滑模 终端滑模 smc
在控制理论的广阔天地里，滑模控制（Sliding Mode Control，SMC）宛如一颗璀璨的明珠，而终端滑模则是在其基础上进一步发展的瑰宝。今天，咱们就来唠唠这滑模和终端滑模到底是啥神奇玩意儿。
滑模控制（SMC）基础
滑模控制的核心思想有点像引导一辆车沿着特定轨迹行驶。想象一下，你开车要去一个目的地，有一条理想的路线，滑模控制就是想尽办法让车始终沿着这条理想路线走，即使路上有各种干扰。
从数学和控制的角度看，我们定义一个滑动面函数 \(s(x)\)，这里 \(x\) 是系统的状态变量。当系统状态在这个滑动面上运动时，系统能呈现出我们期望的性能。比如说，对于一个简单的二阶控制系统，状态变量 \(x = [x1, x2]^T\)，我们可能定义滑动面 \(s = c x1 + x2\)，其中 \(c\) 是一个根据系统特性精心选择的常数。
下面咱们来点简单代码示例，用Python和控制库来模拟一个简单的滑模控制系统。假设我们有一个一阶线性系统 \(\dot{x} = -x + u\)，目标是让 \(x\) 跟踪参考信号 \(r\)。
import numpy as np import matplotlib.pyplot as plt # 定义系统参数 a = -1 b = 1 c = 1 # 滑动面参数 # 时间设置 t = np.linspace(0, 10, 1000) dt = t[1] - t[0] # 初始化变量 x = np.zeros(len(t)) u = np.zeros(len(t)) r = np.sin(t) # 参考信号 # 滑模控制模拟 for i in range(len(t) - 1): s = c * x[i] + (r[i + 1] - r[i]) / dt if s > 0: u[i] = -1 else: u[i] = 1 x[i + 1] = x[i] + dt * (a * x[i] + b * u[i])在这段代码里，我们先定义了系统的参数 \(a\) 和 \(b\)，还有滑动面参数 \(c\)。然后设定时间范围和初始化变量。在循环里，我们根据滑动面函数 \(s\) 的值来确定控制输入 \(u\)。如果 \(s > 0\)，就给系统一个负的控制输入，反之给正的控制输入。这样系统状态 \(x\) 就会逐渐被引导到我们期望的轨迹上。
终端滑模控制（Terminal SMC）进阶
终端滑模控制是滑模控制的升级版，它能让系统在有限时间内收敛到平衡点，就好比开车不仅要沿着理想路线走，还得在规定时间内到达目的地。
滑模 终端滑模 smc
终端滑模的滑动面设计更为巧妙，例如对于二阶系统，可能会定义终端滑模面 \(s = x2 + \lambda x1^{\frac{q}{p}}\)，其中 \(\lambda\) 是正常数，\(q\) 和 \(p\) 是满足一定条件的正奇数。这种设计使得系统在靠近平衡点时，收敛速度更快。
下面还是以刚才的一阶系统为例，简单改改代码来体现终端滑模的效果。这里我们为了简化，只修改滑动面函数部分，实际应用中还需要更复杂的设计和推导。
import numpy as np import matplotlib.pyplot as plt # 定义系统参数 a = -1 b = 1 lambda_ = 1 q = 3 p = 1 # 终端滑模参数 # 时间设置 t = np.linspace(0, 10, 1000) dt = t[1] - t[0] # 初始化变量 x = np.zeros(len(t)) u = np.zeros(len(t)) r = np.sin(t) # 参考信号 # 终端滑模控制模拟 for i in range(len(t) - 1): s = (r[i + 1] - r[i]) / dt + lambda_ * np.sign(x[i]) * np.abs(x[i]) ** (q / p) if s > 0: u[i] = -1 else: u[i] = 1 x[i + 1] = x[i] + dt * (a * x[i] + b * u[i])在这段代码里，我们修改了滑动面函数 \(s\) 的计算方式，引入了终端滑模的参数 \(\lambda\)、\(q\) 和 \(p\)。这样系统在运行过程中，状态 \(x\) 会以更快的速度朝着参考信号 \(r\) 收敛，尤其是在靠近平衡点的时候，效果更为明显。
滑模控制和终端滑模控制在实际应用中非常广泛，从机器人控制到飞行器姿态调整，它们都发挥着重要作用。通过巧妙的滑动面设计和控制律推导，能让复杂系统在各种干扰下依然稳定且高效地运行。希望大家通过这篇博文，对滑模和终端滑模有了更直观的认识，有兴趣的朋友可以深入研究，说不定能在自己的项目里挖掘出它们更大的潜力呢！
