4. 时域分析基础：阶跃响应、脉冲响应、性能指标
各位好，咱们今天聊聊时域分析。说实话，这是控制算法仿真里最基础、也最直观的一块。你想想看，一个系统好不好，最直接的办法就是给它一个信号，看它怎么动。阶跃响应、脉冲响应，就是最常用的两种“试金石”。
我个人习惯，拿到一个新算法，先不做复杂分析，先扔一个阶跃信号看看。为什么？因为阶跃信号最容易理解，也最能暴露问题。我当年在调试一个电机伺服系统时，就是靠阶跃响应一眼看出了积分饱和的问题——嗯，这个后面会细说。
4.1 阶跃响应：系统最诚实的“自我介绍”
阶跃响应，说白了就是给系统一个突然的、恒定的输入，看它怎么从0跑到目标值。比如你设定电机转速为1000转，它从静止开始加速，这个加速过程就是阶跃响应。
数学上，阶跃信号长这样：
r(t) = 0, t < 0
r(t) = 1, t ≥ 0实际仿真中，我们通常用 step() 函数。以 MATLAB 为例：
% 定义一个传递函数 G(s) = 1/(s^2 + 0.5s + 1)
sys = tf(1, [1 0.5 1]);
step(sys);
grid on;运行这段代码，你会看到一条从0开始、逐渐上升、可能有点振荡、最终稳定在1附近的曲线。这就是系统的“性格曲线”。
核心要点：阶跃响应的稳态值，直接反映了系统的增益。如果最终稳定在0.8而不是1，说明系统有稳态误差。我在做温度控制时遇到过这种情况——明明设定100度，结果稳定在98度，就是比例控制固有的稳态误差。
4.2 脉冲响应：系统的“瞬间反应”
脉冲响应，就是给系统一个极短时间内的冲击。你可以想象成用锤子敲一下系统，看它怎么“颤抖”。
数学上，脉冲信号是狄拉克δ函数，实际仿真中我们用宽度极窄、幅值极大的脉冲近似：
% 脉冲响应
sys = tf(1, [1 0.5 1]);
impulse(sys);
grid on;脉冲响应和阶跃响应有什么关系？其实它们是“一家人”。阶跃响应是脉冲响应的积分，脉冲响应是阶跃响应的导数。你想想看，一个突然的阶跃，不就是无数个微小脉冲叠加的结果吗？
我的经验：脉冲响应特别适合分析系统的“固有特性”。比如你怀疑系统有高频振荡，看脉冲响应的高频衰减情况就能判断。我曾经用脉冲响应诊断出一个机械谐振问题——系统在受到冲击后，振荡频率正好和机械结构的固有频率吻合。
4.3 性能指标：三个核心参数
光看曲线形状还不够，我们需要量化指标。时域分析中，三个指标最重要：超调量、调节时间、稳态误差。我习惯叫它们“三剑客”。
| 指标 | 定义 | 物理意义 |
|---|---|---|
| 超调量 (Overshoot) | 最大峰值与稳态值的偏差百分比 | 系统“冲过头”的程度 |
| 调节时间 (Settling Time) | 进入并保持在稳态值±2%或±5%范围内所需时间 | 系统“冷静下来”的速度 |
| 稳态误差 (Steady-State Error) | 稳态输出与期望输入的差值 | 系统“准不准” |
4.3.1 超调量：别冲太猛
超调量计算公式：
σ% = (y_max - y_ss) / y_ss × 100%其中 y_max 是峰值，y_ss 是稳态值。比如你设定温度100度，结果冲到120度才回来，超调量就是20%。
避坑指南：我曾经设计一个飞行器姿态控制器，超调量设计为5%，结果试飞时发现超调量实际达到15%——差点翻机。后来发现是执行器饱和导致的。所以仿真时一定要考虑实际物理约束，别只看理想模型。
4.3.2 调节时间：快慢有度
调节时间通常用 t_s 表示。以±2%准则为例：当输出进入 [y_ss × 0.98, y_ss × 1.02] 区间后不再出去，这个时间就是调节时间。
实际仿真中，我们可以这样计算：
[y, t] = step(sys);
yss = y(end); % 稳态值
idx = find(abs(y - yss) > 0.02 * yss, 1, 'last');
ts = t(idx); % 调节时间调节时间反映了系统的响应速度。太快容易振荡，太慢又显得迟钝。我一般先看调节时间，再调超调量——两者往往是矛盾的。
4.3.3 稳态误差：最后的精度
稳态误差 e_ss = r - y_ss。对于单位阶跃输入，如果系统是0型系统，稳态误差是有限的；如果是I型或以上，稳态误差为0。
举个例子：
% 0型系统：有稳态误差
sys0 = tf(1, [1 1]); % G(s) = 1/(s+1)
step(sys0); % 稳态值 = 0.5，误差 = 0.5
% I型系统：无稳态误差
sys1 = tf(1, [1 1 0]); % G(s) = 1/(s(s+1))
step(sys1); % 稳态值 = 1，误差 = 0关键认知：稳态误差和系统型别直接相关。型别越高，对阶跃输入的跟踪能力越强。但型别高也意味着系统更容易不稳定——这就是控制中的“精度与稳定性”矛盾。我做过一个液压伺服系统，为了消除稳态误差加了积分环节，结果系统开始振荡，最后不得不加前馈补偿。
4.4 三个指标的关系：不可能三角
你想想看，超调量、调节时间、稳态误差，这三个指标能同时做到最优吗？答案是否定的。它们之间存在制约关系：
- 超调量小 → 调节时间长（系统慢慢爬，不冲但慢）
- 调节时间短 → 超调量大（系统猛冲，快但不稳）
- 稳态误差小 → 需要积分环节 → 可能引起振荡
实际工程中，我们只能根据需求做权衡。比如：
- 数控机床：要求稳态误差极小，超调量可以容忍一点
- 无人机姿态：要求超调量极小，调节时间可以稍长
- 温度控制：三者都要适中，但更看重稳态精度
我的建议：做仿真时，先确定哪个指标是“硬约束”，哪个是“软约束”。比如客户要求稳态误差小于1%，那你就先保证这个，再优化另外两个。别想着一步到位，控制设计本来就是迭代的过程。
4.5 仿真验证：动手试试
光说不练假把式。咱们用 Python 来验证一下：
import control as ct
import matplotlib.pyplot as plt
import numpy as np
# 定义系统
sys = ct.TransferFunction([1], [1, 0.5, 1])
# 阶跃响应
t, y = ct.step_response(sys)
# 计算性能指标
yss = y[-1]
ymax = np.max(y)
overshoot = (ymax - yss) / yss * 100
# 调节时间（±2%）
idx = np.where(np.abs(y - yss) > 0.02 * yss)[0]
ts = t[idx[-1]] if len(idx) > 0 else t[-1]
# 稳态误差
ess = 1 - yss
print(f"超调量: {overshoot:.2f}%")
print(f"调节时间: {ts:.2f}s")
print(f"稳态误差: {ess:.4f}")
# 绘图
plt.plot(t, y)
plt.axhline(yss, color='r', linestyle='--', label='稳态值')
plt.axhline(yss*1.02, color='g', linestyle=':', label='±2% 边界')
plt.axhline(yss*0.98, color='g', linestyle=':')
plt.xlabel('时间 (s)')
plt.ylabel('输出')
plt.title('阶跃响应分析')
plt.legend()
plt.grid(True)
plt.show()运行这段代码，你会看到清晰的曲线和三个指标的具体数值。嗯，这就是时域分析的全部基础了。
最后说一句：时域分析是控制算法的“体检报告”。阶跃响应看整体，脉冲响应看细节，三个指标量化问题。下次你拿到一个新系统，不妨先做这三步——我保证你能快速摸清系统的脾气。