系统建模与开环测试：激光器传递函数辨识、阶跃响应测试方法、开环特性分析
做激光控制这么多年，我越来越觉得一个道理——调参之前，先摸清系统的脾气。
你想想看，连激光器的响应速度、滞后时间、增益大小都不清楚，上来就调PID参数，那不是瞎蒙吗？我见过太多工程师，一上来就调P、调I，调了半天系统还是震荡，最后发现是执行器的响应太慢，根本不是PID能解决的问题。
所以这一章，咱们就聊聊怎么给激光器“建模”，怎么通过开环测试摸清它的底细。
1. 为什么非要建模？
说白了，建模就是给系统画个像。你知道了它的传递函数，才能知道PID该往哪个方向调。
激光控制系统，本质上是一个电-光-热耦合系统。激光器的输出功率，受驱动电流、温度、光学反馈等多个因素影响。但大多数情况下，我们可以把它简化成一个一阶惯性加纯滞后模型：
G(s) = K * e^(-τs) / (T*s + 1)其中：
- K：系统增益（电流变化1A，功率变化多少W）
- τ：纯滞后时间（从指令发出到功率开始变化的时间）
- T：时间常数（系统响应快慢的指标）
我在项目中遇到过一台进口激光器，标称响应时间1ms，但实际测试发现滞后时间就有0.8ms。如果不建模，你按1ms去设计控制器，肯定出问题。
2. 阶跃响应测试——最直接的辨识方法
阶跃响应测试，是辨识系统参数最经典的方法。操作起来也不复杂：
- 让系统稳定在某个工作点（比如50%功率）
- 突然给一个阶跃指令（比如从50%跳到60%）
- 记录功率随时间的变化曲线
嗯，这里要注意几个细节：
- 阶跃幅度不能太大。我建议控制在5%-10%以内，太大可能进入非线性区，甚至触发保护
- 采样率要够。激光器的响应通常在毫秒级，采样率至少1kHz，最好10kHz以上
- 重复测试3-5次。取平均值，排除随机干扰
我的小技巧： 测试前先让系统预热10分钟。激光器温度稳定后，测试结果才可靠。我曾经因为没预热，测出来的时间常数差了30%。
3. 从阶跃响应曲线提取参数
拿到阶跃响应曲线后，怎么提取K、τ、T这三个参数？
我一般用切线法，简单实用：
- 找到曲线开始上升的点，记为t₁
- 在曲线上升最快的地方画切线
- 切线与初始水平线的交点，记为t₂
- 滞后时间 τ = t₂ - t₁
- 时间常数 T = 切线从t₂上升到稳态值63.2%所需的时间
- 增益 K = 稳态变化量 / 阶跃输入变化量
举个例子：
| 参数 | 测试值 | 说明 |
|---|---|---|
| 阶跃输入 | 0.5A → 0.6A | 电流增加0.1A |
| 稳态功率变化 | 10W → 15W | 功率增加5W |
| 滞后时间 τ | 0.3ms | 从指令发出到功率开始变化 |
| 时间常数 T | 1.2ms | 上升到63.2%所需时间 |
| 增益 K | 50 W/A | 5W / 0.1A |
这样，传递函数就出来了：
G(s) = 50 * e^(-0.0003s) / (0.0012s + 1)
核心要点： 这个传递函数就是后续PID设计的依据。K决定了比例增益的基准，τ和T决定了积分和微分的时间常数。
4. 开环特性分析——看系统稳不稳
有了传递函数，我们就可以分析开环特性了。主要看两个东西：
- 幅频特性：系统对不同频率信号的放大能力
- 相频特性：系统对不同频率信号的相位延迟
我习惯用Bode图来看。对于上面那个一阶滞后系统：
- 低频段：增益基本等于K，相位延迟很小
- 转折频率（1/T ≈ 833 rad/s）附近：增益开始下降，相位延迟约45°
- 高频段：增益以-20dB/dec下降，相位延迟趋近90°
再加上纯滞后环节，相位延迟会随着频率线性增加。当相位延迟达到-180°时，系统就可能振荡。
避坑指南： 我曾经调试一个高功率激光器，开环测试时发现增益K很大，但滞后时间τ也很大。结果一闭环就振荡，怎么调PID都没用。后来发现是光路中的机械结构太长了，导致滞后过大。最后改了光路设计才解决问题。
5. 实操建议
说了这么多，总结几条实操建议：
- 先做开环阶跃测试，别急着闭环。这是最基础的一步
- 记录原始数据。我每次测试都会保存CSV文件，方便后续分析
- 用MATLAB或Python做曲线拟合。手动切线法虽然直观，但精度有限
- 注意测试条件的一致性。温度、供电电压、光路对准，这些都会影响测试结果
下面是我常用的Python代码片段，用来从阶跃响应数据中提取参数：
import numpy as np
import matplotlib.pyplot as plt
# 加载数据
data = np.loadtxt('step_response.csv', delimiter=',')
t = data[:, 0] # 时间
y = data[:, 1] # 功率
# 找到稳态值
y_steady = np.mean(y[-100:])
# 找到63.2%点
y_target = 0.632 * y_steady
idx = np.where(y >= y_target)[0][0]
T = t[idx] # 时间常数
# 找到开始上升的点
threshold = 0.01 * y_steady
idx_start = np.where(y >= threshold)[0][0]
tau = t[idx_start] # 滞后时间
print(f"滞后时间 τ = {tau*1000:.2f} ms")
print(f"时间常数 T = {T*1000:.2f} ms")
一点提醒： 实际系统中，噪声是不可避免的。建议先对数据做低通滤波，再提取参数。我一般用移动平均，窗口大小取采样点的1%左右。
6. 知识体系总览
为了让你更直观地理解这一章的内容，我画了一张流程图：
这张图把整个流程串起来了。从阶跃测试开始，到参数提取，再到传递函数建立，最后用于PID设计。每一步都环环相扣。
好了，这一章的内容就到这里。建模和开环测试是PID调参的基础，基础打牢了，后面调参才能有的放矢。