1、控制系統仿真課程設計（2011級）題 目控制系統仿真課程設計學 院自動化專 業自動化班 級學 號學生姓名指導教師王永忠/劉偉峰完成日期2014年6月控制系統仿真課程設計一 交流異步電機動態仿真一 設計目的1了解交流異步電機的原理，組成及各主要單元部件的原理。2. 設計交流異步電機動態結構系統；3掌握交流異步電機調速系統的調試步驟，方法及參數的整定。二設計及Matlab仿真過程異步電機工作在額定電壓和額定頻率下，仿真異步電機在空載啟動和加載過程中的轉速和電流變化過程。仿真電動機參數如下：，此外，中間需要計算的參數如下：，。坐標系狀態方程：其中，狀態變量：輸入變量： 電磁轉矩： 圖00 打開sim

2、ulink仿真程序 圖01打開庫按鈕 圖3 異步電機simulink結構圖封裝 圖4 帶3相輸入的異步電機框圖 圖5. 3/2轉換子系統圖6. 2/3轉換子系統注意：1）圖5，6中標注的三角形增益為矩陣增益，假設輸入為U,增益為矩陣C，那么，增益(Gain)環節的設置如下：圖6. 增益環節設置 2）UA電流輸入設置如下： 圖7. 正弦電流參數設置3）仿真參數設置：如下系統輸入：步驟1：打開simulink仿真程序。見上頁圖0.步驟1：首先，繪制如下圖框圖（見附圖1）。步驟2：封裝圖2中的框圖。選擇圖2中所有模塊，單擊鼠標右鍵，點擊create subsystem,獲得如下的子系統，把subsy

3、stem名字改為AC Motor步驟3：繪制3/2轉換環節。在上圖3封裝基礎上，添加三相交流UA、UB、UC輸入，該輸入經過3/2坐標變換，作為坐標系的輸入，如下圖4。步驟4：添加2/3轉換環節，如下圖4和圖6。其中，3/2 transform子系統框圖如下圖5；2/3 transform見下圖6：步驟5：輸入相應的數據步驟6：運行simulink仿真程序。仿真結果：分析： 1.動態：在空載啟動大約0.15s內，為異步電機動態過程，轉矩初始為0，啟動轉矩和啟動電流很大，較大的啟動轉矩維持一段時間使電機轉速快速提升至穩定值，未出現超調，動態時間大約持續0.15s。 2.穩定：

4、0.s之后異步電動機空載啟動完成進入穩定運行階段，由于電機負載為0，故最終轉矩穩定在0左右，電機穩定運行。 四 設計問題回答1.交流異步電機的工作原理？電動機工作原理是根據電磁感應定律、全電流定律、電路定律和電磁力定律等得出的。異步電動機定子上有三相對稱的交流繞組,三相對稱交流繞組通入三相對稱交流電流時，將在電機氣隙空間中產生旋轉磁場,轉子繞組導體處于旋轉磁場中, 轉子導體切割磁極的磁力線，并產生感應電勢，利用右手定則可判斷感應電勢方向。 轉子導體通過端環自成閉路，于是轉子中產生感應電流。 感應電流與旋轉磁極的磁場相互作用產生電磁力，利用左手定則可判斷電

5、磁力的方向。電磁力作用在轉子上進而產生電磁轉矩，轉子就旋轉起來。2.什么是3/2轉換？三相繞組可以用相互獨立的兩相正交對稱繞組等效代替，等效的原則是產生的磁動勢相等。兩相繞組，通以兩相平衡交流電流，也能產生旋轉磁動勢。當三相繞組和兩相繞組產生的旋轉磁動勢大小和轉速都相等時，即認為兩相繞組與三相繞組等效。這就是3/2轉換?？刂葡到y仿真課程設計二 單目標跟蹤仿真一 設計內容1了解目標跟蹤目的，原理和方法。2. 仿真單目標運動航跡，雜波產生過程；3掌握單目標數據關聯和目標狀態估計步驟，方法及參數的整定。二設計及Matlab仿真過程1. 系統方程試驗一：線性高斯例子（CV運動）監測區域為，目標出生點為

6、，檢測概率為0.98，雜波密度為，既平均20個雜波點，狀態協方差陣，目標的初始分布為，其中，。2. 跟蹤方法初始條件為： 一步提前預測值和預測誤差的協方差陣分別是 預測狀態： 預測狀態協方差陣： 其中是一步預測誤差；獲取新的量測后，濾波更新值和相應的濾波誤差的協方差陣分別是 量測誤差協方差陣： 濾波增益： 狀態協方差陣： 狀態估計： 3.數據關聯方法濾波方法將在統計意義上與被跟蹤目標預測位置最近的量測作為與目標關聯的回波信號。統計距離定義為新息向量的加權系數： 其中，表示濾波新息（濾波殘差向量），為新息協方差矩陣，為殘差向量的范數，理解為目標預測位置與有效回波之間的統計距離。最近鄰算法便于實現

7、，且計算量小，主要適用于信噪比高、目標密度小的情況。但是由于抗干擾能力差，在目標回波密度較大的情況，容易產生關聯錯誤。4. 雜波產生方法：zc=unifrnd(-1000,1000,2 100);%產生100個雜波點¨仿真代碼：clear all;A=1 1 0 0;0 1 0 0;0 0 1 1;0 0 0 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;%噪聲過程的協方差陣R=100 0;0

8、100;%量測噪聲協方差陣Sz1=inv(Sk1);Sz2=inv(Sk2);n=50;m=100;%PD = 0.9;%-定義矩陣含義-X1=zeros(4,n);%目標1的真實狀態X2=zeros(4,n);%目標2的真實狀態Xp=zeros(4,2*n);%目標狀態的提前一步預測Xe=zeros(4,2*n);%目標某時刻的估計狀態Z1=zeros(2,n);%目標1真實量測Z2=zeros(2,n);%目標2真實量測Zp=zeros(2,2*n);%某時刻目標量測的提前一步預測Zk=zeros(2,2*n);%認定為目標量測的集合D=zeros(1,m+1,2*n);%目標可能的量測與

9、提前一步預測的距離Pe=zeros(4,4,2*n);%濾波誤差的協方差陣Pp=zeros(4,4,2*n);%預測誤差的協方差陣K=zeros(4,2,2*n);%濾波增益%-初始化兩個目標的狀態-X1(:,1)=-900;30;900;-30+B0*randn(4,1);%X2(:,1)=-900;30;900;-30+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

10、 25 0 0;0 0 100 0;0 0 0 25;%-Kalman濾波跟蹤過程-for k=1:n-1 %-兩個目標的真實航跡和量測- 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*randn(2,1); %Z2(:,k+1)=C*X2(:,k+1)+10*randn(2,1); %-kalman濾波預測過程 Xp(:,k+1)=A*Xe(:,k);%求k時刻目標1狀態的提前一步預測 Zp(:,k+1)=C*Xp(:,k+1);%求k時刻目標1量測的

11、提前一步預測 Pp(:,:,k+1)=A*Pe(:,:,k)*A'+B*Q*B'%求k時刻目標1預測誤差的協方差陣 %Xp(:,k+51)=A*Xe(:,k+50);%求k時刻目標2狀態的提前一步預測 %Zp(:,k+51)=C*Xp(:,k+51);%求k時刻目標2量測的提前一步預測 %Pp(:,:,k+51)=A*Pe(:,:,k+50)*A'+B*Q*B'%求k時刻目標2預測誤差的協方差陣 %-模擬雜波并獲得所有可能的兩側點 Xc=unifrnd(-1000,1000,1 100);%模擬目標1的雜波 Yc=unifrnd(-1000,1000,1 100

12、); Zc=Xc;Yc; % if rand > PD % Zx=Zc;%目標1的所有可能的量測點 % else Zx=Z1(:,k+1),Zc;%目標1的所有可能的量測點 % end %Xd=unifrnd(-1000,1000,1 100);%模擬目標2的雜波 %Yd=unifrnd(-1000,1000,1 100); %Zd=Xd;Yd; %Zy=Z2(:,k+1),Zd;%目標2的所有可能的量測點 %-獲取最近鄰量測- for i=1:m+1 D(1,i,k+1)=(Zx(:,i)-Zp(:,k+1)'*Sz1*(Zx(:,i)-Zp(:,k+1); %D(1,i,k+

13、51)=(Zy(:,i)-Zp(:,k+51)'*Sz2*(Zy(:,i)-Zp(:,k+51); end d1=min(D(1,:,k+1);%求距離中的最小值 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濾波更新過程 Zk(:,k+1)=Zx(:,x);%獲取目標1的新的量測 Sk1=(C*Pp(:,:,k+1)*C'+R); K(:,:,k+1)=Pp(:,:,k+1)*C'*inv(Sk1);%k時刻系統的濾波增益 a=Zk(:,k+1

14、)-Zp(:,k+1);%新息 %Zk(:,k+51)=Zy(:,y);%獲取目標2的新量測 %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;%目標1的濾波更新值 Pe(:,:,k+1)=Pp(:,:,k+1)-K(:,:,k+1)*C*Pp(:,:,k+1);%目標1的濾波誤差的協方差陣 %Xe(:,k+51)=Xp(:,k+51)+K(:,:,k+51)*b;%目標2

15、的濾波更新值 %Pe(:,:,k+51)=Pp(:,:,k+51)-K(:,:,k+51)*C*Pp(:,:,k+51);%目標2的濾波誤差的協方差陣 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(1,52:k+51),Zk(2,52:k+51),'

16、;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),'*

17、-k');legend('估計','真實');xlabel('t(s)');ylabel('X向速度(m/s)');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('估計','真實');xlabel('t(s)');ylabel('Y向速度(

18、m/s)');仿真結果： 目標運動軌跡 目標的x,y方向速度隨時間變化過程 目標跟蹤過程三 設計問題回答1.目標跟蹤的原理？將探測器所接收到的量測數據分解為對應于不同信息源所產生的不同觀測集合或軌跡。一旦軌跡被形成和確認，則被跟蹤的目標數目以及相應于每一條軌跡的目標運動參數如位置、速度、加速度及目標分類特征等，均可相應地估計出來。 2. 仿真中的Kalman濾波的基本原理是什么？Kalman濾波是目標狀態估計算法解決狀態最優估計的一種常用方法具有計算量小、存儲量低、實時性高的優點。實際應用中，可以將物理系統的運行過程看作是一個狀態轉換過程，卡爾曼濾波將狀態空間理論引入到對物理系統的數學建模過程中來。其基本思想是給系統信號和噪聲的狀態空間建立方程和觀測方程，只用信號的前一個估計值和最近一個觀察值就可以在線性無偏最小方差估計準則下對信號的當前值做出最優估計。四 實踐總結經過這兩個星期的短學期，在之前的前期理論學習和一定的實驗基礎上，我對Matlab在控制系統仿真方面有了新的認識。之前的認識主要在于，傳遞函數在Matlab中的實現方法，是通過系統框圖的各個部件組合實現；現今的認識在于，對于一個實際案例的實現，更多地在于系統框圖的構建，在合理構建的基礎上用Similink仿真，并且進行參數調整。而在在運動控制仿真中，我熟悉了如何構造某個對象的模