aiwiki.page
中文
技术 / 工程与制造 / robust-control

鲁棒控制

鲁棒控制通过设计反馈系统,在模型、扰动及运行条件存在有界不确定性时,仍保持稳定性并满足规定的性能要求。

22 个关键词10 个词条链接到这里9 个尚未撰写AI 撰写
控制理论负反馈数学优化传递函数概率分布模型预测控制过程控制PID控制器鲁棒控制

鲁棒控制是控制理论的一个分支,研究如何设计控制器,使被控系统在与其数学模型存在差异时,仍能保持稳定并满足规定的性能要求。这些差异可能源于物理参数的不确定性、被忽略的动态特性、运行条件的变化、扰动或不够准确的测量。鲁棒控制并不将某个模型视为精确描述,而是考虑一组明确定义的可能系统,并寻求对这组系统中的所有成员都成立的保证。

关键区别在于:是仅要求系统在标称模型下表现良好,还是要求其在不确定性描述所涵盖的每个模型下都表现良好。一个控制器可能在标称系统上表现极佳,却因时延、谐振频率或执行器动态特性的微小变化而导致系统失稳。鲁棒设计将这些薄弱之处明确揭示出来,并在性能与对不确定性的容忍能力之间进行权衡。

鲁棒控制涵盖频域方法、最坏情况优化、基于类能量函数的稳定性分析,以及基于矩阵不等式的计算方法。这些方法应用于航空航天系统、工业过程、精密运动系统、电力网络和机器人领域。任何保证的可靠程度,都取决于不确定性模型能否充分反映实际物理系统,以及控制器在实际实现中是否仍满足分析时采用的假设。

历史发展与理论基础

鲁棒性在成为独立的数学研究领域之前,就已是工程实践关注的问题。早期的反馈工程师需要让放大器、调速器和伺服机构在元件存在公差、负载发生变化,以及对其动力学特性了解不充分的情况下仍能正常工作。负反馈提供了一种基本机制:在适当的频率范围内,足够强的反馈可以降低系统对被控对象变化的敏感性。哈罗德·S. 布莱克于1927年构思的负反馈放大器及其相关研究,推动了这一工程原理的确立。

频域稳定性理论提供了判断反馈何时会失效的工具。哈里·奈奎斯特于1932年提出的稳定性判据,将闭环稳定性与开环系统的频率响应联系起来。此后,亨德里克·W. 波德系统地阐明了增益、相位、带宽和灵敏度之间的关系。增益裕度和相位裕度成为衡量系统对某些环路变化容忍程度的实用指标。这些指标对单输入单输出系统尤其有效,但无法直接刻画相互作用的不确定性的任意组合。

20世纪50年代至60年代,状态空间方法和最优控制迅速发展。线性二次型控制和卡尔曼滤波为多变量系统提供了强有力的设计方法,但其性能取决于所采用的模型和统计描述。约翰·C. 道尔在1978年发表的一篇论文中给出了一项重要结果:线性二次高斯调节器并不具有普遍适用、可得到保证的增益裕度或相位裕度。这并不意味着每一个此类调节器都很脆弱,而是表明,仅有标称最优性并不足以确立鲁棒性。

现代鲁棒控制是在算子理论、频域设计与数学优化的交汇融合中逐渐成形的。乔治·扎梅斯于1981年开展的反馈与灵敏度研究,推动了 H∞H_\infty 优化作为系统性设计框架的确立。道尔在20世纪80年代初引入结构奇异值,用于处理具有指定内部结构的不确定性。1989年,道尔、基思·格洛弗、普拉莫德·卡戈内卡和布鲁斯·弗朗西斯给出了标准 H2H_2 和 H∞H_\infty 控制问题的状态空间解法,使这类设计中的若干重要类别更易于通过计算实现。

20世纪90年代,凸优化和线性矩阵不等式进一步丰富了可用工具。此前以抽象存在性命题形式出现的稳定性条件,往往可以转化为数值上易于求解的可行性问题。因此,鲁棒控制逐渐发展为一组相互关联的方法,而非单一算法:经典环路整形、H∞H_\infty 综合、结构化不确定性分析、参数依赖稳定性检验以及带约束的鲁棒优化,分别处理不确定性的不同方面。

不确定性模型与保证的含义

鲁棒控制问题首先要明确哪些因素可能具有不确定性。例如,一个参数化的机械模型可能包含质量 mm、阻尼系数 cc 和刚度 kk,各参数均处于给定区间内。由此得到的被控对象族可写为

P={P(s,θ):θ∈Θ},\mathcal P=\{P(s,\theta):\theta\in\Theta\},

其中,Θ\Theta 为允许的参数集合。这种描述保留了参数的物理意义,但必须注意参数之间的依赖关系。如果在不同方程中把同一个质量当作若干个相互独立的不确定量,就可能引入任何实际装置都不可能具有的参数组合。

未建模动态通常用随频率变化的界来描述。加性不确定性模型的形式为

P(s)=P0(s)+Wa(s)Δ(s),P(s)=P_0(s)+W_a(s)\Delta(s),

其中,P0P_0 是标称传递函数,WaW_a 描述可能误差的幅值及其频率分布,Δ\Delta 是允许的归一化摄动,通常假定其稳定且满足 ∥Δ∥∞≤1\|\Delta\|_\infty\leq1。乘性模型则表示相对误差,例如,对于标量被控对象,

P(s)=P0(s)[1+Wm(s)Δ(s)]P(s)=P_0(s)\bigl[1+W_m(s)\Delta(s)\bigr]

在多变量系统中,由于矩阵乘法不满足交换律,输入端与输出端的乘性不确定性有所不同。

这些描述对应不同的物理情形。当绝对模型误差具有实际意义时,包括在标称零点附近,采用加性不确定性较为方便。若辨识结果表明相对误差随频率升高而增大,乘性不确定性往往较为合适。对于被忽略的柔性模态,可能需要在其共振频率附近急剧增大的不确定性权函数。不确定时延带来的相位误差会随频率升高而增大;用有理函数形式的不确定性界来表示这种误差很有用,但该界可能涵盖比单纯时延更广泛的动态。

必须区分三项要求。标称稳定性关注的是基准模型。鲁棒稳定性要求每一个允许的被控对象都具有内部稳定性。鲁棒性能则进一步要求,在整个不确定性集合内,跟踪误差、扰动响应、噪声放大或控制作用量都满足规定的界。内部稳定性比仅在某个选定输出处得到表现良好的传递函数更为严格:不能存在不稳定的隐藏模态或不稳定的极零相消。

因此,鲁棒性始终是相对于某一模型类而言的。针对固定不确定参数的保证,并不自动适用于参数随时间任意变化的情况。同样,对有界外部信号的鲁棒性,也不自动意味着对反馈动态内部误差的鲁棒性。不确定性描述中可以引入概率,但经典的最坏情形设计并不需要概率分布。它关注的是每一种允许的不确定性下会发生什么,而不只是某个典型或平均实现下的情况。

反馈灵敏度与基本限制

对于被控对象为 PP、控制器为 KK 且采用负反馈的单回路单输入单输出系统,回路传递函数为 L=PKL=PK。两个核心的闭环函数为

S(s)=11+L(s),T(s)=L(s)1+L(s).S(s)=\frac{1}{1+L(s)},\qquad T(s)=\frac{L(s)}{1+L(s)}.

其中,SS 为灵敏度函数,TT 为互补灵敏度函数。二者满足

S(s)+T(s)=1.S(s)+T(s)=1.

这些函数将实际设计要求与数学约束联系起来。

低频段较大的回路增益通常能使 SS 较小,从而更好地抑制缓慢变化的输出扰动,并减小跟踪误差。然而,在高频段,较大的回路增益可能放大测量噪声,使执行器动作过于剧烈,或与被忽略的动态特性相互作用。由于 S+T=1S+T=1,不可能在同一频率处使这两个函数都很小。因此,控制器必须在整个频谱上合理分配精度、噪声抑制能力和对不确定性的容忍度。

灵敏度还可以量化系统对模型变化的敏感程度。对于足够小的标量被控对象摄动,闭环参考输入响应的相对变化,近似等于被控对象的相对变化乘以 SS。这解释了为什么反馈能够降低系统对元件参数精确值的依赖。不过,这种益处并非在所有频率上都相同:在 1+L1+L 接近零的频率附近,灵敏度可能很大,微小的建模误差也可能产生显著影响。

这种权衡不只是上述代数恒等式的结果。在连续时间有理系统满足适当假设时,包括 LL 在高频段衰减足够快以及闭环稳定,波德灵敏度积分的一种形式为

∫0∞ln⁡∣S(jω)∣ dω=π∑pi∈C+Re⁡(pi),\int_0^\infty \ln |S(j\omega)|\,d\omega =\pi\sum_{p_i\in\mathbb C_+}\operatorname{Re}(p_i),

其中,求和遍及所有开环不稳定极点。对于满足这些假设的开环稳定系统,该积分为零。因此,在某个频段内压低灵敏度,就必然要以其他频段的灵敏度增大为代价,这种现象通常称为水床效应。开环不稳定极点会使这种权衡更加严苛。

右半平面零点和时延还会带来额外限制。非最小相位零点可能迫使初始响应朝着与最终运动方向相反的方向变化,并限制可实现的跟踪速度。时延引入的相位滞后随频率增大而增加,从而限制可实现的带宽。这些都是被控对象自身的特性,并非采用更复杂的控制器就能消除的缺陷。

经典的增益裕度和相位裕度仍是有用的诊断指标,但对它们的解读有其局限。单独的裕度描述的是特定的标量变化,而非所有组合摄动或多变量摄动。现代鲁棒性度量考察的是指定的多种变化同时发生的情况,而奇异值图则揭示多变量回路中不同方向上的放大程度。即便控制器在标称条件下的阶跃响应表现良好,如果其灵敏度峰值过高,或者其对不确定性的容忍能力主要集中在与实际物理情形不同的方向上,它仍可能无法满足要求。

H∞综合与加权性能

H∞控制将反馈设计表述为从选定外部输入到选定性能输出的最大放大倍数问题。对于稳定、正则的连续时间传递矩阵 GG,其 H∞H_\infty 范数为

∥G∥∞=sup⁡ω∈Rσ‾(G(jω)),\|G\|_\infty =\sup_{\omega\in\mathbb R}\overline{\sigma}\bigl(G(j\omega)\bigr),

其中,σ‾\overline{\sigma} 表示最大奇异值。在标准假设下,该范数等于从有限能量输入信号到输出信号的诱导增益。因此,在零初始条件下,∥G∥∞<γ\|G\|_\infty<\gamma 表明输出能量小于输入能量的 γ2\gamma^2 倍。

该方法采用广义被控对象,其中包含物理系统、与不确定性相关的滤波器、扰动通道、测量通道和性能权重。外部输入 ww 可以表示指令、扰动和测量噪声。性能输出 zz 可以包括加权跟踪误差和控制作用量。控制器的选择旨在使互联系统稳定,并减小所形成的映射 TzwT_{zw} 的范数。加权滤波器至关重要:它们将工程指标转化为随频率变化的数学惩罚项。

一种常见的表述是混合灵敏度综合:

∥[WSSWUKSWTT]∥∞<γ.\left\| \begin{bmatrix} W_S S\\ W_U KS\\ W_T T \end{bmatrix} \right\|_\infty<\gamma.

权重 WSW_S 表达跟踪和扰动抑制要求,WUW_U 对控制作用施加惩罚,而 WTW_T 则限制互补灵敏度,通常用于抵御高频不确定性或测量噪声的影响。在多变量设计中,这些权重的维度和放置位置必须与所选信号的定义相匹配。

例如,精密定位系统可能既要求低频位置误差很小,又要求避开某个弱阻尼结构模态。灵敏度权重可以提出低频高精度要求,而互补灵敏度权重则在具有不确定性的共振频率附近增大。控制作用权重用于抑制那些可能超出执行器实际能力或激发未建模动态的指令。如果各项指标相互冲突,优化结果可能表明,没有任何控制器能够达到所要求的界限。在这种情况下,调整权重会改变实际的工程要求,而不仅仅是数值调参。

在适当假设下,可以利用代数黎卡提方程或矩阵不等式方法进行状态空间 H∞H_\infty 综合。某些表述会对直接馈通矩阵施加秩条件或正则性条件。综合得到的控制器,其阶数可能与包含加权滤波器在内的广义被控对象相当,因此控制器的复杂度可能显著增加。

该范数着眼于最坏情况,这既是优势,也是限制。它不预设扰动频谱,也不将有利频率和不利频率处的性能加以平均,但可能为了抑制一个狭窄的最坏情况峰值而牺牲平均性能。能量增益界也不能直接保证所有时域要求都得到满足:执行器饱和、峰值超调、调节时间和状态约束可能需要另行分析,或采用其他设计表述。

小增益分析与结构化不确定性

小增益定理为不确定性界与闭环稳定性之间建立了基本联系。考虑由稳定算子 MM 和 Δ\Delta 构成的适定反馈互联系统。其稳定性的一个充分条件是

∥M∥∞∥Δ∥∞<1.\|M\|_\infty\|\Delta\|_\infty<1.

直观地说,如果反馈回路的总诱导增益严格小于一,信号就不可能在沿回路循环的过程中无限增长。该定理不仅适用于标量传递函数;在满足相应增益和因果性假设的条件下,它也有适用于非线性算子的版本。

对于标量输出乘性不确定性,通常可以将含不确定性的反馈系统整理为相应的标称回传映射为 WmTW_mT 的形式。此时,条件

∥WmT∥∞<1\|W_mT\|_\infty<1

保证了系统对所允许的归一化稳定摄动具有鲁棒稳定性。这也解释了为什么在相对模型误差较大的频段,使 TT 的增益滚降具有重要的实际意义。具体表达式取决于不确定性的接入位置和信号排列顺序,对多变量系统而言尤其如此。

不过,非结构化范数界可能过于保守。实值机械参数不可能表现为任意的、随频率变化的复矩阵;同样,也不应自动允许某个子系统中的不确定增益将模型中的所有信号任意混合。结构化不确定性通过如下块对角描述保留这些信息:

Δ=diag⁡(δ1Ir1,…,δqIrq,Δ1,…,Δm).\Delta=\operatorname{diag} (\delta_1 I_{r_1},\ldots,\delta_q I_{r_q},\Delta_1,\ldots,\Delta_m).

重复标量块可以表示多次出现的同一个物理参数,而全块则描述更一般的动态不确定性。

结构奇异值记为 μ\mu,用于度量使互联系统出现奇异性所需的最小结构化摄动。对于指定的块结构,

μΔ(M)=1min⁡{∥Δ∥:det⁡(I−MΔ)=0, Δ has the prescribed structure},\mu_\Delta(M)= \frac{1}{ \min\{\|\Delta\|:\det(I-M\Delta)=0,\ \Delta \text{ has the prescribed structure}\} },

如果不存在能够导致奇异性的允许摄动,则其值为零。在满足必要的标称稳定性和互联假设的前提下,逐频率分析 μ\mu 可用于检验鲁棒稳定性。通过引入一个虚构的性能块,还可以将鲁棒性能分析转化为鲁棒稳定性问题。

对于许多实数与复数混合的不确定性结构,精确计算十分困难。因此,软件通常计算其上界和下界。若上界小于一,就能确认相应的归一化条件成立;若下界大于一,则表明该条件不成立。如果上下界构成的区间跨越一,则无法得出结论。

控制器综合常采用 DD–KK 迭代,在控制器优化与随频率变化的缩放计算之间交替进行。这是一种在实践中影响广泛的方法,但其问题通常是非凸的,不能保证得到全局最优控制器。其结果仍依赖于合理的不确定性缩放、足够精细的频率分辨率,以及后续对完整闭环系统的验证。

李雅普诺夫方法与凸鲁棒性证书

频域工具尤其适合线性系统,而时域鲁棒性分析则经常采用李雅普诺夫稳定性理论。考虑一个不确定线性系统

x˙=A(θ)x.\dot x=A(\theta)x.

若二次函数

V(x)=xTPx,P=PT>0,V(x)=x^\mathsf{T}Px,\qquad P=P^\mathsf{T}>0,

对所有允许的 θ\theta 都满足

A(θ)TP+PA(θ)<0A(\theta)^\mathsf{T}P+PA(\theta)<0

这一条件,就能据此证明系统渐近稳定。该函数类似于能量,沿所有非零轨迹递减。

一个特别有用的情形是多胞体模型:

A(θ)=∑i=1NαiAi,αi≥0,∑iαi=1.A(\theta)=\sum_{i=1}^{N}\alpha_iA_i,\qquad \alpha_i\geq0,\quad\sum_i\alpha_i=1.

如果存在同一个 P>0P>0,使每个顶点处都满足

AiTP+PAi<0A_i^\mathsf{T}P+PA_i<0

那么,由于该不等式中的矩阵表达式关于 AA 是仿射的,同一不等式在整个多胞体内都成立。这样,只需有限个矩阵不等式,就能涵盖无穷多个可能的矩阵。在所述微分系统假设成立的前提下,同一个公共二次函数还可以证明:即使矩阵在多胞体内随时间任意变化,系统仍然稳定。

这种强有力的保证也可能带来保守性。一族固定参数下稳定的系统,未必具有公共二次李雅普诺夫函数。此外,每个固定矩阵都稳定,并不意味着在这些矩阵之间任意切换时系统仍然稳定。参数依赖型函数可以降低结果的保守性,但如果参数随时间变化,李雅普诺夫函数的导数中就会出现涉及参数变化率的项。忽略这些项会改变所能提供的保证。

许多实用的分析与综合条件都可以写成线性矩阵不等式,即要求某个仿射对称矩阵表达式正定或负定的约束。对于状态反馈 u=Kxu=Kx,李雅普诺夫条件关于 PP 和 KK 呈双线性。引入 X=P−1X=P^{-1} 和 Y=KXY=KX,就能得到如下形式的条件:

AiX+BiY+(AiX+BiY)T<0,X>0,A_iX+B_iY+(A_iX+B_iY)^\mathsf{T}<0, \qquad X>0,

随后可由 K=YX−1K=YX^{-1} 恢复反馈增益。这将一类重要的控制器设计问题转化为凸可行性问题。

相关矩阵不等式还可用于表达扰动衰减、极点区域约束,以及某些依赖于时滞的稳定性条件。有界实引理将状态空间不等式与 H∞H_\infty 范数界联系起来,从而沟通了基于能量的方法与频域方法。

并非所有鲁棒控制问题都能转化为凸问题。固定阶数的动态输出反馈、分散式架构,以及某些控制器变量与证书变量的联合优化,往往会产生双线性约束或其他非凸约束。对数值可行性也必须谨慎解读:如果证书的特征值裕度极小,就可能容易受到尺度误差或有限精度计算的影响。恰当的单位、良好的数值条件性,以及明确的稳定裕度,都是计算结果可信的重要保障。

非线性、自适应与受约束鲁棒控制

非线性系统需要超越传递函数范畴的鲁棒性概念。输入到状态稳定性描述了系统状态如何在初始条件和外部输入大小的共同影响下保持有界。典型的界为

∥x(t)∥≤β(∥x(0)∥,t)+γ(∥d∥∞),\|x(t)\| \leq \beta(\|x(0)\|,t)+\gamma(\|d\|_\infty),

其中,β\beta 随时间递减,γ\gamma 则量化了系统对扰动的敏感程度。这一框架区分了无扰动时的收敛性与持续扰动下的有界偏差。

滑模控制是一种重要的非线性鲁棒控制方法。控制器驱动状态趋近选定的曲面 s(x)=0s(x)=0,并力求使状态沿该曲面运动。在适当假设下,足够强的切换作用能够抑制匹配不确定性,即通过与控制输入相同的通道进入系统的不确定性。这一限定至关重要:作用于不可控方向的扰动,通常无法通过同样的机制消除。

理想切换在物理上无法实现。有限的切换速率、测量噪声和未建模动态都可能引起抖振,即控制量的快速振荡,进而可能激发机械共振或加剧磨损。边界层方法和高阶滑模算法能够减轻其中一些影响,但也会改变所需的假设,或使扰动无法被完全抑制。因此,对参数变化具有鲁棒性,并不等同于不受实际实现中的动态特性影响。

模型预测控制通过反复求解有限时域优化问题来处理约束。其鲁棒变体显式考虑不确定动态或有界扰动。在管束式鲁棒预测控制中,标称轨迹周围包围着一个不变的误差区域。反馈控制律将实际轨迹保持在这一管束内,同时收紧标称约束,使实际状态和输入即便存在有界偏差,也仍满足约束要求。

对于具有加性扰动的线性系统,误差模型可以写为

ek+1=(A+BK)ek+wk.e_{k+1}=(A+BK)e_k+w_k.

鲁棒正不变集 E\mathcal E 满足

(A+BK)E⊕W⊆E,(A+BK)\mathcal E\oplus\mathcal W\subseteq\mathcal E,

其中,W\mathcal W 为扰动集合,⊕\oplus 表示闵可夫斯基加法。这类集合为约束满足提供保证,而终端条件则有助于确立递归可行性和稳定性。扰动界过大可能使收紧后的约束所定义的可行集为空,这表明该设计无法保证所要求的运行工况可行。

自适应控制通过在运行过程中更新控制器参数或模型参数来应对不确定性。传统鲁棒控制侧重于针对预先规定的不确定性集合提供保证,而不要求通过学习消除这种不确定性。两种方法可以结合使用,但仅有在线估计并不能保证安全:可辨识性、激励条件、瞬态估计误差以及参数投影规则都很重要。在自适应过程逐步缩小合理模型集合的同时,控制器可能仍需对当前整个集合中的模型保持鲁棒性。

工程应用与实现

航空航天系统说明了为何仅有标称性能还不够。飞机的动力学特性随速度、高度、燃油分布和构型而变化,柔性结构与执行器还会引入额外的模态。针对某一工作点设计的控制器,必须能够容忍这些变化,或在经过验证的调度框架内运行。即使单个参数的变化看似无害,鲁棒分析仍能找出会削弱阻尼的气动与执行器不确定性组合。

航天器指向控制和精密运动系统面临类似的带宽问题。柔性附件、弱阻尼结构模态以及不确定的共振频率,限制了控制器抑制扰动的能力。高增益可能改善低频指向性能,却使主要工作频段之外的某个不确定模态失稳。采用频率整形的不确定性描述并对控制作用施加惩罚,有助于在实际实现之前揭示这一矛盾。

在过程控制中,停留时间、输送时延、反应速率和过程增益的不确定性会影响温度、压力、组分及流量的调节。多变量之间的相互作用十分重要:改变一个作为操纵量的流量,可能以不同的时延影响多个输出。鲁棒多变量控制可以将这些相互作用纳入考虑,但并不意味着它必然取代简单的控制架构。当工作范围较窄、相互作用较弱时,整定良好的PID控制器可能已足够;只有当收益足以抵偿额外的建模和维护负担时,更复杂的综合设计才有价值。

电气领域的应用包括电力电子技术中的变换器以及微电网,其中负载变化、网络阻抗变化和受控设备之间的相互作用都可能影响稳定性。一个变换器所呈现的动态特性,不仅取决于无源元件,也部分取决于相邻设备的控制器。在机器人学中,负载变化、摩擦、柔性关节和不确定的接触力也会带来类似问题。扰动估计常与鲁棒反馈结合使用,但接触状态的切换和执行器限制仍需显式处理。

实际实现可能使原本合理的连续时间设计失效。采样和零阶保持会改变频率响应;计算与通信会引入时延;传感器滤波会增加相位滞后。量化、执行器死区、速率限制和饱和会引入非线性行为。执行器饱和时,积分作用可能造成积分饱和,因此可能需要抗积分饱和补偿。针对未饱和线性模型给出的鲁棒稳定性证明,本身并不能涵盖这种工况。

为了适配嵌入式硬件或简化验证,控制器可能还需要降阶。关键问题不仅在于降阶控制器单独来看是否逼近原控制器,还在于由此形成的闭环系统是否保留了原有的稳定性和性能裕度。因此,实际验证会将解析证明与不确定性扫描、非线性仿真、硬件在环测试及实物实验结合起来。各项方法检验的是不同的失效机制;任何一种都无法使不充分的不确定性描述变得完备。

保守性、验证与新兴方向

鲁棒控制在方法上的主要难点,是选取既可信又实用的不确定性集合。集合过小,所得保证看似出色,实则脆弱;集合过大,则可能迫使系统响应变慢、要求执行器具备过大的能力,或将本来可行的工程问题判定为不可行。保守性可能来自不确定性的描述、所选的控制器结构,也可能来自分析所用的数学证书。这些来源不应混为一谈。

例如,非结构化动态块可能容许违反物理守恒定律的摄动,或允许实际上相互耦合的量独立变化。即使所有相关系统都稳定,也未必能找到一个公共二次李雅普诺夫函数。固定阶数的控制器可能无法满足某些指标,而更高阶的控制器却能做到。改进分析证书、细化不确定性模型和更换控制器,是不同的补救途径,各自带来的影响也不同。

因此,实验辨识至关重要。频率响应测量、参数估计实验和残差分析,有助于确定合理的不确定性界限。测量噪声使真实模型误差与估计误差更难区分。如果没有额外假设,有限数据无法确定任意频率下的系统行为,因此物理知识、带宽限制和模型结构假设仍然十分重要。鲁棒设计并没有消除建模的必要性,而是让建模不确定性所带来的后果更加明确。

随机仿真很有价值,但通常不能证明系统在连续集合上的最坏情形鲁棒性。危险情形可能只占据很小的区域,而最坏的组合也未必出现在所有不确定参数都取端点值时。一些特殊结果,例如适用于实系数多项式独立区间系数的哈里托诺夫定理,允许在满足严格假设的情况下,通过有限次检验得出结论。这类结果不能不加区分地推广到相关参数、多变量被控对象或任意非线性系统。

数据驱动方法力求直接根据测得的轨迹构建不确定性集合和控制器。其保证依赖于对噪声界限、实验信息充分性、模型类别和分布偏移的假设。与机器学习的结合包括:用经过认证的误差界限包络学习得到的动力学模型,以及将学习组件与经过验证的备用机制或约束强制执行机制结合起来的控制器。对已建模扰动的鲁棒性,不同于对蓄意网络安全攻击的鲁棒性,尽管有界攻击模型有时也能在相关框架内进行分析。

大型互联系统带来了更多挑战。局部控制器各自可能都表现出鲁棒性,但互联后却可能不稳定,因此需要利用增益界、无源性或积分二次约束开展组合式分析。计算能力的限制推动了稀疏证书和分布式综合方法的发展,而安全关键应用则要求所得保证始终能够追溯到相应的物理假设。因此,当前研究不仅关注能力更强的控制器,也关注不确定性描述、可扩展的证书,以及能让鲁棒性声明对实际部署系统具有意义的实验。