва,
Тимин В. Н.
ОКБ «Русская Авионика», Жуковский,
e-mail: milse@kaluga.ru, akurd@ipu.ru, timin@ra.transts.ru
Введение
Современные системы управления проектируются с учетом воз-

можной неопределенности, которая может возникнуть на входе системы
или в результате отклонения параметров системы от номинальных. Одним
из аппаратов построения систем управления при наличии неопределенно-
стей является аппарат H∞ -минимизации, когда качество системы опреде-
ляется H∞ -нормой передаточной функции замкнутой системы от входов к
контролируемым выходам. Задача состоит в построении управления, ми-
нимизирующего этот критерий качества.
Известны различные подходы к решению задачи H∞ -минимизации,
например, 2-Риккати подход [1], и подход, основанный на решении линей-
ных матричных неравенств (LMI-based approach) [2, 3]. Последние два
подхода в настоящее время являются стандартами решения этой задачи.
Для разработчиков робастных систем управления был создан пакет
прикладных программ, реализующий указанные процедуры H∞ -мини-
мизации — LMI Control Toolbox [4] для многофункциональной интегриро-
ванной системы автоматизации математических и научно-технических
расчетов MATLAB.
В работе для задачи минимизации внешних ветровых возмущений на
режиме посадки самолета решается задача построения управления, мини-
мизирующего влияние сдвига ветра на воздушную скорость и высоту са-
молета на заданной траектории глиссады.
1191
1. Математическая модель продольного движения самолета
На заданной траектории глиссады модель движения самолета доста-

точно хорошо аппроксимируется линейной моделью [5]. Продольное дви-
жение летательного аппарата с учетом ветровых возмущений описывается
следующей линейной системой обыкновенных дифференциальных урав-
нений в приращениях:
x = Ax + B1n w + B2 nu,
x = [ ∆V ∆ϑ ∆h ∆T ] —
T
где ∆θ ∆ω z вектор состояния;
T
w =  wy wx wy  — вектор внешних ветровых возмущений;
T
u =  ∆ϑсу ∆δt  — вектор управления; ∆V — отклонение воздушной
скорости самолета; ∆θ — отклонение угла наклона траектории в воздуш-
ной системе координат; ∆ωz — отклонение угловой скорости относитель-
но оси z ; ∆ϑ — отклонение угла тангажа; ∆h — отклонение высоты поле-
та самолета; ∆T — отклонение силы тяги двигателей, направление кото-
рой принимается совпадающим с продольной осью самолета; wx — гори-
зонтальная составляющая скорости ветра; wy — вертикальная составляю-
щая скорости ветра; wx и wy — полные градиенты горизонтальной и вер-
тикальной составляющей ветра в земной системе координат; ∆ϑсу —
управление, формирующее отклонение руля высоты самолета; ∆δt — от-
клонение сектора газа от заданного значения.
Уравнение для измеряемого выхода y = [ ∆V ∆h ] с учетом шумов
T
T
измерений n y =  n y1 n y 2  записывается в виде
y = C y x + I y ny ,
1 0 0 0 0 0 
где C y =   — матрица измеряемых выходов; I y — еди-
0 0 0 0 1 0
ничная матрица соответствующей размерности.
Линейная математическая модель продольного движения самолета с
учетом внешних ветровых возмущений в пространстве состояний описы-
вается системой уравнений
 x = Ax + B1n w + B2 nu ,
 (1)
 y = C y x + I y n y .
1192
2. Постановка задачи синтеза H∞ -субоптимального регулятора.
Рассмотрим задачу управления продольным движением самолета в

условиях неопределенных ветровых возмущений w ограниченной мощно-
сти и шумов измерений n y . Ветровое возмущение вызывает отклонение
воздушной скорости V и высоты полета h от заданных значений, опреде-
ляемых глиссадой — траекторией снижения летательного аппарата [6]. За-
дача регулятора состоит в поддержании заданных значений воздушной
скорости и высоты полета.
Для линейной модели продольного движения самолета (1) вектор
управляемых выходов z = [ ∆V ∆h ] можно записать в виде
T
z = C z x, (2)
1 0 0 0 0 0 
Cz =  .
 0 0 0 0 1 0 
В данной работе рассматривается система с расширенным вектором
управляемых выходов [5, 6]
z T
z =   =  ∆V ∆h ∆ϑcy ∆δt  . (3)
u 
Введем в рассмотрение расширенный вектор входных возмущений
w T
w =   =  wy wx wy n y1 n y 2  . (4)
n
 y
Объединяя (1), (3) и (4), получим систему уравнений, описывающую
стандартный объект управления в пространстве состояний:
 x = Ax + B1w + B2u ,

 z = C1x + D11w + D12u , (5)
 y = C x + D w + D u,
 2 21 22
T
где B1  B1n 0n y  , B2 B2 n , C1 C zT 0uT  , C2 Cy , D11 0,
  
T
D12 0Tz I uT  , D21 0 w I n  , D22 0. Здесь 0n , 0u , 0 z и 0 w — нуле-
   y  y
вые матрицы соответствующих размерностей.

Для математической модели продольного движения самолета, пред-
ставленной системой уравнений (5), задача построения H∞ -субоптималь-
ного регулятора состоит в следующем: для линейной модели (5) в классе
линейных управлений
U ( s ) = K ( s )Y ( s )
найти управление U * ( s ) , гарантирующее оценку
Twz ∞
< γ, (6)
1193
где Twz — матрица передаточных функций от вектора возмущений w к
контролируемому выходу z в замкнутой системе.
В работе [5] показано, что регулятор K ( s ) , обеспечивающий выпол-
нение критерия (6) для системы (5), решает также субоптимальную задачу
минимальной чувствительности для системы (1), (2) с критерием
Twz ∞ < γ.
3. Синтез H∞ -субоптимального регулятора с помощью подхода,

основанного на решении линейных матричных неравенств.
В [2, 7] разработан алгоритм построения H∞ -субоптимальных регу-

ляторов, являющийся альтернативным 2-Риккати подходу. Известные из
[1] обобщенные алгебраические уравнения Риккати управления и фильтра-
ции заменяются неравенствами Риккати; множество решений данных не-
равенств используется для параметризации всех H∞ -субоптимальных ре-
гуляторов, включая регуляторы пониженного порядка. Построение регуля-
торов производится на основе множества пар ( X , Y ) симметричных мат-
риц, удовлетворяющих системе матричных неравенств
 AT X + XA + X  γ 2 B1B1T − B2 B2T  X + C1TC1 < 0,
  

 AY + YA + Y  γ C1 C1 − C2 C2  Y + B1B1 < 0,
T 2 T T T
(7)

 X > 0, Y > 0, ρ ( XY ) ≤ γ 2 .

Справедлив следующий результат [2]. Для стандартного объекта
управления вида (5) регулятор, обеспечивающий выполнение условия (6),
существует тогда и только тогда, когда существуют симметричные мат-
рицы R, S , удовлетворяющие следующей системе линейных матричных
неравенств:

T AR + RA
T
RC1T B1 
 N R 0    N R 0
 0 I  C1 R −γ I D 11    < 0, (8)
    0 I 
T T
 B1 D11 −γI 
 AT S + SA
T SB1 C1T 
NS 0  T
 N
T  S
0
 0   B1 S −γI D11  < 0, (9)
I  0 I 
 C1 D11 −γI  
 
R I
I ≥ 0, (10)
 S 
1194
где N R и N S — базисы нуль-пространств для  B2T D12  и [C2 D21 ] со-

T
ответственно.
Для численной устойчивости N R и N S выбираются ортонормиро-
ванными, множество решений (8)–(10) не зависит от выбора базисов N R и
N S [2].
Связь решения ( R, S ) задачи (8)–(10) с решением ( X , Y ) системы (7)
устанавливается соотношениями
X = γR −1, Y = γS −1. (11)
Задача вычисления наименьшего значения γ = γ opt при ограничениях
(8)–(10) является выпуклой, для ее решения используются алгоритмы
внутренней точки выпуклой оптимизации [2, 8].
Отметим, что на стандартный объект не накладывается ограничений,
как в условиях применения 2-Риккати подхода.
В [7] изложен алгоритм нахождения матриц основного H∞ -субопти-
мального регулятора полного порядка, построенного с помощью решения
линейных матричных неравенств (LMI-based central controller). Показано,
что при выполнении условий
T
D11 = 0, D12 [ D12 C1 ] = [ I 0], D22  D21T B1T  = [ I 0] (12)
данный алгоритм приводит к формулам расчета матриц регулятора, анало-
гичным формулам 2-Риккати подхода.
Для данного объекта управления (5) условия (12) выполняются, что
дает основание в настоящей работе определить H∞ -субоптимальный регу-
лятор следующим образом:
 xc = Ac xc + Bc y,
 (13)
u = C x
c c ,
где
−2 −1 −2
Ac = A − B2 B2T X −  I − γ opt YX  YC2TC2 + γ opt B1B1T X ,
−2 −1
Bc =  I − γ opt YX  YC2T ,
Cc = − B2T X ,
X и Y определяются выражениями (11) [7].
4. Решение задачи построения H∞ -субоптимального регулятора сред-

ствами пакета LMI Control Toolbox.
Исчерпывающее описание пакета LMI Control Toolbox приводится в

[4]. Ниже приводится текст m-функции, реализующей построение H∞ -
1195
субоптимального регулятора (13) в соответствии с изложенным алгорит-
мом.
function [Ac,Bc,Cc,gam_opt] = …
LMI_gamma_min(A,B1,B2,C1,C2,D11,D12,D21,D22,gamma,epsl,rad)
%
% Hinf-suboptimal controller design: LMI-based approach, GAMMA minimizing
%
% [Ac,Bc,Cc,GAM_OPT] = …
% LMI_gamma_min(A,B1,B2,C1,C2,D11,D12,D21,D22,gamma,epsl,rad)
%
% INPUT: A,...,D22 - standard plant description
% gamma - given suboptimal value (set to zero to minimize)
% epsl - given accuracy for MINCX LMI-solver
% rad - feasibility radius (x'*x < R^2) for MINCX LMI-solver
%
% OUTPUT: Ac,...,Cc - Hinf-suboptimal controller description
% gam_opt - GAMMA suboptimal value
%
sinvtol = sqrt(mach_eps);
n = size(A,1);
[p1 m1] = size(D11);

[p2 m2] = size(D22);
N12 = lnull([B2;D12],0,sinvtol);
N21 = rnull([C2,D21],0,sinvtol);
NR = [N12 zeros(n+p1,m1); zeros(m1,size(N12,2)) eye(m1)];

NS = [N21 zeros(n+m1,p1); zeros(p1,size(N21,2)) eye(p1)];
% LMI forming.
setlmis([]);
gam = lmivar(1,[1 1]); % gamma

R = lmivar(1,[n 1]); %R
S = lmivar(1,[n 1]); %S
lmiterm([1 0 0 0],NR); % LMI #1: NR

lmiterm([1 1 1 R],A,1,'s'); % LMI #1: A*R+R*A'
lmiterm([1 2 1 R],C1,1); % LMI #1: C1*R
lmiterm([1 2 2 gam],1,-eye(p1)); % LMI #1: -gam*eye(p1)
lmiterm([1 3 1 0],B1'); % LMI #1: B1'
lmiterm([1 3 2 0],D11'); % LMI #1: D11'
lmiterm([1 3 3 gam],1,-eye(m1)); % LMI #1: -gam*eye(m1)
lmiterm([2 0 0 0],NS); % LMI #2: NS

lmiterm([2 1 1 S],A',1,'s'); % LMI #2: A'*S+S*A
lmiterm([2 2 1 S],B1',1); % LMI #2: B1'*S
lmiterm([2 2 2 gam],1,-eye(m1)); % LMI #2: -gam*eye(m1)
1196
lmiterm([2 3 1 0],C1); % LMI #2: C1
lmiterm([2 3 2 0],D11); % LMI #2: D11
lmiterm([2 3 3 gam],1,-eye(p1)); % LMI #2: -gam*eye(p1)
lmiterm([-3 1 1 R],1,1); % LMI #3: R

lmiterm([-3 2 1 0],eye(n)); % LMI #3: eye(n)
lmiterm([-3 2 2 S],1,1); % LMI #3: S
LMIsys = getlmis;
% LMI problem solving: gamma_opt < gamma or gamma -> min.

c = [1; zeros(decnbr(LMIsys)-1,1)];
options = [epsl 0 rad 0 0];
[gam_opt,sol] = mincx(LMIsys,c,options,[],gamma);
Rs = dec2mat(LMIsys,sol,R);
Ss = dec2mat(LMIsys,sol,S);
X = gam_opt*inv(Rs);
Y = gam_opt*inv(Ss);
Ac = A+gam_opt^(-2)*B1*B1'*X-B2*B2'*X-inv(eye(size(Y*X))-…
gam_opt^(-2)*Y*X)*Y*C2'*C2;
Bc = inv(eye(size(Y*X))-gam_opt^(-2)*Y*X)*Y*C2';
Cc = -B2'*X;
5. Результаты
В работе рассматривается движение самолета ТУ-154 по траектории

глиссады, представляющей собой прямую линию с заданным углом накло-
на траектории θгл = −2,7 град. Задача системы управления заключается в
поддержании постоянной воздушной скорости V0 = 71,375 м/с и заданной
высоты при воздействии внешних возмущений — сдвига ветра. Для ли-
нейной модели системы управления, соответствующей (5), матрицы A, B1,
B2 , C1, C2 , D11, D12 , D21, D22 имеют значения [6]
 −0,0608 −0,0841 0 −0,0869 0 0,0904 
 0, 2187 −0,6218 0,10815 0,72345 0 0,0036 
 
 0,0053 0,5221 −1,59015 −1,55495 0 0 
A= ,
 0 0 1,0000 0 0 0 
 −0,0471 1,2437 0 0 0 0 
 
 0 0 0 0 0 −0, 4000 
1197
 0 −0,9989 0,0471 0 0  0 0 
 0 −0,0378 −0,8019 0 0   −0,1236 0 
   
 0 0 0 0 0  1,1804 0 
B1 =   , B2 =  ,
 0 0 0 0 0  0 0 
1,0000 0 0 0 0   0 0 
   
 0 0 0 0 0  0 0, 4 
1 0 0 0 0 0
0 1 0
 , C2 = 
0 0 0 1 0 0 0 0 0
C1 =  0 0 0 0 1 0  ,
0 0 0 0 0 0  
 
0 0 0 0 0 0
0
0 0 0 0 0 0
0
0 0 0 0 0 0
D11 =   , D12 =  ,
0
0 0 0 0 1 0 
   
0
0 0 0 0 0 1 
0 0 0 1 0 0 0 
D21 =   , D22 = 0 0  .
0 0 0 0 1   
Для системы (5) с приведенными значениями матриц A, …, D22 в
соответствии с описанным выше алгоритмом средствами пакета LMI Con-
trol Toolbox было выполнено построение H∞ -субоптимального регулятора.
В результате решения задачи синтеза были получены следующие значения
матриц регулятора Ac , Bc и Cc :
 −10,3736 0,0940 0,0367 −0,0426 −4,4903 0,2616 
 −3,0920 −0,0761 0, 2981 1,0207 −2,4187 0,0770 
 
 −3,3647 −3,8254 −3,1462 −3,9814 −2,5711 −0, 4730
Ac =  ,
 −0,5977 0,0000 1,0000 0,0000 −0,5373 0,0000 
 −4,5377 1,3313 0,0233 0,0381 −4,9416 0,0282 
 
 −3,1375 −0,6777 −0,1253 −0,1406 −0,5184 −1,1389 
11,0581 4,6216 
 3,7270 2,7106 
 
 0,4904 0,3224 
Bc =  ,
 0,5977 0,5373 
 4,6216 5,0048 
 
 0,0019 0,0010 
1198
 −2,4395 −3,6831 −1,3182 −2,0556 −1,9051 −0,4008

Сс =  .
 −7,8390 − 1,6942 −0,3132 − 0,3515 − 1,2934 − 1,8472 
Полученное в результате решения минимальное значение
γ = γ opt = 10,7000. С помощью функции norminf пакета LMI Control Tool-
box была вычислена H∞ -норма передаточной функции от вектора возму-
щений w к контролируемому выходу z в замкнутой системе
Tw z = 10,6981 < γ opt . Задача синтеза H∞ -субоптимального регулятора ре-
∞
шалась также с использованием 2-Риккати подхода; в этом случае было
получено наименьшее значение γ = γ opt = 10,6934, и Tw z = 10,6933 < γ opt .
∞
Отметим, что при использовании двух подходов абсолютное отклонение
значений для γ opt составило 0,0019 , а для Tw z — 0,0048 (относитель-
∞
ные отклонения равны 0,0178% и 0,0449% соответственно).
При моделировании движения замкнутой системы была выбрана мо-
дель микропорыва ветра в форме вихревого кольца [6]. Согласно этой мо-
дели, формулы для горизонтальной и вертикальной составляющих скоро-
сти ветра в точках пространства с координатами ( x, h ) имеют вид

1,182ρ Г  R  hρ hρ 
wx =  12 
− −
2π   2  2ρ r1ρ 
 r

( x − X ) + hρ + R
2 2


R  hm hm 
− 12 
− ,
( x − X ) + h + R   2 m 1m  
2 2 2 r r
 m  

  x
1,576ρ Г  R x2 
wy =  34  34
1
− 34
−
2π   1   r r2ρ 
( x − X ) + hρ2 + R 2   1ρ 
2

  4 

 x 
R x2  
− 34  34
1
− 3 4 ,
1   r
 1ρ r2ρ  
 4 ( x − X ) 2
+ hm
2
+ R 2
 
где
1199
x1 = x − X − R; hρ = h − H ; r1ρ = x12 + hρ2 ; r2ρ = x22 + h ρ2;

x2 = x − X + R; hm = h + H ; r1m = x12 + hm2 ; r2 m = x22 + h m
2
;
 r 
{ }
r0 = min r1ρ , r2ρ ; ρ = 1 − exp  − 0  ,
 Rc 
Г — циркуляция; R — радиус вихревой нити кольца; Rc — эффективный
радиус ядра вихревого кольца; X и H — горизонтальная и вертикальная
координаты центра вихревого кольца.
При моделировании были выбраны следующие значения параметров
вихревой модели [6]:
Γ = 45000 м2/с; Rc = 35 м; H = 600 м; R = 350 м.
Текст m-функции, реализующей выбранную модель сдвига ветра в среде
MATLAB, приводится в Приложении.
Для выбранной модели профиля ветра было проведено интегрирова-
ние уравнений (5) и (13) при нулевых начальных условиях.
С целью сравнения качества переходных процессов в замкнутой сис-
теме с H∞ -субоптимальным регулятором для системы (9) была также ре-
шена задача синтеза H2 LQG -оптимального регулятора с помощью функ-
ции h2lqg пакета Robust Conrol Toolbox. Матрицы H2 LQG -оптимального
регулятора имеют вид
 −0,9935 −0,0841 0,0000 −0,0869 −0,0136 0,0904 
 0,2075 −0,3707 0,2019 0,8711 −0, 2495 0,0113 
 
 −0,7979 −1,8760 −2, 4853 −2,9652 −1,2105 −0,0737 
AсH2 =  ,
 −0,0046 0,0000 1,0000 0,0000 − 0,1022 0,0000 
 −0,0607 1, 2437 0,0000 0,0000 −1,3872 0,0000 
 
 −0,2993 −0,0710 −0,0159 −0,0179 −0,0499 −0,4626 
 0,9327 0,0136 
0,0937 0,3722 
 
 0,0155 0,0393 
BсH2 =  ,
 0,0046 0,1022 
 0,0136 1,3872 
 
 0,0000 0,0000 
 −0,6673 −2,0316 −0,7584 −1,1947 0,9922 −0,0624
СсH2 =  .
 − 0,7482 −0,1775 − 0,0397 − 0,0448 − 0,1248 − 0,1565 
В графических материалах, иллюстрирующих движение замкнутой
системы с различными регуляторами, сплошная линия соответствует сис-
1200
теме с H∞ -субоптимальным регулятором, пунктирная — системе с
H2 LQG -оптимальным регулятором.
На рис. 1 представлены графики горизонтальной и вертикальной со-
ставляющих скорости ветра для выбранной модели ветрового возмущения.
На рис. 2 изображены графики отклонений воздушной скорости ∆V и вы-
соты ∆h от заданных значений при воздействии данного ветрового возму-
щения без учета шумов измерений. Из анализа графиков можно заключить,
что по отклонениям высоты и воздушной скорости H∞ -субоптимальный
регулятор обеспечивает лучшее качество переходных процессов, чем
H2 LQG -регулятор. Так, максимальное отклонение воздушной скорости
для H∞ -субоптимального регулятора составляет около 4,2 м/с, а для
H2 LQG -регулятора — около 11,5 м/с. Максимальное отклонение высоты
для H∞ -субоптимального регулятора составляет около 32 м, в то время как
для H2 LQG -регулятора — около 45 м.
Вид управлений ∆ϑcy и ∆δt при реакции на данное ветровое возму-
щение без учета шумов измерений приводится на рис. 3. Из рассмотрения
графиков можем заключить, что значительно меньшие отклонения воз-
душной скорости ∆V и высоты полета ∆h для замкнутой системы с H∞ -
субоптимальным регулятором определяются значительно более интенсив-
ной работой двигателя (см. рис. 3, б). На рис. 4 представлены графики от-
клонений руля высоты ∆δe и силы тяги двигателя ∆T .
wx ( t ) ,м с wy ( t ) ,м с
H∞
H2 LQG H2 LQG
H∞
t ,с t ,с
а) б)
Рис. 1. Графики горизонтальной (а) и вертикальной (б) составляющих скорости ветра.
1201
∆V ( t ) ( z1 ( t ) ) ,м с ∆h ( t ) ( z2 ( t ) ) ,м
H∞
H∞
H2 LQG
H2 LQG
t ,с t ,с
а) б)
Рис. 2. Графики отклонений воздушной скорости ∆V (а) и высоты ∆h (б).
∆ϑcy ( t ) ( u1 ( t ) ) ∆δt ( t ) ( u2 ( t ) )
H∞ H2 LQG H∞
H2 LQG
t ,с t ,с
а) б)
Рис. 3. Графики управлений ∆ϑcy (а) и ∆δt (б).
∆δe ( t ) ,град ∆T ( t ) , H
H∞ H∞
H2 LQG
H2 LQG
t ,с t ,с
а) б)
Рис. 4. Графики отклонений руля высоты ∆δe (а) и тяги двигателя ∆T (б).
1202
∆ϑcy ( t ) ( u1 ( t ) ) ∆δt ( t ) ( u2 ( t ) )
H∞ H∞
H2 LQG
H2 LQG
t ,с t ,с
а) б)
Рис. 5. Графики управлений ∆ϑcy (а) и ∆δt (б) в присутствии шумов измерений.
∆V ( t ) ( y1 ( t ) ) ,м с ∆h ( t ) ( y2 ( t ) ) ,м
H∞ H∞
H2 LQG H2 LQG
t ,с t ,с
а) б)
Рис. 6. Графики измеряемых выходов y1 (а) и y2 (б) в присутствии шумов измерений.
∆V ( t ) ( z1 ( t ) ) ,м с ∆h ( t ) ( z2 ( t ) ) ,м
H∞
H∞
H2 LQG
H2 LQG
t ,с t ,с
а) б)
Рис. 7. Графики отклонений воздушной скорости ∆V
(а)и высоты ∆h (б) в присутствии шумов измерений.
1203
Графики переходных процессов замкнутых систем с H∞ -субопти-
мальным и H2 LQG -оптимальным регуляторами при воздействии ветро-
вых возмущений с учетом шумов измерений (гауссовский белый шум, ге-
нерированный функцией randn) приводятся на рис. 5–7.
В работе рассмотрена и решена задача синтеза H∞ -субоптимального

регулятора в продольном канале самолета на режиме посадки в условиях
сдвига ветра с помощью подхода, основанного на решении линейных мат-
ричных неравенств. Алгоритм построения регулятора реализован средст-
вами пакета LMI Control Toolbox системы MATLAB. Для выбранной модели
ветрового возмущения выполнено моделирование движения замкнутой
системы управления и проведено сравнение с H2 LQG -оптимальным
регулятором. Показано, что H∞ -субоптимальный регулятор обеспечивает
лучшее качество переходных процессов при воздействии ветрового воз-
мущения.
1. Doyle J. C., Glover K., Khargonekar P. P., Francis B. A. State-Space Solu-
tions to Standard H2 and H∞ Control Problems // IEEE Transactions on
Automatic Control.— V.AC–34.— N.8.— 1989.
2. Gahinet P., Apkarian P. A Linear Matrix Inequality Approach to H∞ Con-
trol // Int. J. Robust and Nonlinear Contr.— 4.— 1994.— P.421–448.
3. Iwasaki T., Skelton R. E. All Controllers for the General H∞ Control Prob-
lem: LMI Existence Conditions and State-Space Formulas // Automatica.—
30.— 1994.— P.1307–1317.
4. Gahinet P., Nemirovski A., Laub A.J., Ghilali M. LMI Control Toolbox.—
The Mathworks Inc., 1995.
5. Курдюков А. П., Тимин В. Н. Синтез робастной системы управления на
режиме посадки самолета в условиях сдвига ветра // Техническая ки-
бернетика.— №6.— 1993.
6. Курдюков А. П. и др. Методы классической и современной теории ав-
томатического управления: Учебник в 3-х т. Т.3: Методы современной
теории автоматического управления / Под ред. Н. Д. Егупова.— М.:
Изд-во МГТУ им. Н.Э. Баумана, 2000.— 748 с.
7. Gahinet P. «Explicit Controller Formulas for LMI-based H∞ Synthesis,»
submitted to Automatica // Proc. Amer. Contr. Conf.— 1994.— P.2396–
2400.
8. Ben-Tal A., Nemirovski A. Lectures on Modern Convex Optimization:
Analysis, Algorithms, Engineering Applications.— Technion, Minerva Op-
timization Center, 2000.
1204
Приложение. Модель сдвига ветра в среде MATLAB
function [w_x_fun,w_y_fun,dw_xdx_fun,dw_ydx_fun,r0_fun] = …
wind_shear_model(GW_num,Rc_num,X_num,Z_num,H_num,R_num);
%
% WIND SHEAR MODEL DESCRIPTION: VORTEX RING
%
% [w_x w_y dw_x/dx dw_y/dx r0] = wind_shear_model(GW,Rc,X,Z,H,R)
%
% INPUT: wind shear model parameters
% GW - vortex ring circulation
% Rc - vortex ring core effective radius
% X - horizontal coordinate of vortex ring center
% Z - horizontal coordinate of vortex ring center
% H - vertical coordinate of vortex ring center
% R - vortex ring filament radius
%
% OUTPUT: inline functions
% w_x(x,h,r0) - wind shear velocity horizontal component
% w_y(x,h,r0) - wind shear velocity vertical component
% dw_x/dx(x,h,r0) - wind shear acceleration horizontal component
% dw_y/dx(x,h,r0) - wind shear acceleration vertical component
% r0(x,h) - service function
% where
% x - horizontal distance to the vortex ring center
% h - vertical distance to the vortex ring center
%
% Variables.
syms x h X r0 GW Rc H Z R
x1 = x-X-R;
x2 = x-X+R;
h_rho = h-H;
h_m = h+H;
r_1rho = x1^2+h_rho^2;
r_2rho = x2^2+h_rho^2;
r_1m = x1^2+h_m^2;
r_2m = x2^2+h_m^2;
rho = 1-exp(-r0/Rc);
% Wind vector components definition.

w_x = 1.182*rho*GW/(2*pi)*(R/((x-X)^2+h_rho^2+R^2)^(1/2)*…
(h_rho/r_2rho-h_rho/r_1rho)-R/((x-X)^2+h_m^2+R^2)^(1/2)*…
(h_m/r_2m-h_m/r_1m));
w_y = 1.576*rho*GW/(2*pi)*(R/(0.25*(x-X)^2+h_rho^2+R^2)^(3/4)*…
(x1/r_1rho^(3/4)-x2/r_2rho^(3/4))-R/(0.25*(x-X)^2+h_m^2+R^2)^(3/4)*…
(x1/r_1rho^(3/4)-x2/r_2rho^(3/4)));
dw_xdx = diff(w_x,'x');
dw_ydx = diff(w_y,'x');
1205
% Symbolic expressions definition.
w_x = subs(w_x,{'GW','Rc','X','H','Z','R'},{GW_num,Rc_num,…
X_num,H_num,Z_num,R_num});
w_y = subs(w_y,{'GW','Rc','X','H','Z','R'},{GW_num,Rc_num,…
dw_xdx = subs(dw_xdx,{'GW','Rc','X','H','Z','R'},{GW_num,Rc_num,…
dw_ydx = subs(dw_ydx,{'GW','Rc','X','H','Z','R'},{GW_num,Rc_num,…
r_1rho = subs(r_1rho,{'X','R','H'},{X_num,R_num,H_num});
r_2rho = subs(r_2rho,{'X','R','H'},{X_num,R_num,H_num});
% Functions definition.
w_x_fun = inline(vectorize(w_x),'x','h','r0');
w_y_fun = inline(vectorize(w_y),'x','h','r0');
dw_xdx_fun = inline(vectorize(dw_xdx),'x','h','r0');
dw_ydx_fun = inline(vectorize(dw_ydx),'x','h','r0');
r0_fun = inline(strcat('min(',char(vectorize(r_1rho)),',',…
char(vectorize(r_2rho)),')'),'x','h');
1206
УДК 62.50
ПАКЕТ ПРОГРАММ ДЛЯ СИНТЕЗА РЕГУЛЯТОРА,

ОБЕСПЕЧИВАЮЩЕГО ЗАДАННЫЙ РАДИУС ЗАПАСОВ
УСТОЙЧИВОСТИ
Честнов В. Н.,
Институт проблем управления им. В. А. Трапезникова РАН, Москва,
e-mail: vnchest@rambler.ru
Собчинский А. В.,
Московский государственный институт стали и сплавов, Москва,
e-mail: ac0@mail.ru
Алексеева Н. В.
Электростальский политехнический институт (филиал)
Московского государственного института стали и сплавов, Электросталь,
e-mail: ac0@mail.ru
Введение
В последнее время одним из актуальных направлений теории авто-

матического управления является синтез оптимальных робастных непре-
рывных и дискретных регуляторов многомерных систем по заданным кри-
териям качества.
Понятие «робастность» рассматривается как сохранение свойства
асимптотической устойчивости, когда физические параметры объекта
управления подвержены заданным отклонениям от расчетных (номиналь-
ных)[1]. Помимо этого, в качестве косвенного критерия робастности рас-
сматривается радиус запасов устойчивости [2], определяющий широко ис-
пользуемые в инженерной практике запасы устойчивости по фазе и коэф-
фициенту усиления, когда размыкание замкнутого контура объект-
регулятор осуществляется либо по физическому входу, либо по физиче-
скому выходу объекта управления [2], а также одновременно в этих важ-
ных на практике точках размыкания [3].
Радиус запасов устойчивости представляет собой круг, описанный
вокруг критической точки (–1,j0), который годограф Найквиста замкнутой
системы не пересекает. В одномерном случае это показано на рис. 1.
1207
Рис. 1. Радиус запасов устойчивости в одномерном случае.
В качестве инженерных критериев качества в задаче синтеза регуля-

торов выступают заданные запасы устойчивости и время регулирования.
Решение данной задачи синтеза опирается на Н∞ теорию оптимального
управления[4], поскольку решаемые задачи сводятся к специальным обра-
зом сконструированным проблемам подавления внешних возмущений Н∞
подхода. Алгоритмы синтеза используют метод линейных матричных не-
равенств (LMI)[5], реализованный в MATLAB — пакете LMI Control
Toolbox[6], в рамках которого и разработано соответствующее программ-
ное обеспечение.
Описание класса решаемых задач
В данном разделе будут перечислены все задачи решаемые с помо-

щью данного пакета программ.
Рассмотрим полностью управляемый и наблюдаемый объект управ-
ления с регулятором по выходу, описываемые уравнениями состояния
x = Ax + B1 w + B2u , y = Cx , (1а)
x c = Ac x c + Bc y , u = C c x c + Dc y , (2а)
а в дискретной
x(k + 1) = Ax(k ) + B1 w(k ) + B 2 u (k ) , y (k ) = Cx(k ) , (1б)
x(k + 1)c = Ac x(k )c + Bc y (k ) , u (k ) = C c x(k )c + Dc y (k ) , (2б)
где x ∈ R n — вектор состояния объекта (1а или 1б); u ∈ R m — вектор управ-
ляющих воздействий; y ∈ R m — вектор измеряемых и одновременно регу-
2
1208
лируемых переменных; w∈ R m — вектор реально действующих на объект
1
неизмеряемых внешних возмущений; xc ∈ R n — вектор состояния регуля-

c
тора (2а или 2б). Постоянные числовые матрицы A , B1 , B2 , C объекта из-

вестны; Ac , Bc , C c , Dc — неизвестные матрицы регулятора, подлежащие
определению.
Задача 1. Найти стабилизирующий регулятор (2а или 2б) такой что-
бы выполнялось круговое частотное матричное неравенство [2]
[ I + W y (σ ′)]T [ I + W y (σ )] ≥ r 2 I , r = γ −1 (3)
где σ = jω , σ ′ = − jw , а ω ∈ [0, ∞) для непрерывного случая и σ = e ,jwT
π
σ ′ = e − jwT , а ω ∈ [0, ] для дискретного случая, γ — заданное или миними-
T
зируемое число; r ( 0 < r ≤ 1 ) — заданное или максимизируемое число (ра-
диус запасов устойчивости); W y (δ ) = − W (δ ) K (δ ) — передаточная матри-
ца разомкнутой системы (1а), (2а) или (1б), (2б) по физическому выходу
объекта (здесь W (δ ) = C (δI − A) −1 B 2 — передаточная матрица объекта по
управлению; K (δ ) = C c (δI − Ac ) −1 Bc + Dc — передаточная матрица регуля-
тора: u = K (δ ) y , где δ — это символ преобразования Лапласа для непре-
рывного случая и символ Z-преобразования для дискретного). Здесь и да-
лее I — единичная матрица соответствующих размеров.
Задача 2. Найти стабилизирующий регулятор (2а или 2б) такой что-
бы выполнялось круговое частотное матричное неравенство [2]
[ I + W u (σ ′)]T [ I + W u (σ )] ≥ r 2 I , r = γ −1 (4)
где γ и r определены ранее; W u (δ ) = − K (δ ) W (δ ) — передаточная матри-
ца разомкнутой системы (1а), (2а) или (1б), (2б) по физическому входу
объекта.
Следует подчеркнуть, что обеспечение заданного радиуса запасов
устойчивости r , например, по выходу объекта, еще не означает, что удов-
летворительным будет радиус запасов устойчивости также на выходе объ-
екта и наоборот[3]. Поэтому, естественно сформулировать следующую за-
дачу.
Задача 3. Найти стабилизирующий регулятор (2а или 2б) , такой, что
одновременно выполнены круговые частотные неравенства (3), (4), где
0 < r ≤ 1 - заданный или максимизируемый радиус запасов устойчивости.
Физический смысл этого понятия описан в работе [2], там же приведены
неравенства для многомерных запасов устойчивости по фазе и коэффици-
енту усиления для известного радиуса r .
Задача 4. Найти стабилизирующий регулятор (2а или 2б) такой, вы-
полнялось круговое частотное неравенство
[I + W y (σ )]T [I + W y (σ )] ≥ R T (σ )R(σ ) , (5)
где R(σ ) = r (σ ) ⋅ I , а r (σ ) — заданная передаточная функция.
1209
Задача 5. Найти стабилизирующий регулятор (2а или 2б) такой, вы-
полнялось круговое частотное неравенство
[I + W u (σ )]T [I + W u (σ )] ≥ R T (σ )R(σ ) , (6)
R(σ ) — определена выше.
По аналогии с задачей 3, естественно сформулировать следующую
задачу:
Задача 6. Найти стабилизирующий регулятор (2а или 2б), такой, что
одновременно выполнены круговые частотные неравенства (5), (6).
Следует отметить, что решение сформулированных задач 1–6, как
показывают численные эксперименты, может приводить к замкнутым сис-
темам с недопустимо большой длительностью переходных процессов. Это
приводит к следующей задаче:
Задача 7. Найти стабилизирующий регулятор (2а или 2б), такой, что
при решений любой из первых шести задач обеспечивал заданное время
регулирования.
Описание пакета программ его функций
Для работы пакета необходим пакет MATLAB LMI Control Toolbox.

Работа графического интерфейса к данному пакету возможна в MATLAB 6
и выше. Данный пакет программ позволяет осуществлять расчет дискрет-
ных и непрерывных регуляторов многомерных систем приведенных выше
задач, а также проводить анализ систем (построение переходных процес-
сов: реакции на возмущающее (задающее) воздействие, а также частотных
характеристик при размыкании по определенному входу или выходу объ-
екта).
В состав данного пакета включены следующие функции:
Имя файла Выполняемая функция

makeW.m Функция объединяет все данные об объекте в структурную переменную
которая используется в других функциях
radius.m Функция вычисляет передаточную функцию частото-зависимого радиу-
са запасов устойчивости
m2m.m Функция создает обобщенные матрицы объекта которые используются
при расчете регуляторов
regfind.m Функция ищет регулятор на основе обобщенных матриц объекта
print_rad Функция выводит в командное окно MATLAB информацию о запасах
устойчивости полученной системы
close_sys Функция находит передаточную функцию замкнутой системы на основе
передаточных функций объекта и регулятора
per_proc Функция получает и выводит графики переходных процессов на основе
передаточной функции замкнутой системы
freq_har Функция получает и выводит частотные характеристики системы ра-
зомкнутой по определенному выходу(входу)
1210
Помимо всех перечисленных функций в пакет также включен
графический интерфейс, который позволяет упростить работу с данным
пакетом. Все сводится к заданию матриц объекта (1а или 1б) и выбора
способа расчета и типа рассчитываемого регулятора. Также имеется
возможность, используя окно настроек, выбрать данные, выводимые в
отчет, формируемый по итогам выполнения программы, а также,
соответствующий графический материал. Главное окно интерфейса
представлено на рис. 2
Рис. 2. Главное окно графического интерфейса.
Пример работы при использовании графического интерфейса
Пример работы с данным пакетом программ проиллюстрируем на

примере расчета цифрового регулятора по выходу обеспечивающего тре-
буемые запасы устойчивости на выходе объекта для трубоэлектросвароч-
ного агрегата (ТЭСА) структурная схема которого приведена на рис. 3.
Измеряемыми переменными являются угловая скорость y 3 = ω = x5 и
якорные токи y1 = i я1 = x3 , y 2 = i я2 = x 4 двигателей, Регулируемыми пере-
менными являются угловая скорость z 3 = ω = x5 и якорные токи
z1 = i я1 = x3 , z 2 = i я2 = x 4 двигателей. Период дискретности регулятора
Т=0.01.
Требования к системы к точности при wi (t ) = const ≤ 600 ( i = 1, µ )
(10 процентов от номинального момента двигателя) примем следующими:
z1 st ≤ 370 , z 2 st ≤ 370 , z 3 st ≤ 2 , u1 st ≤ 5 , u 2 st ≤ 5
1211
Рис. 3. Структурная схема ТЭСА.
Время регулирования при действии ступенчатого внешнего возму-

щения должно быть не более 0.25 секунд.
Уравнения системы в непрерывном виде:
q1 + 100q1 = 16120u1 ;
q 2 + 83.3333q 2 = 13702u 2 ;
q 3 − 137.8105q1 + 11.2866q 3 + 1123.1557 q 5 = 0 ;
q 4 − 132.4591q 2 + 11.0653q 4 + 1101.133q 5 = 0 ;
q 5 − 0.24867 q 3 − 0.25364q 4 = −0.0307 w ;
где w — отклонение момента сопротивления от номинального (возмуще-
ния по моменту нагрузки); q i (i = 1, 2, … , 5) — отклонения соответствую-
щих напряжений, токов и угловой скорости от номинальных; u1 , u 2 — от-
клонения управляющих напряжений от номинальных.
Матрицы объекта:
 − 100 0 0 0 0 
 0 − 83.3333 0 0 0 
 
A = 137.8105 0 − 11.2866 0 − 1123.155 ,
 
 0 132 . 4591 0 − 11 .0653 − 1101 .133
 0 0 0.24867 0.25364 0 
 0  16120 0 
   0 13702

0
   0 0 1 0 0 
B1 =  0  , B2 =  0 0  , C1 = C 2 = 0 0 0 1 0
   
 0   0 0  0 0 0 0 1
− 0.0307   0 0 
1212
вводятся в соответствующие окна главного окна интерфейса. Задав тип и
способ расчета (по выходу и дискретный соответственно), а также введя
период дискретности в появившемся окне, нажимаем «выполнить» для за-
пуска программы расчета.
Рис. 4. Главное окно графического интерфейса настроенное для расчета дискретного

регулятора.
После выполнения вычислений в командном окне MATLAB получаем

отчет:
1213
Рис. 6. Командное окно MATLAB с полученным отчетом.
А также частотные характеристики данной системы:
а) б) в)
Рис. 7. Годографы Найквиста для системы разомкнутой по выходу:

а) размыкание по ω ; б, в) АФЧХ при размыкании по I 1 и I 2 соответственно.
Ограничения данного пакета и перспективы развития
Данный пакет представляет собой предварительную версию про-

граммного продукта. Данный продукт не имеет ограничений по расчету и
анализу непрерывных регуляторов. С помощью данного пакета вы можете
рассчитывать регуляторы используя все показатели качества (обеспечение
1214
требуемых запасов устойчивости и времени регулирования). Для дискрет-
ных регуляторов существует ряд ограничений:
– функция задания желаемого времени регулирования имеет ряд ог-
раничений, которые не описаны в данном пакете.
– отсутствует возможность построения переходных процессов в сис-
теме непрерывный объект — дискретный регулятор.
В окончательной версии пакета все эти ограничения будут сняты, а
также будет добавлена возможность построения переходных процессов
при различных задающих воздействиях. Планирует также ввести возмож-
ность расчета регуляторов обеспечивающих заданные или минимизируе-
мые ошибки регулирования для определенного класса внешних возмуще-
ний.
1. Честнов В. Н. Синтез робастных регуляторов многомерных систем при
параметрической неопределенности на основе круговых частотных не-
равенств // Автоматика и телемеханика.— 1999.— №3.— C.229–238.
2. Честнов В. Н. Синтез регуляторов многомерных систем по заданному
радиусу запасов устойчивости на базе процедуры H∞-оптимизации //
Автоматика и телемеханика.— 1999.— №7.— C.101–109.
3. Chestnov V. N., Agafonov P. A. MIMO H-infinity controller design for simul-
taneous guaranted input and output stability margins // Proceedings 7th Euro-
pean Control Conference.— Cambridge, UK, 2003. (on CD-ROM. 4 P.).
4. The Control Handbook / Editor W.S.Levine.— IEEE Press, 1996.
5. Boyd S., Chaoui L. E., Feron E., Balakrishnan V. Linear matrix inequality in
system and control theoty.— SIAM. Philadelphia, 1994.
6. Gahinet P., Nemirovski A., Laub A. LMI Control Toolbox. User’s Guide.—
Natic. Mass.: Mathworks. 1995.
1215
УДК 621.6
ПАКЕТ ПРОГРАММ СИНТЕЗА И АНАЛИЗА СИСТЕМ

УПРАВЛЕНИЯ
Жуков Ю. А.
Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Усти-
нова, Санкт-Петербург
e-mail: zhkv@rambler.ru
1. Краткое описание приложения
Пакет программ синтеза и анализа систем управления представляет

собой дополненную и доработанную версию программного обеспечения,
представленного автором настоящего доклада на Всероссийской научной
конференции «Проектирование научных и инженерных приложений в сре-
де MATLAB» [1]. Пакет программ позволяет синтезировать наиболее рас-
пространённые средства коррекции для заданных структур непрерывных и
дискретных систем управления на основе электромеханических и гидрав-
лических исполнительных элементов, анализировать устойчивость, час-
тотные и временные характеристики линейных и некоторых нелинейных
моделей.
Внешний вид окна приложения показан на рис. 1.1.
Рис. 1.1. Внешний вид окна приложения.
Основное меню приложения содержит следующие разделы:

1216
- тип привода;
- данные;
- характеристики двигателя;
- синтез непрерывных систем;
- синтез цифровых систем;
- нелинейные модели;
- нелинейная оптимизация;
- выход.
Подменю «Тип привода», как показано на рис 1.2., позволяет осуще-
ствлять выбор типа исполнительного механизма исследуемой системы.
Рис. 1.2. Меню «Тип привода».
По умолчанию, пользователю в качестве объекта исследования

предлагается двигатель постоянного тока, о чем сигнализирует выставлен-
ная слева от названия галочка. Выбор другого типа модели приводит к пе-
реносу галочки к названию соответствующей модели.
Подменю «Данные» (рис. 1.3) обеспечивает доступ к четырем груп-
пам данных исследуемой системы:
Рис. 1.3. Подменю «Данные».
Выбор любого из пунктов подменю приводит к открытию окна дос-

тупа к базе данных комплекса.
Действие пункта «Данные привода» зависит от выбранного типа
привода и обеспечивает открытие окна доступа к данным соответствую-
щей модели[1]. Окно реализует следующие функциональные возможности:
- ввод–вывод данных модели с описанием названия и размерности пе-
ременных;
- поиск данных в базе по названию их совокупности;
- сохранение новых и удаление ненужных записей.
1217
Аналогичное окно выводится при запросе доступа к данным нагруз-
ки.
При выборе пункта «Данным модели» и «Данные коррекции», поль-
зователю предлагается определить вспомогательные переменные, пара-
метры моделирования и начальные данные коррекции системы.
Подменю «Характеристики двигателя», показанное на рис. 1.4, со-
держит команды вывода характеристик двигателя.
Рис. 1.4. Подменю «Характеристики двигателя».
Подменю «Синтез непрерывных систем» обеспечивает доступ к

функциям синтеза, как показано на рис. 1.5.
Рис. 1.5. Подменю «Синтез непрерывных систем»
По действию подменю «Корневой анализ» пользователю предлагает-

ся добиться соответствующего расположения корней характеристического
полинома исследуемой системы, путем изменения параметров корректи-
рующих звеньев и цепей обратных связей.
При выборе в меню пункта «Частотный анализ» пользователю пред-
лагается подбором параметров корректирующих звеньев и цепей обратных
связей по виду логарифмических характеристик добиться необходимых
динамических свойств системы.
Удобный интерфейс окна синтеза для этих методов позволяет поль-
зователю в любой момент выйти без потери промежуточных результатов,
чтобы проверить качество переходного процесса, а также скопировать
графическое отображение синтеза в буфер, что позволяет в дальнейшем
обрабатывать его в любом графическом пакете.
При выборе пункта «Синтез квазиоптимального по быстродействию
регулятора» в зависимости от выбранного типа коррекции система выдает
1218
либо значения параметров обратных связей, либо предупреждение об не-
возможности использования данного метода.
При выборе пункта «Временной анализ» происходит расчет реакции
системы для принятых параметров модели с учетом полученных при син-
тезе значений параметров корректирующих устройств с возможностью
подбора параметров корректирующих звеньев и цепей обратных связей.
Переходный процесс рассчитывается исходя из того, какой тип задающего
воздействия был выбран в пункте «Дополнительные данные модели», а
также с учетом заданных там же значений времени расчета переходного
процесса и амплитуды задающего сигнала.
При выборе «Аналитическое решение» создается окно, в котором
выводятся значения коэффициентов характеристического уравнения сис-
темы с включенной в ее состав коррекцией, для которой в ходе синтеза
были получены значения ее параметров. Кроме того, там же выводятся
корни характеристического уравнения и рассчитанное по их значениям
аналитическое выражение переходного процесса.
Подменю «Синтез цифровых систем» содержит команды доступа к
функциям синтеза, как показано на рис. 1.6.
Рис. 1.6. Подменю синтез цифровых систем.
Команды этого подменю по своему функциональному назначению

полностью соответствуют соответствующим командам при синтезе непре-
рывных систем
Подменю «Нелинейные модели» содержит команды доступа к Simu-
link-моделям, позволяющим исследовать влияние некоторых типов нели-
нейностей на динамику системы.
Подменю «Нелинейная оптимизация» позволяет вызвать Simulink-
модель с блоком NCD(Nonlinear Control Design) – нелинейной оптимиза-
ции систем управления, позволяющим оптимально синтезировать коррек-
цию для заданной структуры системы.
2. Модели исследуемых систем
В представляемом пакете программ синтеза и анализа реализованы

модели исполнительных механизмов и объекта управления, структурные
схемы которых показаны на рис. 2.1–2.5
1219
Рис. 2.1. Структурная схема объекта управления.
В структурной схеме объекта управления введены следующие обо-

значения: s — оператор Лапласа; ip — передаточное число редуктора; h —
коэффициент диссипативных сил передающего вала; C — коэффициент
упругости передающего вала; Jн — момент инерции объекта управления;
fн — коэффициент вязкого трения объекта управления; Ftr — коэффициент
сухого трения объекта управления; Ωдв — угловая скорость двигателя;
Ωн — угловая скорость объекта управления; Мв — момент упругих сил,
действующих на двигатель.
Рис. 2.2. Структурная схема двигателя постоянного тока с независимым возбуждением.
В структурной схеме 2.2 приняты обозначения: Мэм — электромаг-

нитный момент электродвигателя; Uя — напряжение якоря; Rя - сопротив-
ление якоря; Lя — индуктивность якоря;Jя- момент инерции якоря; ftr— ко-
эффициент вязкого трения; Iя — ток якоря; Ce — коэффициент противо-
э. д. с.; Cm — коэффициент вращающего момента.
1220
Рис. 2.3. Структурная схема системы «генератор-двигатель».
В структурной схеме 2.3 обозначены: Uв— напряжение возбуждения

генератора; RяΣ — суммарное сопротивление якоря; LяΣ — суммарная ин-
дуктивность якоря; Rv — сопротивление обмоток возбуждения; Lv — ин-
дуктивность обмоток возбуждения; Eг — э.д.с. генератора; Kг — коэффи-
циент передачи генератора по току приноминальной скорости вращения.
Рис. 2.4. Структурная схема гидропривода объемного регулирования.
В структурной схеме рис. 2.4 введены следующие обозначения:

Wд(s) — передаточная функция управляющего двигателя (двигателя по-
стоянного тока); iпр — передаточное число редуктора; qн — удельный объ-
ём гидронасоса; Ωн — угловая скорость вала гидронасоса; V — объём
жидкости в системе насос-мотор; Е — модуль упругости жидкости в сис-
теме насос-мотор; qг — удельный объём гидромотора; J — момент инер-
ции гидромотора; h — коэффициент вязкого трения гидромотора; Сп —
коэффициент сухого трения объекта управления; Ωдв — угловая скорость
гидромотора; Мв — момент упругих сил, действующих на двигатель.
1221
3. Примеры использования пакета
3.1. Синтез непрерывной и цифровой системы управления на базе дви-

гателя постоянного тока с нежёсткостью редуктора
В меню «Тип привода» выберем «Двигатель постоянного тока», вве-

дем или вызовем из базы данных разработанного программного продукта
данные привода на основе двигателя постоянного тока ДПМ-20-Н2-02.
Рис. 3.1. Определение параметров привода.
Затем зададим характеристики нагрузки, показанные на рис. 3.2.

Введем данные модели и коррекции, как показано на рис. 3.3,после чего
можно приступать к синтезу системы управления.
Проведем синтез системы, используя окно корневого анализа. Как
видно из рис. 3.4 нескорректированная система неустойчива. Изменяя ко-
эффициенты усиления в каналах обратной связи, добьемся устойчивости
системы, как показано на рис. 3.5. Проанализируем качество полученной
коррекции. На рис. 3.6 показана логарифмическая амплитудно-частотная
характеристика разомкнутой системы, показаны запасы устойчивости. На
рис. 3.7 изображена переходная характеристика системы. На рис. 3.8 пока-
зано расположение корней характеристического полинома для цифровой
реализации системы управления с интервалом дискретизации Td=0.001сек.
1222
Рис. 3.2. Определение параметров нагрузки.
Рис. 3.3. Определение параметров нагрузки.
1223
Рис. 3.4. Корни характеристического полинома исходной системы.
Рис. 3.5. Корни характеристического полинома скорректированной системы.
1224
Рис. 3.6. ЛАЧХ скорректированной системы.
Рис. 3.7. Переходная характеристика скорректированной системы.
1225
Рис. 3.8. Корни характеристического полинома цифровой скорректированной системы.
3.2. Анализ нелинейной системы регулирования
Выберем пункт меню «Нелинейные модели», при этом будет вызва-

на Simulink-модель, показанная на рис. 3.9.
Рис. 3.9. Структурная схема следящей системы на базе ДПТ.
1226
Iя Мэ м
1 + 1
- Cm +
Uя Lya.s+Rya - 1/Jya 1/s 1
Су м.1 -
Цепь См
Integrator Wдв
якоря Су м.2 Gain
Ск орость
обьек та 2 2
Mну ftr Eдв
Воз му щающий Gain1

момент
Ce
Сe
Рис. 3.10. Структурная схема ДПТ.
4
+ out_4
- hn
S2
Wдв диссипация
+ Фи
1 1/ip 1/s + +
- Cn + 1/Jn 1
in_1 Integr люфт 1/s 1/s
реду к тор S1 S5 -
у пру гость Integr1 Integr2 out_1
S4 инерция
2 1/ip 3
+ + S3
out_2 out_3
Упру гий fn
момент
Вяз к ое
трение
Ftr
Су хое Знак
трение
Рис. 3.11. Структурная схема упругой трансмиссии.
Для исследования выберем двигатель серии ДПМ-20-Н2-01 со сле-

дующими паспортными данными:
Мощность на валу 0,46 кВт;
Напряжение 29 В;
Ток якоря 0,01 А;
Скорость вращения 6000 об/мин;
Сопротивления якоря 2,5 Ом
Индуктивность якоря 0,028 Гн
Сопротивление возбуждения 642 Ом
Индуктивность возбуждения 0,005 Гн
Коэффициент преобразования
Возбуждения 1 Вб/А
Номинальный момент 0,00049 Нм
Момент инерции 0,0000101 кг*м*м
1227
Для ввода паспортных данных проведем следующую цепочку дейст-
вий:
- в основном меню выберем закладку Тип модели и установим флажок
возле транспаранта двигатель постоянного тока;
- в меню данные выберем пункт данные модели.
В открывшемся окне доступа к базе данных введем соответствующие
паспортные данные искомого двигателя.
Заданы параметры нагрузки:
Момент инерции 0,001 кг*м*м
Коэффициент вязкого трения 0,0005 мсек/рад
Упругость трансмиссии 100 Нм/рад
Сухое трение 0 Нм
Коэффициент диссипации 1 мсек/рад
Люфт редуктора 0 рад
Передаточное число редуктора 500
Для ввода паспортных данных проведем следующую цепочку дейст-
вий:
в меню данные выберем пункт данные нагрузки.
Определены параметры модели и коррекции:
Ku=1000;Kum=10;Kce=1.
T1=T2=T3=T4=0;Kocc=0;Kocu=0.
а) Исследование влияния насыщения усилителя
При заданных коэффициентах модели система неустойчива, как вид-
но из графика (рис. 3.12.) расположения корней характеристического по-
линома.
Рис. 3.12. Расположение корней характеристического полинома.
1228
Результаты моделирования показывают, что параметры зоны насы-
щения усилителя определяют амплитуду гармонических колебаний в уста-
новившемся режиме при реакции неустойчивой системы на единичный
скачок (рис. 3.13.).
1.2
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
Time (second)
Рис. 3.13. Реакция системы на единичный скачок.
б) Влияние люфта при единичном входном воздействии.

Анализ динамики системы без люфта редуктора при синтезе после-
довательной коррекции показан на рисунке 3.14
1229
1.8
1.6
1.4
1.2
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
Time (second)
Рис. 3.14. Корни характеристического полинома и реакция на единичный скачок

(без люфта).
Введем люфт редуктора bl=0.04.
1230
1.8
1.6
1.4
1.2
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
Time (second)
Рис. 3.15. Реакция на единичный скачок при введении люфта редуктора.
Таким образом, люфт редуктора при большом коэффициенте усиле-

ния в прямой цепи и последовательной коррекции может привести к неза-
тухающим колебаниям в установившемся режиме.
4. Заключение
Представленный программный продукт обладает несомненными

достоинствами:
- удобным графическим интерфейсом;
- возможностью доступа к базам данных исполнительных эле-
ментов;
- легкостью восприятия информации;
- удобство и простота синтеза систем управления;
- наглядность процесса синтеза.
Рекомендуется к использованию в учебном процессе высших обра-
зовательных учреждений.
1. Потемкин В. Г. Инструментальные средства MATLAB 5.х.— М.: Диа-
лог-МИФИ, 2000.— 336 с.
2. Медведев В. С., Потемкин В. Г. Control System Toolbox MATLAB 5 для
студентов.— М.: ДИАЛОГ-МИФИ, 1999.— 287 с.
3. Гультяев А. К. MATLAB 5.3 Имитационное моделирование в среде
Windows: Практическое пособие.— СПб.: КОРОНА-принт, 2001.—
400 с.
1231

section - 3 - p - 2 Проектирование система автоматического управления и регулирования

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

section - 3 - p - 2 Проектирование система автоматического управления и регулирования

Оригинальное название:

Загружено:

Авторское право:

СЕКЦИЯ 3.

Проектирование систем автоматического

Кошелев П. А., Парамонов С. В., Пшенкин С. Н.

Кошелев П. А., Парамонов С. В., Пшенкин С. Н.

Требования к системе питания установки плазменной резки.

Наибольшей производительностью и экономичностью при резке и

Структура системы питания

Силовая часть современного ИП обычно включает последовательно

Рис. 1. Динамические звенья системы питания.

На рис. 1 представлена совокупность динамических звеньев, обра-

Анализ динамической системы стабилизации тока

Матрица частных передач графа G и вектор задающих передач J :

% Числитель ni1и знаменатель di1 ПФ

% Вычисление суммы полиномов произвольных размеров и форматов.

Рис. 3. Переходные характеристики по току.

Для наглядности результаты анализа представлялись в матричной

Проведенные численные эксперименты не позволили получить

Рис. 8. Поверхность значений целевой функции.

Оптимизация проводилась по 6 переменным.

Рис. 9. Переходная характеристика по току оптимизированной системы.

С помощью программного пакета MATLAB спроектирован источник

СИНТЕЗ МОДАЛЬНОГО РЕГУЛЯТОРА ДЛЯ

Широкое развитие цифровых управляющих устройств, обладающих

Поставим задачу разработки методики расчета модального регулято-

Для дискретной системы управления будет справедливо следующее:

Пусть передаточная функция объекта непрерывной системы управ-

Зададимся передаточной функцией замкнутой системы

Тогда для шага дискретизации h=0,1 передаточная функция объекта

В настоящий момент произведена программная реализация метода

МОДЕЛИРОВАНИЕ ПРОБЛЕМЫ РЕГИОНАЛЬНОЙ

Занимаясь решением задач, построением математических моделей и

Рассматривается задача о разделении некоторого экономического ре-

Модель1 — разделение при линейной модели рынка.

В модели приняты допущения:

Рис. 1. Функции предпочтения для двух фирм с фиксированным размещением ведущих

и α 2 , то их пересечение A1 ∩ A2 также ограничено выпуклым нечетким

M i = x µ Ai ( x) ≥ max min[µ A1 ( x), µ A2 ( x)] для всех x∈ M i .

можно определить торговые зоны M 1 , M 2 ,..., M m . При этом каждая из этих

M i =  x µ Ai ( x) ≥ min max min[µ Ai ( x), µ A j ( x)] для всех x∈ M i .

Модель2 — общая модель разделения торговой зоны

... ... ... ...

нейших признаков y, которое потребитель x использует для оценки фирмы,

 ... ... ... 

Если порог выбран, то торговая зона описывается нечетким множеством

Решение модельных задач

Средствами пакета Fuzzy Logic, входящего в состав вычислительной

МОДЕЛИРОВАНИЕ ПРЕДЕЛЬНЫХ СОСТОЯНИЙ

Кучерюк В. И., Кузяков О. Н., Дубатовка У. В.

Рассматриваются составные тонкостенные конструкции (пластины,

Геометрическое Моделирование МATLAB

Кинематический метод Статический метод

Рис. 1. Основные этапы математического моделирования.

Для определения прогибов и перемещений в срединных поверхно-

СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ

В настоящем сообщении приводятся результаты исследования авто-

Рис. 1. Структура моделируемого устройства: 0 — подвижное основание; 1 — вра-

Рис.2. Временная диаграмма структуры циклов.

Таким образом, объект управления на всем промежутке функциони-

Модель ДСУ объекта с использованием языка программирования

При разработке математической модели ДСУ объектом, пригодной

Моделирование ДСУ объекта с использованием языка

Кроме моделирования с использованием MATLAB-средств, парал-

При моделировании различных задач в среде MATLAB с использо-

Рис. 3. Модель системы, построенная в графическом редакторе Simulink.

Дополнительной сложностью при построении моделей в графиче-

Если представить (15) и (16) в виде квадратных матриц B0 и B1 , у

% Нахождение интервальной матрицы [Anew]=[inv(B)][A][B]

% Имеем A=HLinv (H). Предполагаем [A]=H[L]inv (H)