4. 状态空间方法：状态方程与输出方程、可控性与可观性、极点配置、状态观测器

状态空间方法，说白了就是现代控制理论的基石。我刚入行那会儿，总觉得传递函数挺好用的，干嘛要搞这么复杂？直到我接手一个多变量耦合系统——输入输出之间互相影响，传递函数那一套根本玩不转。嗯，从那以后，我才真正体会到状态空间的威力。

4.1 状态方程与输出方程：系统的“内部画像”

传递函数只描述系统的输入输出关系，像个黑盒子。状态空间方法不一样，它把系统的内部状态也亮出来了。

标准形式长这样：

状态方程：  ẋ = Ax + Bu
输出方程：  y = Cx + Du

这里，x 是状态向量，u 是输入，y 是输出。A 是系统矩阵，B 是输入矩阵，C 是输出矩阵，D 是前馈矩阵（多数情况为0）。

我个人习惯，拿到一个物理系统，先画自由体图，再列微分方程，最后整理成状态空间形式。举个例子，一个简单的弹簧-质量-阻尼系统：

mẍ + bẋ + kx = F

选位移 x 和速度 ẋ 作为状态变量：

x₁ = x
x₂ = ẋ

状态方程：
ẋ₁ = x₂
ẋ₂ = (-k/m)x₁ + (-b/m)x₂ + (1/m)F

矩阵形式：
[ẋ₁]   [0      1   ] [x₁]   [0  ]
[ẋ₂] = [-k/m  -b/m] [x₂] + [1/m] F

输出方程（假设输出是位移）：
y = [1 0] [x₁]
          [x₂]

4.2 可控性与可观性：系统能不能被“操控”和“看透”

这两个概念，是状态空间法的精髓。你想想看，如果系统不可控，你费再大劲也白搭。如果不可观，你装了再多传感器也白费。

可控性：能不能把系统推到任何状态？

可控性矩阵：

Co = [B  AB  A²B  ...  Aⁿ⁻¹B]

如果这个矩阵满秩（秩等于 n），系统就是可控的。

我在项目中遇到过一个问题：一个双电机驱动系统，明明两个电机都能动，但系统却不可控。查了半天，发现两个电机的力作用在同一条线上，互相抵消了。说白了，就是输入矩阵 B 的列向量线性相关了。

可观性：能不能从输出反推状态？

可观性矩阵：

Ob = [C; CA; CA²; ...; CAⁿ⁻¹]

满秩即可观。

为什么重要？因为很多状态变量没法直接测量。比如电机内部的磁链，你没法装个传感器去测。如果系统可观，我就能通过观测器把状态“算”出来。

概念	物理意义	判断方法
可控性	能否通过输入控制所有状态	可控性矩阵满秩
可观性	能否通过输出观测所有状态	可观性矩阵满秩

4.3 极点配置：想要系统多快，你来定

极点配置，就是通过状态反馈，把闭环系统的极点放到你希望的位置上。

控制律：

u = -Kx

闭环系统：

ẋ = (A - BK)x

极点就是矩阵 (A - BK) 的特征值。你想要系统响应快，就把极点往左半平面深处放。想要系统平稳，就避免共轭复极点的虚部太大。

怎么求 K？阿克曼公式是个好工具：

K = [0 ... 0 1] * Co⁻¹ * φ(A)

其中 φ(A) 是期望特征多项式在矩阵 A 上的取值。

我记得有一次做飞行器控制，想把响应时间从 2 秒降到 0.5 秒。极点一放远，仿真结果看着挺好。一上实物，舵机直接饱和，系统反而震荡了。嗯，理论和实践之间，总得留点余量。

4.4 状态观测器：看不见的状态，我来“猜”

很多状态没法直接测量。比如倒立摆的角度速度，你装个编码器能测角度，但角速度呢？微分噪声太大。这时候就需要状态观测器。

观测器的思路：用模型来“模拟”系统，再用输出误差来修正。

观测器方程：
ẋ̂ = Aẋ̂ + Bu + L(y - Cẋ̂)

其中 L 是观测器增益矩阵。观测误差 e = x - ẋ̂ 的动态：

ė = (A - LC)e

你看，只要把 (A - LC) 的极点配置在左半平面，误差就会收敛到零。而且，观测器的极点一般要比控制器的极点快 2-5 倍，这样观测器才能“跟上”系统的变化。

分离原理：控制器和观测器可以分开设计

这是状态空间方法里一个很漂亮的性质。你设计控制器时，假设状态已知。设计观测器时，假设控制律已知。两者组合起来，闭环系统的极点就是控制器极点和观测器极点的并集。

说白了，就是“各干各的，互不干扰”。

完整的控制结构：

1. 设计状态反馈增益 K（基于期望的闭环极点）
2. 设计观测器增益 L（基于期望的观测器极点）
3. 实际控制律：u = -Kẋ̂

我建议初学者先拿一个二阶系统练手。比如倒立摆或者直流电机，把可控性、可观性算一遍，再配极点、设计观测器。走完这一套流程，状态空间方法就算入门了。