电路小白也能懂:用状态变量图搞定现代控制理论动态方程(附MATLAB仿真步骤)

现代控制理论—线性系统的状态空间描述② 1-3 状态空间表达式的模拟结构图 引言 – 模拟结构图是系统模拟计算的图,所用的基本元件为积分器,比例器,加法器,以及在非线性系统中使用的辅助元件,例如乘法器和除法器。 – 模拟结构图反映系统各状态变量之间的传递关系,使系统结构清晰,也方便建立状态空间表式。 绘制模拟结构图的主要步骤 1. 画出积分器,积分器的数目等于状态变量数; 2. 积分器的输出对应某个状态变量; 3. 根据系统的动态方程,包括微分方程、传递函数、状态 方程和输出方程等,画出相应的加法器和比例器; 阅读详情

电路小白也能懂:用状态变量图搞定现代控制理论动态方程(附MATLAB仿真步骤)

控制理论常被视作工程师的"高阶技能",但它的核心不过是描述系统如何随时间变化。想象一下调节房间温度的过程:温度计是传感器,空调是执行器,而你的大脑就是那个不断计算"该加热还是降温"的控制器。状态变量图正是将这种动态过程可视化的绝佳工具——它用积分器代替微分方程,用连线表示变量关系,让抽象数学变得触手可及。

1. 从物理系统到状态方程的直观转化

电路系统是理解状态变量最理想的起点。以常见的RLC串联电路为例,当我们在示波器上观察电容电压的振荡曲线时,其实已经看到了状态变量的物理表现。选择电容电压v_C和电感电流i_L作为状态变量并非偶然——前者反映系统储能状态,后者体现能量流动趋势。

状态变量选取三原则:

  1. 独立性:变量间不能存在代数关系(如电阻电压v_R可通过欧姆定律由电流i_R确定,故不能作为独立状态变量)
  2. 完备性:变量组合必须能完整描述系统能量状态
  3. 可测性:优先选择物理可测量的量(如电压、电流、位移等)

建立状态方程的通用流程:

% 示例:RLC电路状态方程推导
syms R L C v_C i_L u;
eq1 = L*diff(i_L,t) == u - v_C - R*i_L;  % 电感电压方程
eq2 = C*diff(v_C,t) == i_L;              % 电容电流方程
[state_eq, ~] = odeToVectorField(eq1, eq2);  % 转化为标准形式

典型错误是试图直接用二阶微分方程描述系统。实际上,状态空间法的精妙之处在于将高阶方程拆解为一组耦合的一阶方程。就像用多台摄像机从不同角度拍摄运动物体,每个状态变量都提供了系统的一个观测维度。

2. 状态变量图的图形化编程思维

将微分方程转化为图形表示时,积分器成为构建基

现代控制理论3——系统动态方程的建立 注:本文是在MOOC平台上学习西北工业大学《现代控制理论基础》(郭建国、赵斌、郭宗易)的课程进行随笔记录与整理 一.系统动态方程的建立 列式要求: 1.选择可以测量的物理量作为状态变量 2.根据元件遵循的定律列写方程 常用例子:电路图、牛二定律系统 想直观表达动态方程的变量关系——状态变量图 将状态方程中每个一阶微分方程用图解表示 每个一阶微分方程右端各项之和构成状态变量的导数,经积分可得该状态变... 阅读详情

相关推荐

现控笔记(二):状态空间表达式

控制系统状态空间表达式 系统动态过程的两类数学描述: 外部描述:(输入——输出描述) 内部描述:状态空间描述 两个方程描述:状态方程(动态),输出方程(静态) 比较:外部描述不完全,不能反映内部结构的不能控或不能观测部分。 状态空间描述基本概念: 输入:外部对系统的作用(激励),输入包括控制输入和干扰输入。 输出:系统的被控量或从外部测量到的系统信息。 若输出是由传感器测量得到的,又称为观测。 状态变量:一个动力学系统的状态变量组定义为:能完全表征其时间域行为 的一个最小内部变量组。 状态矢量:一个动

qq_42680785的博客 6万+

MATLAB传递函数建模与系统连接:串联、并联、反馈操作详解

传递函数是描述动态系统输入输出关系的核心数学模型,广泛应用于自动控制、信号处理与电力电子等领域。其原理基于拉普拉斯变换,将微分方程转化为代数形式,便于分析系统稳定性、频率响应等特性。在工程实践中,MATLAB提供了高效的工具箱,能够将抽象的传递函数理论转化为可计算、可仿真的对象模型,极大提升了系统设计与分析的效率。通过MATLAB的tf、zpk、ss等对象,工程师可以直观构建系统模型,并利用串联、并联、反馈等基本操作,快速组合复杂控制系统。这些方法尤其适用于控制器设计、多系统联合仿真等场景,帮助工程师聚焦于

weixin_33787529的博客 294

级联ESO:ADRC工业落地的核心观测器架构

扩展状态观测器(ESO)是自抗扰控制(ADRC)实现扰动抑制与参数鲁棒性的核心组件,其性能直接决定控制器在真实工业场景中的稳定性与适应性。传统单级ESO受限于带宽折中,在高频噪声抑制与低频漂移跟踪间难以兼顾;而级联ESO通过频域解耦,将扰动观测分解为快变、中频、慢变三级物理过程,显著提升观测精度与系统鲁棒性。该结构不仅增强对电机突加负载、传感器温漂、CAN通信抖动等典型工业扰动的抑制能力,更支持离散化实现、定点数部署与国产MCU适配,已在汽车电驱、空调压缩机、高铁轴承监测等场景完成C代码量产验证。本文聚焦级

weixin_34205826的博客 345

数字电源闭环设计:从ADC采样到数字补偿器的工程实践

在嵌入式系统与电源控制领域,闭环控制是实现系统稳定与高性能的核心技术。其基本原理是通过传感器(如ADC)实时采集被控对象状态,与设定值比较产生误差,经由控制器(补偿器)运算后输出控制量,最终驱动执行器(如PWM)调节系统行为,构成一个负反馈回路。这一技术价值在于能够自动抑制扰动、提升系统动态响应与稳态精度。在开关电源、电机驱动等应用场景中,数字闭环因其灵活性与智能化优势正逐步取代传统模拟方案。然而,实现稳定可靠的数字闭环,关键在于深刻理解并处理好从模拟到数字域转换带来的独特挑战。本文聚焦于数字电源设计,深入

weixin_30615767的博客 377

半导体设备控制算法:从PID到量产的硬核工程实践

控制算法在工业自动化中是实现系统稳定性与精度的核心技术,其本质是将物理过程建模、实时计算与硬件执行深度耦合的确定性工程。它依赖采样周期抖动、浮点运算误差、硬件中断响应延迟等底层指标保障可靠性,而非仅关注理论最优性。在半导体制造等高要求场景中,控制算法需满足毫秒级响应、亚百分比级稳态误差、720小时无故障运行等严苛条件,广泛应用于真空腔体压力调控、气体流量精确分配、温度梯度动态补偿等关键环节。本文聚焦深圳产线真实案例,解析如何在ARM+FPGA异构平台、有限Flash资源与强电磁干扰环境下,实现可验证、可追溯

weixin_34205826的博客 385

自动控制原理9.1:线性系统的状态空间描述(上)

基于胡寿松《自动控制原理》(第七版)总结的笔记,可用于自动控制相关考试,自动控制相关基础学习,自动控制相关院校考研复习。

FUXI_Willard 2362

GPOPS2高精度最优控制求解原理与MATLAB实战

最优控制是连接动态系统建模与工程优化的核心技术,其本质是求解带微分方程约束的非线性规划问题。传统数值方法如有限差分易导致精度损失与收敛失败,而高斯伪谱法通过正交多项式配置实现指数级收敛,显著提升状态轨迹与控制律的物理可实现性。GPOPS2作为专为此类问题设计的MATLAB原生求解器,深度融合自适应网格细化(AMR)与状态缩放机制,在航天器再入、自动驾驶避障等对终端精度和控制饱和敏感的场景中展现出不可替代的技术价值。本文围绕非线性最优控制问题与高斯伪谱法两大热词,详解其从数学建模、离散化策略到工程落地的完整闭

weixin_29197835的博客 255

PAM4信号测试实战:从眼图分析到误码率测量的技术演进

在高速数字系统设计中,信号完整性测试是确保数据传输可靠性的核心环节。其基本原理在于通过时域和频域分析,精确评估信号在传输过程中的质量衰减与失真。随着数据速率向56Gbps及以上演进,传统的NRZ编码面临带宽瓶颈,而PAM4调制技术通过在每个符号周期内承载更多比特信息,成为提升信道效率的关键路径。这项技术的工程价值在于,它允许在相同带宽下实现翻倍的数据吞吐量,这对于数据中心互联、PCIe 6.0及800G以太网等高速接口至关重要。然而,PAM4信号电平间距更小,对噪声和抖动极为敏感,导致其原始误码率显著升高,

weixin_42522817的博客 661

【Gazebo安装指南】Ubuntu22.04LTS环境下的高效配置与常见问题解决

本文提供了在Ubuntu 22.04 LTS系统上高效安装和配置Gazebo仿真环境的详细指南。针对Gazebo Classic版本,文章对比了通过ROS 2仓库和Ubuntu官方仓库两种主流安装方法,并重点解决了安装过程中常见的软件包定位、模型下载及图形驱动等问题,帮助用户快速搭建稳定的机器人仿真开发环境。

weixin_29279101的博客 440

Diffusion Model进阶解析:从SDE到概率流ODE的连续化生成建模

本文深入解析了Diffusion Model的连续化生成建模,从离散DDPM和SGM模型引入,阐述了采用随机微分方程(SDE)统一视角的必要性与优势。文章详细拆解了SDE的构成,揭示了其如何统一描述扩散过程,并重点介绍了逆向SDE与确定性的概率流ODE,后者为高效、确定的图像生成提供了理论基础。最后,文章对比了朗之万动力学、数值SDE求解器和数值ODE求解器(如DPM-Solver)等主流采样方法的实战应用与选择策略。

weixin_29099217的博客 437

STM32 HAL库串口DMA接收不定长数据的两种实战方法:IDLE中断与超时管理详解

本文详细解析了STM32 HAL库中串口DMA接收不定长数据的两种实战方法:IDLE中断与超时管理。通过对比分析两种方案的硬件要求、响应速度和适用场景,为嵌入式开发者提供了高效可靠的串口通信解决方案,特别适用于智能家居、传感器网络等需要处理不定长数据包的应用场景。

weixin_30954265的博客 473

IAR9.4报错之编码方式

IAR9.40编码方式错误导致的报错

qq_36081075的博客 2627

LM Studio Bionic:本地AI智能体从部署到实战完整指南

AI智能体作为能够自主规划、执行多步任务的人工智能系统,其核心原理在于结合大语言模型的推理能力与工具调用机制。通过状态保持和任务分解算法,智能体实现了从单次问答到持续协作的技术跃迁。在工程实践中,这种架构显著降低了复杂任务自动化的门槛,特别适用于数据敏感场景和定制化需求。以Tesla V100等专业硬件为例,本地部署能充分发挥其大显存优势,支持更高精度的模型量化格式。在实际应用层面,智能体可无缝集成到代码审查、文档生成等开发工作流中,而LM Studio Bionic通过统一界面整合了模型服务、任务规划器等

weixin_29053695的博客 667

【2025最新版】Open3D 区域生长分割(python详细过程版)

点云区域生长分割算法的python详细过程版实现。博客长期更新,本文最新更新时间为:2025年3月23日。

点云侠的博客 9529

YOLOv11 TensorRT极致加速:C++部署性能优化完全指南

购买即可解锁300+YOLO优化文章,并且还有海量深度学习复现项目,价格仅需两杯奶茶的钱,别人有的本专栏也有!

LXY_LOVE36的博客 119

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 【小沐学GIS】基于Godot实现三维地球动态可视化(GIS+游戏引擎融合)
下一篇: Graphormer实战:5步搞定分子性质预测(附OGB数据集代码)
寂静夜空35
博客等级 码龄3年 60粉丝 1797原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值