自动控制 / 系统课时

用矩阵特征值判断系统动态行为

用矩阵特征值判断系统动态行为

给定状态矩阵,怎样判断系统会衰减、振荡还是发散?这篇用一个二阶模型计算特征值,并用零输入自由响应核对判断,最后说明为什么传递函数有时会漏掉内部的不稳定状态。

学习目标

  • 计算二阶状态矩阵的特征值,读出模态的衰减率与振荡频率。
  • 使用矩阵指数计算自由响应,并核对给定初始状态下的数值。
  • 判断最小实现条件,区分状态特征值与传递函数极点。

从状态矩阵读出模态

考虑连续时间线性定常系统 x˙=Ax+Bu\dot{x}=Ax+Bu,其中 xx 是状态向量,uu 是输入,AA、BB 为常矩阵。令 u(t)=0u(t)=0,给定非零初始状态,得到由初始状态产生的自由响应:

x(t)=eAtx(0)x(t)=e^{At}x(0)

特征值由 det⁡(λI−A)=0\det(\lambda I-A)=0 求得,II 为单位矩阵。当 AA 可对角化时,自由响应可分解为若干带有 eλte^{\lambda t} 的模态。特征向量决定这些成分如何组合成各个状态;初始状态决定哪些模态被激发。

对于共轭特征值 λ=σ±jω\lambda=\sigma\pm j\omega,j2=−1j^2=-1,对应的实数响应含有 eσtcos⁡(ωt)e^{\sigma t}\cos(\omega t) 和 eσtsin⁡(ωt)e^{\sigma t}\sin(\omega t)。实部 σ\sigma 控制指数包络,虚部的绝对值给出振荡角频率。

特征值示例 模态时间规律 可以直接读出的量
−2-2 e−2te^{-2t} 衰减 衰减时间常数 0.50.5 秒
−1±j3-1\pm j\sqrt{3} 带 e−te^{-t} 包络的振荡 时间常数 11 秒,周期约 3.6283.628 秒
+0.2+0.2 e0.2te^{0.2t} 增长 每过 55 秒,模态幅值乘以 ee

全部特征值的实部严格小于零,当且仅当该系统的原点渐近稳定,也就是任意初始状态的自由响应都趋于零;此结论不要求 AA 可对角化。只要存在正实部特征值,系统就不稳定。实部等于零的情况需要额外检查。genui{"citation":{"ref":"turn7view0"}}

把二阶特征值与自由响应对照

取二阶模型 y¨+2y˙+4y=u\ddot{y}+2\dot{y}+4y=u,令 x1=yx_1=y、x2=y˙x_2=\dot{y},时间单位为秒。它的状态矩阵及特征多项式是:

A=[01−4−2]A=\begin{bmatrix}0&1\\-4&-2\end{bmatrix}
det⁡(λI−A)=λ(λ+2)+4=λ2+2λ+4\det(\lambda I-A)=\lambda(\lambda+2)+4=\lambda^2+2\lambda+4

解得 λ1,2=−1±j3\lambda_{1,2}=-1\pm j\sqrt{3}。因此系统渐近稳定,但自由响应包含衰减振荡;指数衰减时间常数为 11 秒,振荡角频率为 3≈1.732\sqrt{3}\approx1.732 rad/s,周期为 2π/3≈3.6282\pi/\sqrt{3}\approx3.628 秒。

令 x(0)=(1,0)Tx(0)=(1,0)^{\mathsf T},表示初始输出为 11、初始变化率为 00。在 u=0u=0 时,第一状态的解析解为:

x1(t)=e−t[cos⁡(3t)+sin⁡(3t)3]x_1(t)=e^{-t}\left[\cos(\sqrt{3}t)+\frac{\sin(\sqrt{3}t)}{\sqrt{3}}\right]

共轭特征值的位置与二阶系统自由响应的衰减振荡

该初始条件下,x1x_1 的上下包络是 ±(2/3)e−t\pm(2/\sqrt{3})e^{-t},不是 ±e−t\pm e^{-t}。特征值确定模态的衰减率与频率;完整波形的幅值和相位还取决于初始状态及模态在各状态上的组合。

用矩阵指数核对数值

在已安装 NumPy、SciPy 的 Python 环境中,将下列代码保存为 modes.py,执行 python modes.py。示例已在 NumPy 2.3.5、SciPy 1.17.0 下核对;这里的 B=(0,1)TB=(0,1)^{\mathsf T}、C=(1,0)C=(1,0),输出为 y=x1y=x_1。

scipy.linalg.eigvals 计算特征值,scipy.linalg.expm 计算矩阵指数。不要用逐元素计算指数的 np.exp(A * t) 替代 expm(A * t)。genui{"citation":{"refs":["turn5view2","turn5view3"]}}

python
import numpy as np
from scipy.linalg import eigvals, expm

def main():
    A = np.array([[0., 1.], [-4., -2.]])
    B = np.array([[0.], [1.]])
    C = np.array([[1., 0.]])
    x0 = np.array([1., 0.])
    # 特征值没有固定返回顺序,按虚部排序便于核对。
    for lam in sorted(eigvals(A), key=lambda z: z.imag):
        print(f'lambda = {lam.real:.3f}{lam.imag:+.3f}j')
    # 零输入响应直接用矩阵指数,不引入积分步长误差。
    for t in (0., 1., 2., 4.):
        x = expm(A * t) @ x0
        print(f't={t:.0f}  x1={x[0]:+.4f}  x2={x[1]:+.4f}')
    # 二阶系统的可控、可观矩阵用于检查最小实现。
    R = np.hstack((B, A @ B))
    O = np.vstack((C, C @ A))
    print(f'rank R = {np.linalg.matrix_rank(R)}')
    print(f'rank O = {np.linalg.matrix_rank(O)}')

if __name__ == '__main__':
    main()

预期输出:

text
lambda = -1.000-1.732j
lambda = -1.000+1.732j
t=0  x1=+1.0000  x2=+0.0000
t=1  x1=+0.1506  x2=-0.8386
t=2  x1=-0.1531  x2=+0.0991
t=4  x1=+0.0210  x2=-0.0254
rank R = 2
rank O = 2

t=2t=2 时 x1x_1 为负,t=4t=4 时又变为正,这是振荡穿过零点,不表示系统失稳。渐近稳定也不要求每个状态单调下降。只模拟这一个初始状态能够核对计算,不能代替针对所有初始状态的稳定性判据。

在最小实现下对应传递函数极点

对输出方程 y=Cx+Duy=Cx+Du,传递函数描述零初始状态下的输入输出关系:

G(s)=C(sI−A)−1B+DG(s)=C(sI-A)^{-1}B+D

最小实现是用最少状态数表示同一传递函数的状态空间模型。有限维线性定常实现为最小实现,当且仅当它可控且可观。对单输入单输出最小实现,约分后的传递函数极点与 AA 的特征值一致,包括重数。genui{"citation":{"refs":["turn5view1","turn7view1"]}}

本例为二阶系统。可控矩阵检查输入能否影响全部状态方向,可观矩阵检查能否从输出历史区分全部初始状态:

R=[B AB]=[011−2]\mathcal{R}=[B\ AB]=\begin{bmatrix}0&1\\1&-2\end{bmatrix}
O=[CCA]=[1001]\mathcal{O}=\begin{bmatrix}C\\CA\end{bmatrix}=\begin{bmatrix}1&0\\0&1\end{bmatrix}

代码中两个秩都等于状态数 22,因此该实现可控且可观。取 D=0D=0,可以直接求得:

G(s)=1s2+2s+4G(s)=\frac{1}{s^2+2s+4}

分母无可约去的因子,两个极点就是 −1±j3-1\pm j\sqrt{3}。这不是“任何状态矩阵的特征值都能从传递函数读到”;可控性、可观性必须先核对。

检查虚轴与隐藏状态

若全部特征值实部不大于零,但有特征值位于虚轴,还要检查虚轴特征值的 Jordan 块是否全为一阶,即是否有足够多的独立特征向量。满足时自由响应有界,但不保证趋于零;不满足时可能出现随时间增长的多项式项。genui{"citation":{"ref":"turn7view0"}}

例如 x˙1=x2\dot{x}_1=x_2、x˙2=0\dot{x}_2=0 的两个特征值都是 00。取 x(0)=(0,1)Tx(0)=(0,1)^{\mathsf T},得到 x(t)=(t,1)Tx(t)=(t,1)^{\mathsf T},第一状态持续增长。因此“实部没有正数”不足以判定稳定,也不能把“虚轴上有重根”一律等同于不稳定。

另一个容易漏检的情况是非最小实现。考虑下面两状态模型:

x˙1=−x1+u,x˙2=x2,y=x1\dot{x}_1=-x_1+u,\qquad \dot{x}_2=x_2,\qquad y=x_1

它的状态特征值为 −1-1 和 +1+1,但传递函数只有 G(s)=1/(s+1)G(s)=1/(s+1)。第二状态既不受输入激发,也不影响输出,是不可控且不可观的隐藏模态;从输入输出关系看,只需保留第一状态。

若 u=0u=0、x(0)=(0,1)Tx(0)=(0,1)^{\mathsf T},则始终有 y=0y=0,同时 x2(t)=etx_2(t)=e^t 发散。因此,传递函数稳定不自动保证内部状态稳定。检查模型时,应同时核对完整状态矩阵的特征值、可控性和可观性,不能只凭输出曲线判稳。

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

用矩阵特征值判断系统动态行为

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