第4章：状态空间方法

本章导读

状态空间方法是现代控制理论的基石，它提供了一种系统化的方法来分析和设计多输入多输出（MIMO）系统。与经典控制理论依赖传递函数不同，状态空间方法直接处理系统的内部状态，为我们提供了更深入的系统洞察。本章将介绍可控性、可观性、状态反馈、观测器设计等核心概念，并通过磁悬浮系统案例展示这些理论的实际应用。

4.1 可控性与可观性

4.1.1 状态空间模型回顾

考虑线性时不变（LTI）系统的状态空间表示：

$$\begin{align} \dot{x}(t) &= Ax(t) + Bu(t) \\ y(t) &= Cx(t) + Du(t) \end{align}$$ 其中 $x \in \mathbb{R}^n$ 是状态向量，$u \in \mathbb{R}^m$ 是输入向量，$y \in \mathbb{R}^p$ 是输出向量。

4.1.2 可控性概念

定义：如果存在有限时间 $T > 0$ 和输入 $u(t)$，能够将系统从任意初始状态 $x_0$ 转移到任意目标状态 $x_f$，则系统是完全可控的。

数学表述：系统完全可控的充要条件是，对任意 $x_0, x_f \in \mathbb{R}^n$ 和某个 $T > 0$，存在分段连续的输入 $u:[0,T] \rightarrow \mathbb{R}^m$，使得： $$x_f = e^{AT}x_0 + \int_0^T e^{A(T-\tau)}Bu(\tau)d\tau$$ 可控性矩阵： $$\mathcal{C} = [B \quad AB \quad A^2B \quad \cdots \quad A^{n-1}B] \in \mathbb{R}^{n \times nm}$$ 这个矩阵的列向量张成了可控子空间。根据Cayley-Hamilton定理，$A^n$ 可以表示为 $A^0, A^1, \ldots, A^{n-1}$ 的线性组合，因此只需要考虑前 $n$ 项。

可控性判据：系统完全可控当且仅当 $\text{rank}(\mathcal{C}) = n$。

等价条件：

1. 秩条件：$\text{rank}[sI - A \quad B] = n$，对所有 $s \in \mathbb{C}$
2. PBH判据：不存在左特征向量 $v^T$ 使得 $v^TA = \lambda v^T$ 且 $v^TB = 0$
3. Gram矩阵：可控性Gram矩阵 $W_c(T) = \int_0^T e^{At}BB^Te^{A^Tt}dt$ 对某个 $T > 0$ 是正定的

物理意义：

• 可控性反映了输入对系统状态的影响能力
• 如果某些状态模态不可控，意味着无论如何设计输入，都无法影响这些模态
• 在实际系统中，不可控模态可能源于：
• 执行器配置不当（如对称结构中的反对称模态）
• 系统内部解耦（如多个独立子系统）
• 物理约束（如刚体系统的动量守恒）

几何解释： 可控子空间 $\mathcal{R}(\mathcal{C})$ 是所有可以从原点到达的状态集合。如果系统不完全可控，状态空间可以分解为： $$\mathbb{R}^n = \mathcal{R}(\mathcal{C}) \oplus \mathcal{R}(\mathcal{C})^\perp$$ 其中 $\mathcal{R}(\mathcal{C})^\perp$ 是不可控子空间。

4.1.3 可观性概念

定义：如果能够通过有限时间内的输出测量 $y(t)$ 唯一确定初始状态 $x_0$，则系统是完全可观的。

数学表述：系统完全可观的充要条件是，对于 $u(t) \equiv 0$，如果 $y(t) \equiv 0$ 对所有 $t \in [0, T]$，则必有 $x_0 = 0$。换言之，零输入响应唯一确定初始状态。

可观性矩阵： $$\mathcal{O} = \begin{bmatrix} C \\ CA \\ CA^2 \\ \vdots \\ CA^{n-1} \end{bmatrix} \in \mathbb{R}^{np \times n}$$ 可观性判据：系统完全可观当且仅当 $\text{rank}(\mathcal{O}) = n$。

等价条件：

1. 秩条件：$\text{rank}\begin{bmatrix} sI - A \\ C \end{bmatrix} = n$，对所有 $s \in \mathbb{C}$
2. PBH判据：不存在右特征向量 $v$ 使得 $Av = \lambda v$ 且 $Cv = 0$
3. Gram矩阵：可观性Gram矩阵 $W_o(T) = \int_0^T e^{A^Tt}C^TCe^{At}dt$ 对某个 $T > 0$ 是正定的

物理意义：

• 可观性反映了从输出推断系统内部状态的能力
• 不可观的状态模态无法通过输出测量获得信息
• 在实际系统中，不可观模态可能源于：
• 传感器位置选择不当（如在振动节点处）
• 测量变量选择不足（如只测量位置而非速度）
• 系统对称性（如镜像对称的模态）

不可观子空间： 不可观子空间是所有不能从输出区分的初始状态集合。它是矩阵 $\mathcal{O}$ 的零空间： $$\mathcal{N}(\mathcal{O}) = \{x_0 : Ce^{At}x_0 = 0, \forall t \geq 0\}$$ 可检测性： 即使系统不完全可观，如果所有不可观模态都是稳定的，则系统是可检测的。这在实际应用中往往足够，因为稳定的不可观模态会自然衰减。

4.1.4 对偶性

可控性和可观性存在对偶关系：系统 $(A, B, C)$ 可控等价于系统 $(A^T, C^T, B^T)$ 可观。

对偶原理的数学表述：

• 原系统：$\dot{x} = Ax + Bu$，$y = Cx$
• 对偶系统：$\dot{z} = A^Tz + C^Tv$，$w = B^Tz$

对偶性质：

1. $(A, B)$ 可控 $\Leftrightarrow$ $(A^T, B^T)$ 可观
2. $(A, C)$ 可观 $\Leftrightarrow$ $(A^T, C^T)$ 可控
3. 可控性矩阵 $\mathcal{C}$ 的秩等于对偶系统可观性矩阵的秩
4. 不可控模态对应对偶系统的不可观模态

实际意义：

• 可以将可观性问题转化为可控性问题求解
• 观测器设计可以通过对偶系统的控制器设计得到
• 为控制器和观测器设计提供了统一的理论框架

应用示例： 如果已知如何设计状态反馈控制器，通过对偶原理可以直接设计观测器：

1. 对偶系统的状态反馈：$v = -K^Tz$
2. 对应原系统的观测器增益：$L = K$

4.1.5 可控标准型与可观标准型

可控标准型：对于单输入系统，如果完全可控，可通过相似变换转化为： $$A_c = \begin{bmatrix} 0 & 1 & 0 & \cdots & 0 \\ 0 & 0 & 1 & \cdots & 0 \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & 0 & \cdots & 1 \\ -a_0 & -a_1 & -a_2 & \cdots & -a_{n-1} \end{bmatrix}, \quad B_c = \begin{bmatrix} 0 \\ 0 \\ \vdots \\ 0 \\ 1 \end{bmatrix}$$ 这种形式直接反映了系统的特征多项式：$\det(sI - A_c) = s^n + a_{n-1}s^{n-1} + \cdots + a_1s + a_0$

变换矩阵：设 $T$ 是将 $(A, B)$ 变换到可控标准型的矩阵，则： $$T = \mathcal{C}_c \mathcal{C}^{-1}$$ 其中 $\mathcal{C}$ 是原系统的可控性矩阵，$\mathcal{C}_c$ 是标准型的可控性矩阵。

可观标准型：对于单输出系统，如果完全可观，可通过相似变换转化为： $$A_o = \begin{bmatrix} 0 & 0 & \cdots & 0 & -a_0 \\ 1 & 0 & \cdots & 0 & -a_1 \\ 0 & 1 & \cdots & 0 & -a_2 \\ \vdots & \vdots & \ddots & \vdots & \vdots \\ 0 & 0 & \cdots & 1 & -a_{n-1} \end{bmatrix}, \quad C_o = \begin{bmatrix} 0 & 0 & \cdots & 0 & 1 \end{bmatrix}$$ 标准型的应用：

1. 控制器设计：在可控标准型下，状态反馈增益直接改变特征多项式系数
2. 系统辨识：从输入输出数据直接识别传递函数参数
3. 最小实现：去除不可控或不可观部分，得到最小阶系统
4. 数值计算：某些算法在标准型下更稳定高效

注意事项：

• 标准型变换可能引入数值问题，特别是对于高阶系统
• 实际计算中常使用数值更稳定的形式（如Hessenberg形式）
• 多输入多输出系统的标准型更复杂，需要使用Brunovsky标准型

4.2 状态反馈与极点配置

4.2.1 状态反馈控制律

状态反馈控制律形式为： $$u(t) = -Kx(t) + r(t)$$ 其中 $K \in \mathbb{R}^{m \times n}$ 是反馈增益矩阵，$r(t)$ 是参考输入。

闭环系统动态变为： $$\dot{x}(t) = (A - BK)x(t) + Br(t)$$

4.2.2 极点配置定理

定理：对于完全可控的单输入系统 $(A, b)$，存在状态反馈增益 $k$，使得闭环系统 $A - bk^T$ 的特征值可以任意配置。

证明思路：

1. 将系统变换到可控标准型
2. 在标准型下，反馈增益直接改变特征多项式系数
3. 通过逆变换得到原系统的反馈增益

Ackermann公式： $$k^T = [0 \quad 0 \quad \cdots \quad 1] \mathcal{C}^{-1} p(A)$$ 其中 $p(s) = (s - \lambda_1)(s - \lambda_2)\cdots(s - \lambda_n)$ 是期望的特征多项式，$p(A)$ 是矩阵多项式： $$p(A) = A^n + a_{n-1}A^{n-1} + \cdots + a_1A + a_0I$$ Bass-Gura公式（另一种计算方法）： $$k^T = (a - \alpha)T^{-1}$$ 其中 $a = [a_0, a_1, \ldots, a_{n-1}]$ 是期望特征多项式系数，$\alpha = [\alpha_0, \alpha_1, \ldots, \alpha_{n-1}]$ 是开环特征多项式系数，$T$ 是可控性变换矩阵。

计算步骤：

1. 验证系统可控性：计算 $\text{rank}(\mathcal{C})$
2. 选择期望极点：基于性能要求
3. 构造期望特征多项式：$p(s) = \prod_{i=1}^n (s - \lambda_i)$
4. 应用Ackermann公式或Bass-Gura公式
5. 验证闭环特征值：$\text{eig}(A - bk^T)$

4.2.3 多输入系统的极点配置

对于多输入系统，反馈增益矩阵不唯一。这提供了额外的设计自由度，但也增加了设计复杂性。

主要方法：

1. 模态控制： - 将系统解耦为独立模态 - 每个模态独立控制 - 适用于模态可分离的系统

2. 特征结构配置： - 同时配置特征值和特征向量 - 可以实现解耦或部分解耦 - 改善系统的模态特性

3. Wonham方法： - 将多输入系统转化为等价的单输入系统 - 使用循环设计逐步配置极点 - 保证数值稳定性

4. 鲁棒极点配置： - 考虑参数不确定性 - 最小化反馈增益范数 - 使用LMI（线性矩阵不等式）优化

设计自由度的利用：

• 最小化控制能量：$\min ||K||_F$ 满足极点配置约束
• 改善条件数：选择使闭环系统良态的 $K$
• 结构约束：实现分散控制或稀疏反馈
• 鲁棒性优化：最大化稳定裕度

实用算法：

输入：(A, B), 期望极点 {λ₁, ..., λₙ}
输出：反馈增益 K

1. 检查可控性
2. 对于每个期望极点 λᵢ：
   a. 求解 (λᵢI - A)vᵢ = Bwᵢ
   b. 选择 wᵢ 使 vᵢ 线性独立

3. 构造 V = [v₁ ... vₙ], W = [w₁ ... wₙ]
4. 计算 K = WV⁻¹

4.2.4 极点选择准则

极点位置直接影响系统性能，合理的极点选择是成功控制设计的关键。

性能指标与极点关系：

1. 稳定性： - 所有极点必须在左半平面（连续系统） - 离散系统：极点在单位圆内 - 稳定裕度：极点距虚轴/单位圆的最小距离

2. 响应速度： - 时间常数：$\tau = 1/|\text{Re}(\lambda)|$ - 调节时间（2%准则）：$t_s \approx 4/|\text{Re}(\lambda_{\text{dom}})|$ - 极点距虚轴越远，响应越快，但需要更大控制能量

3. 阻尼特性： - 阻尼比：$\zeta = \cos(\theta)$，其中 $\theta$ 是极点与负实轴的夹角 - 超调量：$M_p = e^{-\pi\zeta/\sqrt{1-\zeta^2}}$ - $\zeta > 0.7$ 通常认为是良好阻尼

4. 主导极点： - 最接近虚轴的极点主导系统响应 - 非主导极点应比主导极点快5-10倍 - 可用主导极点对近似分析系统性能

工程经验法则：

1. Bessel极点（最平坦群延迟）： - 二阶：$s = -1.5 \pm 0.866j$ - 三阶：$s = -1.839, -1.754 \pm 1.22j$ - 提供最小超调的阶跃响应

2. Butterworth极点（最平坦幅频响应）： - 均匀分布在左半平面的圆上 - n阶系统：$s_k = \omega_n e^{j(2k+n-1)\pi/(2n)}$，$k = 1, ..., n$

3. ITAE最优（最小时间乘绝对误差积分）： - 提供良好的时域响应折中 - 标准化极点表可查

实际限制考虑：

1. 执行器约束： - 带宽限制：闭环带宽 < 执行器带宽/3 - 饱和限制：过快的极点导致控制量饱和 - 速率限制：考虑执行器转换速率

2. 采样频率（数字控制）： - 采样频率 > 10倍闭环带宽 - 避免极点过于接近z平面的(0,0)点

3. 鲁棒性： - 避免极点过于接近 - 极点分离度 > 10%（防止数值敏感性） - 考虑参数变化的影响

极点配置策略：

1. 根据性能指标确定主导极点位置
2. 非主导极点放置在主导极点左侧5-10倍处
3. 复极点成对配置（共轭对）
4. 验证控制量是否在约束范围内
5. 进行灵敏度分析

4.3 全维与降维观测器设计

4.3.1 全维状态观测器

当状态不能直接测量时，需要构造观测器估计状态。全维观测器（Luenberger观测器）结构： $$\dot{\hat{x}}(t) = A\hat{x}(t) + Bu(t) + L(y(t) - C\hat{x}(t))$$ 其中 $\hat{x}$ 是状态估计，$L$ 是观测器增益矩阵。

估计误差动态： $$\dot{e}(t) = (A - LC)e(t)$$ 其中 $e(t) = x(t) - \hat{x}(t)$。

4.3.2 观测器增益设计

通过选择 $L$ 配置 $(A - LC)$ 的特征值，控制误差收敛速度。由对偶性，若系统可观，则可任意配置观测器极点。

设计准则：

• 观测器极点应比控制器极点快3-5倍
• 过快的观测器极点会放大测量噪声
• 考虑传感器带宽限制

4.3.3 降维观测器

当部分状态可直接测量时，只需估计不可测状态，降低观测器维数。

假设输出 $y = C_1x_1 + C_2x_2$，其中 $x_1$ 可测，$x_2$ 需要估计。降维观测器维数为 $n - p$。

优点：

• 降低计算复杂度
• 减少噪声影响
• 提高数值稳定性

4.4 分离原理

4.4.1 分离原理陈述

定理：对于线性系统，状态反馈控制器和状态观测器可以独立设计。闭环系统的特征值是控制器特征值和观测器特征值的并集。

数学表述：考虑增广系统 $$\begin{bmatrix} \dot{x} \\ \dot{e} \end{bmatrix} = \begin{bmatrix} A-BK & BK \\ 0 & A-LC \end{bmatrix} \begin{bmatrix} x \\ e \end{bmatrix}$$ 系统矩阵是块三角形，特征值为 $\lambda(A-BK) \cup \lambda(A-LC)$。

4.4.2 实际应用考虑

虽然分离原理保证了独立设计的可行性，但实际中需要考虑：

• 鲁棒性：分离设计可能降低鲁棒性
• 性能权衡：观测器动态影响瞬态响应
• 计算延迟：实时系统中的计算延迟影响

4.5 案例研究：磁悬浮系统控制

4.5.1 系统描述

磁悬浮系统是典型的非线性不稳定系统，通过电磁力克服重力使物体悬浮。

     电磁铁
        |
    ┌───┴───┐
    │       │
    └───┬───┘
        ↓ F_m
        │
        │ x
        ○ 悬浮球
        ↓ mg

4.5.2 动力学建模

根据牛顿第二定律和电磁学原理： $$m\ddot{x} = mg - F_m = mg - \frac{c i^2}{x^2}$$ 电路方程： $$L\frac{di}{dt} = u - Ri - \frac{d\lambda}{dt}$$ 其中 $x$ 是位置，$i$ 是电流，$u$ 是电压输入。

4.5.3 线性化

在平衡点 $(x_0, i_0)$ 附近线性化，令 $\delta x = x - x_0$，$\delta i = i - i_0$：

选择状态变量 $[x_1, x_2, x_3]^T = [\delta x, \dot{x}, \delta i]^T$： $$A = \begin{bmatrix} 0 & 1 & 0 \\ k_x & 0 & -k_i \\ 0 & 0 & -\frac{R}{L} \end{bmatrix}, \quad B = \begin{bmatrix} 0 \\ 0 \\ \frac{1}{L} \end{bmatrix}$$ 其中 $k_x = \frac{2ci_0^2}{mx_0^3}$，$k_i = \frac{2ci_0}{mx_0^2}$。

4.5.4 可控性与可观性分析

计算可控性矩阵： $$\mathcal{C} = [B \quad AB \quad A^2B]$$ 对于典型参数，$\text{rank}(\mathcal{C}) = 3$，系统完全可控。

假设只测量位置：$C = [1 \quad 0 \quad 0]$ $$\mathcal{O} = \begin{bmatrix} C \\ CA \\ CA^2 \end{bmatrix}$$ 系统完全可观。

4.5.5 控制器设计

步骤1：选择期望极点

• 稳定时间要求：$t_s < 0.5s$ → 实部 $< -8$
• 避免过冲：阻尼比 $\zeta > 0.7$
• 选择：$\lambda_{1,2} = -10 \pm 5j$，$\lambda_3 = -15$

步骤2：计算反馈增益 使用Ackermann公式或直接求解得到： $$K = [k_1 \quad k_2 \quad k_3] = [250 \quad 35 \quad 8]$$ 步骤3：设计观测器 观测器极点选择：$\lambda_{o1,2} = -30 \pm 10j$，$\lambda_{o3} = -40$

4.5.6 实施考虑

非线性补偿：

• 在大范围运动时需要增益调度
• 考虑磁饱和效应

实际限制：

• 电流限制：$0 < i < i_{max}$
• 位置约束：避免碰撞
• 传感器噪声滤波

数字实现：

• 采样频率 > 1kHz
• 使用离散化状态空间模型
• 抗积分饱和措施

4.6 历史人物：Rudolf Kalman

Rudolf Emil Kalman（1930-2016）是现代控制理论的奠基人之一。1960年，他发表了两篇革命性论文，建立了状态空间理论框架和卡尔曼滤波器。

主要贡献：

• 可控性与可观性概念：首次系统阐述了这两个基本概念，奠定了现代控制理论基础
• 卡尔曼滤波器：最优状态估计理论，在Apollo登月计划中发挥关键作用
• 代数Riccati方程：LQR和LQG控制的数学基础
• 系统实现理论：最小实现和正则形式

影响：Kalman的工作使控制理论从频域方法转向时域状态空间方法，为处理多变量系统、时变系统和随机系统提供了统一框架。他的理论不仅在控制领域，在信号处理、通信、经济学等领域也有广泛应用。

4.7 前沿专题：描述符系统与奇异摄动理论

4.7.1 描述符系统

描述符系统（也称广义状态空间系统或微分代数系统）形式： $$E\dot{x}(t) = Ax(t) + Bu(t)$$ 其中 $E$ 可能奇异（$\det(E) = 0$）。

应用场景：

• 电路系统（包含代数约束）
• 机械系统（刚体约束）
• 经济模型（均衡条件）

关键概念：

• 正则性：$\det(sE - A) \not\equiv 0$
• 脉冲可控性：消除脉冲模态的能力
• 因果性：系统响应不依赖未来输入

4.7.2 奇异摄动理论

奇异摄动系统包含不同时间尺度的动态： $$\begin{align} \dot{x} &= f(x, z, \epsilon) \\ \epsilon\dot{z} &= g(x, z, \epsilon) \end{align}$$ 其中 $\epsilon \ll 1$ 是小参数，$x$ 是慢变量，$z$ 是快变量。

边界层理论：

• 外部解：令 $\epsilon = 0$，得到降阶系统
• 内部解：引入快时间尺度 $\tau = t/\epsilon$
• 复合解：匹配内外解

应用实例：

• 柔性机械臂：刚体模态（慢）vs 弹性振动（快）
• 电机控制：机械动态（慢）vs 电气动态（快）
• 飞行器控制：姿态动力学（慢）vs 执行器动力学（快）

设计方法：

1. 复合控制：分别设计慢、快子系统控制器
2. 积分流形方法：构造不变流形分离时间尺度
3. 奇异摄动最优控制：考虑不同时间尺度的性能指标

4.8 本章小结

核心概念回顾

1. 可控性与可观性： - 可控性矩阵：$\mathcal{C} = [B \quad AB \quad \cdots \quad A^{n-1}B]$ - 可观性矩阵：$\mathcal{O} = [C^T \quad A^TC^T \quad \cdots \quad (A^T)^{n-1}C^T]^T$ - 对偶原理：$(A,B,C)$ 可控 ↔ $(A^T,C^T,B^T)$ 可观

2. 状态反馈： - 控制律：$u = -Kx + r$ - 闭环系统：$\dot{x} = (A-BK)x + Br$ - Ackermann公式：极点配置的直接计算方法

3. 观测器设计： - 全维观测器：$\dot{\hat{x}} = A\hat{x} + Bu + L(y - C\hat{x})$ - 误差动态：$\dot{e} = (A-LC)e$ - 降维观测器：只估计不可测状态

4. 分离原理： - 控制器和观测器可独立设计 - 闭环特征值 = 控制特征值 ∪ 观测特征值 - 实际应用需考虑鲁棒性

关键公式汇总

| 概念 | 公式 | 条件 |

4.9 练习题

基础题

习题4.1 考虑系统： $$A = \begin{bmatrix} -1 & 0 \\ 0 & -2 \end{bmatrix}, \quad B = \begin{bmatrix} 1 \\ 1 \end{bmatrix}, \quad C = \begin{bmatrix} 1 & 0 \end{bmatrix}$$ 判断系统的可控性和可观性。

习题4.2 对于完全可控的二阶系统，设计状态反馈使闭环极点位于 $-3 \pm 2j$。系统矩阵为： $$A = \begin{bmatrix} 0 & 1 \\ 2 & -1 \end{bmatrix}, \quad B = \begin{bmatrix} 0 \\ 1 \end{bmatrix}$$

习题4.3 设计一个全维观测器，使观测器极点位于 $-10, -12$。系统参数同习题4.2，输出矩阵 $C = [1 \quad 0]$。

挑战题

习题4.4 考虑双积分系统（如卫星姿态控制）： $$\ddot{\theta} = u$$ 其中 $\theta$ 是角度，$u$ 是控制力矩。 a) 写出状态空间表示 b) 证明系统完全可控但开环不稳定 c) 设计状态反馈实现临界阻尼响应（$\zeta = 1$），自然频率 $\omega_n = 2$ rad/s d) 如果只能测量角度 $\theta$，设计观测器估计角速度

习题4.5 （开放性思考题）磁悬浮列车使用多个电磁铁维持悬浮。讨论以下设计挑战： a) 为什么需要分布式控制而不是集中控制？ b) 如何处理轨道不平整造成的扰动？ c) 乘客上下车时质量变化如何影响控制设计？

习题4.6 证明对于单输入系统，如果 $(A, b)$ 可控，则对于几乎所有的输出矩阵 $c$（除了测度为零的集合），系统 $(A, b, c)$ 是可观的。这个结果的实际意义是什么？

习题4.7 考虑柔性梁的振动控制，其中包含刚体模态和多个弹性模态。假设只控制和观测前两个模态，分析溢出（spillover）问题： a) 什么是控制溢出和观测溢出？ b) 如何在设计中减小溢出影响？

4.10 常见陷阱与错误

1. 数值条件问题

陷阱：可控性/可观性矩阵在高阶系统中条件数很差。

症状：

• 理论可控但数值计算显示不可控
• 极点配置产生极大的增益
• 仿真中出现数值振荡

解决方案：

• 使用平衡实现（balanced realization）
• 采用数值稳定的算法（QR分解）
• 适当缩放系统矩阵
• 考虑使用正交变换而非直接求逆

2. 极点选择不当

陷阱：选择过快的闭环极点。

后果：

• 控制输入饱和
• 对模型误差敏感
• 激发未建模动态

最佳实践：

• 闭环带宽 < 执行器带宽的1/3
• 考虑采样频率限制（离散系统）
• 进行灵敏度分析

3. 观测器-控制器相互作用

陷阱：忽略观测器动态对闭环性能的影响。

表现：

• 初始瞬态响应差
• 对扰动响应慢
• 噪声放大

调试技巧：

• 先用真实状态测试控制器
• 逐步引入观测器
• 监控估计误差演化
• 调整观测器/控制器带宽比

4. 分离原理的局限

误解：分离原理在所有情况下都成立。

实际限制：

• 仅对线性系统严格成立
• 不保证鲁棒性
• 不考虑约束

改进方法：

• 使用LQG/LTR保证鲁棒性
• 考虑综合设计方法
• 非线性系统需要特殊处理

5. 离散化错误

陷阱：不当的离散化方法破坏系统性质。

问题：

• 前向欧拉可能使稳定系统变不稳定
• 采样时间选择不当
• 忽略采样间行为

正确做法：

• 使用零阶保持器（ZOH）离散化
• 采样频率 > 10倍闭环带宽
• 考虑采样延迟影响
• 验证离散系统的可控性/可观性

4.11 最佳实践检查清单

设计前检查

• [ ] 系统模型是否经过验证？
• [ ] 是否进行了可控性/可观性分析？
• [ ] 是否识别了主导模态？
• [ ] 执行器/传感器带宽是否足够？
• [ ] 是否考虑了模型不确定性？

控制器设计

• [ ] 极点选择是否合理？（不太快/不太慢）
• [ ] 是否考虑了执行器饱和？
• [ ] 是否进行了灵敏度分析？
• [ ] 是否验证了闭环稳定性？
• [ ] 增益值是否在合理范围？

观测器设计

• [ ] 观测器极点是否比控制器快3-5倍？
• [ ] 是否考虑了测量噪声影响？
• [ ] 初始化策略是否合理？
• [ ] 是否需要降维观测器？
• [ ] 计算延迟是否可接受？

实现验证

• [ ] 离散化方法是否合适？
• [ ] 采样时间是否满足要求？
• [ ] 是否进行了数值稳定性检查？
• [ ] 是否包含抗积分饱和？
• [ ] 是否有故障检测机制？

性能评估

• [ ] 是否满足时域指标？（上升时间、超调、稳态误差）
• [ ] 是否满足频域指标？（带宽、相位裕度、增益裕度）
• [ ] 鲁棒性是否足够？（参数变化、扰动抑制）
• [ ] 是否进行了蒙特卡洛仿真？
• [ ] 是否考虑了最坏情况？

文档记录

• [ ] 设计假设是否明确？
• [ ] 参数选择理由是否记录？
• [ ] 是否包含仿真结果？
• [ ] 调试经验是否总结？
• [ ] 是否有维护指南？

下一章预告：第5章：最优控制理论 将介绍如何系统地设计最优控制器，包括变分法、Pontryagin最大值原理、LQR控制等内容，并通过Apollo登月舱轨迹优化等案例展示最优控制的强大能力。