实例2-直流电机状态空间控制(Matlab仿真)

1. 直流电机状态空间控制基础

直流电机控制是自动化领域的基础课题，状态空间法作为现代控制理论的核心方法，能够有效处理多变量系统的控制问题。与传统的传递函数方法相比，状态空间法不仅能描述系统输入输出关系，还能揭示系统内部状态的变化规律，为控制器设计提供更全面的信息。

在实际工程中，直流电机的状态空间控制通常选择电枢电流和转子角速度作为状态变量。这种选择基于物理意义明确且便于测量的考虑：电流直接反映电磁转矩的产生，而转速则是我们需要控制的最终目标。通过建立这两个状态变量之间的关系，我们可以构建出一个二阶系统，为后续的控制器设计奠定基础。

我记得第一次接触状态空间控制时，最大的困惑是如何将物理系统转化为数学表达式。后来发现，只要抓住能量转换这个核心，问题就变得清晰了。直流电机本质上是个电能-机械能转换装置，电压输入产生电流，电流产生转矩，转矩驱动负载旋转。这个过程中，电感的储能特性、转子的惯性特性以及系统的摩擦损耗，共同决定了电机的动态响应特性。

2. 建立直流电机状态空间模型

2.1 物理模型到数学模型的转换

建立准确的数学模型是控制器设计的第一步。对于直流电机，我们需要从电路和机械两个角度进行分析。在电路方面，根据基尔霍夫电压定律，电枢回路的电压平衡方程可以表示为：V = R*i + L*di/dt + K*ω，其中V是输入电压，i是电枢电流，ω是转子角速度，R和L分别是电枢电阻和电感，K是反电动势系数。

在机械方面，根据牛顿第二定律，转矩平衡方程可以写为：K*i = J*dω/dt + b*ω，这里J是转动惯量，b是粘性摩擦系数。这个方程表明电磁转矩克服惯性力和摩擦力后，驱动转子加速旋转。将这两个方程整理后，我们得到系统的状态方程：

dω/dt = -(b/J)*ω + (K/J)*i
di/dt = -(K/L)*ω - (R/L)*i + (1/L)*V

输出方程通常选择转速作为观测变量：y = ω。这样就完成了从物理系统到状态空间模型的转化。在实际建模时，参数准确性至关重要。我曾经因为低估了摩擦系数b的影响，导致仿真结果与实际测试偏差很大。后来通过实验测量修正了参数值，才获得准确的模型。

2.2 Matlab中的模型实现

在Matlab中实现状态空间模型非常简单。首先定义系统参数：

J = 0.01;    % 转动惯量 (kg.m^2)
b = 0.1;     % 粘性摩擦系数 (N.m.s)
K = 0.01;    % 反电动势系数 (V/rad/s)
R = 1;       % 电枢电阻 (Ω)
L = 0.5;     % 电枢电感 (H)

然后构建状态矩阵：

A = [-b/J   K/J
     -K/L  -R/L];
B = [0
     1/L];
C = [1 0];    % 输出为转速
D = 0;
sys = ss(A, B, C, D);  % 创建状态空间模型

使用step命令可以查看开环系统的阶跃响应：step(sys)。从响应曲线可以看出，开环系统存在稳态误差大、响应速度慢等问题，这就需要我们设计合适的控制器来改善系统性能。

3. 系统可控性分析与极点配置

3.1 可控性判断与意义

在设计控制器之前，必须确认系统是否可控。可控性意味着我们能否通过适当的输入控制，使系统状态在有限时间内从任意初始状态转移到期望状态。在Matlab中，我们可以使用ctrb函数计算可控性矩阵，并通过检查其秩来判断系统可控性：

co_matrix = ctrb(A, B);       % 计算可控性矩阵
controllable = rank(co_matrix) == length(A);  % 判断是否满秩

对于二阶系统，如果可控性矩阵的秩为2，说明系统完全可控。这是一个重要的前提条件，因为只有可控的系统才能通过状态反馈任意配置极点。我曾经遇到过因传感器故障导致某些状态不可观测的情况，这时系统虽然可控但无法实现全状态反馈，不得不改用输出反馈方案。

3.2 极点配置策略

极点配置是状态空间控制的核心思想。通过选择合适的状态反馈增益矩阵K，可以将闭环系统的极点配置到期望位置，从而获得理想的动态响应特性。期望极点的选择需要综合考虑响应速度、超调量和抗干扰能力等因素。

一般来说，极点离虚轴越远，系统响应越快，但对噪声越敏感。我通常先根据时域指标（如调节时间、超调量）确定主导极点的位置，再选择另一个极点使其远离主导极点（3-5倍以上），这样系统的动态特性主要由主导极点决定。

在Matlab中，使用place或acker函数可以方便地计算反馈增益：

desired_poles = [-10+5i, -10-5i];  % 期望极点位置
Kc = place(A, B, desired_poles);    % 计算反馈增益

选择期望极点时需要注意，过于激进的极点配置（极点离虚轴太远）会导致控制量过大，在实际系统中可能无法实现，甚至损坏执行机构。我的经验是先在仿真中尝试不同的极点配置，观察控制量的变化，找到性能与控制代价的最佳平衡点。

4. 全状态反馈控制器设计

4.1 反馈增益计算与实现

全状态反馈控制律可以表示为：u = -Kc*x，其中Kc是反馈增益矩阵，x是状态向量。这个控制律的物理意义很直观：根据系统当前状态与期望状态的偏差，产生相应的控制作用。对于直流电机系统，就是根据转速和电流的偏差调整输入电压。

在Matlab中实现全状态反馈控制系统：

sys_cl = ss(A-B*Kc, B, C, D);  % 闭环系统
t = 0:0.01:5;
step(sys_cl, t);               % 阶跃响应

从阶跃响应曲线可以看到，系统的动态性能得到了显著改善，响应速度加快，但通常会出现稳态误差。这是因为状态反馈改变了系统矩阵，影响了系统的稳态增益。为了解决这个问题，我们需要引入前置补偿器。

我第一次实现全状态反馈时，没有注意到稳态误差问题，结果系统虽然响应很快，但始终无法准确跟踪设定值。后来通过添加前置补偿器，才解决了这个问题。

4.2 控制性能分析

全状态反馈控制器的性能主要体现在三个方面：快速性、稳定性和鲁棒性。快速性由极点的位置决定，稳定性由极点是否全部位于左半平面保证，而鲁棒性则体现在系统对参数变化的敏感程度上。

通过仿真可以分析不同工况下的控制性能：

% 分析不同负载条件下的性能
load_torques = [0, 0.5, 1.0];  % 不同负载转矩
for i = 1:length(load_torques)
    % 调整系统参数模拟负载变化
    A_loaded = A;
    A_loaded(1,1) = - (b + load_torques(i))/J;
    sys_loaded = ss(A_loaded-B*Kc, B, C, D);
    subplot(length(load_torques),1,i);
    step(sys_loaded, t);
    title(['负载转矩 = ', num2str(load_torques(i)), ' N.m']);
end

这种分析帮助我们了解控制器在不同工作条件下的表现，为实际应用提供参考。在我的项目中，通过这种分析发现重载时系统响应变慢，于是增加了负载观测器来补偿负载变化的影响。

5. 前置补偿器设计与系统优化

5.1 稳态误差分析与补偿原理

全状态反馈虽然改善了动态性能，但往往引入了稳态误差。这是因为状态反馈改变了系统的直流增益。前置补偿器的作用就是补偿这种增益变化，使系统在稳态时能够准确跟踪输入指令。

前置补偿器系数Nbar的计算原理是基于零稳态误差的要求。对于单位阶跃输入，我们希望稳态输出为1，即：lim_{t→∞} y(t) = 1。通过求解这个条件，可以得到Nbar的表达式：

function Nbar = rscale(A,B,C,D,K)
    s = size(A,1);
    Z = [zeros(1,s) 1];
    N = inv([A B; C D]) * Z';
    Nx = N(1:s);
    Nu = N(s+1);
    Nbar = Nu + K*Nx;
end

这个函数计算出的Nbar值能够正好补偿状态反馈带来的增益变化。在实际应用中，我通常会将Nbar作为可调参数，根据实际测试结果进行微调，因为数学模型总是存在一定误差。

5.2 完整控制系统实现

将前置补偿器与状态反馈结合，形成完整的控制系统：u = Nbar*r - Kc*x，其中r是参考输入。在Matlab中实现：

Nbar = rscale(A,B,C,D,Kc);  % 计算补偿系数
sys_final = ss(A-B*Kc, B*Nbar, C, D);  % 完整系统
step(sys_final, t);

现在观察阶跃响应，应该可以看到系统既具有良好的动态性能，又能够实现零稳态误差。为了进一步优化系统性能，可以调整期望极点的位置，或者在性能指标与控制代价之间寻找更好的平衡点。

在实际项目中，我经常使用参数扫描来寻找最优的极点配置：

% 参数扫描寻找最优极点配置
pole_positions = [-5+2i, -5-2i; -8+3i, -8-3i; -12+4i, -12-4i];
for i = 1:size(pole_positions,1)
    Kc_temp = place(A, B, pole_positions(i,:));
    Nbar_temp = rscale(A,B,C,D,Kc_temp);
    sys_temp = ss(A-B*Kc_temp, B*Nbar_temp, C, D);
    % 计算性能指标
    step_info = stepinfo(sys_temp);
    fprintf('极点位置: %s, 调节时间: %.3f s, 超调量: %.1f%%\n', ...
        mat2str(pole_positions(i,:)), step_info.SettlingTime, step_info.Overshoot);
end

这种方法帮助我快速评估不同设计方案的优劣，选择最适合具体应用的控制器参数。

6. 仿真验证与性能评估

6.1 时域性能分析

完整的控制系统设计完成后，需要进行全面的仿真验证。时域分析主要关注阶跃响应特性，包括上升时间、调节时间、超调量和稳态误差等指标。在Matlab中可以使用stepinfo函数自动提取这些指标：

info = stepinfo(sys_final);
disp('系统性能指标:');
disp(['上升时间: ', num2str(info.RiseTime), ' s']);
disp(['调节时间: ', num2str(info.SettlingTime), ' s']);
disp(['超调量: ', num2str(info.Overshoot), '%']);
disp(['峰值时间: ', num2str(info.PeakTime), ' s']);

为了验证系统在不同输入条件下的性能，我还经常测试斜坡响应和正弦跟踪能力：

% 斜坡响应测试
t = 0:0.01:10;
u = t;  % 斜坡输入
lsim(sys_final, u, t);  % 模拟响应
title('斜坡响应');

6.2 频域分析与鲁棒性测试

频域分析能够揭示系统的频率响应特性，包括带宽、相位裕度和增益裕度等指标。这些指标反映了系统的快速性和鲁棒性：

margin(sys_final);  % 伯德图分析
grid on;

鲁棒性测试是评估控制器在实际应用中可靠性的重要环节。我通常通过改变系统参数（如转动惯量J、电阻R等），观察控制系统性能的变化：

% 参数敏感性分析
J_variations = [0.005, 0.01, 0.02];  % ±50%变化
figure;
for i = 1:length(J_variations)
    A_mod = [-b/J_variations(i) K/J_variations(i)
             -K/L         -R/L];
    sys_mod = ss(A_mod-B*Kc, B*Nbar, C, D);
    subplot(length(J_variations),1,i);
    step(sys_mod, t);
    title(['转动惯量 J = ', num2str(J_variations(i)), ' kg.m^2']);
end

这种分析帮助我们了解控制系统对参数变化的敏感程度，为实际调试提供指导。在我的经验中，状态空间控制器通常对参数变化不太敏感，这体现了其良好的鲁棒性。

7. 实际应用中的注意事项

7.1 状态观测器的应用

在实际系统中，并不是所有状态变量都能直接测量。对于直流电机系统，转速通常可以通过编码器测量，但电流测量需要额外的传感器，增加了系统成本和复杂性。这时候就需要使用状态观测器来估计不可测量的状态。

龙伯格观测器是最常用的全阶状态观测器：

% 设计龙伯格观测器
obsv_matrix = obsv(A, C);  % 可观测性矩阵
if rank(obsv_matrix) == length(A)
    % 系统可观测，设计观测器
    observer_poles = 2 * real(desired_poles(1)) * [1, 1.2];  % 观测器极点比控制器极点快2-3倍
    L = place(A', C', observer_poles)';  % 观测器增益
    % 构建含观测器的控制系统
    A_obs = [A-B*Kc    B*Kc
             zeros(size(A)) A-L*C];
    B_obs = [B*Nbar; zeros(size(B))];
    C_obs = [C zeros(size(C))];
    D_obs = 0;
    sys_with_observer = ss(A_obs, B_obs, C_obs, D_obs);
end

在实际项目中，我发现观测器极点的选择很重要。如果极点过于激进，观测器会对噪声敏感；如果过于保守，估计精度又不够。通常需要根据具体应用场景折中考虑。

7.2 抗饱和处理与实际限制

在实际系统中，控制量（电压）总是受到限制的。直接应用状态反馈可能导致控制量饱和，引起系统性能下降甚至不稳定。为了避免这个问题，需要加入抗饱和措施：

% 带饱和限制的控制实现
function u = motor_controller(x, r, Kc, Nbar, V_max)
    u_unlimited = Nbar*r - Kc*x;  % 无限制控制量
    u = max(min(u_unlimited, V_max), -V_max);  % 饱和限制
end

在仿真中，我可以模拟这种饱和效应：

% 模拟控制量饱和
V_max = 12;  % 最大电压12V
[t,x] = ode45(@(t,x) motor_dynamics(t,x,@(x) motor_controller(x,1,Kc,Nbar,V_max)), [0 5], [0;0]);
plot(t, x(:,1));  % 绘制转速响应

这种仿真更接近实际情况，帮助我评估在实际硬件限制下控制系统的性能。在我的项目中，通过这种方式发现了在大的设定值变化时会出现饱和问题，于是增加了设定值滤波和速率限制，避免了饱和带来的不良影响。

状态空间控制器的参数整定也需要考虑实际系统的特性。我通常采用先仿真后实测的方法：先在Matlab中完成初步设计，然后在实际系统上进行细调。这种方法既保证了设计效率，又确保了最终性能。