自动控制 / 系统课时

理解采样保持与离散模型

理解采样保持与离散模型

数字控制器只能在离散时刻读取测量值并更新控制量,而真实对象通常连续演化。本篇把采样器、数字控制器和零阶保持器放进同一条回路,说明采样周期怎样进入模型,并用精确零阶保持离散化得到可用于数字控制设计的状态空间模型。

学习目标

  • 区分采样器与零阶保持器在数字控制回路中的作用
  • 写出连续状态空间模型在零阶保持条件下的离散形式
  • 使用 Python 完成连续对象离散化并验证离散模型的状态更新

数字控制回路里发生了什么

连续对象的状态可以在任意时刻变化,但数字控制器只在 t=kTst=kT_s 时刻执行计算,其中 TsT_s 是采样周期。采样器读取这一时刻的测量值,控制器计算新的控制量,零阶保持器则在下一个采样时刻到来前持续输出这个值。

采样器数字控制器与零阶保持器的数据和时间关系

采样器与保持器完成的是两个不同方向的接口转换:采样器把连续时间信号变成离散时间序列,零阶保持器把离散控制序列恢复为连续时间的分段常值信号。数字控制对象因此不是单纯的“连续模型换一个变量”,而是要把采样周期和保持方式明确包含进模型。

从连续状态方程得到离散模型

连续对象写成

x˙(t)=Ax(t)+Bu(t)\dot{x}(t)=Ax(t)+Bu(t)

在零阶保持条件下,一个采样间隔内控制量保持常数:

u(t)=u[k],kTs≤t<(k+1)Tsu(t)=u[k],\quad kT_s\le t<(k+1)T_s

把连续状态方程在一个采样周期上精确积分,可得到

x[k+1]=Adx[k]+Bdu[k]x[k+1]=A_dx[k]+B_du[k]

其中

Ad=eATsA_d=e^{AT_s}

以及

Bd=∫0TseAτB dτB_d=\int_0^{T_s}e^{A\tau}B\,d\tau

若输出方程为 y=Cx+Duy=Cx+Du,在常见的采样输出模型中通常写成

y[k]=Cdx[k]+Ddu[k]y[k]=C_dx[k]+D_du[k]

采用标准零阶保持离散化时,通常有 Cd=CC_d=C、Dd=DD_d=D。这里的关键点是:AdA_d 与 BdB_d 都依赖 TsT_s,改变采样周期就改变离散模型。

用零阶保持完成离散化

考虑连续对象

x˙=[01−2−3]x+[01]u\dot{x}=\begin{bmatrix}0&1\\-2&-3\end{bmatrix}x+\begin{bmatrix}0\\1\end{bmatrix}u

取采样周期 Ts=0.1 sT_s=0.1\text{ s}。SciPy 的 cont2discrete 可以直接按零阶保持假设计算精确离散模型。

python
import numpy as np
from scipy.signal import cont2discrete

A = np.array([[0.0, 1.0],
              [-2.0, -3.0]])
B = np.array([[0.0],
              [1.0]])
C = np.array([[1.0, 0.0]])
D = np.array([[0.0]])
Ts = 0.1

Ad, Bd, Cd, Dd, dt = cont2discrete((A, B, C, D), Ts, method="zoh")

print("Ad =")
print(np.round(Ad, 6))
print("Bd =")
print(np.round(Bd, 6))
print("sample time =", dt)

预期输出

text
Ad =
[[ 0.990944  0.086107]
 [-0.172213  0.732624]]
Bd =
[[0.004528]
 [0.086107]]
sample time = 0.1

这些矩阵描述的是从第 kk 个采样时刻到第 k+1k+1 个采样时刻的精确状态变化,而不是用 x˙≈(x[k+1]−x[k])/Ts\dot{x}\approx(x[k+1]-x[k])/T_s 得到的一阶近似。因此只要连续模型和 ZOH 假设成立,就可以直接用于离散状态反馈、观测器或数字仿真。

验证一步离散状态更新

得到 AdA_d、BdB_d 后,数字仿真的基本操作就是重复执行 x[k+1]=Adx[k]+Bdu[k]x[k+1]=A_dx[k]+B_du[k]。下面从零状态开始施加恒定单位输入,计算前五个采样时刻的输出。

python
import numpy as np
from scipy.signal import cont2discrete

A = np.array([[0.0, 1.0],
              [-2.0, -3.0]])
B = np.array([[0.0],
              [1.0]])
C = np.array([[1.0, 0.0]])
D = np.array([[0.0]])
Ts = 0.1

Ad, Bd, Cd, Dd, _ = cont2discrete((A, B, C, D), Ts, method="zoh")
x = np.zeros((2, 1))
u = np.array([[1.0]])

for k in range(5):
    x = Ad @ x + Bd @ u
    y = Cd @ x + Dd @ u
    print(f"k={k + 1}, y={y.item():.6f}")

预期输出

text
k=1, y=0.004528
k=2, y=0.016429
k=3, y=0.033588
k=4, y=0.054344
k=5, y=0.077409

这里每执行一次循环,就代表真实时间向前推进一个 Ts=0.1 sT_s=0.1\text{ s}。如果把同一个 AdA_d、BdB_d 用在其他采样周期上,就等于改变了模型对应的物理时间尺度,因此离散控制设计必须始终记录并使用正确的采样周期。

采样周期如何影响模型与控制

连续系统极点 sis_i 在精确采样后映射为离散极点

zi=esiTsz_i=e^{s_iT_s}

稳定连续极点满足 Re⁡(si)<0\operatorname{Re}(s_i)<0,映射后位于单位圆内部,即 ∣zi∣<1|z_i|<1。随着 TsT_s 改变,离散极点的位置也会改变,因此不能只复制连续控制器参数而忽略采样周期。

连续极点映射到离散单位圆的关系

采样越慢,控制器获得对象信息和更新控制量的间隔越长,快速动态可能在两个采样点之间发生却无法被及时处理。采样过快则会增加计算频率,并更容易把测量噪声带入数字控制链路。工程上应根据对象带宽、闭环速度、传感器与执行器能力以及处理器计算时间共同选择 TsT_s。

真正进入数字控制设计时,应把“连续对象、采样周期、保持方式”视为一个整体。只有在明确 TsT_s 并完成相应离散化之后,得到的 AdA_d、BdB_d 和离散极点才具有确定的物理意义,也才能作为后续离散状态反馈或数字控制器设计的可靠模型。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

理解采样保持与离散模型

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通