二、系统状态与状态变量：状态的定义、状态变量的选择原则、状态向量的概念，自由系统与强迫系统

好，咱们今天聊点硬核的。状态空间法，说白了就是把一个系统里里外外看个透。你想想看，经典控制理论里我们盯着传递函数，那玩意儿像个黑盒子——输入输出看得见，里面啥样不知道。但状态空间法不一样，它把系统的「内脏」都给你翻出来。

2.1 状态的定义——到底什么是「状态」？

我刚开始学控制那会儿，也被「状态」这个词搞晕过。书上说「状态是系统过去、现在和未来行为的最小信息集合」。嗯，这话没毛病，但太绕了。

我个人习惯这么理解：状态就是系统在某一时刻的「快照」。你拍一张照片，里面记录了所有能决定系统未来走向的信息。

举个例子。一个弹簧-质量-阻尼系统，质量块的位置和速度就是它的状态。为什么？因为只要我知道此刻的位置和速度，再知道外力怎么加，我就能算出它未来任何时刻的运动轨迹。不需要知道它十分钟前在哪，也不需要知道它昨天被推了几下。

我在做电机控制项目时遇到过一个问题。一开始我把电机的电流、转速、转子位置都当作状态，结果模型复杂得要命。后来发现，对于某些控制目标，电流和转速就够了，转子位置可以通过积分得到。嗯，这就是状态选择的问题。

2.2 状态变量的选择原则——怎么挑？

状态变量不是随便选的。选错了，模型要么太复杂，要么根本没法用。我总结了三条原则，都是实战中摔出来的经验。

原则一：独立性

状态变量之间不能有线性关系。说白了，你不能用一个状态变量直接算出另一个。比如你选了位置和速度，这没问题。但如果你选了位置和两倍的位置，那就完蛋了——它们不是独立的。

原则二：最小性

状态变量的个数要尽可能少，但又要能完整描述系统。这个「最少个数」其实就是系统的阶数。一个n阶微分方程，就需要n个状态变量。

原则三：可测性

理想情况下，状态变量应该是能测量到的。虽然状态观测器可以估计不可测的状态，但能直接测总是更靠谱。我曾经在一个项目中选了某个难以测量的物理量作为状态，结果调试时吃尽了苦头——观测器收敛慢，控制效果差。后来换了可测的状态变量，问题迎刃而解。

2.3 状态向量的概念——把状态打包

有了状态变量，咱们把它们排成一列，就成了状态向量。数学上这么写：

x(t) = [x₁(t), x₂(t), ..., xₙ(t)]ᵀ

这个向量里的每一个元素，就是一个状态变量。n就是系统的阶数。

为什么要搞成向量？因为方便啊。你想想看，一个n阶系统，如果用微分方程描述，那是一个n阶方程，解起来麻烦。但用状态空间法，就变成了n个一阶微分方程组成的方程组。一阶方程好解，而且可以用矩阵运算统一处理。

ẋ(t) = A·x(t) + B·u(t)
y(t) = C·x(t) + D·u(t)

我个人觉得，状态向量这个概念最大的好处，就是让复杂系统变得「整齐」。不管你是机械系统、电气系统还是热力系统，最后都能写成上面那个形式。统一了，就好分析，好设计。

2.4 自由系统与强迫系统——有没有外力？

这个区分其实很简单：自由系统没有外部输入，强迫系统有外部输入。

自由系统

数学上，自由系统就是u(t)=0的情况：

ẋ(t) = A·x(t)

系统的行为完全由初始状态决定。你给它一个初始条件，它就自己演化，没人管它。

我记得有一次做振动分析，一个悬臂梁在受到初始位移后自由振动。那就是典型的自由系统。它的解是：

x(t) = e^(A·t)·x(0)

这里的e^(A·t)叫状态转移矩阵，它描述了系统从初始状态怎么变到任意时刻的状态。

强迫系统

强迫系统就是有外部输入u(t)：

ẋ(t) = A·x(t) + B·u(t)

系统的行为由两部分决定：初始状态和外部输入。

它的解是：

x(t) = e^(A·t)·x(0) + ∫₀ᵗ e^(A·(t-τ))·B·u(τ)dτ

你看，第一项是自由响应（初始状态引起的），第二项是强迫响应（外部输入引起的）。这个分解在实际工程中特别有用——你可以分别分析系统的固有特性和对外部输入的响应。

我曾经设计过一个温度控制系统。加热器是输入，环境温度是扰动。自由系统分析告诉我，不加控制时系统要花多久才能稳定；强迫系统分析告诉我，加多大功率的加热器才能达到目标温度。两者结合，控制器的参数就定下来了。

2.5 小结

这一章的内容，说白了就是给状态空间法打地基。状态是系统的「快照」，状态变量要独立、最小、可测，状态向量把这些变量打包成标准形式。自由系统和强迫系统的区分，让我们能分别看清系统的「本性」和「对外界的反应」。

下一章我们会聊状态空间模型的建立方法。到时候你会发现，选对了状态变量，建模就成功了一半。嗯，咱们下回见。