自控原理 第02章 动态系统的数学模型
2.1 系统的三种代数表示方法
2.1.1 微分方程表示
没有大物和电分之外的新东西🤷♂️
2.1.2 传递函数表示
- 直接对输入输出做拉普拉斯变换然后相除即可得到传递函数。
- 系统的单位冲激响应的拉普拉斯变换即是系统的传递函数。
2.1.3 状态空间表示
通过设置合适的变量,可以将高阶微分方程(组)改写为一阶微分方程组,再以向量的形式表示就得到了该系统的SSR:
还可以写向量化更彻底的形式:
特点
- 一阶常系数线性微分方程组
- \(A\)是一个方阵
- 相比单一的高阶微分方程,状态空间表示包含了更多关于系统的信息,并在一定程度上展现了系统的内部结构。
非线性系统的线性化
向量导数的定义:
\[\frac{\partial \boldsymbol{f}}{\partial t} \triangleq \left[\begin{array}{c} \frac{\partial f_{1}}{\partial t} \\ \frac{\partial f_{2}}{\partial t} \\ \vdots \\ \frac{\partial f_{n}}{\partial t} \end{array}\right]\\ \frac{\partial g}{\partial \boldsymbol x^T}\triangleq \begin{bmatrix} \frac{\partial g}{\partial x_1} & \frac{\partial g}{\partial x_2}&\dots&\frac{\partial g}{\partial x_n} \end{bmatrix}\\ \frac{\partial \boldsymbol{f}}{\partial \boldsymbol{x}^{T}} \triangleq\left[\begin{array}{c} \frac{\partial f_{1}}{\partial \boldsymbol{x}^{T}} \\ \frac{\partial f_{2}}{\partial \boldsymbol{x}^{T}} \\ \vdots \\ \frac{\partial f_{n}}{\partial \boldsymbol{x}^{T}} \end{array}\right]=\left[\begin{array}{cccc} \frac{\partial f_{1}}{\partial x_{1}} & \frac{\partial f_{1}}{\partial x_{2}} & \ldots & \frac{\partial f_{1}}{\partial x_{n}} \\ \frac{\partial f_{2}}{\partial x_{1}} & \frac{\partial f_{2}}{\partial x_{2}} & \ldots & \frac{\partial f_{2}}{\partial x_{n}} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial f_{n}}{\partial x_{1}} & \frac{\partial f_{n}}{\partial x_{2}} & \ldots & \frac{\partial f_{n}}{\partial x_{n}} \end{array}\right] \]
-
非线性系统的状态空间表示一般可以写为:左边仍是状态变量的一阶导数,右边是关于状态变量和输入的非线性函数。
\[\left\{ \begin{aligned} \dot{\boldsymbol x}&=\boldsymbol f(\boldsymbol x, u)\\ y&=g(\boldsymbol x, u) \end{aligned} \right. \] -
平衡点
当输入\(u(t)=u_0\)时,\(\dot{\boldsymbol x}=\frac{\partial \boldsymbol x}{\partial t}=0\),此时的\(\boldsymbol x\)处于平衡态。
-
线性化
-
思想:在平衡点附近,用一阶近似代替非线性函数
-
计算
令\(\dot{\boldsymbol x}_\delta=\dot{\boldsymbol x}-\dot{\boldsymbol x}_0\),\(u_\delta=u-u_0\),则
\[\begin{bmatrix} \dot{\boldsymbol{x}}_\delta\\ y_\delta \end{bmatrix} = \begin{bmatrix} A & \boldsymbol{b}\\ \boldsymbol{c}^T & d \end{bmatrix} \begin{bmatrix} \boldsymbol{x}_\delta\\ u_\delta \end{bmatrix} \]其中
\[\begin{bmatrix} A & \boldsymbol{b}\\ \boldsymbol{c}^T & d \end{bmatrix} = \begin{bmatrix} \left.\frac{\partial \boldsymbol f}{\partial\boldsymbol{x}^{T}}\right|_{\boldsymbol x=\boldsymbol x_0\atop u=u_0} & \left.\frac{\partial \boldsymbol f}{\partial u}\right|_{\boldsymbol x=\boldsymbol x_0\atop u=u_0}\\ \left.\frac{\partial g}{\partial \boldsymbol{x}^{T}}\right|_{\boldsymbol x=\boldsymbol x_0\atop u=u_0} & \left.\frac{\partial g}{\partial u}\right|_{\boldsymbol x=\boldsymbol x_0\atop u=u_0} \end{bmatrix} \]
-
2.2 三种代数表示法的相互转换
从传递函数到微分方程和从状态空间到微分方程没有详细展开,前者只是做拉普拉斯逆变换,后者只是做方程组消元。
2.2.1 从微分方程到传递函数
回忆信号与系统。特别要注意一个前提:假设所有的初态都是0。
2.2.2 从微分方程到状态空间表示
前边已经说过啦。
2.2.3 从状态空间表示到传递函数(单入单出系统)
对SSR进行拉普拉斯变换得到
消去\(\tilde{\boldsymbol x}(s)\)得到
由系统的单位冲激响应的拉普拉斯变换即是系统的传递函数,得
2.3.4 从传递函数到状态空间表示
\(n\)阶微分方程对应的TF待定系数最多有\(2n+1\)(见下边的形式),而对应的状态空间的待定系数有\(n^2+2n+1\)个(\(\boldsymbol A\)有\(n^2\)个待定系数,\(\boldsymbol b\)和\(\boldsymbol c\)各有\(n\)个,\(d\)有1个),所以由传递函数求状态空间表示的结果肯定是不唯一。不过仍然定义了一些状态空间表示的标准型。
能控和能观标准型
假设有传递函数如下
其中\(\hat b_i=b_i-b_na_i\)。令\(\hat{\tilde y}(s)=\tilde y(s)-b_n\tilde u(s)\),则对应的状态转换矩阵如下:
状态变量 | \(A\) | \(\boldsymbol b\) | \(\boldsymbol c\) | \(d\) | |
---|---|---|---|---|---|
能控标准型 | \(x_1=\frac{\hat{\tilde y}(s)}{\hat N(s)}=\frac{\tilde u(s)}{\hat D(s)}\\x_i=\dot x_{i-1},\ i\ge2\) | \(\begin{bmatrix}0 & 1 & 0 & \cdots & 0\\0 & 0 & 1 & \cdots & 0\\\vdots & \vdots & \vdots & \ddots & \vdots \\0 & 0 & 0 & \cdots & 1\\-a_0 & -a_1 & -a_2 &\cdots & -a_{n-1}\end{bmatrix}\) | \(\begin{bmatrix}0\\0\\\vdots\\0\\1\end{bmatrix}\) | \(\begin{bmatrix}\hat b_0\\\hat b_1\\\vdots\\\hat b_{n-2}\\\hat b_{n-1}\end{bmatrix}\) | \(b_n\) |
能观标准型 | \(\dot x_1=-a_0y+b_0u\\\dot x_{i}=-a_{i-1}y+b_{i-1}u+x_{i-1},\ i\ge2\) | \(\begin{bmatrix}0 & 0 & \cdots & 0 & -a_0\\1 & 0 & \cdots & 0 & -a_1\\0 & 1 & \cdots & 0 & -a_2\\\vdots & \vdots & \ddots & \vdots & \vdots \\0 & 0 & \cdots &1 & -a_{n-1}\end{bmatrix}\) | \(\begin{bmatrix}\hat b_0\\\hat b_1\\\vdots\\\hat b_{n-2}\\\hat b_{n-1}\end{bmatrix}\) | \(\begin{bmatrix}0\\0\\\vdots\\0\\1\end{bmatrix}\) | \(b_n\) |
- \(\boldsymbol A\)的形式都是友矩阵(线代忘光了不知道这意味着啥)。
- 此处没有讲解能控和能观,要等到第8章才会展开这部分内容。
对角和约当标准型
对角标准型
如果传递函数有\(n\)个不同的极点,则可通过部分因式分解将其改写为:
其中\(c_i\)可由留数定理确定:\(c_i=\lim_\limits{s\to p_i}(s-p_i)G(s)\)。令状态变量为\(\tilde x_i(s)=\frac{\tilde u(s)}{s-p_i}\),则状态空间表示为
约当标准型
如果有重极点,传递函数仍可通过部分因式分解改写为:
其中\(c_{i,j}\)可由留数定理确定:\(c_{i,j}=\frac{1}{(j-1)!}\lim_\limits{s\to p_i}\frac{\mathrm{d}^{j-1}}{\mathrm{d}s^{j-1}}(s-p_i)^jG(s)\)。则状态空间表示为
其中
对应状态变量
2.3 系统的两种图形化表示方法
2.3.1 框图
-
框图化简
-
并联:\(\boldsymbol G=\boldsymbol G_1+\boldsymbol G_2\)
-
串联:\(\boldsymbol G=\boldsymbol G_2\boldsymbol G_1\)(\(G_2\)连在\(G_1\)之后)
-
反馈:\(\boldsymbol G_c=\frac{\boldsymbol G}{1+\boldsymbol H\boldsymbol G}\)(负反馈为+,正反馈则要改成-)
-
移动求和点:\(\tilde{\boldsymbol{y}}=\boldsymbol{G} \tilde{\boldsymbol{r}}+\tilde{\boldsymbol{d}}=\boldsymbol{G}\left(\tilde{\boldsymbol{r}}+\boldsymbol{G}^{-1} \tilde{\boldsymbol{d}}\right)\)
-
移动分支点:添加\(\boldsymbol G\)或者\(\boldsymbol G^{-1}\)
-
2.3.2 信号流图
-
信号流图的梅森公式:一种通过流程化的将信号流图转换为传递函数的方法,计算相对麻烦。
- 注意“removed”是节点也要一起去掉的。