3. 系统建模基础：状态空间方程、传递函数与状态空间的转换、线性时不变系统（LTI）特性

各位同学，欢迎来到系统建模这一章。

说实话，搞控制这么多年，我最大的体会就是：模型决定了控制的天花板。算法再花哨，模型不准，一切都是空中楼阁。今天咱们就来啃下这块硬骨头——状态空间方程、传递函数，还有它们之间的转换。

3.1 状态空间方程——控制界的“身份证”

先问大家一个问题：你凭什么说一个系统是“这个系统”而不是“那个系统”？

我个人习惯用状态空间方程来回答这个问题。它就像系统的身份证，把系统的全部动态信息都写在了里面。

标准形式长这样：

状态方程：  ẋ(t) = A x(t) + B u(t)
输出方程：  y(t) = C x(t) + D u(t)

这里面的字母，我一个个解释：

• x(t) —— 状态向量。系统内部那些“看不见但决定一切”的量。比如电机的转速、电容的电压。
• u(t) —— 输入向量。你给系统的指令，比如你踩油门的深度。
• y(t) —— 输出向量。你能测量到的量，比如车速表上的读数。
• A, B, C, D —— 系统矩阵。它们决定了系统怎么演化。

我在项目中遇到过一件事：一个同事用传递函数调PID，怎么调都震荡。后来我让他换成状态空间建模，一看A矩阵的特征值，好家伙，有个极点就在虚轴边上。这就是状态空间的好处——你能看到系统内部的“病灶”。

3.2 传递函数——经典控制的“黑箱”

传递函数呢？它是个黑箱视角。

你不需要知道系统内部长什么样，你只需要知道：输入一个正弦波，输出是什么？输入一个阶跃，输出又是什么？

传递函数的定义很简单：

G(s) = Y(s) / U(s)   （零初始条件下）

说白了，就是输出拉氏变换除以输入拉氏变换。

举个例子，一个简单的RC低通滤波器：

G(s) = 1 / (RC·s + 1)

你看，一个分式，就把系统的频率特性全说清楚了。

3.3 传递函数与状态空间的转换

这两个东西，其实是同一个系统的不同“语言”。

就像同一个人，你可以用中文介绍他，也可以用英文介绍他。信息是一样的，但表达方式不同。

3.3.1 从传递函数到状态空间

假设你有一个传递函数：

G(s) = (b₂s² + b₁s + b₀) / (s³ + a₂s² + a₁s + a₀)

怎么变成状态空间？我推荐用可控标准型：

A = [0   1   0
     0   0   1
    -a₀ -a₁ -a₂]

B = [0
     0
     1]

C = [b₀  b₁  b₂]

D = [0]

嗯，这里要注意：分母系数要取负号放到A矩阵的最后一行。我曾经在这里栽过跟头，符号搞反了，仿真结果完全不对，查了半天才发现是这里的问题。

3.3.2 从状态空间到传递函数

反过来，如果你有状态空间模型：

G(s) = C(sI - A)⁻¹B + D

这个公式看起来有点吓人，但说白了就是矩阵运算。我一般直接用MATLAB的ss2tf()函数，或者Python的control.tf()。手算？除非是2阶以下的小系统，否则我建议你交给计算机。

3.4 线性时不变系统（LTI）特性

聊了这么多，其实我们一直在讨论一个前提——系统是LTI的。

什么是LTI？两个关键词：

• 线性（Linearity）：满足叠加原理。输入加倍，输出也加倍；两个输入叠加，输出也叠加。
• 时不变（Time-Invariance）：系统的特性不随时间改变。今天给一个阶跃，和明天给一个阶跃，响应一模一样。

你想想看，现实世界哪有这么完美？

电阻会发热，阻值会变；电机用久了，轴承会磨损。这些都是时变、非线性的表现。

那为什么我们还要学LTI？

我记得有一次做无人机姿态控制，模型里包含了气动非线性项。我一开始想直接上非线性控制，结果调了两个月没调通。后来导师说：你先在工作点线性化，用LTI方法把基础稳住。果然，线性化后的LQR控制器一上，飞机就能飞了。之后再慢慢加非线性补偿。

这就是LTI的价值——它是你进入控制世界的第一把钥匙。

3.5 本章小结

咱们这一章，其实就讲了三个事：

1. 状态空间方程：一阶微分方程组，能看到系统内部状态。适合现代控制理论。
2. 传递函数：输入输出关系，黑箱视角。适合经典控制理论。
3. 两者转换：同一个系统的不同表达，用可控标准型或计算机工具。
4. LTI特性：线性+时不变，是控制理论的基石。现实系统可以近似处理。

下一章，咱们就要拿着这些模型，开始设计控制器了。到时候你会发现，今天打下的建模基础，就是明天控制算法的底气。

好，今天就到这里。有问题随时交流。