3. 状态空间模型：连续系统状态方程、离散化方法、电机系统的状态空间表示
好，咱们进入正题。状态空间模型这东西，说白了就是描述系统“内部状态”怎么变化的数学工具。你想想看，我们做电机控制，不能光盯着输入输出看——电流怎么变、转速怎么变、磁链怎么走，这些内部变量才是关键。我个人习惯把状态空间模型看作系统的“心电图”，它把系统每一时刻的“心跳”都记录得清清楚楚。
3.1 连续系统状态方程
先聊连续系统。在物理世界里，时间是不间断的。电机里的电流、电压、转速，都是连续变化的。连续系统的状态方程长这样：
ẋ(t) = A·x(t) + B·u(t)
y(t) = C·x(t) + D·u(t)这里：
- x(t) 是状态向量——你想观测的内部变量，比如电机的电流、转速、位置。
- ẋ(t) 是状态向量的导数——也就是变化率。
- u(t) 是输入向量——你施加的控制量，比如电压。
- y(t) 是输出向量——你能测量到的量，比如编码器读到的转速。
- A 是系统矩阵——描述状态之间怎么互相影响。
- B 是输入矩阵——输入怎么影响状态。
- C 是输出矩阵——状态怎么映射到输出。
- D 是前馈矩阵——输入直接传到输出，电机系统里通常为0。
嗯，这里要注意：A矩阵是核心。它决定了系统是稳定的还是发散的。我在项目中遇到过，有人把A矩阵的符号搞反了，结果仿真时电机转速直接飞上天——还好只是仿真，不然电机就烧了。
核心要点：状态方程描述的是“状态的变化率”与“当前状态和输入”的关系。说白了，就是系统下一步怎么走，取决于现在在哪、你给了什么力。
3.2 离散化方法
但现实是，我们的控制器是数字的。DSP、MCU，它们只能在离散的时间点采样、计算。所以，必须把连续方程变成离散方程。
离散化方法有好几种，我挑最常用的两个讲：
3.2.1 前向欧拉法
最简单粗暴的方法。用差分代替微分：
x(k+1) ≈ x(k) + Ts·ẋ(k)
代入连续方程得：
x(k+1) = (I + Ts·A)·x(k) + Ts·B·u(k)其中Ts是采样周期。这个方法精度一般，但计算量小。我早期做无刷电机控制时就用它，采样率够高的话，效果还行。
3.2.2 零阶保持法（ZOH）
更精确的方法。假设输入在两个采样点之间保持不变。离散化后的矩阵是：
Ad = e^(A·Ts)
Bd = ∫(0→Ts) e^(A·τ)·B dτ这个计算起来麻烦点，但精度高。我建议在电机控制中，如果采样频率是开关频率的10倍以上，用前向欧拉就够了。否则，老老实实用ZOH。
避坑指南：我曾经在永磁同步电机项目里，采样频率只有5kHz，用了前向欧拉法，结果状态估计误差大到离谱。换成ZOH后，问题立刻解决。记住：采样率低时，别偷懒。
3.3 电机系统的状态空间表示
好，现在把理论落到电机上。以永磁同步电机（PMSM）为例，咱们看看状态空间模型长什么样。
PMSM在d-q坐标系下的电压方程：
vd = Rs·id + Ld·(did/dt) - ωe·Lq·iq
vq = Rs·iq + Lq·(diq/dt) + ωe·(Ld·id + ψf)选状态变量为：x = [id, iq, ωe, θe]^T
输入为：u = [vd, vq, TL]^T（TL是负载转矩）
那么连续状态方程就是：
d(id)/dt = (-Rs/Ld)·id + (Lq/Ld)·ωe·iq + (1/Ld)·vd
d(iq)/dt = (-Rs/Lq)·iq - (Ld/Lq)·ωe·id - (ψf/Lq)·ωe + (1/Lq)·vq
d(ωe)/dt = (1.5·p·ψf/J)·iq - (B/J)·ωe - (p/J)·TL
d(θe)/dt = ωe写成矩阵形式：
| did/dt | | -Rs/Ld (Lq/Ld)·ωe 0 0 | | id | | 1/Ld 0 0 | | vd |
| diq/dt | = | -(Ld/Lq)·ωe -Rs/Lq -ψf/Lq 0 | · | iq | + | 0 1/Lq 0 | · | vq |
| dωe/dt | | 0 1.5pψf/J -B/J 0 | | ωe | | 0 0 -p/J | | TL |
| dθe/dt | | 0 0 1 0 | | θe | | 0 0 0 | | |输出方程通常选电流和转速作为可测量：
| id_meas | | 1 0 0 0 | | id |
| iq_meas | = | 0 1 0 0 | · | iq |
| ωe_meas | | 0 0 1 0 | | ωe |
| θe |注意：这个模型里，A矩阵包含ωe项，说明系统是时变的。这意味着卡尔曼滤波的A矩阵每次迭代都要更新。我见过有人把A矩阵当成常数，结果滤波发散——嗯，这是新手常犯的错误。
3.4 知识体系结构图
下面这张图，把本章的核心逻辑串起来了。我画图时习惯用颜色区分层次，这样一眼就能看清脉络。
3.5 实际应用中的注意事项
最后，聊几个实战中容易踩的坑：
- 矩阵维度要匹配：我见过有人把4x4的A矩阵写成3x3，结果程序直接崩。写代码前，先画个矩阵草图。
- 离散化精度：前向欧拉法在采样频率低于10kHz时，误差会明显增大。我建议用ZOH，虽然计算复杂点，但稳定。
- 参数敏感性：电机参数（Rs、Ld、Lq、ψf）会随温度变化。状态空间模型对这些参数很敏感。我曾经在高温测试时，模型误差直接翻倍——后来加了在线参数辨识才解决。
- 初始状态：卡尔曼滤波需要初始状态估计。如果初始值偏差太大，滤波收敛会很慢。我习惯先让电机静止，把初始状态设为0。
总结一下：状态空间模型是卡尔曼滤波的基石。连续方程描述物理规律，离散化让数字控制器能用，电机系统的具体表示则把理论和实践串起来。你想想看，没有这个基础，后面的滤波就是空中楼阁。
嗯，这一章就到这。内容不少，但都是干货。建议你动手推导一遍PMSM的状态方程，再写个简单的离散化仿真——相信我，亲手做一遍比看十遍都管用。
公众号:蓝海资料掘金营，微信deep3321