线性定常连续系统离散化实战：从状态空间模型到能控性分析

1次阅读

共计 1489 个字符，预计需要花费 4 分钟才能阅读完成。

在控制工程中，我们经常需要处理连续时间系统，但现代控制系统多采用数字计算机实现控制算法，这就需要将连续系统离散化。离散化不仅关乎理论分析，更直接影响实际控制效果。例如，在无人机飞行控制、工业过程控制等领域，合理的离散化能确保数字控制器有效跟踪连续系统的动态特性。

连续时间线性定常系统的状态空间模型表示为：

ẋ(t) = A x(t) + B u(t)
y(t) = C x(t) + D u(t)

其中，A、B、C、D 为系统矩阵，x(t) 为状态向量，u(t) 为控制输入，y(t) 为系统输出。

能控性是指系统在有限时间内，通过合适的控制输入 u(t)，能否将系统从任意初始状态转移到任意目标状态。对于连续系统，能控性矩阵为：

Q_c = [B AB A²B ... A^(n-1)B]

若 rank(Q_c)=n（n 为状态维度），则系统完全能控。

给定采样周期 T，离散化后的状态空间模型为：

x[k+1] = A_d x[k] + B_d u[k]
y[k] = C_d x[k] + D_d u[k]

其中：

A_d = e^(A T)
B_d = (∫_0^T e^(A τ) dτ) B
C_d = C
D_d = D

奈奎斯特采样定理 ：T ≤ π/ω_max，其中 ω_max 为系统带宽
经验法则 ：T ≈ (1/10 ~ 1/20) * 系统最小时间常数
控制性能考量 ：更小的 T 通常意味着更好的控制效果，但会增加计算负担

% 给定连续系统矩阵
A = [0 1; -2 -3];
B = [0; 1];
C = [1 0];
D = 0;

% 采样周期选择
T = 0.1; % 示例值

% 计算离散化矩阵
A_d = expm(A*T);
B_d = integral(@(tau) expm(A*tau), 0, T, 'ArrayValued', true) * B;
C_d = C;
D_d = D;

离散系统的能控性矩阵为：

Q_cd = [B_d A_d B_d A_d² B_d ... A_d^(n-1) B_d]

若 rank(Q_cd)=n，则离散系统完全能控。

理论联系 ：若连续系统能控且采样周期 T 选择适当，离散系统通常也能控
特殊现象 ：在某些 T 值下，原本能控的连续系统离散后可能失去能控性

采样周期过大 ：导致混叠效应，系统动态特性失真
数值计算误差 ：特别是计算矩阵指数时精度不足
忽略能控性验证 ：离散后未检查能控性，可能导致控制失效

初始选择：T = 1/10 ~ 1/20 * 系统最小时间常数
逐步调整：通过仿真验证控制效果
特殊注意：对于欠阻尼系统，需要更小的 T 捕捉振荡特性

% 连续系统响应
t_cont = 0:0.01:5;
sys_cont = ss(A,B,C,D);
[y_cont,t_cont] = step(sys_cont, t_cont);

% 离散系统响应
sys_disc = ss(A_d, B_d, C_d, D_d, T);
t_disc = 0:T:5;
[y_disc,t_disc] = step(sys_disc, t_disc);

% 绘制对比图
plot(t_cont, y_cont, 'b', t_disc, y_disc, 'ro');
legend('连续系统', '离散系统');

建议读者尝试：
1. 固定系统参数，改变 T 值观察能控性变化
2. 寻找使得系统失去能控性的临界 T 值
3. 分析能控性丢失时的系统动态特性