7.1 状态空间与系统建模
7.1 状态空间与系统建模
本节摘要：状态空间用一阶矩阵微分方程 ẋ = Ax + Bu 统一描述各类动态系统，状态向量是系统"记忆"的最小完备集合。本节以弹簧质量阻尼系统为主线完成建模、数值离散化与仿真，讨论状态选取的非唯一性、输入输出方程的角色，以及采样周期对离散化精度的影响。
为什么需要统一的容器
经典控制论用传递函数描述系统，擅长单输入单输出的频域分析，但方程阶次一高、多输入多输出一来就显笨拙。1960 年代卡尔曼等人推广的状态空间方法换了一个容器：把系统看成一组一阶微分方程 ẋ = Ax + Bu（状态怎么演化），配上输出方程 y = Cx + Du（能看到什么）。任何高阶方程都能降维打击成这个形式，机械、电气、热工、化工乃至生态种群模型，全部装进同一个矩阵容器——分析工具、控制器设计方法随之通用化。
状态的直觉定义：系统当前状况的最小完备快照——知道它，加上未来的输入，就能预报未来的一切。弹簧质量阻尼系统的状态是什么？质量块此刻的位置与速度：位置加上速度，配合方程就能推出此后每一刻的运动，缺一不可，多一是冗余。
从牛顿定律到矩阵方程
质量 m 挂在刚度 k 的弹簧上，受阻尼 c 与外力 u。牛顿定律给出 m·ẍ + c·ẋ + k·x = u。二阶方程拆成两个一阶：令 x₁ = 位置、x₂ = 速度，则 ẋ₁ = x₂，ẋ₂ = (u − c·x₂ − k·x₁)/m。装进矩阵：
import numpy as np m, c, k = 1.0, 0.8, 4.0 A = np.array([[0.0, 1.0], [-k/m, -c/m]]) B = np.array([[0.0], [1.0/m]]) def simulate(A, B, u_func, x0, T=10.0, dt=0.01): """前向欧拉离散化仿真，返回轨迹""" n_steps = int(T / dt) Ad = np.eye(2) + A * dt # 欧拉离散化 Bd = B * dt xs = [np.array(x0, dtype=float)] for i in range(n_steps): xs.append(Ad @ xs[-1] + Bd.flatten() * u_func(i * dt)) return np.array(xs) # 阶跃外力 1N traj = simulate(A, B, lambda t: 1.0, [0.0, 0.0]) print("末态位置:", round(traj[-1, 0], 3), "（理论稳态 = 1/k =", 1.0 / k, "）") print("超调峰值:", round(traj[:, 0].max(), 3))
位置曲线是典型的二阶响应：从零爬升、微微过冲、围绕稳态 0.25 衰减振荡。改阻尼 c 从 0.8 到 3，系统从"欠阻尼振荡"变成"过阻尼缓慢单调爬升"；调到临界值 c = 2√(mk) = 4，最快无超调。阻尼这个旋钮，就是几乎所有二阶系统（悬架、悬架、温度串级回路）共享的"性格旋钮"。
离散化：连续世界进计算机
计算机按采样周期 dt 逐步推进，连续方程必须离散化。上例用的前向欧拉最直观：ẋ ≈ (x(t+dt) − x(t))/dt，精度一阶。两条工程提醒：其一，dt 必须远小于系统最快模态（特征值绝对值的倒数），否则欧拉法会给衰减系统人为注入能量，把稳定系统仿真成发散——把上例 dt 改成 0.8 试试，衰减振荡会变成增幅振荡；其二，精确离散化有解析形式（矩阵指数 Ad = e^{A·dt}），SciPy 一行可用：
from scipy.linalg import expm Ad = expm(A * 0.05) # 精确离散化，采样 50ms print("离散系统特征值模:", np.abs(np.linalg.eigvals(Ad))) # 均 < 1 即稳定
判稳口径由此统一：连续系统看 A 的特征值实部是否全为负；离散系统看 Ad 的特征值模是否全小于 1。两个口径说的是同一件事——扰动会衰减还是放大，这正是 7.2 节的主角。
状态选取与输出的分离
状态变量的选取不唯一：位置速度是一种，位置与"位置加速度"的线性组合同样能推演未来——状态坐标的任何可逆线性变换都给出等价模型。工程里按"可测性"与"物理意义"挑：传感器直接量得到的状态最讨喜。输出方程 y = Cx 表达"哪些线性组合能被观测"：位移传感器就是 C = (1, 0)；若只有加速度计，C = (−k/m, −c/m) 加输入项。状态是系统的全部记忆，输出只是记忆的投影——投影不全时如何重构记忆，就是第 8 章（卡尔曼滤波）里"能观性"的问题。
从物理到矩阵的流水线
⚠️ 常见坑：模型阶数贪高。给三阶系统硬配五阶模型（多塞两个噪声状态），参数辨识与控制器设计都跟着遭殃。建模的功夫在于识别"哪些动态是主导的"，低阶主导模型往往胜过高阶全景模型。
同一个弹簧，三副面孔：跨域类比矩阵
状态空间的力量在于跨域统一，值得再看两个近亲。电感电容电阻电路：电容电压与电感电流是天然的状态变量，方程形式与弹簧质量阻尼一模一样——电感当质量、电阻当阻尼、电容倒数当刚度，机械工程师与电路工程师在状态空间里说的是同一种语言。一阶热系统（烤箱与房屋供暖）：热容对应电容、热阻对应电阻，状态只有一个（温度），是一阶系统的代表——它没有超调，只有指数逼近，时间常数决定"多快到达稳态的百分之六十三"。把三个域排成类比矩阵后你会发现：建模的功夫其实是认脸——见过弹簧质量阻尼的脸，就能认出电路与加热炉的脸。这就是教科书反复用同一批例子的原因，也是本教程坚持手写这些小模型的原因：模型库不在代码里，在你的模式识别里。
本节要点回顾
- 状态 = 系统记忆的最小完备快照，状态空间是一阶矩阵方程的统一容器；
- 二阶系统拆两个一阶，位置速度是标配状态选取；
- 阻尼系数是二阶系统的性格旋钮：欠阻尼振荡、临界最快无超调、过阻尼迟缓；
- 离散化看采样周期脸色：欧拉法 dt 过大会把稳定系统仿成发散，精确法用矩阵指数；
- 判稳口径：连续看特征值实部为负，离散看特征值模小于 1；
- 输出是状态的投影，投影不全引出能观性问题，通往卡尔曼滤波。
模型有了，下一节回答控制工程的第一问：这个系统会不会自己跑飞——不求解方程，能不能直接判断？