自动控制 / 系统课时

一阶系统时间常数如何决定响应速度

一阶系统时间常数如何决定响应速度

给定一阶系统的传递函数,可以计算阶跃输入后每个时刻的输出,并通过响应曲线反推出系统的快慢。本篇以典型一阶对象为例,推导指数响应公式,识别输出达到最终变化量约 63.2% 的时刻,再用具体数值和 Python 验证时间常数的作用。

学习目标

  • 从一阶传递函数推导单位阶跃响应,并解释稳态增益与时间常数的含义。
  • 利用 63.2% 响应点识别时间常数,估算 95% 响应时间和调节时间。
  • 从采样数据估计时间常数,判断哪些响应不能直接套用一阶模型。

从传递函数推导阶跃响应

考虑一个稳定、无纯滞后的线性一阶系统,其传递函数为:

G(s)=Y(s)U(s)=Kτs+1G(s)=\frac{Y(s)}{U(s)}=\frac{K}{\tau s+1}

其中,KK 是稳态增益,τ>0\tau>0 是时间常数,单位与时间一致。例如 τ=0.8 s\tau=0.8\ \mathrm{s},表示系统具有 0.8 秒的特征响应时间。

假设初始状态为零,在 t=0t=0 施加幅值为 1 的单位阶跃输入,其拉普拉斯变换为 U(s)=1/sU(s)=1/s。输出满足:

Y(s)=G(s)U(s)=Ks(τs+1)Y(s)=G(s)U(s)=\frac{K}{s(\tau s+1)}

进行部分分式展开:

Y(s)=Ks−Kττs+1Y(s)=\frac{K}{s}-\frac{K\tau}{\tau s+1}

逆拉普拉斯变换得到 t≥0t\geq 0 时的阶跃响应:

y(t)=K(1−e−t/τ)y(t)=K(1-e^{-t/\tau})

因为 e−t/τe^{-t/\tau} 随时间逐渐趋于零,所以输出从初值单调接近最终值 KK,不会产生超调。时间常数越小,指数项衰减越快,输出越早接近稳态。

如果阶跃幅度为 Δu\Delta u,且施加阶跃前系统已经处于稳态 y0y_0,则更一般的表达式为:

y(t)=y0+KΔu(1−e−t/τ)y(t)=y_0+K\Delta u(1-e^{-t/\tau})

此时最终变化量为 Δy∞=KΔu\Delta y_\infty=K\Delta u,最终输出为 y∞=y0+KΔuy_\infty=y_0+K\Delta u。后续计算百分比时,必须使用最终变化量,而不是直接使用最终输出的绝对值。

为什么 63.2% 对应一个时间常数

将 t=τt=\tau 代入阶跃响应公式,可以得到已完成的输出变化比例:

y(τ)−y0y∞−y0=1−e−1≈0.6321\frac{y(\tau)-y_0}{y_\infty-y_0}=1-e^{-1}\approx0.6321

这意味着,对于理想一阶系统,从阶跃发生到输出完成最终变化量约 63.2% 所经历的时间,恰好等于时间常数 τ\tau。

例如,取 K=2K=2、τ=0.8 s\tau=0.8\ \mathrm{s}、单位阶跃输入和零初值,输出为 y(t)=2(1−e−t/0.8)y(t)=2(1-e^{-t/0.8})。在不同时间点的结果如下:

时间 时间常数倍数 输出 y(t)y(t) 已完成变化量
0.8 s 1τ1\tau 1.2642 63.2%
1.6 s 2τ2\tau 1.7293 86.5%
2.4 s 3τ3\tau 1.9004 95.0%
3.2 s 4τ4\tau 1.9634 98.2%

因此,在没有纯滞后的单调一阶响应中,达到最终变化量 95% 的时间约为 3τ3\tau;进入并保持在最终值的 ±2% 误差带内,所需时间约为 3.91τ3.91\tau,工程上常近似取 4τ4\tau。

相同稳态增益下不同时间常数的一阶系统阶跃响应对比

从图中可以看到,三条曲线虽然最终都接近 2,但到达 63.2% 水平线的时间分别为 0.4、0.8 和 1.6 秒。时间常数减半,达到相同变化比例所需的时间也减半。

从实测数据识别时间常数

真实对象通常没有直接标注 τ\tau,可以通过阶跃实验估计。前提是输出表现为基本单调、无明显纯滞后的指数响应,并且输入阶跃没有触发执行器饱和。

  1. 在输入变化前记录稳态输出 y0y_0,同时记录阶跃发生时刻 t0t_0。
  2. 保持阶跃输入不变,等待输出接近新稳态,记录 y∞y_\infty。
  3. 计算目标输出 y63=y0+0.6321(y∞−y0)y_{63}=y_0+0.6321(y_\infty-y_0)。
  4. 在响应数据中寻找输出第一次达到 y63y_{63} 的时刻 t63t_{63},计算 τ≈t63−t0\tau\approx t_{63}-t_0。
  5. 如果目标值落在两个采样点之间,可以使用线性插值估计交点时间;采样间隔越大,插值误差可能越明显。

例如,一个加热对象从 22°C 上升到 30°C,最终变化量为 8°C。目标温度为 22+0.6321×8≈27.0622+0.6321\times8\approx27.06°C。如果从加热功率阶跃开始计时,45 秒后首次达到该温度,则估计时间常数约为 45 秒。

对于理想一阶模型,还可以使用任意一个处于初值和终值之间的观测点反算时间常数:

τ=−tln⁡(1−y(t)−y0y∞−y0)\tau=-\frac{t}{\ln\left(1-\frac{y(t)-y_0}{y_\infty-y_0}\right)}

这里的 tt 必须从阶跃发生时刻起算,且观测点不能恰好等于初值或终值。下面使用 Python 3 标准库模拟前面的 K=2K=2、τ=0.8\tau=0.8 秒系统,并用一个观测点反推参数。将代码保存为 first_order.py,运行 python first_order.py。

python
import math

K, tau = 2.0, 0.8

def y(t):
    # 零初值,t=0 时施加单位阶跃
    return K * (1 - math.exp(-t / tau))

for t in (0.4, 0.8, 2.4, 3.2):
    print(f"t={t:.1f}s y={y(t):.4f}")

# 假设已知初值0和终值K,由单个观测点反推时间常数
t_obs, y_obs = 0.4, y(0.4)
tau_est = -t_obs / math.log(1 - y_obs / K)
print(f"estimated tau={tau_est:.3f}s")

预期输出:

text
t=0.4s y=0.7869
t=0.8s y=1.2642
t=2.4s y=1.9004
t=3.2s y=1.9634
estimated tau=0.800s

结果表明,利用 t=0.4t=0.4 秒时的输出 0.7869,即可在理想模型下反推出约 0.8 秒的时间常数。实际测量存在噪声时,单点计算容易波动,建议采集多个响应点,并优先对最终变化量约 20%~80% 的数据进行指数曲线拟合。

区分稳态增益、响应速度与模型偏差

比较控制系统速度时,应在相同输入阶跃和相同评价标准下进行。例如两个对象的稳态增益都为 K=2K=2,但时间常数分别为 0.4 秒和 1.6 秒,其达到最终变化量 95% 所需时间约为 1.2 秒和 4.8 秒,后者慢了四倍。

如果仅将稳态增益从 K=2K=2 改为 K=4K=4,而保持 τ=0.8\tau=0.8 秒,则单位阶跃的最终输出从 2 变成 4,但达到各自最终变化量 63.2% 的时间仍为 0.8 秒。不能因为输出数值更大,就判断系统响应更快。

对下降阶跃也要使用变化量比例。例如输出从 10 降到 4,63.2% 的目标输出是 10+0.6321(4−10)≈6.2110+0.6321(4-10)\approx6.21,并不是 4 的 63.2%。判断快慢时应同时记录初值、终值、阶跃发生时刻和响应形状,再决定能否使用一阶时间常数描述。

在符合一阶模型的条件下,τ\tau 可以直接作为响应速度指标:约 1τ1\tau 完成 63.2% 的变化,3τ3\tau 完成 95%,4τ4\tau 完成 98.2%。这些数值既可以用来检查仿真曲线,也可以作为实测系统参数辨识的初步依据。

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

一阶系统时间常数如何决定响应速度

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