现代控制理论基础丨状态空间分析法和状态结构图

举报
AXYZdong 发表于 2022/01/23 11:02:56 2022/01/23
【摘要】 现代控制理论基础,线性系统的状态空间描述。描述系统内部特性和端部特性的状态空间表达式以及只描述系统端部特性的传递函数(矩阵)。

Author:AXYZdong 自动化专业 工科男
有一点思考,有一点想法,有一点理性!
定个小小目标,努力成为习惯!在最美的年华遇见更好的自己!


1.1 状态空间分析法

  • 状态变量

一组变量 { 1 、足以完全确定系统运动状态 2 、个数又是最小 一组变量 \to \begin{cases} 1、足以完全确定系统运动状态 \\ 2、个数又是最小 \end{cases}

性质: { 1 x t = t 0 2 t t 0 时刻的输入 I t 完全确定在任何 t t 0 时刻的状态 x t 性质: \begin{cases} 1、x_{t=t_0} \\ 2、t \geq t_0 时刻的输入I_t \end{cases} \to完全确定在任何t \geq t_0 时刻的状态 x_t

类似于函数: x t = f ( x t 0 , I t ) x_t=f(x_{t_0},I_t)

  • 状态矢量
    如果 n n 个状态变量用 x 1 ( t ) , x 2 ( t ) , . . . , x n ( t ) x_1(t),x_2(t),...,x_n(t) 表示,并把这些状态变量看作是矢量 x ( t ) x(t) 的分量,则称 x ( t ) x(t) 为状态矢量,记作:

x ( t ) = ( x 1 ( t ) x 2 ( t ) x n ( t ) ) x(t)=\begin{pmatrix} x_1(t) \\ x_2(t)\\ \vdots \\ x_n(t) \\ \end{pmatrix}

  • 状态空间
    以状态变量用 x 1 ( t ) , x 2 ( t ) , . . . , x n ( t ) x_1(t),x_2(t),...,x_n(t) 为坐标轴所构成的 n n 维空间,称为状态空间。
  • 状态方程
    由系统的状态变量构成的一阶微分方程组称为系统的状态空间。

例:以 R L C R-L-C 电路说明如何用状态变量描述系统

在这里插入图片描述

▲ 图1

有一阶微分方程组: { C d u c d t = i L d i d t + R i + u c = u       { u ˊ c = 1 C i i ˊ = 1 L u c R L i + 1 L u (1) 有一阶微分方程组: \begin{cases} C\cdot\frac{du_c}{dt}=i \\[2ex] L\cdot\frac{di}{dt}+Ri+u_c=u \end{cases} \implies \begin{cases} \acute{u}_c=\frac{1}{C}\cdot i \\[2ex] \acute{i}=-\frac{1}{L}u_c-\frac{R}{L}i+\frac{1}{L}u \end{cases} \tag1

{ x 1 = u c x 2 = i       ( x 1 ˊ x 2 ˊ ) = ( 0 1 C 1 L R L ) ( x 1 x 2 ) + ( 0 1 L ) u (2) 令 \begin{cases} x_1=u_c \\[2ex] x_2=i \end{cases} \implies \begin{pmatrix} \acute{x_1}\\[2ex] \acute{x_2}\\ \end{pmatrix} = \begin{pmatrix} 0 & \large\frac{1}{C}\\[2ex] \large-\frac{1}{L} & \large-\frac{R}{L}\\ \end{pmatrix} \begin{pmatrix} x_1\\[2ex] x_2\\ \end{pmatrix} + \begin{pmatrix} 0\\[2ex] \large\frac{1}{L}\\ \end{pmatrix}u \tag2

或: x ˊ = A x + b u 或 : \acute{x}=Ax+bu

其中: x ˊ = ( x 1 ˊ x 2 ˊ ) A = ( 0 1 C 1 L R L ) b = ( 0 1 L ) 其中:\acute{x}= \begin{pmatrix} \acute{x_1}\\[2ex] \acute{x_2}\\ \end{pmatrix}, A= \begin{pmatrix} 0 & \large\frac{1}{C}\\[2ex] \large-\frac{1}{L} & \large-\frac{R}{L}\\ \end{pmatrix}, b= \begin{pmatrix} 0\\[2ex] \large\frac{1}{L}\\ \end{pmatrix}

上述(1)和(2)式分别为图1中系统的 状态方程状态方程的矩阵表达形式

  • 输出方程
    在指定系统输出的情况下,该输出与状态变量间的函数关系式,称为系统的输出方程。
    在例中系统中,若指定 x 1 = u c x_1=u_c ,则输出方程 y = u c y=u_c

或: y = x 1 (3) 或: y=x_1\tag3

矩阵表示形式:

y = ( 1 , 0 ) ( x 1 x 2 ) (4) y= \begin{pmatrix} 1,0 \end{pmatrix} \begin{pmatrix} x_1\\ x_2 \end{pmatrix}\tag4

  • 状态空间表达式
    状态方程和输出方程总合起来,构成对一个系统完整的动态描述称为系统的状态空间表达式。
    如式(1)和式(3)所示,而式(2)和式(4)就是图1系统的状态空间表达式。
  • 单输入——单输出定常系统,矢量矩阵表示时的状态空间表达式为:

x ˊ = A x + b u y = c x (5) \acute{x}=Ax+bu\\ y=cx \tag5

式中,

x = ( x 1 x 2 x n ) n 维状态矢量; A = ( a 11 a 12 a 1 n a 21 a 22 a 2 n a n 1 a n 2 a n n ) 为系统内部状态的联系,称为系统矩阵 , n × n 方阵; b = ( b 1 b 2 b n ) 为输入对状态的作用,称为输入矩阵或控制矩阵,这里为 n × 1 的列阵; c = ( c 1 , c 2 , . . . , c n ) 为输出矩阵,这里为 1 × n 的行阵。 x=\begin{pmatrix} x_1 \\ x_2\\ \vdots \\ x_n \\ \end{pmatrix} 为 n 维状态矢量;\\[3ex] A=\begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \\ \end{pmatrix}为系统内部状态的联系,称为系统矩阵,为n\times n方阵; \\[3ex] b=\begin{pmatrix} b_1 \\ b_2\\ \vdots \\ b_n \\ \end{pmatrix} 为输入对状态的作用,称为输入矩阵或控制矩阵,这里为n\times 1的列阵; \\[3ex] c=\begin{pmatrix} c_1 , c_2 ,...,c_n \\ \end{pmatrix} 为输出矩阵,这里为1\times n的行阵。

  • 多输入——多输出定常系统,矢量矩阵表示时的状态空间表达式为:

x ˊ = A x + B u y = C x + D u (6) \acute{x}=Ax+Bu\\ y=Cx+Du\tag6

式中, x A 同单输入系统,分别 n 维状态矢量和 n × n 系统矩阵 式中,x和 A同单输入系统,分别n维状态矢量和n\times n系统矩阵

u = ( u 1 u 2 u r ) r 维输入矢量; y = ( y 1 y 2 y m ) m 维输出矢量; B = ( b 11 b 12 b 1 r b 21 b 22 b 2 r b n 1 b n 2 b n r ) n × r 输入矩阵; C = ( c 11 c 12 c 1 n c 21 c 22 c 2 n c m 1 c m 2 c m n ) m × n 输出矩阵; D = ( d 11 d 12 d 1 r d 21 d 22 d 2 r d m 1 d m 2 d m r ) m × r 直接传递矩阵。 为了简便,一般不考虑输入矢量的直接传递,即令 D = 0 u=\begin{pmatrix} u_1 \\ u_2\\ \vdots \\ u_r \\ \end{pmatrix} 为 r 维输入矢量; y=\begin{pmatrix} y_1 \\ y_2\\ \vdots \\ y_m \\ \end{pmatrix} 为 m 维输出矢量;\\[3ex] B=\begin{pmatrix} b_{11} & b_{12} & \cdots & b_{1r} \\ b_{21} & b_{22} & \cdots & b_{2r} \\ \vdots & \vdots & \ddots & \vdots \\ b_{n1} & b_{n2} & \cdots & b_{nr} \\ \end{pmatrix}为n\times r输入矩阵;\\[3ex] C=\begin{pmatrix} c_{11} & c_{12} & \cdots & c_{1n} \\ c_{21} & c_{22} & \cdots & c_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ c_{m1} & c_{m2} & \cdots & c_{mn} \\ \end{pmatrix}为m\times n输出矩阵; \\[3ex] D=\begin{pmatrix} d_{11} & d_{12} & \cdots & d_{1r} \\ d_{21} & d_{22} & \cdots & d_{2r} \\ \vdots & \vdots & \ddots & \vdots \\ d_{m1} & d_{m2} & \cdots & d_{mr} \\ \end{pmatrix}为m\times r直接传递矩阵。\\[2ex] 为了简便,一般不考虑输入矢量的直接传递,即令D=0

  • 状态空间表达式的系统框图

在这里插入图片描述

▲ 式5框图

在这里插入图片描述

▲ 式6框图

图中单箭头表示标量信号,双箭头表示矢量信号。

1.2 状态结构图

状态空间描述的结构图绘图步骤:

  1. 画出所有积分器;(积分器的个数等于状态变量的个数,每个积分器的输出表示相应的某个状态变量)
  2. 根据状态方程和输出方程,画出相应的加法器和比例器;
  3. 用箭头将这些器件按照一定的顺序连接起来。

常用符号:

在这里插入图片描述

例:一阶标量微分方程: x ˊ = a x + b u \acute{x}=ax+bu

在这里插入图片描述

▲ 一阶标量微分方程模拟结构图

已知状态空间表达式

x 1 ˊ = x 2 x 2 ˊ = x 3 x 3 ˊ = 6 x 1 3 x 2 2 x 3 + u y = x 1 + x 2 \acute{x_1}=x_2\\ \acute{x_2}=x_3\\ \acute{x_3}=-6x_1-3x_2-2x_3+u\\ y=x_1+x_2

则系统的模拟结构图为:

在这里插入图片描述


  本次的分享就到这里


11

好书不厌百回读,熟读自知其中意。将学习成为习惯,用知识改变命运,用博客见证成长,用行动证明努力。
如果我的博客对你有帮助、如果你喜欢我的博客内容,请 “点赞” “评论” “收藏” 一键三连哦!
听说 👉 点赞 👈 的人运气不会太差,每一天都会元气满满呦!^ _ ^
**码字不易,大家的支持就是我坚持下去的动力。点赞后不要忘了👉关注👈我哦!


如果以上内容有任何错误或者不准确的地方,欢迎在下面👇留个言。或者你有更好的想法,欢迎一起交流学习~~~

【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。