第3章能控性判据（格拉姆矩阵法）

3、能控性判据（格拉姆矩阵法）

能控性格拉姆矩阵法，说白了就是判断系统能不能被我们“指挥得动”。

我个人习惯把能控性理解成：你给系统一个输入信号，它能不能在有限时间内，从任意初始状态跑到你想要的任意终点状态。如果能，那系统就是能控的。

嗯，这里要注意，格拉姆矩阵法是一种充要条件。什么意思？就是它既不会漏判，也不会误判。不像有些判据（比如秩判据）在某些边界情况下会让人心里没底。

先看离散系统的状态方程：

x(k+1) = A x(k) + B u(k)

其中 x 是 n 维状态向量，u 是 m 维输入向量。

能控性格拉姆矩阵长这样：

W_c = Σ A^k B B^T (A^T)^k   （k从0到n-1求和）

等等，我是不是写太快了？咱们一步步来。

这个矩阵的物理意义是什么？它其实衡量的是：输入能量通过系统动态，能在多大程度上影响各个状态分量。

我在项目中遇到过一个问题：一个四阶系统，用秩判据判断是能控的，但实际控制效果很差。后来一查，原来是格拉姆矩阵的条件数太大，接近奇异了。这就是所谓的“病态能控”——理论上能控，实际上很难控。

判定条件其实很简单：

离散系统能控的充要条件：

能控性格拉姆矩阵 W_c 是满秩的（即 rank(W_c) = n）

为什么？因为如果 W_c 不满秩，说明存在某个状态方向，无论你怎么给输入，都“够不着”那个方向。就像你开车，如果方向盘坏了，你只能直走，没法转弯——这就是那个方向不可控。

我给大家画个图，看看这个逻辑关系：

讲个我踩过的坑。有一次我在 MATLAB 里算一个 10 阶系统的格拉姆矩阵，直接用公式循环求和。结果算出来矩阵的条件数大得离谱，满秩判断都出问题了。

后来发现，问题出在数值精度上。当系统矩阵 A 的谱半径接近 1 时，A^k 的数值会变得很大或很小，导致求和过程中出现严重的数值误差。

避坑指南：

我曾经在计算高维系统格拉姆矩阵时，直接用循环累加 A^k，结果数值溢出。后来改用 lyap 函数（求解李雅普诺夫方程）来间接计算，才解决了问题。

记住：能控性格拉姆矩阵也满足李雅普诺夫方程：

A * W_c * A^T - W_c = -B * B^T

用这个方程求解，数值稳定性好得多。

来看个二阶系统：

A = [1.2, 0; 
     0,   0.8]
B = [1; 
     0]

计算格拉姆矩阵（n=2）：

k=0: B*B^T = [1, 0; 0, 0]
k=1: A*B*B^T*A^T = [1.44, 0; 0, 0]

W_c = [2.44, 0; 0, 0]

你看，W_c 的第二行第二列是 0，秩为 1，小于系统阶数 2。所以系统不能控。

为什么？因为第二个状态分量 x₂ 的方程是 x₂(k+1) = 0.8 x₂(k)，输入 u 根本影响不到它。说白了，这个状态是“自由落体”的，你没法通过输入去改变它。

实用技巧：

我建议在实际工程中，不要只看秩是否等于 n，还要看格拉姆矩阵的最小奇异值。如果最小奇异值太小（比如小于 1e-6），即使理论上满秩，实际控制效果也会很差。

这就好比你的方向盘虽然能转，但转动的角度只有 0.001 度——理论上是能转向，实际上等于没转。

我个人觉得，格拉姆矩阵法最大的价值不在于“能不能控”这个二元判断，而在于它给出了能控的程度。你想想看，在实际工程中，我们往往不是问“能不能控”，而是问“好不好控”。格拉姆矩阵的条件数、最小奇异值，恰恰回答了这个问题。

嗯，关于能控性格拉姆矩阵法，就讲这么多。记住核心：满秩则能控，不满秩则不能控。但实际用的时候，多留个心眼，看看数值稳定性，看看条件数，别被理论上的“满秩”给骗了。

公众号:蓝海资料掘金营，微信deep3321