很多拉普拉斯变换并不适合从定义积分重新计算。遇到指数乘法、时间延迟、导数或积分时,直接套用对应性质通常更快。本节重点建立时域操作与 s 域变化之间的对应关系,并特别处理初值项和阶跃延迟。
设
若时域函数乘上指数 ,则
这通常称为 s 域移位性质。它的本质可以直接从定义看出:
与原来的 相比,只是把其中的 替换成了 。
例如已知
则
如果希望信号在 之后才开始出现,需要用单位阶跃函数 表示延迟。对
有第二移位性质
也就是说,时域向右延迟 ,在 s 域中会多出一个 因子。
例如一个延迟 2 秒才开始的线性信号
因为 ,所以直接得到
这里必须同时出现函数内部的 与外部的 。仅写 而没有阶跃函数,并不表示信号在 之前为零。
拉普拉斯变换在动态系统中最有价值的性质之一,是能够把时域微分转换成 s 域中的乘法,同时自动带入初值。
若 ,则一阶导数满足
二阶导数满足
更一般地, 阶导数会产生 ,并依次减去由初始值构成的项。初值不是附加修正,而是微分性质本身的一部分。
例如已知 、,则
注意最后一项为 。这类符号错误会直接导致后面求出的系统响应错误。
若定义
则 且 。由微分性质可得
因此
这意味着时域的一次累积积分,在 s 域中等价于除以 。例如 时,,所以
而左侧积分就是 ,与基本变换 完全一致。
实际题目往往同时包含多种操作。例如
先定义
由指数乘法性质,
原信号正好是 ,再使用时间延迟性质:
处理组合变换时,最稳妥的顺序是先把时域表达式整理成标准形式,再逐层应用性质,而不是看到指数、阶跃和三角函数后同时凭记忆替换。
当这些性质用于微分方程时,微分项会变成含 的多项式,初值会变成已知代数项,延迟输入则保留为 因子。于是原本需要在时域求解的动态问题,可以转化为对 的代数求解,再通过逆拉普拉斯变换恢复系统响应。