拉普拉斯变换
拉氏变换的数学定义
一个信号
f
(
t
)
f(t)
f(t) 的拉普拉斯变换
F
d
(
s
)
F_d(s)
Fd(s) 定义为:
F
d
(
s
)
=
∫
−
∞
+
∞
f
(
t
)
e
−
s
t
d
t
=
L
[
f
(
t
)
]
F_d(s)=\int_{-\infty}^{+\infty}f(t)e^{-st}dt=L[f(t)]
Fd(s)=∫−∞+∞f(t)e−stdt=L[f(t)]
(
3
−
1
)
\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;(3-1)
(3−1)
式中,
s
=
σ
+
j
w
s=\sigma+jw
s=σ+jw称为复频率,而信号
f
(
t
)
f(t)
f(t) 则是
F
d
(
s
)
F_d(s)
Fd(s) 的拉普拉斯反变换,即
f
(
t
)
=
1
2
π
j
∫
σ
−
j
∞
σ
+
j
∞
F
d
(
s
)
e
s
t
d
s
=
L
−
1
[
F
d
(
s
)
]
f(t)=\frac {1} {2 \pi j}\int_{\sigma-j\infty}^{\sigma+j\infty}F_d(s)e^{st}ds=L^{-1}[F_d(s)]
f(t)=2πj1∫σ−j∞σ+j∞Fd(s)estds=L−1[Fd(s)]
(
3
−
2
)
\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;(3-2)
(3−2)
式子 ( 3 − 1 ) (3-1) (3−1)被称为双边拉普拉斯变换,又称为 f ( t ) f(t) f(t)的象函数,也称为对 f ( t ) f(t) f(t)取拉普拉斯正变换。式子 ( 3 − 2 ) (3-2) (3−2)被称为双边拉普拉斯反变换,又称为 F d ( s ) F_d(s) Fd(s)的原函数,也称为对 F d ( s ) F_d(s) Fd(s)取拉普拉斯反变换。
工程中使用的信号往往都是因果信号。对于因果信号
f
(
t
)
ε
(
t
)
f(t)\varepsilon(t)
f(t)ε(t),有
F
(
s
)
=
∫
0
+
∞
f
(
t
)
e
−
s
t
d
t
=
L
[
f
(
t
)
]
F(s)=\int_{0}^{+\infty}f(t)e^{-st}dt=L[f(t)]
F(s)=∫0+∞f(t)e−stdt=L[f(t)]
(
3
−
3
)
\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;(3-3)
(3−3)
式子 ( 3 − 3 ) (3-3) (3−3)被称为单边拉普拉斯变换或拉普拉斯变换(简称拉氏变换),对应的单边反变换式子这里不再介绍。
对于单边拉普拉斯变换对,可简记为 f ( t ) ⟺ F ( s ) f(t)\iff F(s) f(t)⟺F(s);双边拉普拉斯变换对可简记为 f ( t ) ⟺ F d ( s ) f(t)\iff F_d(s) f(t)⟺Fd(s)
拉氏变换的收敛域
为了保证拉氏变换存在,满足积分收敛,复变量 s s s在复平面上的取值区域称为拉氏变换的收敛域。
单边拉氏变换的收敛域
由于单边拉氏变换的定义为
F
(
s
)
=
∫
0
+
∞
f
(
t
)
e
−
s
t
d
t
=
L
[
f
(
t
)
]
F(s)=\int_{0}^{+\infty}f(t)e^{-st}dt=L[f(t)]
F(s)=∫0+∞f(t)e−stdt=L[f(t)]
为满足积分收敛,就需要存在常数
σ
1
\sigma_1
σ1,使得当
R
e
[
s
]
=
σ
>
σ
1
Re[s]=\sigma>\sigma_1
Re[s]=σ>σ1时,有
lim
t
→
+
∞
f
(
t
)
e
−
σ
t
=
0
\lim\limits_{t\to+\infty}f(t)e^{-\sigma t}=0
t→+∞limf(t)e−σt=0,则上述积分才满足绝对可积条件,所以单边拉普拉斯变换存在的收敛域为
R
e
[
s
]
=
σ
>
σ
1
Re[s]=\sigma>\sigma_1
Re[s]=σ>σ1,如图
3
−
1
(
a
)
3-1(a)
3−1(a)所示
双边拉氏变换的收敛域
根据双边拉氏变换的定义
F
d
(
s
)
=
∫
−
∞
+
∞
f
(
t
)
e
−
s
t
d
t
=
L
[
f
(
t
)
]
F_d(s)=\int_{-\infty}^{+\infty}f(t)e^{-st}dt=L[f(t)]
Fd(s)=∫−∞+∞f(t)e−stdt=L[f(t)]
为满足积分收敛,就需要存在常数 σ 1 \sigma_1 σ1和 σ 2 \sigma_2 σ2,使得当 R e [ s ] > σ 1 Re[s]>\sigma_1 Re[s]>σ1时,有 lim t → + ∞ f ( t ) e − σ t = 0 \lim\limits_{t\to+\infty}f(t)e^{-\sigma t}=0 t→+∞limf(t)e−σt=0;当 R e [ s ] < σ 2 Re[s]<\sigma_2 Re[s]<σ2时,有 lim t → − ∞ f ( t ) e − σ t = 0 \lim\limits_{t\to-\infty}f(t)e^{-\sigma t}=0 t→−∞limf(t)e−σt=0,则双边拉普拉斯变换存在,其收敛域为 σ 1 < R e [ s ] < σ 2 \sigma_1<Re[s]<\sigma_2 σ1<Re[s]<σ2,如图 3 − 1 ( b ) 3-1(b) 3−1(b)所示。
关于收敛域的说明
对于单边拉氏变换可不说明其收敛域,因为对于因果信号,只要常数 σ 1 \sigma_1 σ1 足够大,我们总是可以满足绝对可积条件的,故单边拉氏变换一定存在;而对于双边拉氏变换,在求其拉氏变换时,应指明其收敛域。
常见信号的拉氏变换对(因果信号)
- 指数类信号
f
(
t
)
=
e
s
o
t
ε
(
t
)
f(t)=e^{s_ot}\varepsilon(t)
f(t)=esotε(t),其中
s
o
s_o
so为复常数
e s o t ε ( t ) ⟺ e^{s_ot}\varepsilon(t)\iff esotε(t)⟺ 1 s − s o \Large\frac {1} {s-s_o} s−so1 - 单位阶跃信号
f
(
t
)
=
ε
(
t
)
f(t)=\varepsilon(t)
f(t)=ε(t)
ε ( t ) ⟺ \varepsilon(t)\iff ε(t)⟺ 1 s \Large\frac {1} {s} s1 - 冲激信号
f
(
t
)
=
δ
(
t
)
f(t)=\delta(t)
f(t)=δ(t)
δ ( t ) ⟺ \delta(t)\iff δ(t)⟺ 1 1 1 - 正弦信号
f
(
t
)
=
s
i
n
(
w
o
t
)
ε
(
t
)
f(t)=sin(w_ot)\varepsilon(t)
f(t)=sin(wot)ε(t)
s i n ( w o t ) ε ( t ) ⟺ sin(w_ot)\varepsilon(t)\iff sin(wot)ε(t)⟺ w o s 2 − w o 2 \Large\frac {w_o} {s^2-w_o^2} s2−wo2wo - 余弦信号
f
(
t
)
=
c
o
s
(
w
o
t
)
ε
(
t
)
f(t)=cos(w_ot)\varepsilon(t)
f(t)=cos(wot)ε(t)
c o s ( w o t ) ε ( t ) ⟺ cos(w_ot)\varepsilon(t)\iff cos(wot)ε(t)⟺ s s 2 − w o 2 \Large\frac {s} {s^2-w_o^2} s2−wo2s
拉氏变换的性质
- 线性
a 1 f 1 ( t ) + a 2 f 2 ( t ) ⟺ a_1f_1(t)+a_2f_2(t)\iff a1f1(t)+a2f2(t)⟺ a 1 F 1 ( s ) + a 2 F 2 ( s ) a_1F_1(s)+a_2F_2(s) a1F1(s)+a2F2(s) - 时移
f ( t − t o ) ε ( t − t o ) ⟺ f(t-t_o)\varepsilon(t-t_o)\iff f(t−to)ε(t−to)⟺ e − s t o F ( s ) e^{-st_o}F(s) e−stoF(s) - 频移
e − s o t f ( t ) ⟺ e^{-s_ot}f(t)\iff e−sotf(t)⟺ F ( s + s o ) F(s+s_o) F(s+so) - 尺度变换
f ( a t ) ⟺ f(at)\iff f(at)⟺ 1 a \large\frac 1 a a1 F ( s a ) F(\frac s a) F(as) - 时域微分
f ( n ) ( t ) ⟺ f^{(n)}(t)\iff f(n)(t)⟺ s n F ( s ) − ∑ i = 0 n − 1 s n − 1 − i f ( i ) ( 0 − ) s^nF(s)-\sum_{i=0}^{n-1}s^{n-1-i}f^{(i)}(0_-) snF(s)−∑i=0n−1sn−1−if(i)(0−) - 频域微分
( − t ) n f ( t ) ⟺ (-t)^nf(t)\iff (−t)nf(t)⟺ F ( n ) ( s ) F^{(n)}(s) F(n)(s) - 时域卷积
f 1 ( t ) ∗ f 2 ( t ) ⟺ f_1(t)*f_2(t)\iff f1(t)∗f2(t)⟺ F 1 ( s ) F 2 ( s ) F_1(s)F_2(s) F1(s)F2(s) - 周期信号
f
(
t
)
f(t)
f(t),假设其第一周期为
f
1
(
t
)
f_1(t)
f1(t),周期为
T
T
T
F ( s ) = F(s)= F(s)= F 1 ( s ) 1 − e − s T \Large\frac {F_1(s)} {1-e^{-sT}} 1−e−sTF1(s) - 初值定理
f ( 0 + ) = lim t → 0 + f ( t ) = lim s → ∞ s F ( s ) f(0_+)=\lim\limits_{t\to0_+}f(t)=\lim\limits_{s\to\infty}sF(s) f(0+)=t→0+limf(t)=s→∞limsF(s) - 终值定理
f ( ∞ ) = lim t → ∞ f ( t ) = lim s → 0 s F ( s ) f(\infty)=\lim\limits_{t\to\infty}f(t)=\lim\limits_{s\to0}sF(s) f(∞)=t→∞limf(t)=s→0limsF(s)
注意:初值定理的应用条件是 F ( s ) F(s) F(s)必须是真分式(一个分式的分子的次数低于分母的次数,则这个分式叫做真分式),如果 F ( s ) F(s) F(s)是真分式,则有 f ( 0 − ) = f ( 0 + ) f(0_-)=f(0_+) f(0−)=f(0+);如果如果 F ( s ) F(s) F(s)是假分式,则有 f ( 0 − ) ≠ f ( 0 + ) f(0_-) \not= f(0_+) f(0−)=f(0+),即存在跳变,而在求零输入响应 y z i ( t ) y_{zi}(t) yzi(t) 时,使用的初始值是 y ( 0 − ) y(0_-) y(0−)。
任何信号
f
(
t
)
f(t)
f(t) 的拉氏变换
F
(
s
)
F(s)
F(s) 只可能是三种情况
1.实有理分式的形式
2.有无理因素在分子,比如
e
−
s
t
e^{-st}
e−st,说明原始信号
f
(
t
)
f(t)
f(t) 有时移
3.有无理因素在分母,说明原始信号
f
(
t
)
f(t)
f(t) 是周期信号
拉氏反变换
部分分式展开法
设有理分式
F
(
s
)
=
F(s)=
F(s)=
N
(
s
)
D
(
s
)
\Large\frac {N(s)} {D(s)}
D(s)N(s)
=
b
m
s
m
+
…
+
b
1
s
+
b
o
a
n
s
n
+
…
+
a
1
s
+
a
o
=\Large\frac {b_ms^m+…+b_1s+b_o} {a_ns^n+…+a_1s+a_o}
=ansn+…+a1s+aobmsm+…+b1s+bo
若
m
>
=
n
m >= n
m>=n,即
F
(
s
)
F(s)
F(s)为假分式时,我们可以通过长除法将
F
(
s
)
F(s)
F(s)分解为原理多项式
P
(
s
)
P(s)
P(s)与有理真分式的和,即
F
(
s
)
=
F(s)=
F(s)=
P
(
s
)
+
N
o
(
s
)
D
(
s
)
P(s) + \Large\frac {N_o(s)} {D(s)}
P(s)+D(s)No(s)
对于 P ( s ) P(s) P(s),其拉氏反变换是冲激函数及其各阶导数,这里我们不做讨论,我们主要讨论对于有理真分式,如何求其拉氏反变换,我们可以使用部分分式展开将其分为许多简单的分式之和,然后这些简单分式的反变换就非常好求了。
大致步骤:令 D ( s ) = 0 D(s)=0 D(s)=0,得到极点 p i p_i pi,然后根据极点将 F ( s ) F(s) F(s)展开,最后求反变换。
现根据极点的几种情况来进行讨论。
-
单实根情况
我们就可将 F ( s ) F(s) F(s)分解为
F ( s ) F(s) F(s) = K 1 ( s − p 1 ) =\Large\frac {K_1} {(s-p_1)} =(s−p1)K1 + K 2 ( s − p 2 ) +\Large\frac {K_2} {(s-p_2)} +(s−p2)K2 + … … + K n ( s − p n ) +……+\Large\frac {K_n} {(s-p_n)} +……+(s−pn)Kn = ∑ i = 1 n K i s − p i =\Large\sum_{i=1}^n\frac {K_i} {s-p_i} =∑i=1ns−piKi其中, K i K_i Ki为待定系数,可以利用留数的方法求得
即 K i = ( s − p i ) F ( s ) ∣ s = p i K_i=(s-p_i)F(s)|_{s=p_i} Ki=(s−pi)F(s)∣s=pi由于 K i s − p i ⟺ \Large\frac {K_i} {s-p_i}\iff s−piKi⟺ K i e p i t K_ie^{p_it} Kiepit
所以原函数 f ( t ) f(t) f(t)为
f ( t ) = ∑ i = 1 n K i e p i t , t > = 0 f(t)=\sum_{i=1}^nK_i e^{p_i}t,\;\;\;\;\;\;\;t>=0 f(t)=∑i=1nKiepit,t>=0例如 F ( s ) F(s) F(s) = 2 s 2 + 16 ( s 2 + 5 s + 6 ) ( s + 12 ) =\Large\frac {2s^2+16} {(s^2+5s+6)(s+12)} =(s2+5s+6)(s+12)2s2+16,对分母因式分解一下,则有
F ( s ) F(s) F(s) = 2 s 2 + 16 ( s + 2 ) ( s + 3 ) ( s + 12 ) =\Large\frac {2s^2+16} {(s+2)(s+3)(s+12)} =(s+2)(s+3)(s+12)2s2+16 -
多重根情况
设 D ( s ) = 0 D(s)=0 D(s)=0在 s = p i s=p_i s=pi有 n n n重根,例如
F ( s ) = N ( s ) ( s − p i ) n F(s)=\Large \frac {N(s)} {(s-p_i)^n} F(s)=(s−pi)nN(s)则可将 F ( s ) F(s) F(s)分解为
F ( s ) F(s) F(s) = K 1 ( s − p 1 ) n =\Large\frac {K_1} {(s-p_1)^n} =(s−p1)nK1 + K 2 ( s − p 2 ) n − 1 +\Large\frac {K_2} {(s-p_2)^{n-1}} +(s−p2)n−1K2 + … … + K n ( s − p 1 ) +……+\Large\frac {K_n} {(s-p_1)} +……+(s−p1)Kn其系数为
K n = K_n= Kn= 1 ( n − 1 ) ! \Large\frac {1} {(n-1)!} (n−1)!1 ⋅ \cdot ⋅ d n − 1 d t n − 1 \Large\frac {d^{n-1}} {dt^{n-1}} dtn−1dn−1 [ ( s − p 1 ) n F ( s ) ] ∣ s = p i [(s-p_1)^nF(s)]|_{s=p_i} [(s−p1)nF(s)]∣s=pi -
共轭复根情况
假设此时 D ( s ) D(s) D(s)中含有一对共轭复根, p 1 , 2 = α ± j β p_{1,2} = \alpha \pm j \beta p1,2=α±jβ,则可将 F ( s ) F(s) F(s)分解为
F ( s ) F(s) F(s) = N ( s ) ( s − α − j β ) ( s − α + j β ) =\Large\frac {N(s)} {(s-\alpha-j\beta)(s- \alpha+ j \beta)} =(s−α−jβ)(s−α+jβ)N(s) = M s + N ( s − α ) 2 + β 2 =\Large\frac {Ms+N} {(s-\alpha)^2+\beta^2} =(s−α)2+β2Ms+N其中,系数 M , N M,N M,N可以用待定系数法求出
由于 s − α ( s − α ) 2 + β 2 ⟺ \Large\frac {s-\alpha} {(s-\alpha)^2+\beta^2}\iff (s−α)2+β2s−α⟺ e a t c o s ( β t ) ε ( t ) e^{at}cos(\beta t)\varepsilon(t) eatcos(βt)ε(t)
β ( s − α ) 2 + β 2 ⟺ \Large\frac {\beta} {(s-\alpha)^2+\beta^2}\iff (s−α)2+β2β⟺ e a t s i n ( β t ) ε ( t ) e^{at}sin(\beta t)\varepsilon(t) eatsin(βt)ε(t)则可求出对应的原函数
应用拉氏变换的性质与已知拉氏变换对
对于有理分式,我们可以使用部分分式展开法来求它们的反变换,但是对于一些无理函数,例如包含无理因素 e − s t e^{-st} e−st,此时就需要我们结合拉氏变换的性质来求解了,当无理因素在分子时,我们就需要考虑使用时移性了,当无理因素在分母时,我们就需要考虑周期信号的结论。
例如, F ( s ) = F(s)= F(s)= 1 − e − ( s + 1 ) ( s + 1 ) ( 1 − e − 2 s ) \Large \frac {1-e^{-(s+1)}} {(s+1)(1-e^{-2s})} (s+1)(1−e−2s)1−e−(s+1)
回顾周期信号的结论
F
(
s
)
=
F(s)=
F(s)=
F
1
(
s
)
1
−
e
−
s
T
\Large\frac {F_1(s)} {1-e^{-sT}}
1−e−sTF1(s)
显然,我们可以发现该信号的周期 T = 2 T=2 T=2,第一周期的拉氏变换 F 1 ( s ) = F_1(s)= F1(s)= 1 − e − ( s + 1 ) s + 1 \Large \frac {1-e^{-(s+1)}} {s+1} s+11−e−(s+1)
则有 F 1 ( s ) = F_1(s)= F1(s)= 1 s + 1 \Large \frac {1} {s+1} s+11 − e − ( s + 1 ) s + 1 -\Large \frac {e^{-(s+1)}} {s+1} −s+1e−(s+1)
再根据已知变换对结合时移性,即可得到第一周期的原始信号
f
(
t
)
=
e
−
t
ε
(
t
)
−
e
−
t
ε
(
t
−
1
)
f(t)=e^{-t}\varepsilon(t) -e^{-t}\varepsilon(t-1)
f(t)=e−tε(t)−e−tε(t−1)
再根据周期即可得到 f ( t ) f(t) f(t)的表达式和波形
微分方程的拉普拉斯变换解
微分方程的解
拉普拉斯变换将描述系统的时域微分方程变换为 s s s 域的代数方程,从而简化了运算。我们在使用拉普拉斯变换求解常系数微分方程时,主要是应用之前介绍的拉普拉斯变换的时域微分性质。
例如,对于某一系统描述的微分方程,有
a
2
y
′
′
(
t
)
+
a
1
y
′
(
t
)
+
a
o
y
(
t
)
=
b
2
f
′
′
(
t
)
+
b
1
f
′
(
t
)
+
b
0
f
(
t
)
a_2y''(t)+a_1y'(t)+a_oy(t)=b_2f''(t)+b_1f'(t)+b_0f(t)
a2y′′(t)+a1y′(t)+aoy(t)=b2f′′(t)+b1f′(t)+b0f(t)
我们对于上述等式两边取拉氏变换,结合拉氏变换的时域微分性质
f
(
n
)
(
t
)
⟺
f^{(n)}(t)\iff
f(n)(t)⟺
s
n
F
(
s
)
−
∑
i
=
0
n
−
1
s
n
−
1
−
i
f
(
i
)
(
0
−
)
s^nF(s)-\sum_{i=0}^{n-1}s^{n-1-i}f^{(i)}(0_-)
snF(s)−∑i=0n−1sn−1−if(i)(0−)
即可得
[
a
2
s
2
+
a
1
s
+
a
o
]
Y
(
s
)
=
[
b
2
s
2
+
b
1
s
+
b
o
]
F
(
s
)
+
[
a
2
s
+
a
1
]
y
(
0
−
)
+
a
2
y
′
(
0
−
)
[a_2s^2+a_1s+a_o]Y(s)=[b_2s^2+b_1s+b_o]F(s)+[a_2s+a_1]y(0_-)+a_2y'(0_-)
[a2s2+a1s+ao]Y(s)=[b2s2+b1s+bo]F(s)+[a2s+a1]y(0−)+a2y′(0−)
再整理一下,就可以得到复频域下全响应
Y
(
s
)
Y(s)
Y(s)的表达式
Y
(
s
)
=
Y(s)=
Y(s)=
b
2
s
2
+
b
1
s
+
b
o
a
2
s
2
+
a
1
s
+
a
o
\Large\frac {b_2s^2+b_1s+b_o} {a_2s^2+a_1s+a_o}
a2s2+a1s+aob2s2+b1s+bo
F
(
s
)
F(s)
F(s)
+
(
a
2
s
+
a
1
)
y
(
0
−
)
+
a
2
y
′
(
0
−
)
a
2
s
2
+
a
1
s
+
a
o
+\Large\frac {(a_2s+a_1)y(0_-)+a_2y'(0_-)} {a_2s^2+a_1s+a_o}
+a2s2+a1s+ao(a2s+a1)y(0−)+a2y′(0−)
由上式可以看出,上式右边第一项仅与输入信号 F ( s ) F(s) F(s)有关,与系统的初始状态无关,对应于零状态响应 y z s ( t ) y_{zs}(t) yzs(t)的象函数 Y z s ( s ) Y_{zs}(s) Yzs(s);第二项仅与系统的初始状态 y ( 0 − ) 、 y ′ ( 0 − ) y(0_-)、y'(0_-) y(0−)、y′(0−)有关,而与输入信号无关,对应零输入响应 y z i ( t ) y_{zi}(t) yzi(t)的象函数 Y z i ( s ) Y_{zi}(s) Yzi(s)。
系统函数
系统函数是描述线性非时变单输入、单输出系统本身特性的。 L T I LTI LTI系统的系统函数定义为系统输出信号的拉氏变换与系统输入信号的拉氏变换的比。
设输出信号为
y
z
s
(
t
)
y_{zs}(t)
yzs(t),输入信号为
f
(
t
)
f(t)
f(t),则系统函数可表示为
H
(
s
)
=
H(s)=
H(s)=
零状态响应的拉氏变换
激励信号的拉氏变换
\large\frac {零状态响应的拉氏变换} {激励信号的拉氏变换}
激励信号的拉氏变换零状态响应的拉氏变换
=
Y
z
s
(
s
)
F
(
s
)
=\Large\frac {Y_{zs}(s)} {F(s)}
=F(s)Yzs(s)
需要注意以下几点:
1.系统函数是系统本身的特性,系统一经创建就确定了系统函数,与具体的输入信号无关;
2.系统函数是在所有初始状态值均为零的情况下得出的;
3.线性非时变系统的系统函数是
s
s
s 的有理函数;
4.设
s
=
j
w
s=jw
s=jw,可以由
H
(
s
)
H(s)
H(s)得到系统的频率响应
H
(
j
w
)
H(jw)
H(jw),则
H
(
j
w
)
H(jw)
H(jw)的模为幅频响应,
H
(
j
w
)
H(jw)
H(jw)的相角为相频响应。
在连续系统的时域分析时,零状态响应是冲激响应与激励信号的卷积。即
y
z
s
(
t
)
=
h
(
t
)
∗
f
(
t
)
y_{zs}(t)=h(t)*f(t)
yzs(t)=h(t)∗f(t)
根据拉氏变换的时域卷积定理,可将上式表示为
Y
z
s
(
s
)
=
H
(
s
)
F
(
s
)
Y_{zs}(s)=H(s)F(s)
Yzs(s)=H(s)F(s)
所以我们可得到,复频域的系统函数与时域的冲激响应是一对拉氏变换对。即
h
(
t
)
⟺
H
(
s
)
h(t)\iff H(s)
h(t)⟺H(s)
这些表明,在时域中,冲激响应 h ( t ) h(t) h(t)表征了系统的时间特性;在复频域中,系统函数 H ( s ) H(s) H(s)表征了系统的特性。
在电网络中,系统函数也称为网络函数。系统函数中的激励与响应既可以是电压,也可以是电流,因此系统函数可以是导纳、阻抗,也可以是电压放大倍数或电流放大倍数,有时也称为传递函数或者转移函数。
求解系统全响应的方法
- 利用拉氏变换求出复频域下 Y ( s ) Y(s) Y(s)的表达式,再通过拉氏反变换得到全响应 y ( t ) y(t) y(t);
- 利用系统函数 H ( s ) H(s) H(s),根据 Y z s ( s ) = H ( s ) F ( s ) Y_{zs}(s)=H(s)F(s) Yzs(s)=H(s)F(s)求得 Y z s ( s ) Y_{zs}(s) Yzs(s),再通过拉氏反变换求出零状态响应 y z s ( t ) y_{zs}(t) yzs(t),然后利用时域分析的方法求出零输入响应 y z i ( t ) y_{zi}(t) yzi(t),二者相加既是全响应 y ( t ) = y z i ( t ) + y z s ( t ) y(t)=y_{zi}(t)+y_{zs}(t) y(t)=yzi(t)+yzs(t);
动态电路的拉氏变换分析
如果系统是由电路构成的,那么,我们就不必写出微分方程而是可以直接分析动态电路。即将时域电路变换成复频域电路,全部电压与电流都用其拉氏变换表示。
首先,我们要给出单个电路元器件的复频域模型。
电路元件的 s s s 域模型
-
电阻元件
u ( t ) = R i ( t ) ⟺ U ( s ) = R I ( s ) u(t)=Ri(t)\iff U(s)=RI(s) u(t)=Ri(t)⟺U(s)=RI(s)
-
电感元件
u ( t ) = L u(t)=L u(t)=L d i ( t ) d t \Large\frac {di(t)} {dt} dtdi(t) ⟺ U ( s ) = L [ s I ( s ) − i ( 0 − ) ] = s L I ( s ) − L i ( 0 − ) \iff U(s)=L[sI(s)-i(0_-)]=sLI(s)-Li(0_-) ⟺U(s)=L[sI(s)−i(0−)]=sLI(s)−Li(0−)式中, s L sL sL为电感的复频域阻抗, i ( 0 − ) i(0_-) i(0−)表示电感中的初始电流。 L i ( 0 − ) Li(0_-) Li(0−)表示电压源,是电感元件的初始电流演变而来的,它体现了电感元件的初始值对电路的作用。
-
电容元件
i ( t ) = C i(t)=C i(t)=C d u ( t ) d t \Large\frac {du(t)} {dt} dtdu(t) ⟺ I ( s ) = C [ s U ( s ) − u ( 0 − ) ] = s C U ( s ) − C u ( 0 − ) \iff I(s)=C[sU(s)-u(0_-)]=sCU(s)-Cu(0_-) ⟺I(s)=C[sU(s)−u(0−)]=sCU(s)−Cu(0−)
或写成
U ( s ) = U(s)= U(s)= 1 s C \Large\frac {1} {sC} sC1 I ( s ) + I(s)+ I(s)+ u ( 0 − ) s \Large\frac {u(0_-)} {s} su(0−)式中, 1 s C \Large\frac {1} {sC} sC1为电容的复频域阻抗, u ( 0 − ) u(0_-) u(0−)表示电容中的初始电压。 u ( 0 − ) s \Large\frac {u(0_-)} {s} su(0−)表示电压源,是电容元件的初始电压演变而来的,它体现了电容元件的初始储能对电路的作用。
需要注意的是: 与时域的电路有量纲不同,在 s s s 域下的电路模型是无量纲的;其次,在得到元件的复频域模型时,一定要注意初值电源的方向,即初始值的方向与初值电源的参考方向是否关联,如果不是关联的,就需要添加负号或者将初值电源的极性反向
电路定律的 s s s 域形式
-
K
C
L
KCL
KCL与
K
V
L
KVL
KVL的
s
s
s 域形式
基尔霍夫定律的时域形式为
对任一节点: ∑ i k ( t ) = 0 \sum i_k(t)=0 ∑ik(t)=0,对任一回路: ∑ u k ( t ) = 0 \sum u_k(t)=0 ∑uk(t)=0。
对上述方程两边取拉氏变换,即可得到 s s s 域形式
对任一节点: ∑ I k ( s ) = 0 \sum I_k(s)=0 ∑Ik(s)=0,对任一回路: ∑ U k ( s ) = 0 \sum U_k(s)=0 ∑Uk(s)=0。 -
s
s
s 域阻抗、导纳和欧姆定律的
s
s
s 域形式
动态电路的分析(关键在于建立出 s s s 域模型)
下面列出使用拉氏变换分析动态电路的步骤
- 求动态电路中的初始值 u ( 0 − ) u(0_-) u(0−)、 u ( 0 − ) u(0_-) u(0−)
- 将电路中电源的时间函数进行拉氏变换
常用的电源的拉氏变换有
A ε ( t ) ⟺ A s A\varepsilon(t)\iff \Large\frac {A} {s} Aε(t)⟺sA
e − a t ε ( t ) ⟺ 1 s + a e^{-at}\varepsilon(t)\iff \Large\frac {1} {s+a} e−atε(t)⟺s+a1
ε ( t ) − ε ( t − t o ) ⟺ 1 − e − s t o s \varepsilon(t)-\varepsilon(t-t_o)\iff \Large\frac {1-e^{-st_o}} {s} ε(t)−ε(t−to)⟺s1−e−sto - 画出
s
s
s 域电路图(特别注意初值电源)
(1) 将电路元件用它们的 s s s 域模型替代;
(2)检查初值电源的方向和数值;
(3)电源函数用其象函数表示;
(4)电路变量用其象函数表示: i ( t ) ⟺ I ( s ) i(t)\iff I(s) i(t)⟺I(s), u ( t ) ⟺ U ( s ) u(t)\iff U(s) u(t)⟺U(s) - 运用电路分析的方法求解电路变量的象函数
例如网孔法、节点法、叠加定理、戴维南定理、分压分流公式、电源等效变换等。 - 通过拉氏反变换得到原函数
系统函数与系统特性
系统函数的零极点分布
H ( s ) = H(s)= H(s)= N ( s ) D ( s ) \Large\frac {N(s)} {D(s)} D(s)N(s) = b m s m + … + b 1 s + b o a n s n + … + a 1 s + a o =\Large\frac {b_ms^m+…+b_1s+b_o} {a_ns^n+…+a_1s+a_o} =ansn+…+a1s+aobmsm+…+b1s+bo
上式可以表示为
H
(
s
)
=
H
o
H(s)=H_o
H(s)=Ho
=
(
s
−
z
1
)
…
…
(
s
−
z
m
)
(
s
−
p
1
)
…
…
(
s
−
p
n
)
=\Large\frac {(s-z_1)……(s-z_m)} {(s-p_1)……(s-p_n)}
=(s−p1)……(s−pn)(s−z1)……(s−zm)
=
H
o
∏
i
=
1
m
(
s
−
z
i
)
∏
j
=
1
n
(
s
−
p
j
)
=H_o\frac {\displaystyle\prod_{i=1}^{m}(s-z_i)} {\displaystyle\prod_{j=1}^{n}(s-p_j)}
=Hoj=1∏n(s−pj)i=1∏m(s−zi)
其中, H o H_o Ho为一实系数, z i z_i zi为系统函数 H ( s ) H(s) H(s)的零点, p j p_j pj为系统函数 H ( s ) H(s) H(s)的极点。将 H ( s ) H(s) H(s)的零点和极点画于 s s s 平面上,用 “ O ” “O” “O”表示零点,用 “ × “\Large× “× ” ” ”表示极点,这就是系统函数 H ( s ) H(s) H(s)的零极点分布图。
零极点分布图可以看成是系统函数 H ( s ) H(s) H(s)的另一种表达形式,即我们可以通过系统函数 H ( s ) H(s) H(s)画出零极点分布图,我们也可以通过零极点分布图反过来得到系统函数 H ( s ) H(s) H(s)。
零极点分布与冲激响应
当系统函数为有理真分式且具有单极点时,系统函数可按部分分式展开为
H
(
s
)
H(s)
H(s)
=
∑
i
=
1
n
K
i
s
−
p
i
=\Large\sum_{i=1}^n\frac {K_i} {s-p_i}
=∑i=1ns−piKi
对其进行拉氏反变换,即可得到系统的冲激响应为
h
(
t
)
h(t)
h(t)
=
∑
i
=
1
n
K
i
e
p
i
t
ε
(
t
)
=\sum_{i=1}^nK_ie^{p_it}\varepsilon(t)
=∑i=1nKiepitε(t)
从上式可以看出,冲激响应 h ( t ) h(t) h(t)的性质完全由系统函数 H ( s ) H(s) H(s)的极点 p i p_i pi 决定(即系统的时间特性完全由其极点分布决定)。 p i p_i pi 称为系统的自然频率或者固有频率。而待定系数 K i K_i Ki 则由零点与极点共同决定。
系统的稳定性
BIBO稳定性(有激励,外部稳定性)
在时域 | 在 s s s 域 |
---|---|
在微分方程中,输入信号 f ( t ) f(t) f(t)的最高阶导数不能超过输出信号 y ( t ) y(t) y(t)的最高阶导数 | 在系统函数 H ( s ) H(s) H(s)中,分子 N ( s ) N(s) N(s)的次数不能超过分母 D ( s ) D(s) D(s)的次数 |
在 t t t 趋向于无穷时,冲激响应 h ( t ) h(t) h(t)趋向于零 | 极点 p i p_i pi 全部位于 s s s 左半平面 |
满足上述条件,即承认系统是BIBO稳定的。
渐近稳定性(无激励,内部稳定性)
在 s s s 域 | |
---|---|
极点 p i p_i pi 全部位于 s s s 左半平面 |
满足上述条件,即承认系统是渐近稳定的。
两种稳定性之间的关系
BIBO(外部)稳定不能够保证渐近(内部)稳定。
系统的强迫响应
根据系统的分解特性,我们知道系统的全响应 y ( t ) y(t) y(t)可以分为以下几种
自由响应加上强迫响应
y
(
t
)
=
y
h
(
t
)
+
y
p
(
t
)
y(t)=y_{h}(t)+y_{p}(t)
y(t)=yh(t)+yp(t)
零输入响应加上零状态响应
y
(
t
)
=
y
z
i
(
t
)
+
y
z
s
(
t
)
y(t)=y_{zi}(t)+y_{zs}(t)
y(t)=yzi(t)+yzs(t)
稳态响应加上暂态响应
y
(
t
)
=
y
s
s
(
t
)
+
y
t
(
t
)
y(t)=y_{ss}(t)+y_{t}(t)
y(t)=yss(t)+yt(t)
之前我们讨论微分方程的拉氏变换解,即有得到
Y
(
s
)
=
Y(s)=
Y(s)=
b
2
s
2
+
b
1
s
+
b
o
a
2
s
2
+
a
1
s
+
a
o
\Large\frac {b_2s^2+b_1s+b_o} {a_2s^2+a_1s+a_o}
a2s2+a1s+aob2s2+b1s+bo
F
(
s
)
F(s)
F(s)
+
(
a
2
s
+
a
1
)
y
(
0
−
)
+
a
2
y
′
(
0
−
)
a
2
s
2
+
a
1
s
+
a
o
+\Large\frac {(a_2s+a_1)y(0_-)+a_2y'(0_-)} {a_2s^2+a_1s+a_o}
+a2s2+a1s+ao(a2s+a1)y(0−)+a2y′(0−)
我们将其划为 Y z i ( s ) + Y z s ( s ) Y_{zi}(s)+Y_{zs}(s) Yzi(s)+Yzs(s)
在微分方程的经典解法中,我们知道自由响应
y
h
(
t
)
y_{h}(t)
yh(t)可以分解为由初始值决定的部分
y
h
1
(
t
)
y_{h1}(t)
yh1(t)和由激励决定的部分
y
h
2
(
t
)
y_{h2}(t)
yh2(t),即
y
h
(
t
)
=
y
h
1
(
t
)
+
y
h
2
(
t
)
y_h(t)=y_{h1}(t)+y_{h2}(t)
yh(t)=yh1(t)+yh2(t),而零输入响应
y
z
i
(
t
)
y_{zi}(t)
yzi(t)就是仅由初始值决定的响应,所以说零输入响应
y
z
i
(
t
)
y_{zi}(t)
yzi(t)是自由响应
y
h
(
t
)
y_{h}(t)
yh(t)的一部分,即
y
z
i
(
t
)
=
y
h
1
(
t
)
y_{zi}(t)=y_{h1}(t)
yzi(t)=yh1(t)。
根据
y
(
t
)
=
y
h
(
t
)
+
y
p
(
t
)
=
y
h
1
(
t
)
+
y
h
2
(
t
)
+
y
p
(
t
)
=
y
z
i
(
t
)
+
y
z
s
(
t
)
y(t)=y_{h}(t)+y_{p}(t)=y_{h1}(t)+y_{h2}(t)+y_{p}(t)=y_{zi}(t)+y_{zs}(t)
y(t)=yh(t)+yp(t)=yh1(t)+yh2(t)+yp(t)=yzi(t)+yzs(t),我们就可以知道零状态响应
y
z
s
(
t
)
y_{zs}(t)
yzs(t)包括了强迫响应
y
p
(
t
)
y_{p}(t)
yp(t)与自由响应
y
h
(
t
)
y_{h}(t)
yh(t)由激励决定的那一部分
y
h
2
(
t
)
y_{h2}(t)
yh2(t),
y
z
s
(
t
)
=
y
h
2
(
t
)
+
y
p
(
t
)
y_{zs}(t)=y_{h2}(t)+y_{p}(t)
yzs(t)=yh2(t)+yp(t)即。
在系统函数中,我们又有 H ( s ) H(s) H(s) = Y z s ( s ) F ( s ) =\Large\frac {Y_{zs}(s)} {F(s)} =F(s)Yzs(s)
假设系统函数
H
(
s
)
H(s)
H(s)为
H
(
s
)
H(s)
H(s)
=
H
o
∏
i
=
1
m
(
s
−
z
i
)
∏
j
=
1
n
(
s
−
p
j
)
=H_o\frac {\displaystyle\prod_{i=1}^{m}(s-z_i)} {\displaystyle\prod_{j=1}^{n}(s-p_j)}
=Hoj=1∏n(s−pj)i=1∏m(s−zi)
输入信号的拉氏变换为
F
(
s
)
F(s)
F(s)
=
F
o
∏
l
=
1
u
(
s
−
z
l
)
∏
k
=
1
v
(
s
−
p
k
)
=F_o\frac {\displaystyle\prod_{l=1}^{u}(s-z_l)} {\displaystyle\prod_{k=1}^{v}(s-p_k)}
=Fok=1∏v(s−pk)l=1∏u(s−zl)
若
H
(
s
)
H(s)
H(s)与
F
(
s
)
F(s)
F(s)没有相同的极点,则系统的零状态响应可表示为
所以就有
Y
z
s
(
t
)
=
H
(
s
)
F
(
s
)
Y_{zs}(t)=H(s)F(s)
Yzs(t)=H(s)F(s)
=
K
∏
i
=
1
m
(
s
−
z
i
)
∏
j
=
1
n
(
s
−
p
j
)
=K\frac {\displaystyle\prod_{i=1}^{m}(s-z_i)} {\displaystyle\prod_{j=1}^{n}(s-p_j)}
=Kj=1∏n(s−pj)i=1∏m(s−zi)
⋅
\;\Large\cdot\;
⋅
∏
l
=
1
u
(
s
−
z
l
)
∏
k
=
1
v
(
s
−
p
k
)
\frac {\displaystyle\prod_{l=1}^{u}(s-z_l)} {\displaystyle\prod_{k=1}^{v}(s-p_k)}
k=1∏v(s−pk)l=1∏u(s−zl)
=
∑
i
=
1
n
K
i
s
−
p
i
=\Large\sum_{i=1}^n\frac {K_i} {s-p_i}
=∑i=1ns−piKi
+
∑
k
=
1
v
K
k
s
−
p
k
+\Large\sum_{k=1}^v\frac {K_k} {s-p_k}
+∑k=1vs−pkKk
=
Y
h
2
(
s
)
+
Y
p
(
s
)
=Y_{h2}(s)+Y_p(s)
=Yh2(s)+Yp(s)
由上式可以知道, Y z s ( s ) Y_{zs}(s) Yzs(s)的极点包含两部分,一部分是 H ( s ) H(s) H(s)的极点 p i p_i pi,另一部分是 F ( s ) F(s) F(s)的极点 p k p_k pk。 Y h 2 ( s ) Y_{h2}(s) Yh2(s)由 H ( s ) H(s) H(s)的极点 p i p_i pi决定, Y p ( s ) Y_p(s) Yp(s)由 F ( s ) F(s) F(s)的极点 p k p_k pk决定。
再进行反变换即可得到强迫响应
y
p
(
t
)
y_p(t)
yp(t)与由激励决定的部分自由响应
y
h
2
(
t
)
y_{h2}(t)
yh2(t)
y
z
s
(
t
)
=
y
h
2
(
t
)
+
y
p
(
t
)
=
y_{zs}(t)=y_{h2}(t)+y_{p}(t)=
yzs(t)=yh2(t)+yp(t)=
∑
i
=
1
n
K
i
e
p
i
t
ε
(
t
)
\sum_{i=1}^nK_ie^{p_it}\varepsilon(t)
∑i=1nKiepitε(t)
+
∑
k
=
1
v
K
k
e
p
k
t
ε
(
t
)
+\sum_{k=1}^vK_ke^{p_kt}\varepsilon(t)
+∑k=1vKkepktε(t)
一定要记住下面这个结论!!!
若输入信号为
f
(
t
)
=
e
−
a
t
ε
(
t
)
f(t)=e^{-at}\varepsilon(t)
f(t)=e−atε(t),则系统的强迫响应为
y
p
(
t
)
=
H
(
−
a
)
e
−
a
t
ε
(
t
)
y_p(t)=H(-a)e^{-at}\varepsilon(t)
yp(t)=H(−a)e−atε(t)。
系统实现
系统框图是系统模型的另一种形式,系统框图也称为系统模拟图。
在这里,我们用 s s s 域的系统框图来实现系统。
基本模型单元及连接方式
系统实现方式
直接形式(即直接根据系统函数的表达式来实现系统)
H
(
s
)
=
H(s)=
H(s)=
b
2
s
2
+
b
1
s
+
b
o
a
2
s
2
+
a
1
s
+
a
o
\Large\frac {b_2s^2+b_1s+b_o} {a_2s^2+a_1s+a_o}
a2s2+a1s+aob2s2+b1s+bo
=
b
2
+
b
1
s
−
1
+
b
o
s
−
2
a
2
+
a
1
s
−
1
+
a
o
s
−
2
=\Large\frac {b_2+b_1s^{-1}+b_os^{-2}} {a_2+a_1s^{-1}+a_os^{-2}}
=a2+a1s−1+aos−2b2+b1s−1+bos−2
把系统函数
H
(
s
)
H(s)
H(s)表示成含
s
−
1
s^{-1}
s−1 的多项式,这是为了能用积分器来实现系统。
由于系统响应为
Y
(
s
)
=
H
(
s
)
F
(
s
)
Y(s)=H(s)F(s)
Y(s)=H(s)F(s)
=
b
2
+
b
1
s
−
1
+
b
o
s
−
2
a
2
+
a
1
s
−
1
+
a
o
s
−
2
=\Large\frac {b_2+b_1s^{-1}+b_os^{-2}} {a_2+a_1s^{-1}+a_os^{-2}}
=a2+a1s−1+aos−2b2+b1s−1+bos−2
F
(
s
)
F(s)
F(s)
H ( s ) = Y ( s ) F ( s ) H(s)=\Large\frac {Y(s)} {F(s)} H(s)=F(s)Y(s) = b 2 + b 1 s − 1 + b o s − 2 a 2 + a 1 s − 1 + a o s − 2 =\Large\frac {b_2+b_1s^{-1}+b_os^{-2}} {a_2+a_1s^{-1}+a_os^{-2}} =a2+a1s−1+aos−2b2+b1s−1+bos−2
我们设
W
(
s
)
W(s)
W(s)为中间变量,并将
Y
(
s
)
Y(s)
Y(s)和
F
(
s
)
F(s)
F(s)都表示成
W
(
s
)
W(s)
W(s)的形式。即
Y
(
s
)
=
(
b
2
+
b
1
s
−
1
+
b
o
s
−
2
)
W
(
s
)
Y(s)=(b_2+b_1s^{-1}+b_os^{-2})W(s)
Y(s)=(b2+b1s−1+bos−2)W(s)
F
(
s
)
=
(
a
2
+
a
1
s
−
1
+
a
o
s
−
2
)
W
(
s
)
F(s)=(a_2+a_1s^{-1}+a_os^{-2})W(s)
F(s)=(a2+a1s−1+aos−2)W(s)
即可画出如下的系统框图
级联形式(将系统函数 H ( s ) H(s) H(s)分为多个子系统相乘的形式)
H
(
s
)
H(s)
H(s)
=
H
o
∏
i
=
1
m
(
s
−
z
i
)
∏
j
=
1
n
(
s
−
p
j
)
=H_o\frac {\displaystyle\prod_{i=1}^{m}(s-z_i)} {\displaystyle\prod_{j=1}^{n}(s-p_j)}
=Hoj=1∏n(s−pj)i=1∏m(s−zi)
并联形式(将系统函数 H ( s ) H(s) H(s)分为多个子系统相加的形式)
H
(
s
)
H(s)
H(s)
=
∑
i
=
1
n
K
i
s
−
p
i
=\Large\sum_{i=1}^n\frac {K_i} {s-p_i}
=∑i=1ns−piKi
不同的系统实现方式,本质上是系统函数的不同表达方式。
系统实现的过程
- 确定系统实现的方式;
- 对系统函数 H ( s ) H(s) H(s)进行相应的转换;
- 对于单个系统(每个子系统),利用中间变量 W ( s ) W(s) W(s)表示出系统的激励 F ( s ) F(s) F(s)与响应 Y ( s ) Y(s) Y(s);
- 利用基本的模拟单元画出系统框图。
注意: n n n 阶电路的系统框图中的积分器的数量一定不超过 n n n 个。
由系统框图得到系统函数的过程
- 总是选取与激励信号相连接的加法器的输出作为中间变量 W ( s ) W(s) W(s);
- 利用中间变量 W ( s ) W(s) W(s)表示出单个系统(每个子系统)的激励 F ( s ) F(s) F(s)与响应 Y ( s ) Y(s) Y(s);
- 根据系统实现的方式以及 H ( s ) = Y ( s ) F ( s ) H(s)=\Large\frac {Y(s)} {F(s)} H(s)=F(s)Y(s),消除中间变量 W ( s ) W(s) W(s)即可得到系统函数 H ( s ) H(s) H(s)。
信号流图与梅森公式
信号流图
信号流图是由节点与支路构成的表征系统中信号流动方向与系统功能的图。信号流图简化了系统框图的表示方法,将方框用有向线段代替,并省去了加法器,用一些节点和线段来表示。
如上图所示,其中节点代表信号(即系统变量),支路箭头代表信号流动方向与支路的传输值
H
(
s
)
H(s)
H(s),信号只能沿箭头方向传输。传输值实际上是两节点间的传输函数。信号流图基本上包括了框图所包含的信息。它是系统的另一种描述方法。用这种方法表示系统比用框图表示更加简明、清晰,而且可以直接应用梅森公式求得系统函数。
在信号流图中的节点兼有加法器的作用。
其中,我们需要特别注意把握环路、环路增益、前向通路、前向通路增益的概念。
信号流图的性质
- 节点规则
节点变量上的值为所有输入支路信号之和 - 支路规则
支路的输出是其输入变量与支路传输值(权值)的乘积 - 信号流图的组成
信号流图是表达线性代数方程组或线性代数方程式的。当系统由微分方程描述时,可用拉氏变换变成代数方程代数方程应写成因果形式。 - 转置定理
将信号流图中所有支路箭头方向倒转,同时把输入输出节点对换,这样形成的流图称为转置流图。对于互为转置的流图,其系统函数相同,即二者表示同一系统。 - 非唯一性
系统实现的方式不是唯一的,所以信号流图当然也不是唯一的。
梅森公式
利用梅森公式不仅可以帮助我们求得系统函数的表达式,还可以求得信号流图中任意两个节点的传递关系,其表示如下。
H
(
s
)
=
H(s)=
H(s)=
∑
k
G
k
Δ
k
Δ
\Large\frac {\sum_kG_k\varDelta_k} {\varDelta}
Δ∑kGkΔk
其中, H ( s ) H(s) H(s)为系统的总增益(总传输值)。
Δ
\varDelta
Δ为信号流图所表示的方程组的系数矩阵行列式,可表示为
Δ
=
1
−
∑
i
L
i
+
∑
i
,
j
L
i
L
j
−
∑
i
,
j
,
k
L
i
L
j
L
k
+
…
…
\varDelta=1-\sum_iL_i+\sum_{i,j}L_iL_j-\sum_{i,j,k}L_iL_jL_k+……
Δ=1−∑iLi+∑i,jLiLj−∑i,j,kLiLjLk+……
=
1
−
(
所有不同环路的增益之和
)
+
(
所有两个互不接触环路的增益之和
)
−
(
所有三个互不接触环路的增益之和
)
+
…
…
=1-(所有不同环路的增益之和)+(所有两个互不接触环路的增益之和)-(所有三个互不接触环路的增益之和)+……
=1−(所有不同环路的增益之和)+(所有两个互不接触环路的增益之和)−(所有三个互不接触环路的增益之和)+……
G K G_K GK为由输入节点到输出节点的第 k k k 条前向通路增益。
Δ k \varDelta_k Δk为不与第 k k k 条前向通路相接触的那一部分 Δ \varDelta Δ值。即把第 k k k 条前向通路去掉后的 Δ \varDelta Δ值(注意:在去掉通路时,要把支路和节点都去掉)。
使用梅森公式求信号流图系统函数的步骤
- 先写出所有的环路增益 L i L_i Li
- 求出所有的两个互不接触的环路增益 L i L j L_iL_j LiLj
- 求出所有的三个互不接触的环路增益
L
i
L
j
L
k
L_iL_jL_k
LiLjLk
…… - 利用 Δ = 1 − ∑ i L i + ∑ i , j L i L j − ∑ i , j , k L i L j L k + … … \varDelta=1-\sum_iL_i+\sum_{i,j}L_iL_j-\sum_{i,j,k}L_iL_jL_k+…… Δ=1−∑iLi+∑i,jLiLj−∑i,j,kLiLjLk+……,得到 Δ \varDelta Δ
- 写出所有的前向通路增益 G k G_k Gk
- 求出其对应的 Δ k \varDelta_k Δk
- 利用 H ( s ) = H(s)= H(s)= ∑ k G k Δ k Δ \Large\frac {\sum_kG_k\varDelta_k} {\varDelta} Δ∑kGkΔk,求出系统函数 H ( s ) H(s) H(s)
系统的频率响应
所谓“频率响应”指的是系统在正弦信号激励之下稳态响应随信号频率的变化情况。包括幅度随频率的响应,即幅频特性;相位随频率的响应,即相频特性。
当
s
=
j
w
s=jw
s=jw时,系统函数
H
(
s
)
H(s)
H(s)就变成了系统频率特性
H
(
j
w
)
H(jw)
H(jw)。即
H
(
j
w
)
=
∣
H
(
j
w
)
∣
e
j
φ
(
w
)
H(jw)=|H(jw)|e^{j\varphi(w)}
H(jw)=∣H(jw)∣ejφ(w)
可以看出
∣
H
(
j
w
)
∣
|H(jw)|
∣H(jw)∣和
φ
(
w
)
\varphi(w)
φ(w)都是随频率
w
w
w 变化的函数,所以我们可以画出幅频特性
∣
H
(
j
w
)
∣
|H(jw)|
∣H(jw)∣和相频特性
φ
(
w
)
\varphi(w)
φ(w)的图像,而从频率响应的图中很容易表述一个系统对各种频率的正弦波作出的响应。因此,一个系统的频率响应就代表了它的滤波特性。
波特图
在对数坐标上画出幅度响应和相位响应的图称为波特图。 通过利用对数尺度压缩,波特图使得我们可以在一个非常宽的频率和幅度范围内画出系统的频率响应。
采用对数标尺的两个原因:
- 对数运算可以将乘除运算转换为加减运算。
- 人类的感觉(视觉、听觉等)一般都是以对数形式作出响应的。
对数的单位是分贝(
d
B
dB
dB),它等于该量对数的
20
20
20倍(
l
o
g
log
log以
10
10
10为底)。在波特图中,幅度
∣
H
(
j
w
)
∣
|H(jw)|
∣H(jw)∣的横坐标是以
l
g
w
lg\,w
lgw为单位,纵坐标以
d
B
dB
dB为单位,即
G
(
w
)
=
20
l
g
∣
H
(
j
w
)
∣
G(w)=20lg|H(jw)|
G(w)=20lg∣H(jw)∣。对于频率响应的相位
φ
(
w
)
\varphi(w)
φ(w)来说,相位的变化不会太大,因此继续采用线性刻度。
系统函数零极点与滤波器设计
几何作图法确定频率响应
利用系统函数的零极点分布并借助于几何作图的方法可以确定系统的频率响应。
下面介绍这种方法的原理
当
s
=
j
w
s=jw
s=jw时,系统函数
H
(
s
)
H(s)
H(s)就变成了系统频率特性
H
(
j
w
)
H(jw)
H(jw)
=
K
∏
(
j
w
−
z
i
)
∏
(
j
w
−
p
j
)
=K\frac {\displaystyle\prod(jw-z_i)} {\displaystyle\prod(jw-p_j)}
=K∏(jw−pj)∏(jw−zi)
在 s s s 平面上,任一复数都可以用一向量来表示,如某一极点 p j p_j pj 可以看成自坐标原点指向该极点的向量。所以对于上式中的 ( j w − p j ) (jw-p_j) (jw−pj) ,就相当于是两个向量相减,其对应的结果仍然是一个向量,如 3 − 75 ( a ) 3-75(a) 3−75(a)所示。
而根据欧拉公式,我们可以将复数向量写成坐标式,即模和幅角的形式,那么就有
j
w
−
p
j
=
M
j
Θ
j
jw-p_j=M_j\phase{\varTheta_j}
jw−pj=MjΘj
j
w
−
z
i
=
N
i
ϕ
i
jw-z_i=N_i\phase{\phi_i}
jw−zi=Niϕi
进而就可以将系统频率特性的表达式转换为
H
(
j
w
)
H(jw)
H(jw)
=
K
∏
(
j
w
−
z
i
)
∏
(
j
w
−
p
j
)
=K\frac {\displaystyle\prod(jw-z_i)} {\displaystyle\prod(jw-p_j)}
=K∏(jw−pj)∏(jw−zi)
=
K
∏
N
i
∏
M
j
=K\frac {\displaystyle\prod N_i} {\displaystyle\prod M_j}
=K∏Mj∏Ni
ϕ
i
−
Θ
j
\phase{\phi_i-\varTheta_j}
ϕi−Θj
当 w w w 从 0 → ∞ 0\rarr\infty 0→∞ 时( j w jw jw在虚轴上从 0 0 0点向上移动)变化时, H ( j w ) H(jw) H(jw)的幅值与相位也随之变化。其中, ∣ H ( j w ) ∣ |H(jw)| ∣H(jw)∣ = ∏ N i ∏ M j =\frac {\displaystyle\prod N_i} {\displaystyle\prod M_j} =∏Mj∏Ni随频率的变化称为幅频特性; φ ( w ) = \varphi(w)= φ(w)= ϕ i − Θ j \phase{\phi_i-\varTheta_j} ϕi−Θj随频率的变化称为相频特性。
显然,适当地配置极点和零点能获取各种不同的频率选择特性,可以利用这些观察结果设计LPF、HPF、BPF、BSF。
根据零极点分布图判断系统的滤波特性(幅频特性)
首先大致判断出幅频特性 H ∣ ( j w ) ∣ H|(jw)| H∣(jw)∣的形式,假设 s s s 平面的原点上存在一点 P P P, H ∣ ( j w ) ∣ H|(jw)| H∣(jw)∣的分子是点 P P P到所有零点 z i z_i zi距离的乘积,分母是点 P P P到所有极点 p j p_j pj距离的乘积。
假设有一系统如下图所示
则可设
∣
H
(
j
w
)
∣
|H(jw)|
∣H(jw)∣
=
N
1
N
2
M
1
M
2
=\Large\frac {N_1N_2} { M_1M_2}
=M1M2N1N2,然后令
P
P
P从原点向
j
w
jw
jw 正半轴移动,根据
∣
H
(
j
w
)
∣
|H(jw)|
∣H(jw)∣的变化判断系统的滤波特性。其实根据幅频特性的表达分式,我们可以得出一个结论,就是极点离得近的地方就是通带,零点离得近的地方就是阻带。
判断系统的滤波特性小窍门
当然,还有一种诀窍,即直接根据系统函数的表达式来判断滤波器类型,即 H ( s ) H(s) H(s)分子是什么次就通什么,这里分子是什么次指的是分子的最高次项相对于分母而言是什么次。
比如
H
(
s
)
H(s)
H(s)
=
s
s
+
2
=\Large\frac {s} {s +2}
=s+2s
分母有
0
0
0次和
1
1
1次,分子有
1
1
1次,
1
1
1次是高次,所以系统是高通
比如
H
(
s
)
H(s)
H(s)
=
2
s
2
+
2
=\Large\frac {2} {s^2 +2}
=s2+22
分母有
0
0
0次和
2
2
2次,分子有
0
0
0次,
0
0
0次是低次,所以系统是低通
比如
H
(
s
)
H(s)
H(s)
=
s
+
2
s
2
+
s
+
2
=\Large\frac {s+2} {s^2+s+2}
=s2+s+2s+2
分母有
0
0
0次和
1
1
1次和
2
2
2次,分子有
0
0
0次和
1
1
1次,
1
1
1次是中间次,所以系统是带通
该窍门是无法判断所有情况的,所以在实战时,还是要利用几何作图法稍微验证一下。
全通滤波器(也称为电桥)
系统函数的极点位于左半平面,零点位于右半平面,而且零点与极点关于轴互为镜像,则系统函数称为全通函数或全通网络,全通网络不影响信号的幅频特性,只改变信号的相频特性,所以在传输系统中,常被用来做相位补偿(相位校正)。
最小相位滤波器
极点位于左半平面,零点仅位于左半平面或虚轴的系统函数称为“最小相位系统”。