第2章线性系统理论基础

2、线性系统理论基础：状态空间方程、能控性与能观性

好，咱们进入正题。这一章是后面所有观测器设计的基石。说白了，你如果不懂状态空间方程，后面那些卡尔曼滤波、龙伯格观测器，你根本玩不转。我当年刚接触电机控制时，也跳过这部分直接看观测器，结果一头雾水，又乖乖回来补课。

咱们做电机控制，传统上喜欢用传递函数。传递函数看的是输入输出关系，像个黑盒子。但状态空间方程不一样，它把系统内部的状态变量全给你亮出来了。

一个连续线性时不变系统，标准写法是这样的：

dx/dt = A·x + B·u
y = C·x + D·u

这里：

举个例子，一个直流电机的电枢回路：

状态变量：x = [i_a; ω]  (电枢电流、转速)
输入：u = V_a (电枢电压)
输出：y = i_a (只测电流)

A = [-R/L  -K_e/L;  K_t/J  -B/J]
B = [1/L; 0]
C = [1  0]

你看，A矩阵里 -R/L 是电流自衰减，-K_e/L 是反电动势对电流的影响。这些物理意义清清楚楚。我个人习惯，拿到一个新系统，第一件事就是把A、B、C矩阵写出来，心里就有底了。

小技巧： 写状态空间方程时，状态变量的选择不是唯一的。你可以选电流和转速，也可以选磁链和转矩。但选得好，后面的分析会省很多事。我建议选那些物理意义明确、容易测量的量。

能控性，说白了就是：你能不能通过输入u，把系统从任意初始状态，拽到任意目标状态？

你想想看，如果你的电机堵转了，你还能不能通过电压指令让它转起来？如果能，那就是能控。如果不能，那就是失控了。

判断方法很简单，构造能控性矩阵：

Q_c = [B  A·B  A²·B  ...  Aⁿ⁻¹·B]

如果这个矩阵满秩（秩等于n，n是状态维数），那系统就是能控的。

我在项目中遇到过一件事。有一次设计一个双惯量系统的观测器，怎么调参数都不对。后来一算能控性矩阵，发现秩亏了。原来是我把两个惯量的位置都当成了状态，但输入只能作用在一个惯量上，另一个根本控不了。嗯，这就是典型的能控性不足。

注意： 能控性不足不代表系统不能用，只是有些状态你无法独立控制。比如你只能控制电机转速，但负载侧的转速你控制不了。这时候观测器设计就要小心了，你观测出来的状态可能无法通过反馈来修正。

能观性和能控性是对偶的。它问的是：通过一段时间的输出y和输入u，你能不能唯一确定系统的初始状态？

说白了，就是你的传感器够不够用。你只测了电流，能不能反推出转速？如果能，那转速就是能观的。

判断方法：构造能观性矩阵：

Q_o = [C;  C·A;  C·A²;  ...;  C·Aⁿ⁻¹]

满秩则能观。

我记得有一次做无速度传感器控制，只测电流，想观测转速。一开始模型建得挺漂亮，但仿真就是不对。一算能观性矩阵，发现在某些转速下矩阵接近奇异。这就是为什么无速度传感器控制在零速附近很难搞——能观性变差了。

  核心结论： 能控性和能观性，是观测器设计的前提条件。如果系统不能观，你就算用再高级的观测器，也观测不出真实状态。如果系统不能控，你观测出来也没用，因为你控制不了它。

咱们的控制器是数字的，跑在DSP或MCU上。所以连续的状态空间方程要离散化。

标准做法：

x(k+1) = A_d·x(k) + B_d·u(k)
y(k) = C·x(k) + D·u(k)

其中：

实际工程中，没人手算这个。Matlab里用 c2d(sys, Ts, 'zoh') 就行。我建议用零阶保持器（zoh）方法，因为它最符合实际——你在一个采样周期内保持输出电压不变。

避坑指南： 我曾经吃过亏，采样周期选太大，导致离散化后的A_d矩阵特征值跑到单位圆外去了。系统直接不稳定。所以采样周期一定要满足香农定理，一般取系统带宽的10倍以上。

这里有个容易被忽略的点：连续系统能控能观，离散后不一定。

比如一个连续系统，采样周期选得不好，刚好在某个模态的振荡周期整数倍上，那这个模态在离散域里就看不到了。这就是所谓的“采样盲区”。

我建议：

好了，这一章的内容就这些。状态空间方程是工具，能控能观性是前提。后面讲观测器设计时，你会反复用到这些概念。下一章咱们就进入正题，讲龙伯格观测器——最经典的线性观测器。