⚡ electrical engineering

$H_\infty$ Performance Analysis for Almost Periodic Piecewise Linear Systems with Application to Roll-to-Roll Manufacturing Control

本文针对具有不确定驻留时间的准周期分段线性系统，提出了一种 $H_\infty$ 性能分析方法及控制器合成算法，并通过卷对卷制造系统的实验验证，证明该方法相较于未考虑切换结构的基准控制器，能实现更优的抗干扰性能。

原作者： Christopher Martin, Edward Kim, Enrique Velasquez, Wei Li, Dongmei Chen

发布于 2026-02-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Christopher Martin, Edward Kim, Enrique Velasquez, Wei Li, Dongmei Chen

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

这篇论文讲述了一个关于如何更聪明地控制复杂机器的故事，特别是针对一种叫“卷对卷（Roll-to-Roll）”的先进制造工艺。

为了让你轻松理解，我们可以把这篇论文的核心内容想象成**“一位经验丰富的老练司机在应对不断变化的路况”**。

1. 背景：什么是“卷对卷”制造？

想象一下，你正在用一台巨大的机器，像贴手机膜一样，把一层薄薄的、珍贵的材料（比如石墨烯，一种超级材料）从一卷胶带上撕下来，再贴到另一卷新的材料上。这个过程就像在高速公路上开车，机器必须非常精准，不能贴歪，也不能撕破。

在这个过程中，机器会遇到不同的“路段”：

路段 A：胶带很粘，很难撕。
路段 B：胶带很滑，很容易撕。
路段 C：胶带中间有图案，撕的时候需要特别小心。

这些不同的路段就是论文里说的**“模式（Modes）”**。机器会根据材料的变化，自动在这些模式之间切换。

2. 问题：为什么以前的控制方法不够好？

以前的控制方法（论文里的“基线控制器”）就像是一个死板的导航仪。

它的逻辑是：“不管前面是上坡、下坡还是平路，我都按‘平均路况’来开车。为了安全起见，我假设所有路都是最陡的坡，所以我一直把油门踩得很深，刹车也踩得很紧。”
结果：虽然车不会翻（系统稳定），但开起来非常颠簸，乘客（材料）坐得很不舒服，而且发动机（电机）磨损很快。因为它没有利用“我知道前面马上要变平路了”这个信息，导致反应过度，动作太猛。

此外，现实中的路况切换时间是不确定的。比如，从“粘胶带”路段切换到“滑胶带”路段，可能早 1 秒，也可能晚 1 秒。以前的方法要么忽略这种不确定性，要么为了保险起见，把这种不确定性想象得无限大，导致控制更加保守和笨拙。

3. 创新：这篇论文做了什么？

作者们开发了一种**“超级智能驾驶系统”**（论文中的 $\mathcal{H}_\infty$ 控制器），它有两个核心绝招：

绝招一：知道“什么时候”会变，但允许“稍微”有点误差

比喻：这位司机手里有一张精确的地图，他知道接下来 10 公里是上坡，然后 5 公里是下坡。但是，他也知道，从坡顶开始下坡的那个瞬间，可能会因为路面湿滑提前或推后几秒。
做法：以前的系统要么完全不知道地图（瞎开），要么假设地图上的时间点完全不可信。而这个新系统说：“我知道地图大概是这样，虽然切换时间有几分钟的误差，但我心里有数。我会根据当前实际在哪个路段，动态调整我的油门和刹车。”
技术术语：这就是处理**“几乎周期分段线性系统（APPLS）”**，即系统会循环切换，但切换时间有微小的不确定性。

绝招二：不仅防颠簸，还要防“乱流”

比喻：开车时除了路况变化，还会遇到突发的侧风（干扰）。
做法：新系统专门设计用来抵抗这些侧风。它计算出了在最坏的情况下（比如突然刮大风，或者胶带突然变粘），系统能保持多平稳。它保证即使风再大，车也不会偏离车道太多。
技术术语：这就是 $\mathcal{H}_\infty$ 性能分析，即在最坏干扰下的抗干扰能力。

4. 实验结果：真的有用吗？

作者在实验室里真的造了一台这样的机器，用真实的胶带做了实验。

对比：把“死板导航仪”（旧方法）和“超级智能驾驶系统”（新方法）放在一起跑。
结果：
- 更稳：新方法让材料撕下来的角度误差减少了约 19%。这意味着贴出来的膜更平整，废品更少。
- 更顺：电机的转速和扭矩波动减少了 60% 以上。这意味着机器运行更平滑，零件磨损更小，寿命更长。
- 更聪明：新方法不需要在运行时做复杂的计算（就像司机不需要在开车时重新学物理），它提前就算好了所有策略，所以反应快且省资源。

5. 总结

这篇论文的核心思想就是：不要“一刀切”地控制机器。

对于这种会不断切换状态、且切换时间有点小误差的复杂系统，最好的办法是**“既知道大方向，又包容小误差”**。通过利用系统切换的规律，我们可以设计出更精准、更平稳、更耐用的控制器。

一句话概括：
这就好比从“不管路况如何都猛踩刹车”的笨办法，进化到了“看着地图、预判路况、灵活应对”的老司机驾驶法，让精密制造过程既快又稳。

这篇论文提出了一种针对具有不确定驻留时间的准周期分段线性系统（APPLS）的 $\mathcal{H}_\infty$ 性能分析方法，并基于此设计了一种实用的控制器综合算法。该方法被成功应用于卷对卷（R2R）干法转移二维材料及印刷柔性电子的制造过程控制中。

以下是该论文的详细技术总结：

1. 研究背景与问题定义 (Problem)

系统模型：许多先进工程系统（如 R2R 制造）可以建模为分段线性系统。当系统行为随时间周期性重复，但各模式间的驻留时间（dwell-time）存在不确定但有界的情况时，称为准周期分段线性系统（APPLS）。
核心挑战：
- 现有的 $\mathcal{H}_\infty$ 控制方法主要针对确定性切换系统或周期性系统，无法有效处理驻留时间的不确定性以及模式相关的建模不确定性。
- 在 R2R 干法转移过程中，由于位置误差（register error）和材料粘附能量的波动，切换时间是不确定的，且不同材料区域（模式）的动力学特性不同。
- 缺乏针对此类系统的 $\mathcal{H}_\infty$ 性能分析框架，导致难以设计能够保证抗干扰能力（扰动抑制）的高性能控制器。现有的基于线性时不变（LTI）平均模型的控制器过于保守，导致控制增益过高，引发振荡和部件磨损。

2. 方法论 (Methodology)

论文提出了一套完整的理论框架和算法，主要包含以下部分：

A. 系统建模

将 R2R 剥离过程建模为具有加性范数有界不确定性的 APPLS。
系统状态方程在模式 $i$ 下表示为：
$\dot{\mathbf{x}}(t) = (\mathbf{A}_i + \mathbf{F}_i\Delta(t)\mathbf{G}_i)\mathbf{x}(t) + \mathbf{B}_i\mathbf{u}(t) + \mathbf{B}_{w,i}\mathbf{w}(t)$
其中 $\Delta(t)$ 代表时变的不确定性，且 $\|\Delta(t)\| \le 1$ 。
控制结构采用切换全状态反馈： $\mathbf{u}(t) = \mathbf{K}_i\mathbf{x}(t)$ （在确定模式段）或 $\mathbf{K}_{i,i+1}\mathbf{x}(t)$ （在切换过渡段）。

B. 理论核心： $\mathcal{H}_\infty$ 性能分析 (Theorem 1)

利用模态依赖李雅普诺夫函数（MDLF），该函数在切换时刻允许不连续，以处理切换系统的特性。
推导了一组**线性矩阵不等式（LMI）**条件。如果满足这些条件，系统不仅能保证指数稳定性，还能满足加权 $\mathcal{H}_\infty$ 性能指标：
$\frac{1}{b}\int_0^\infty e^{-\lambda t} \mathbf{z}^T(t)\mathbf{z}(t) dt \le \gamma^2 \int_0^\infty \mathbf{w}^T(t)\mathbf{w}(t) dt$
该分析框架同时考虑了驻留时间不确定性（切换时间的波动）和建模不确定性（参数变化）。

C. 控制器综合算法 (Algorithm 1)

提出了一个两阶段的 $\mathcal{H}_\infty$ $H_{\infty}$ 控制器设计算法（HCD）：
1. 收敛保证阶段：通过迭代调整参数，确保系统满足指数稳定性要求（ $\lambda^* > 0$ ）。
2. 性能优化阶段：在满足稳定性的前提下，最小化 $\mathcal{H}_\infty$ 性能指标 $\gamma$ （即最大化抗干扰能力）。
算法还引入了对控制器增益范数的约束，以防止过高的控制增益，确保工程实现的可行性。

3. 案例研究与实验 (Case Study & Results)

应用场景：卷对卷（R2R）干法转移二维材料（如 MoS2、石墨烯）的剥离过程。
实验设置：
- 构建了一个包含两种不同胶带（不同粘附特性）的 R2R 测试台。
- 模拟了切换时间的随机不确定性（在预设范围内随机选择切换点）。
- 对比了本文提出的切换控制器与基于 LTI 平均模型的基准 $\mathcal{H}_\infty$ 控制器。
关键结果：
- 角度误差降低：提出的控制器使平均剥离角度（ $\alpha$ 和 $\beta$ ）的均方根（RMS）误差分别降低了 17.5% 和 19.6%。
- 波动抑制：显著减少了系统状态和控制输入的波动。相比基准控制器，速度（ $v_2, v_3$ ）和控制力矩（ $u_2, u_3$ ）的标准差平均降低了 60% - 70%。
- 性能对比：基准控制器由于未利用切换序列的先验知识且过于保守，导致控制增益过高，引发了严重的振荡；而本文方法通过精确建模不确定性，实现了更优的权衡。

4. 主要贡献 (Key Contributions)

理论突破：首次为具有不确定驻留时间和建模不确定性的循环切换线性系统（APPLS）建立了严格的 $\mathcal{H}_\infty$ 性能分析框架。
算法创新：提出了一种实用的两阶段控制器综合算法，能够在保证稳定性的同时优化抗干扰性能，且无需昂贵的在线计算（离线设计，在线查表切换）。
工程验证：在真实的 R2R 制造实验台上进行了验证，证明了该方法在处理先进材料转移过程中的有效性和优越性，显著提升了控制精度并减少了机械磨损。

5. 意义与影响 (Significance)

理论意义：填补了 APPLS 系统在 $\mathcal{H}_\infty$ 扰动抑制方面的理论空白，将现有的周期性切换系统理论推广到了更通用的准周期场景。
工业价值：
- 为 R2R 制造等高精度连续生产过程提供了更先进的控制策略。
- 通过减少角度误差和机械振动，直接提高了二维材料和柔性电子的转移质量（Transfer Quality）。
- 通过降低控制输入的剧烈波动，显著延长了电机、辊筒等关键部件的使用寿命，降低了维护成本。
未来展望：该框架为结合数据驱动方法（如机器学习）处理更复杂的未知动力学或结构化不确定性奠定了基础。

总结：该论文成功解决了一类复杂切换系统的控制难题，通过结合理论分析与实验验证，证明了考虑“不确定驻留时间”和“模式切换结构”对于设计高性能工业控制器至关重要。