控制系统仿真课程设计报告讲解

1、控制系统仿真课程设计（ 2011 级）题 目 控制系统仿真课程设计 学 院 自动化 专 业 自动化 班级 学号 学生姓名指导教师王永忠 /刘伟峰完成日期2014 年 6 月控制系统仿真课程设计交流异步电机动态仿真设计目的1了解交流异步电机的原理，组成及各主要单元部件的原理。2. 设计交流异步电机动态结构系统；3掌握交流异步电机调速系统的调试步骤，方法及参数的整定。二 设计及 Matlab 仿真过程异步电机工作在额定电压和额定频率下，仿真异步电机在空载启动和加载过程中的转速 和电流变化过程。仿真电动机参数如下 Rs 1.85 ,Rr 2.658 ,Ls 0.2941H ,Lr 0.2898H ,

2、 Lm 0.2838H ，J 0.1284Nm s2,np 2,UN 380V, fN 50Hz ，此外，中间需要计算的参数如下：1 Lm ，Tr Lr ，Rt RsLr 2RrLm ，TL 10N m。 坐标系状态方程： LsLrr RrtL2r2 dnpLmddt r JLr1(is r is)Lm J TLdtdrdtr m i T r r T is TrTr1LT1r rLTm isLs ddist22LmLmRsLr Rr Lm iuLT r L rL2s sr r r rLsdisdtLrTrLmLmrr Lr22RsL2r 2RrL2m is us输入变量：U us us TL

3、T电磁转矩：Te npLm (is s is s ) r r is is T其中，状态变量：图 00 打开 simulink仿真程序图 01 打开库按钮图 3 异步电机 simulink 结构图封装图 4 带 3 相输入的异步电机框图图 5. 3/2 转换子系统U, 增益为矩阵 C，那么，增图 6. 2/3 转换子系统 注意： 1)图 5，6 中标注的三角形增益为矩阵增益，假设输入为 益 (Gain) 环节的设置如下：图 6. 增益环节设置2)UA电流输入设置如下：图 7. 正弦电流参数设置3)仿真参数设置：如下系统输入：步骤 1： 打开 simulink 仿真程序。见上页图 0.步骤 1：

4、首先，绘制如下图框图（见附图 1）。步骤 2：封装图 2 中的框图。 选择图 2 中所有模块， 单击鼠标右键， 点击 create subsystem, 获得如下的子系统，把 subsystem 名字改为 AC Motor步骤 3：绘制 3/2 转换环节。在上图 3 封装基础上，添加三相交流 UA、 UB、UC输入，该输入经过 3/2 坐标变换，作为 坐标系的输入，如下图 4。步骤 4：添加 2/3 转换环节，如下图 4 和图 6。其中， 3/2 transform 子系统框图如下图 5； 2/3 transform 见下图 6：步骤 5：输入相应的数据步骤 6：运行 simulink 仿真程

5、序。仿真结果：分析：1. 动态：在空载启动大约 0.15s 内，为异步电机动态过程，转矩初始为0，启动转矩和启动电流很大， 较大的启动转矩维持一段时间使电机转速快速提升至稳定值， 未出现超调， 动态 时间大约持续 0.15s 。2. 稳定： 0.s 之后异步电动机空载启动完成进入稳定运行阶段，由于电机负载为0，故最终转矩稳定在 0 左右，电机稳定运行。四 设计问题回答1. 交流异步电机的工作原理？ 电动机工作原理是根据电磁感应定律、 全电流定律、 电路定律和电磁力定律等得 出的。异步电动机定子上有三相对称的交流绕组 , 三相对称交流绕组通入三相对 称交流电流时，将在电机气隙空间中产生旋转磁场

6、, 转子绕组导体处于旋转磁场 中 , 转子导体切割磁极的磁力线，并产生感应电势，利用右手定则可判断感应 电势方向。 转子导体通过端环自成闭路， 于是转子中产生感应电流。 感应电 流与旋转磁极的磁场相互作用产生电磁力，利用左手定则可判断电磁力的方向。 电磁力作用在转子上进而产生电磁转矩，转子就旋转起来。2. 什么是 3/2 转换？ 三相绕组可以用相互独立的两相正交对称绕组等效代替， 等效的原则是产生的磁 动势相等。两相绕组，通以两相平衡交流电流，也能产生旋转磁动势。当三相绕 组和两相绕组产生的旋转磁动势大小和转速都相等时， 即认为两相绕组与三相绕 组等效。这就是 3/2 转换。控制系统仿真课程设

7、计二单目标跟踪仿真设计内容1了解目标跟踪目的，原理和方法。2. 仿真单目标运动航迹，杂波产生过程；3掌握单目标数据关联和目标状态估计步骤，方法及参数的整定。设计及 Matlab 仿真过程1. 系统方程试验一：线性高斯例子（ CV 运动）监测区域为 ，目标出生点为 ，检 测概率 为 0.98，杂波密度为，既平均 20 个杂波点，状态协方差阵， ， 目 标 的 初 始 分 布 为 ， 其 中 ， 。2. 跟踪方法初始条件为： x?0|0 x0 , x0| 0 x0 x?0|0, cov(x0|0 ) P0一步提前预测值和预测误差的协方差阵分别是预测状态协方差阵：Pk|k 1cov(xk|k1)Fk

8、1Pk1|k 1Fk1k1Qk1k1Fk 1x?k 1|k 1预测状态：x?k|k 1 E(xk|Zk 1)其中 xk|k 1 xk x?k|k 1 是一步预测误差；获取新的量测 zk 后，滤波更新值和相应的滤波误差的协方差阵分别是量测误差协方差阵：SkHkPk|k 1H kRk滤波增益：T1KkPk|k 1Hk Sk状态协方差阵：Pk|kcov(xk|k )Pk|k 1 KkSk Kk状态估计：x?k|k E(xk |Zk ) x?k|k 1 Kk (zk H k x?k|k 1)3. 数据关联方法 滤波方法将在统计意义上与被跟踪目标预测位置最近的量测作为与目标关联的回波信 号。统计距离定义

9、为新息向量的加权系数：T zk|k 1Sk1zk|k 1zk|k 1 zk H k x?k |k 1其中， zk|k 1表示滤波新息 （滤波残差向量） ，Sk 为新息协方差矩阵， dk2为残差向量的范数， 理解为目标预测位置与有效回波之间的统计距离。 最近邻算法便于实现， 且计算量小， 主要 适用于信噪比高、 目标密度小的情况。 但是由于抗干扰能力差， 在目标回波密度较大的情况， 容易产生关联错误。%产生 100 个杂波点4. 杂波产生方法： zc=unifrnd(-1000,1000,2 100);仿真代码：clear all;A=1 1 0 0;0 1 0 0;0 0 1 1;0 0 0

10、1;B=0.5 0;1 0;0 0.5;0 1;C=1 0 0 0;0 0 1 0;B0=10 0 0 0;0 5 0 0;0 0 10 0;0 0 0 5;Sk1=20 0;0 20;Sk2=20 0;0 20;Q=25 0;0 25;%噪声过程的协方差阵R=100 0;0 100;%量测噪声协方差阵Sz1=inv(Sk1);Sz2=inv(Sk2);n=50;m=100;%PD = 0.9;% 定义矩阵含义 X1=zeros(4,n);%X2=zeros(4,n);%Xp=zeros(4,2*n);%Xe=zeros(4,2*n);%Z1=zeros(2,n);%Z2=zeros(2,n)

11、;%Zp=zeros(2,2*n);%Zk=zeros(2,2*n);%目标1的真实状态目标2的真实状态目标状态的提前一步预测目标某时刻的估计状态目标1真实量测目标2真实量测某时刻目标量测的提前一步预测认定为目标量测的集合D=zeros(1,m+1,2*n);%Pe=zeros(4,4,2*n);%Pp=zeros(4,4,2*n);%目标可能的量测与提前一步预测的距离滤波误差的协方差阵预测误差的协方差阵K=zeros(4,2,2*n);%滤波增益% 初始化两个目标的状态 X1(:,1)=-900;30;900;-30+B0*randn(4,1);%X2(:,1)=-900;30;900;-3

12、0+B0*randn(4,1);Xe(:,1)=-900;30;900;-30;%Xe(:,51)=-900;30;900;-30;Pe(:,:,1)=100 0 0 0; 0 25 0 0;0 0 100 0;0 0 0 25; %Pe(:,:,51)=100 0 0 0; 0 25 0 0;0 0 100 0;0 0 0 25;%Kalman 滤波跟踪过程for k=1:n-1%- 两个目标的真实航迹和量测 X1(:,k+1)=A*X1(:,k)+B*randn(2,1);Z1(:,k+1)=C*X1(:,k+1)+10*randn(2,1);%X2(:,k+1)=A*X2(:,k)+B*

13、randn(2,1);%Z2(:,k+1)=C*X2(:,k+1)+10*randn(2,1);%-kalman滤波预测过程Xp(:,k+1)=A*Xe(:,k);%求 k 时刻目标 1 状态的提前一步预测Zp(:,k+1)=C*Xp(:,k+1);%求k 时刻目标 1量测的提前一步预测Pp(:,:,k+1)=A*Pe(:,:,k)*A+B*Q*B;%求k时刻目标 1 预测误差的协方差阵%Xp(:,k+51)=A*Xe(:,k+50);%求k 时刻目标 2状态的提前一步预测%Zp(:,k+51)=C*Xp(:,k+51);%求k 时刻目标 2量测的提前一步预测%Pp(:,:,k+51)=A*P

14、e(:,:,k+50)*A+B*Q*B;% 求k 时刻目标 2预测误差的协方差阵% 模拟杂波并获得所有可能的两侧点Xc=unifrnd(-1000,1000,1 100);%模拟目标 1 的杂波Yc=unifrnd(-1000,1000,1 100);Zc=Xc;Yc;% if rand PD% Zx=Zc;% 目标 1 的所有可能的量测点% elseZx=Z1(:,k+1),Zc;%目标 1 的所有可能的量测点% end%Xd=unifrnd(-1000,1000,1 100);%模拟目标 2 的杂波%Yd=unifrnd(-1000,1000,1 100);%Zd=Xd;Yd;%Zy=Z2

15、(:,k+1),Zd;%目标 2的所有可能的量测点% 获取最近邻量测 for i=1:m+1D(1,i,k+1)=(Zx(:,i)-Zp(:,k+1)*Sz1*(Zx(:,i)-Zp(:,k+1); %D(1,i,k+51)=(Zy(:,i)-Zp(:,k+51)*Sz2*(Zy(:,i)-Zp(:,k+51);endd1=min(D(1,:,k+1);% 求距离中的最小值 x=find(D(1,:,k+1)=d1);% 找到最小值的位置 %d2=min(D(1,:,k+51);%y=find(D(1,:,k+51)=d2);%kalman 滤波更新过程时刻系统的滤波增益Zk(:,k+1)=Z

16、x(:,x);% 获取目标 1 的新的量测 Sk1=(C*Pp(:,:,k+1)*C+R);K(:,:,k+1)=Pp(:,:,k+1)*C*inv(Sk1);%ka=Zk(:,k+1)-Zp(:,k+1);%新息%Zk(:,k+51)=Zy(:,y);%获取目标 2 的新量测%Sk2=(C*Pp(:,:,k+51)*C+R);%K(:,:,k+51)=Pp(:,:,k+51)*C*inv(Sk2);%b=Zk(:,k+51)-Zp(:,k+51);%新息Xe(:,k+1)=Xp(:,k+1)+K(:,:,k+1)*a;%目标 1的滤波更新值Pe(:,:,k+1)=Pp(:,:,k+1)-K(

17、:,:,k+1)*C*Pp(:,:,k+1);%目标 1的滤波误差的协方差阵%Xe(:,k+51)=Xp(:,k+51)+K(:,:,k+51)*b;%Pe(:,:,k+51)=Pp(:,:,k+51)-K(:,:,k+51)*C*Pp(:,:,k+51);%目标 2的滤波更新值目标 2 的滤波误差的协方差阵clf;plot(Zk(1,2:k+1),Zk(2,2:k+1),-g,Zp(1,k+1),Zp(2,k+1),oy,Xe(1,2:k+1),Xe(3,2:k+1),p-b,X1(1,2:k+1),X1(3,2:k+1),.-r,Xc,Yc,+k);hold on;%plot(Zk(1,5

18、2:k+51),Zk(2,52:k+51),v-m,Zp(1,k+51),Zp(2,k+51),oy,Xe(1,52:k+51),Xe(3,52:k+51),h-k,X2(1,2:k+1),X2(3,2:k+1),.-c,Xd,Yd,*k);hold off;pause(0.1);endfigure;subplot(2,1,1);plot(1:n,Xe(2,1:n),.-k);hold on;plot(1:n,X1(2,1:n),*-k);%plot(1:n,X1(2,51:51+n-1),*-k);legend( 估计 , 真实 );xlabel(t(s);ylabel(X 向速度 (m/s

19、);subplot(2,1,2);plot(1:n,Xe(4,1:n),.-k);hold on;plot(1:n,X1(4,1:n),*-k);%plot(1:n,Xe(4,51:51+n-1),*-k);legend( 估计 , 真实 );xlabel(t(s);ylabel(Y 向速度 (m/s);仿真结果：目标运动轨迹目标的 x,y 方向速度随时间变化过程目标跟踪过程三 设计问题回答1.目标跟踪的原理？ 将探测器所接收到的量测数据分解为对应于不同信息源所产生的不同观测集合 或轨迹。一旦轨迹被形成和确认， 则被跟踪的目标数目以及相应于每一条轨迹的 目标运动参数如位置、速度、加速度及目标分类特征等，均可相应地估计出来。2.仿真中的 Kalman 滤波的基本原理是什么？Kalman 滤波是目标状态估计算法解决状态最优估计的一种常用方法具有 计算量小、存储量低、实时性高的优点。实际应用中，可以将物理系统的运行过 程看作是一个状态转换过