LINEAR QUADRATIC REGULATOR (LQR)
Hai semuanya, Saya seorang mahasiswa Teknik
Elektro. Aku sedang dalam proyek tahun akhir sekarang. Ada sebuah pertanyaan : Apa keuntungan dan kelemahan dari
menggunakan desain metode dari LQR (Linier Kuadratik Regulator) ? Apakah selalu
berhasil?
Singkatnya, metode desain linear kuadratik regulator melibatkan penentuan dari
sinyal input yang akan menggunakan sistem linear dari initial state yang diberikan x(t0) ke final state x(tf) saat meminimalkan cost dari cost functional nya. Cost functional yang dimaksud
adalah integral waktu dari kuadrat dalam bentuk state vektor x dan input vector u seperti x ^ TQx + u ^ TRU dimana Q adalah
matriks non-definit negatif dan R adalah matriks definit positif. Dengan
definisi dasar ini, berbagai hasil dari masalah desain linear kuadratik
regulator dapat dikemukakan, misalnya, finite horizon (tf finite), infinite horizon (tf infinite), waktu yang
bervariasi (dari
sistemnya, matriks
R dan Q itu sendiri, atau keduanya), dll. Dan Juga, final
state itu
sendiri yang mungkin atau
juga tidak mungkin dapat
membantu
pada cost functional sebagai istilah
yang terpisah.
Keuntungan utama adalah bahwa sinyal
input u (t) yang optimal ternyata diperoleh
dari umpan balik full
state;
Yaitu u = Kx untuk beberapa
matriks K.
umpan balik dari
matriks K tersebut
diperoleh dengan memecahkan persamaan
Ricatti yang terkait dengan masalah LQR
tertentu yang kita
tangani. Salah satu kelemahan dari kontroler LQR adalah
bahwa untuk mendapatkan solusi analitik
untuk persamaan Ricatti cukup sulit dalam semua kasus
kecuali kasus yang paling
sederhana.
Walaupun demikian, ada beberapa
metode numerik yang dapat kita terapkan untuk mendapatkan solusi
yang cukup tepat (periksa Matlab control
toolbox, untuk
contoh).
Apakah LQR
selalu berhasil?
Ini sedikit meragukan: hal
ini tergantung pada
apa yang Anda maksud dengan "berhasil" :-))) Jika
Anda bertanya apakah Anda akan selalu dapat
memecahkan
masalah optimasi tertentu yang Anda miliki
menggunakan LQR, jawabannya
adalah "Tidak ".
Alasannya sederhana:
solusi
untuk masalah LQR tertentu diperoleh dengan
asumsi implisit bahwa
final state yang diinginkan dapat dicapai dari initial state yang diberikan.
Jika hal ini tidak mungkin, maka Anda tidak dapat
membangun semua input u (t) – hanya
mengoptimalkan saja
- untuk
memenuhi syarat utama untuk adanya sebuah solusi; yang anda akan benar-benar dapat mencapai final
state!
Bahkan
jika Anda
berhasil memecahkan LQR itu, tidak ada jaminan bahwa
sistem loop tertutup yang
dihasilkan akan stabil atau
berkerja dengan baik dengan cara lain;
misalnya, state yang "tidak dapat
diamati" dari
sudut pandang cost functional mungkin akan tidak stabil. dan controller Anda
berakhir dengan tidak
disadari disebabkan
state
tertentu yang
tidak memiliki kaitan pada desain itu,
hal ini "tidak
teramati",
Selain dari
masalah abstrak ini,
ada banyak
masalah lain dengan implementasinya:
1) umpan balik dari full state sulit didapat: Anda seperti hanya memiliki sedikit keluaran hasil dari yang diperlukan untuk "menyimpulkan" informasi sebuah state melalui pengamat state. Gunakan hasil dari pengamatan berdasarkan umpan balik dalam konteks desain LQR, dan keadaan akan cepat menjadi rumit.
1) umpan balik dari full state sulit didapat: Anda seperti hanya memiliki sedikit keluaran hasil dari yang diperlukan untuk "menyimpulkan" informasi sebuah state melalui pengamat state. Gunakan hasil dari pengamatan berdasarkan umpan balik dalam konteks desain LQR, dan keadaan akan cepat menjadi rumit.
2) Desain LQR standar
tidak menempatkan batasan pada input sinyal u
(t) amplitudo. Input yg telah optimal tadi, juga ternyata memiliki amplitudo yang jauh di
atas generator sinyal / membawa kapasitas sistem sesungguhnya
(baca: saturasi,
sekring meledak, dll)
Yang terakhir, tidak
utk mengesampingkan control optimal, tapi mengoptimalkan kinerja sistem terhadap satu kriteria
tunggal (seperti kuadarat dari cost functional yg
akan diminimalkan dalam
desain LQR) yang berarti biasanya
mengorbankan kinerja
sistem secara keseluruhan mengacu
terhadap kriteria
lainnya. Filter LQR
akan dengan tepat berkrja sesai dengan yang telah
kita
rancang: meminimalkan cost
matrix. Anda
sebagai desain engineerlah yang memutuskan Apakah ini sesuai
dengan tujuan dari desain
yang anda buat.
Keuntungan dari LQR
1) Stabilitasnya terjamin jika Anda memiliki :
a) semua state dari sistem yang tersedia untuk umpan balik
dan
b) model yang benar-benar baik dari sistem anda.
Bahkan, tidak hanya stabilitasnya yang terjamin, tapi stabilitas
_margins_ nya juga terjamin.
1) Stabilitasnya terjamin jika Anda memiliki :
a) semua state dari sistem yang tersedia untuk umpan balik
dan
b) model yang benar-benar baik dari sistem anda.
Bahkan, tidak hanya stabilitasnya yang terjamin, tapi stabilitas
_margins_ nya juga terjamin.
2) Controller
secara otomatis dihasilkan hanya dengan
sederhana
memilih beberapa parameter (tidak perlu melakukan bentuk-loop)
memilih beberapa parameter (tidak perlu melakukan bentuk-loop)
Kelemahannya :
1) Jika yang anda ketahui dari sistem anda terutama hanya eksperimental, Anda
tidak dapat menggunakan eksperimental Bode plot sendiri untuk melakukan bentuk-loop, namun
Anda harus memperoleh model dari data eksperimen.
1) Jika yang anda ketahui dari sistem anda terutama hanya eksperimental, Anda
tidak dapat menggunakan eksperimental Bode plot sendiri untuk melakukan bentuk-loop, namun
Anda harus memperoleh model dari data eksperimen.
2) Jika Anda tidak
dapat mengukur semua state, Anda harus menggunakan observer
untuk merekonstruksinya (LQG). Stabilitas masih terjamin (jika
Anda memiliki model sempurna dari sistem anda), tetapi stabilitas margin
mungkin akan kecil.
untuk merekonstruksinya (LQG). Stabilitas masih terjamin (jika
Anda memiliki model sempurna dari sistem anda), tetapi stabilitas margin
mungkin akan kecil.
3) Jika
model sistem Anda tidak lengkap
(unmodeled dynamics),
mungkin sulit untuk mendapatkan controller yang bekerja dengan cara yang Anda
inginkan.
mungkin sulit untuk mendapatkan controller yang bekerja dengan cara yang Anda
inginkan.
4) Parameter yang digunakan untuk menghasilkan controller
umumnya tidak langsung berkaitan dengan cara yang intuitif terhadap
persyaratannya, tetapi hanya "tombol-tombol" yang diputar untuk mendapatkan
efek yang diinginkan.
LQR adalah controller yang optimal. Optimal dalam
hal yang telah didefinisikan, sehingga untuk
memberikan kemungkinan kesalahan terkecil yg muncul pada input, yaitu satu atau lebih dari
output sistem terkontrol
(atau 'plant'), dikombinasikan dengan meminimalkan
output kontrol. Dibandingkan
dengan LQR, kontroler PID hanya menciptakan sistem
yang stabil, tanpa secara eksplisit
mengoptimalkan apapun (Keuntungan # 1). LQR juga mudah digunakan untuk
sistem multivariabel; desain
prosedur
yang pada dasarnya sama
dengan system single-input single-output (Keuntungan # 2).
kontrol LQR dihitung berdasarkan model linier dari plant yang di kontrol. Jika model linier
benar-benar menunjukkan plant dengan tepat, maka kontrolernya optimal. Namun, jika terdapat
ketidaksesuaian karena ketidaktelitian dari
model (yaitu parameter dari
model linier), perubahan pada
pant (misalnya perubahan dalam kecepatan
kendaraan dan
mesin atau
power level dari power
plant) atau kenonlinieran (yaitu sistem sebenarnya tidak linier) maka kontroller yang dihasilkan akan menurun dan sistem bahkan mungkin akan menjadi tidak stabil (Kerugian # 1).
LQR itu
adalah kontroler dari state umpan balik . state dari sistem dapat memiliki beberapa arti fisik
(misalnya kecepatan, percepatan), tetapi kadang-kadang mereka
tidak memiliki interpretasi fisik
sama sekali. Akibatnya ada kesulitan untuk
mendapatkan state tersebut yang akan digunakan untuk umpan balik. Untuk menyiasatinya,
fungsi lainnya diperlukan, yang disebut observer, yang memperkirakan nilai-nilai
dari state tersebut. Hal ini membuat sistem
bahkan lebih kompleks.
(Kerugian # 2).
Apakah selalu
berhasil?
Tidak selalu. Anda tidak bisa begitu saja menerapkan teknik desain control ‘tingkat tinggi’ seperti LQR dan berharap semua berhasil tanpa beberapa usaha. Hal tersebut selalu membutuhkan sound engineer untuk menghindari beberapa masalah. Misalnya, data dari panjang kata yang terbatas (dalam implementasi komputer digital) dapat menjadi masalah,
tetapi hal ini juga dapat (hampir) selalu diringankan.
Tidak selalu. Anda tidak bisa begitu saja menerapkan teknik desain control ‘tingkat tinggi’ seperti LQR dan berharap semua berhasil tanpa beberapa usaha. Hal tersebut selalu membutuhkan sound engineer untuk menghindari beberapa masalah. Misalnya, data dari panjang kata yang terbatas (dalam implementasi komputer digital) dapat menjadi masalah,
tetapi hal ini juga dapat (hampir) selalu diringankan.
Masalah
potensi utamanya adalah bahwa
'plant’ ini hampir tidak pernah linier dengan parameter yang diketahui secara tepat. Oleh karena itu, Anda harus memunculkan
beberapa
perbedaan terhadap variasi parameter / ketidaktentuan selama desain control anda. Dan juga, Anda mungkin harus melakukan beberapa waktu-pemasukkan atau switching antara pengendali tunggal untuk memperhitungkan perubahan dalam kondisi operasi (misalnya kecepatan pesawat atau ketinggiannya). Seperti disebutkan di atas, pelaksanaan kontroler LQR memerlukan beberapa usaha.
perbedaan terhadap variasi parameter / ketidaktentuan selama desain control anda. Dan juga, Anda mungkin harus melakukan beberapa waktu-pemasukkan atau switching antara pengendali tunggal untuk memperhitungkan perubahan dalam kondisi operasi (misalnya kecepatan pesawat atau ketinggiannya). Seperti disebutkan di atas, pelaksanaan kontroler LQR memerlukan beberapa usaha.
Jika Anda ingin menyelidiki lebih dalam tentang
teori pada desain LQR, implementasi dan kelemahannya, ada banyak informasi yg
dapat ditemukan dalam beberapa textbook dan dalam Kontrol Otomatis pada Transaksi IEEE dan pada jurnal
akademik lainnya, yang
mungkin ada pada perpustakaan kampus anda. Mungkin pembimbing proyek Anda bisa mengarahkan Anda jika
Anda perlu untuk masuk ke detail tersebut.
Nah, jika ada yang mau script MATLAB nya, silahkan tulis komentar di bawah ini )