自动控制 / 系统课时

用零阶保持把连续系统离散化

用零阶保持把连续系统离散化

数字控制器每隔一段时间更新控制量,被控对象却仍在连续运动。本篇把输入在两次更新之间保持不变的条件写进模型,用矩阵指数和 SciPy 求出离散状态方程,并验证它与连续对象在采样时刻的输出是否一致。

学习目标

  • 明确 Ts=0.1T_s=0.1 秒时,输入 uku_k 对应的保持区间。
  • 使用矩阵指数与 cont2discrete 计算离散状态空间矩阵。
  • 以 10−1210^{-12} 的绝对误差阈值核对采样输出,并识别插值和时序错误。

先确定两次更新之间的输入

零阶保持(ZOH)把当前控制量保持到下一次更新。设采样周期为 TsT_s,在 t=kTst=kT_s 时立即应用新输入 uku_k,则:

u(t)=uk,kTs≤t<(k+1)Ts.u(t)=u_k,\qquad kT_s\le t<(k+1)T_s.

例如 Ts=0.1T_s=0.1 秒,对应每秒更新 10 次。令 u0u_0 到 u9u_9 为 1,从 u10u_{10} 起为 0,实际输入便在前 1 秒恒为 1,随后恒为 0。这里假定更新即时生效,没有额外计算延迟。

本篇使用归一化对象 y¨+3y˙+2y=u\ddot y+3\dot y+2y=u,初始位移和速度都为 0。保持的是对象输入;即使输入不变,位移 y(t)y(t) 仍随时间变化。离散模型只报告指定采样时刻的状态和输出。

零阶保持输入与连续、离散模型在采样时刻的输出对照

把一个采样周期内的运动写成递推

对线性时不变模型 x˙=Ax+Bu\dot x=Ax+Bu、y=Cx+Duy=Cx+Du,定义 xk=x(kTs)x_k=x(kT_s)。在一个保持区间内积分状态方程,可以得到:

xk+1=Adxk+Bduk,yk=Cdxk+Dduk,x_{k+1}=A_dx_k+B_du_k,\qquad y_k=C_dx_k+D_du_k,
Ad=eATs,Bd=∫0TseAτB dτ,Cd=C,Dd=D.A_d=e^{AT_s},\qquad B_d=\int_0^{T_s}e^{A\tau}B\,d\tau,\qquad C_d=C,\quad D_d=D.

AdA_d 描述无输入时状态经过一个周期如何变化,BdB_d 累计整个周期内输入造成的状态变化。只要初态、保持输入和采样时刻相同,这个模型在采样点理论上精确等价,实际计算仍有浮点误差。

可通过一次增广矩阵指数同时求出两者,避免对 AA 求逆:

exp⁡ ⁣(Ts[AB00])=[AdBd0Im].\exp\!\left(T_s\begin{bmatrix}A&B\\0&0\end{bmatrix}\right)=\begin{bmatrix}A_d&B_d\\0&I_m\end{bmatrix}.

其中 mm 是输入数,ImI_m 是单位矩阵。本例取 x=[y,y˙]Tx=[y,\dot y]^{\mathsf T},有两个状态、一个输入,因此计算一个 3×33\times3 矩阵的指数即可。scipy.linalg.expm 计算的是矩阵指数。genui{"citation":{"ref":"turn3search1"}}

计算离散矩阵并验证采样响应

示例已在 Python 3.12、NumPy 2.3.5、SciPy 1.17.0 下验证。运行前需安装 NumPy 与 SciPy;将完整代码保存为 zoh_demo.py 后用 Python 运行即可。下面保留完整精度参与计算,只把显示结果四舍五入到六位小数。

cont2discrete 接收 (A, B, C, D) 和采样周期;指定 method='zoh',状态空间输入会返回 (Ad, Bd, Cd, Dd, dt)。代码同时用增广矩阵指数复核前两个矩阵。genui{"citation":{"ref":"turn3view0"}}

连续模型使用 lsim 验证。时间数组必须非负、递增且等间隔;这里显式指定 interp=False,使输入在相邻时刻之间保持常值。它的默认设置是线性插值,不能直接用于本例的对照。genui{"citation":{"ref":"turn3view1"}}

python
import numpy as np
from scipy.linalg import expm
from scipy.signal import cont2discrete, lsim

A = np.array([[0., 1.], [-2., -3.]])
B = np.array([[0.], [1.]])
C = np.array([[1., 0.]])
D = np.zeros((1, 1))
Ts = 0.1
Ad, Bd, Cd, Dd, _ = cont2discrete((A, B, C, D), Ts, method='zoh')

# 两个状态、一个输入,构造无需 A 可逆的增广矩阵。
M = np.block([[A, B], [np.zeros((1, 3))]])
E = expm(M * Ts)
assert np.allclose(Ad, E[:2, :2], atol=1e-12, rtol=0)
assert np.allclose(Bd, E[:2, 2:], atol=1e-12, rtol=0)

k = np.arange(31)
t = k * Ts
u = (k < 10).astype(float)
x0 = np.zeros(2)
# 连续对象也采用相同的分段常值输入。
_, yc, _ = lsim((A, B, C, D), U=u, T=t, X0=x0, interp=False)
x = x0.copy()
yd = np.empty(t.size)
for i in range(t.size):
    # 先读取 y[k],再用 u[k] 推进到 x[k+1]。
    yd[i] = (Cd @ x + Dd[:, 0] * u[i]).item()
    x = Ad @ x + Bd[:, 0] * u[i]

np.set_printoptions(precision=6, suppress=True)
print('Ad =', Ad)
print('Bd =', Bd)
print('t      y_cont    y_disc')
for i in [0, 1, 10, 20, 30]:
    print(f'{t[i]:.1f}    {yc[i]:.6f}  {yd[i]:.6f}')
print('sample_match =', bool(np.allclose(yc, yd, atol=1e-12, rtol=0)))

预期输出:

text
Ad = [[ 0.990944  0.086107]
 [-0.172213  0.732624]]
Bd = [[0.004528]
 [0.086107]]
t      y_cont    y_disc
0.0    0.000000  0.000000
0.1    0.004528  0.004528
1.0    0.199788  0.199788
2.0    0.174034  0.174034
3.0    0.077630  0.077630
sample_match = True

两条断言核对矩阵,最后的 True 表示全部 31 个采样点的输出误差均未超过 10−1210^{-12}。这个阈值适用于本例的双精度、小规模模型;不应要求浮点数逐位相等,也不要把显示时截短的矩阵抄回计算。

还可以手算第一步:零初态且 u0=1u_0=1,所以 x1=Bdx_1=B_d,位移 y1≈0.004528y_1\approx0.004528。在前 1 秒内,连续响应为 y(t)=12(1−e−t)2y(t)=\tfrac12(1-e^{-t})^2,代入 t=0.1t=0.1 得到相同结果。

区分精确离散化与实现误差

前向欧拉采用 Ad≈I+ATsA_d\approx I+AT_s、Bd≈BTsB_d\approx BT_s。本例欧拉法的 BdB_d 第一项为 0,而 ZOH 结果为 0.004528:输入在第一个周期内已经改变位移,欧拉近似没有保留这部分变化。因此,较小的步长不等于使用了精确 ZOH 方法。

出现不一致时,优先检查以下三处:

  1. 输入插值:若误用 interp=True,输入会在 0.9~1.0 秒提前线性下降;正确设置应让它保持到 1.0 秒再跳变。
  2. 输出时序:循环必须先计算 yky_k,再更新到 xk+1x_{k+1};交换顺序会让结果错开一拍。本例 D=0D=0;若 D≠0D\ne0,公式中的 yky_k 对应新输入已应用后的输出,须与实际采样顺序一致。
  3. 矩阵运算:不要用 np.exp 代替 expm,也不要无条件使用 Bd=A−1(Ad−I)BB_d=A^{-1}(A_d-I)B。单积分器 A=0A=0、B=1B=1 无法求逆,但直接积分仍得到 Ad=1A_d=1、Bd=0.1B_d=0.1。

精确离散化保证的是给定保持条件下的采样模型。若执行器晚一拍才更新,应按一个 TsT_s 的输入延迟建模;采样间的输出峰值与闭环稳定性也要另行检查,不能仅凭采样点吻合判定实现正确。

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

用零阶保持把连续系统离散化

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