⚡ electrical engineering

An approach to the LQG/LTR design problem with specifications for finite-dimensional SISO control systems

本文介绍了一种针对有限维单输入单输出（SISO）系统的 LQG/LTR 设计的权重增强方法，该方法使从业者能够纳入特定的低频和高频性能及鲁棒性要求，并通过一个减速直流电机转矩控制的示例进行了验证。

原作者： Mahyar Mahinzaeim, Kamyar Mehran

发布于 2026-06-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Mahyar Mahinzaeim, Kamyar Mehran

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心大意：调节汽车悬挂系统

想象一下，你正在尝试调节汽车的悬挂系统。你有两个经常相互冲突的目标：

舒适度（低频）： 当遇到缓慢的颠簸或坑洼时，汽车应该平稳地吸收冲击，让你感觉不到震动。
稳定性（高频）： 当汽车遇到细微、快速的振动（如碎石路面或发动机噪音）时，悬挂系统不应该剧烈晃动导致车辆散架。

在工程领域，这被称为控制系统设计。本文讨论了一种名为 LQG/LTR（线性二次高斯 / 环路传递恢复）的具体方法。你可以把 LQG 理解为一个机器的“智能自动驾驶仪”。它非常擅长让机器保持稳定，但它有一个已知的缺陷：它就像一个过于关注前方道路的司机，一旦收音机声音变大（噪声）或者路面出现意料之外的颠簸时，就会变得手忙脚乱。

问题所在：“完美”的司机过于敏感

作者解释说，虽然这种“智能自动驾驶仪”（LQG）在数学上非常优雅，但在现实世界中往往会失效，因为它并不听从工程师关于“在哪里该敏感”以及“在哪里该强硬”的具体规则。

旧方法： 工程师过去试图通过“试错法”来修复这个自动驾驶仪——不断调整旋钮，直到感觉对了为止。这就像是通过随机转动收音机的旋钮来试图消除杂音，虽然有时有效，但过程混乱且难以解释其原理。
新方法（本文）： 作者提出了一种系统性的、代数化的方法来“教导”自动驾驶仪该怎么做。他们不再仅仅靠猜测，而是构建了一套定制的规则（称为权重函数），这就像是为机器安装了一个过滤器，用来过滤它的“耳朵”。

解决方案：“加权眼镜”类比

本文的核心思想是权重增广（Weighting Augmentation）。

想象一下，这台机器戴着一副特殊的眼镜：

低频眼镜（权重 $W_2$ ）： 这副眼镜让机器对缓慢的动作（如轻微的推力）非常敏感。这确保了机器能快速响应干扰并完美地追踪目标。
高频眼镜（权重 $W_1$ ）： 这副眼镜让机器对快速、细微的噪声“耳聋”。这能防止机器对静电干扰或传感器故障做出过度反应。

作者展示了如何通过数学设计这些“眼镜”（权重函数），使得当机器戴上它们时，最终生成的“智能自动驾驶仪”能够自动实现你的特定目标。

他们是如何实现的：配方步骤

作者并没有使用需要耗费数小时求解的复杂、沉重的计算机模拟，而是将问题转化为了一个数学配方。

定义目标： 你可以设定：“在频率 X 处，误差必须小于这个值”；以及“在频率 Y 处，噪声必须如此安静”。
代数技巧： 他们利用一套方程组来计算出这些“眼镜”（权重函数）究竟需要长什么样，才能达到上述目标。
结果： 一旦设计好这些“眼镜”，你只需将它们代入标准的自动驾驶公式中，奇迹就会发生——你得到了一个完全符合你预期的控制器。

现实世界的测试：晃动的电机

为了证明其有效性，作者在齿轮直流电机（类似于用于机械臂或动力转向系统的电机）上进行了测试。

挑战： 这种电机的轴具有“弹簧性”。如果你推它，它会产生晃动。由于它倾向于产生振动，因此很难控制。
测试： 他们应用了这种“眼镜”法。
- 他们告诉系统：“在低速时要非常平滑（以追踪目标）。”
- 他们告诉系统：“忽略高频的电噪声。”
结果： 系统表现完美。电机平稳地追踪目标，没有产生剧烈抖动。

然而，他们也发现了一个陷阱：如果让系统在追踪方面过于“完美”，那么当情况发生快速变化时，它可能会变得“神经质”（不稳定）。因此，他们必须稍微调整“眼镜”的参数，以在平滑度和稳定性之间找到平衡。这就是经典的工程权衡：你无法拥有一切，但这种方法能帮你找到最佳的平衡点。

为什么这很重要

作者是为从业者——即那些真正制造这些系统的工程师——编写这篇论文的。

他们希望摆脱那种你不知道控制器为何起作用的“黑盒”方法。
他们希望展示，你可以通过清晰、循序渐进的代数运算（可以用纸笔或标准软件完成的数学运算）来设计这些复杂的系统，而不是依赖极其复杂的优化理论。

简而言之： 本文提供了一份清晰、分步的操作手册，教你如何构建一个既能精准识别并忽略噪声，又能完美响应真实指令的“智能自动驾驶仪”，且该方法易于遵循和验证。

技术摘要：一种针对有限维 SISO 控制系统的 LQG/LTR 设计问题及其规范的研究方法

问题陈述
本文探讨了线性二次高斯（LQG）控制理论中的一个基本局限性：虽然卡尔曼-布西滤波器（KBF）保证了最小敏感性，且线性二次型调节器（LQR）保证了鲁棒裕度，但这些特性并不会自动延伸到 LQG 补偿器（状态估计反馈）。尽管循环传递恢复（LTR）技术被开发用于“恢复”这些鲁棒特性，但传统方法往往无法同时满足特定的低频性能（跟踪/扰动抑制）和高频鲁棒性（噪声衰减）规范。

此外，作者指出，虽然 $H_\infty$ 和其他哈迪空间（Hardy space）范数优化方法为频域规范提供了一个严谨的框架，但这些方法通常涉及极高的计算复杂度，并且需要构建复杂的控制优化问题。相反，现有的许多 LQG/LTR 应用依赖于启发式的、非系统性的参数调整，这使得从业者难以正式验证设计结果，或将设计参数映射到特定的回路整形特性，特别是对于有限维单输入/单输出（SISO）系统而言。

方法论
所提出的方法通过将频率相关的设计规范直接集成到通过**加权增广（weighting augmentation）**实现的 LTR 框架中，从而重新构建了 LQG 设计问题。其核心方法如下：

增广对象构建： 将标称对象 $G_0(s)$ 通过两个动态加权函数 $W_1(s)$ 和 $W_2(s)$ 进行增广，这两个函数分别置于控制输入端和测量噪声输入端。
- $W_1(s)$ 用于对 LQR 状态反馈控制器进行回路整形（影响高频噪声衰减）。
- $W_2(s)$ 用于对 KBF 进行回路整形（影响低频敏感度）。
- 作者利用由系数 $\tau_{j1}$ 和 $\tau_{j2}$ 定义的高阶超前和滞后型传递函数来实现这些加权。
分离原理与渐近恢复： 该设计依赖于分离原理以及对象为**最小相位（minimum phase）**的假设。在 LQR 加权参数 $\rho \to \infty$ 的条件下，LQG 开环传递函数将渐近恢复 KBF 回路传递函数的特性。
规范的代数解法： 该方法并非求解复杂的优化问题，而是将闭环设计规范（关于灵敏度函数 $S(s)$ 和控制器噪声灵敏度 $K(s)S(s)$ 的界限）转化为关于加权增益的开环约束。
- 低频规范（跟踪）被映射为对 $|W_2(i\omega)|$ 的约束。
- 高频规范（噪声衰减）被映射为对 $|W_1(i\omega)|$ 的约束。
- 这种转换产生了一个关于加权系数 $\tau_{j1}, \tau_{j2}$ 的非线性代数不等式组（如果将设计界限视为严格目标，则为等式组）。
迭代设计程序： 设计过程变成了一个寻找满足所得不等式的合适系数对的代数程序。作者强调，解的存在性取决于规范界限的可达性，这凸显了设计的迭代性质。

主要贡献

系统性的代数程序： 本文提出了一种完全基于代数的程序，用于确定 SISO 系统的 LQG 补偿器传递函数。它避免了迭代控制优化求解器，转而依赖于从频域规范导出的代数方程求解。
显式频率整形： 该方法将加权函数的系数与特定的低频和高频设计目标明确联系起来，使原本在启发式 LTR 方法中往往难以捉摸的“参数到回路特性映射”过程变得透明。
聚焦 SISO 系统： 本研究专门针对有限维 SISO 系统，作者认为，与复杂的 MIMO 情况相比，文献中针对此类系统进行理论扎实的 LQG/LTR 设计实例较为匮乏。
可达性分析： 该方法自然地纳入了可达性概念，证明了并非所有的性能与鲁棒性规范组合都能同时实现，并提供了一个识别可行设计区域的框架。

结果
该方法通过一个详细的设计案例进行了验证：带有弹性安装输出轴的齿轮直流电机转矩控制。

对象模型： 一个由实验数据导出的 4 阶有理传递函数，该对象是稳定且为最小相位的。
设计案例： 作者测试了三种加权阶数（ $m, p$ $m, p$ ）。
- 案例 1 ( $m=p=1$ ): 未找到合适的解对，说明了较低阶加权下可达性的限制。
- 案例 2 ( $m=p=2$ ): 找到了解，但无法完全满足高频噪声衰减规范。
- 案例 3 ( $m=3, p=2$ ): 找到了一个合适的解，能够同时满足所有低频和高频规范。
性能： 所得补偿器达到了预期的灵敏度（ $|S|$ ）和噪声灵敏度（$|KS| $）界限。然而，初始设计在穿越频率范围内表现出灵敏度峰值，导致阶跃响应阻尼较小且鲁棒性裕度降低（增益裕度$ \approx 1.9$ dB）。
优化： 通过放宽高频噪声灵敏度界限（允许更大的幅值），作者成功重新设计了加权系数。这一修改降低了灵敏度峰值，显著提高了增益裕度（提升至 $\approx 4.8$ dB）和相位裕度（提升至 $\approx 35.2^\circ$ ），同时保持了可接受的性能。

意义与主张
作者将这项工作定位为面向非专业人士和从业者的阐释性贡献。他们声称其方法：

为启发式 LTR 调优和计算密集型的 $H_\infty$ 优化提供了一种“简单且系统”的替代方案。
弥合了经典回路整形直觉与 LQG/LTR 框架之间的鸿沟。
为应用 LTR 的“经验财富”相对较少的 SISO 系统提供了一个实用的程序。

论文谦虚地承认，其数学结果本身并非原创，因为它们依赖于已有的 LQG/LTR 理论和分离原理。其新颖之处在于利用加权增广来创建一个可求解的用于 SISO 设计的代数系统。作者明确指出，该方法假设对象为最小相位，目前尚未处理时滞或非最小相位系统，并将这些列为未来的研究方向。最后，他们也指出，求解高阶加权下的非线性代数系统的计算复杂度是未来研究的一个挑战。此外，他们提到补偿器的实验验证正在进行中，但尚未包含在本文中。