matlab simulink chapter4：控制系统的数学模型

最新推荐文章于 2022-08-17 18:31:38 发布

fengxuewei123

最新推荐文章于 2022-08-17 18:31:38 发布

阅读量2.8k

点赞数 1

分类专栏： matlab simulink

本文链接：https://blog.csdn.net/fengxuewei123/article/details/111872055

版权

matlab simulink 专栏收录该内容

5 篇文章 2 订阅

订阅专栏

本文参阅《Matlab/Simulink与控制系统仿真》一书，做一些笔记，帮助自己学习。

系统的数学模型 ----> 系统的仿真处理 —> 设计一个合适的控制器，使系统响应到预期效果

线性系统中，常见的线性模型有：
传递函数模型
状态方程模型
零极点增益模型
部分分式模型等

动态过程微分方程描述

微分方程是控制系统模型的基础

动态微分方程描述的是被控制量与给定量或扰动量之间的函数关系，给定量和扰动量可以看成系统的输入量，被控制量看成输出量。

建立微分方程的时候，一般从系统的环节着手，先确定各环节的输入量和输出量，以确定其工作状态，并建立各环节的微分方程，而后消去中间变量，最后得到系统的动态微分方程

对于比较复杂的系统，建立系统微分方程一般可采用以下步骤：

将系统划分为多个环节，确定各环节的输入和输出信号，每个环节可考虑写一个方程
根据物理定律或通过实验等方法得出的物理规律，列出各环节的原始方程式，并考虑适当简化、线性化
将各环节方程式联立，消去中间变量，最后得出只包含输入变量、输出变量以及参量的系统方程式。

若已知输入量以及变量的初始条件，对微分方程进行求解，就可以得到系统输出量的表达式，并由此对系统进行性能分析。

Matlab 提供了 ode23 、ode45 等微分方程的数值解法函数，不仅适用于线性定常系统，也适用于非线性和时变系统。

%%  课本 P73 页代码
%%
clear                           % 清除工作空间的变量
t0 = 0; tfinal = 10;            % 响应时间
x0 = [0.2; 0];                  % 初始化，电感电流为0，电容电压为 0.2V

%%  [t0 tfinal] 求解区间， X0是初始值
[t, x]=ode45('rlcsys', [t0 tfinal], x0);       % rlcsys 是系统微分方程的描述函数

%%
figure(1);
subplot(211); plot(t,x(:,1));
grid;                           % 绘制状态响应图并添加栅格
title('电容电压/V');
xlabel('时间/s')
subplot(212);
plot(t,x(:,2));
grid;                           % 绘制状态响应图并添加栅格
title('电感电流/A');
xlabel('时间/s')

%%
figure(2);
vc =x(:,1);
i = x(:,2);
plot(vc, i); grid;
title('电感电流与电容电压的关系曲线/A');
xlabel('电容电压/V')
ylabel('电感电流/A')

function xdot = rlcsys(t,x)
Vs = 1.5; R = 1.6; L = 2.1; C=0.30;
xdot = [x(2)/C; 1/L*(Vs - x(1) - R * x(2))];
end

ode45 求解方法

ode45 求解非刚性微分方程 - 中阶方法

[t,y] = ode45(odefun,tspan,y0)

其中 tspan = [t0 tf] 求微分方程组 $y^{'} = f (t, y)$ 从 t0 到 tf 的积分，初始条件为 y0。解数组 y 中的每一行都与列向量 t 中返回的值相对应。

其中，关于 ode45 中的 rlcsys 代表了要求解的函数odefun，指向待积分函数的句柄。
对于标量 t 和列向量 y 来说，函数dydt = odefun(t, y)必须返回数据类型为 single 或者 double 的列向量 dydt，该列向量对应于f(t,y)。odefun 必须同时接受输入产生 t 和 y，即使其他一个参数未在函数中使用也是如此。

在这里插入图片描述
对于方程组，odefun 的输出为向量，向量中的每个元素都是一个方程的解，例如

tspan 积分区间，指定为向量。其中，必须至少是一个二元素向量[t0 tf]，用于指定初始时间和最终时间。要获取 t0 到 tf 之间的特定时间的解，请使用 [t0, t1, t2, … , tf]形式的长向量。 tspan 中的元素必须单调递增或单调递减。

求解器在初始时间 tspan(1) 施加由y0给出的初始条件，然后求tspan(1) 到tspan(end)的积分：

如果 tspan 由两个元素，[t0 tf]，求解器将返回在该区间内的每个内部积分计算的解。即由从 t0 到 tf 之间的每个值得解
如果 tspan 包含两个以上的元素 [t0, t1, t2, … , tf] ，求解器将返回在给定点处计算的解。但是，求解器不会精确步进到 tspan 中指定的每一个点。此时，求解器使用自己的内部积分来计算解，然后再tspan中请求的各点处计算解
将 tspan 指定为二元素向量还是包含中间点得向量，求解器获得得解可能有所不同

y0 初始条件，指定为向量。y0 得长度必须与 odefun 得向量输出相同，使y0为odefun中定义得每个方程包含一个初始条件。即，y0向量以及输出向量的长度和要求解的微分方程的个数相同。

输出参数 t: 计算点，以列向量形式返回

如果 tspan 包含两个元素，[t0 tf]，则 t 包含用于执行积分的内部计算点
如果 tspan 包含两个以上元素，则t与tspan相同

输出参数 y: 解，以数组形式返回，y中的每一行都与 t 的相应行中返回的值处的解相对应。

拉氏变换与控制系统模型

动态系统的数学模型：微分方程、差分方程、传递函数、状态方程等

其中，微分方程描述的系统模型，通过求解微分方程，可以得到系统随时间的变化规律，比较直观；但是当微分方程的阶数较高的时候，求解就回变得十分困难，不易实现，=== 采用拉氏变换将原来的时域转换为复频域，进而吧微分方程转换为代数方程，而代数方程的求解是比较简单的，求解代数方程之后，再通过拉氏变换得到微分方程的解。

在这里插入图片描述
线性微分方程通过拉氏变换得到代数方程，采用代数运算求解代数方程，得到代数解，再通过拉氏反变换得到微分方程的时域解

时域函数 $f (t)$ 的拉氏变换定义如下： $\int_{0}^{\infty} f(t) e^{-st} dt$
其中， $s$ 是拉式算子，单位是 1/time，即频率。下图是拉氏变换的基本定理
在这里插入图片描述
常见的拉氏变换表

下面的例子是求解 $e^{-at}sin(bt)$ 和 $t^2 e^{-t}$ 的拉氏变换

% 求解拉氏变换
% 函数 laplace 主要求解一个微分方程的 拉氏变换方程
syms t s;               % 定义了符号变量
syms a b positive       % 定义符号变量

D1 = exp(-a * t) * sin(b*t);
D2 = t^2 * exp(-t);

MS1 = laplace(D1, t, s);	% 独立变量为 t，传递变量为 s
MS2 = laplace(D2, t, s);

%% 执行结果输出
% MS1 = b/((a + s)^2 + b^2) 
% MS2 = 2/(s + 1)^3

数学模型的描述

为了对系统的性能进行分析的步骤首先要建立其数学模型

控制系统常见的模型有：
传递函数模型、
零极点形式的数学模型、
状态空间模型

传递函数模型

表达了系统内在的固有特性；不能表明系统的物理特性和物理结构

许多物理性质不同的系统却有着相同的传递函数

其中，线性定常系统的传递函数定义为：在零初始条件下，输出量(响应函数)的拉普拉斯变换与输入量(驱动函数)的拉普拉斯变换之比

零初始条件
输出量是响应函数，输入量是驱动函数；传递函数为输出比输入

传递函数中，分母中s的最高次数为 n，则称该系统为n阶系统；传递函数的零极点(零点（分子为0）和极点(分母为0))分布决定系统的动态特性。对于线性定常系统，传递函数中的s的系数均为常数，且 $a_{0}$ 不等于0，这个时候可以在matlab中使用下面的方式来进行表示：使用 tf函数来表示传递函数


%% 传递函数表示
num = [1, 2, 3, 4];
den = [7, 8, 9, 10];
% 都是按照s的降次幂来进行排序的
G = tf(num,den);

% 执行效果 
      s^3 + 2 s^2 + 3 s + 4
G =  ------------------------
     7 s^3 + 8 s^2 + 9 s + 10

num=[1,10]; 
den=[1,5,4,3,2];
G=tf(num,den);


% 执行结果：
                 s + 10
G =  -----------------------------
  	 s^4 + 5 s^3 + 4 s^2 + 3 s + 2

零极点形式的数学模型

是传递函数的另外一个表示形式，原理是分别对原系统传递函数的分子、分母进行因式分解处理，以获得系统的零点和极点的表示形式在这里插入图片描述
其中，K表示系统增益， $z_i$ 为系统的零点， $p_j$ 为系统的极点；传递函数的分母多项式就是它的特征多项式，它等于零的方程就是传递函数的特征方程，特征方程的根也是传递函数的极点。

传递函数的极点：决定了所描述系统的自由运动模态
传递函数的零点：影响系统各个模态在系统响应中所占的比重。

控制系统常用到并联系统，这时就要对系统函数进行求解，使其表现为一些基本控制单元的和的形式，也就是用部分分式表示 $K_1 \frac{s - z_1}{s - p_1} + K_2 \frac{s - z_2}{s - p_2} + .... + K_n \frac{s - z_n}{s - p_n} = \sum_{i=1}^n K_{i} \frac{s - z_i}{s - p_i}$ 式中， $K_i$ 为各个部分分式的增益； $z_i$ 是分子多项式的根，称为系统的零点； $p_{j}$ 是分母多项式的根，称为系统的极点。

状态空间模型

以时域分析为主，着眼于系统的内部状态及其内部联系
状态：系统动态信息的集合，在表征系统信息的所有变量中，能够全部描述系统运行的最小数目的一组对立变量称为系统的状态变量，其选取不是唯一的
具有n个状态、r个输入和m个输出的线性时不变系统，用矩阵符号表示的状态空间模型如下：
$\begin{aligned} \dot{x} &= Ax + Bu (状态方程)\\ y & = Cx + Du (输出方程)\\ \end{aligned}$ 式中，
状态变量 $x$ 是n维的，
输入向量 u 是 r 维的，
输出向量 y 是 m 维的，

状态矩阵 A 是n * n维的，
输入矩阵B是n * r维的，
输出矩阵C 是m*n 维的，
前馈矩阵 D 是 m * r 维的，

对于时不变系统，A、B、C、D都是常数矩阵。

Matlab / Simulink 在模型中的应用

多项式处理相关的函数

Matlab 中多项式用行向量表示，行向量元素依次为降幂排列的多项式的系数

多项式乘法函数

conv() 进行多项式乘法处理，其常见的函数调用格式为

% A B 为 一个多项式的系数(降幂排列) C 为多项式的乘积多项式，其中 conv 函数允许多级嵌套
C = conv(A, B)

多项式求根函数

p 为多项式，r为所求的根
r = root(p)

由根创建多项式函数

某一个多项式的因式分解式或特征根r，可用函数 ploy 函数直接得出特征多项式系数矢量p

p = poly(r)

求多项式在给定点的值函数

如果已知多项式 p，要求其变量取a时的值v，可用 polyval() 来求取

v = polyval(p, a)

建立传递函数相关的函数

利用传递函数分子和分母多项式的系数向量进行描述，分子 num、分母 den 多项式的系数向量分别为：
num = [ $b_m, b_{m-1}, , b_{m-2}... , b_{0}$ ], den = [ $1, a_{n-1}, a_{n-2}... , a_{0}$ ]，分别为按照系数降幂排列

建立传递函数模型的函数 tf()

sys = tf(num, den);								% 常规系统 G(s) 的传递函数
sys = tf(num, den, 'InputDelay', tau);			% 带有时间延迟的系统传递函数 tau 为系统延迟时间的数值

带时间延迟系统的传递函数 $G_{d}(s) = G(s)e^{- \tau s}$

提取模型中分子分母多项式系数的函数 tfdata()

从传递函数中提起模型中的分子分母多项式系数

[num, den] = tfdata(sys, 'v') % v 是关键词，其功能是返回列向量形式的分子分母多项式系数

建立零极点形式的数学模型相关函数

建立零极点形式数学模型的函数 zpk()
提取模型中零极点和增益向量的函数zpkdata()
传递函数模型部分分式展开的函数 residue()，是对两个多项式的比进行部分展开，以及把传递函数分解为微分单元的形式

sys = zpk([z], [p]. [k]); % 分别为系统的零极点和增益向量
sys = zpk(z, p, k, 'InputDelay', tau)

[z, p, k] = zpkdata(sys, 'v')

[r, p, k] = residue(b. a);   % 向量b 和向量 a 是按s降幂排列的多项式系数。部分分式展开后，余数返回到向量r，极点返回到列向量p，常数项返回到k

建立状态空间模型相关函数

A B C D 系统状态空间矩阵

建立 ss()
提取 ssdata()


sys = ss(A, B, C, D);
[A, B, C, D] = ssdata(sys);

simulink 中的控制系统模型表示

在这里插入图片描述

simulink 中模型与状态空间模型的转化

以状态空间形式线性化模型的函数命令： linmod(连续系统线性化) 和 dlinmod(离散系统线性化)，提供模型线性化时的操作点，返回的是围绕操作点处系统线性化的状态空间模型。将 simulink 系统转化为线性系统

需要注意的是：
在转化的时候，避免 simulink 中包 Derivative 模块和 Transport Delay 模块，分别应该使用 Simulink Extras 库下的 Linearization 子库中的 Switched derivative for linearization 模块和 Switched transport delay for linearization 模块代替 (见课本的 p82 )

应用实例

在这里插入图片描述

%% conv(u, v) 将两个多项式进行相乘
num = conv([1, 1], conv([1, 2, 6], [1, 2, 6]));
num
den = conv([1, 0, 0], conv([1, 3], [1, 2, 3, 4]));
den

r = roots(den); % 求特征方程的根
r

在这里插入图片描述

%% 传递函数表示：输出 u / 输入 y
num = [1, 4, 8];
den = [1, 11, 11, 10];

G = tf(num, den)

% 执行结果
G =
 
       s^2 + 4 s + 8
  ------------------------
  s^3 + 11 s^2 + 11 s + 10

在这里插入图片描述

tf2zpk 将传递函数的分子和分母转化到零极点增益模型 [z, p, k] = tf2zpk(num, den);

%% 求分子分母多项式、零极点

%% 表示 传递函数
num = [1, 4, 8];
den = [1, 11, 11, 10];

G = tf(num, den);

[tt, ff] = tfdata(G, 'v'); % 获取分子num和分母den

[z, p, k] = tf2zpk(num, den);   % 提取传递函数的零极点和增益

tt
ff
z
p
k

在这里插入图片描述

clear
clc
%% 求部分分式表示形式
num = [2, 0, 9, 1];
den = [1, 1, 4, 4];

[r, p, k] = residue(num, den)   % 求取系统的部分分式

% 执行结果：余数返回到向量r，极点返回到列向量p，常数项返回到k
r =  各个分式项的分子

  -0.0000 - 0.2500i
  -0.0000 + 0.2500i
  -2.0000 + 0.0000i


p =	极点 各个分式项的分母

   0.0000 + 2.0000i
   0.0000 - 2.0000i
  -1.0000 + 0.0000i


k = 常数项

     2

在这里插入图片描述

%% 求状态空间模型 ss()
A = [1 6 9 10; 3 12 6 8; 4 7 9 11; 5 12 13 14];
B = [4 6; 2 4; 2 2; 1 0];
C = [0 0 2 1; 8 0 2 2];
D = zeros(2,2);

G = ss(A, B, C, D)

% 执行结果
G =
 
  A = 
       x1  x2  x3  x4
   x1   1   6   9  10
   x2   3  12   6   8
   x3   4   7   9  11
   x4   5  12  13  14
 
  B = 
       u1  u2
   x1   4   6
   x2   2   4
   x3   2   2
   x4   1   0
 
  C = 
       x1  x2  x3  x4
   y1   0   0   2   1
   y2   8   0   2   2
 
  D = 
       u1  u2
   y1   0   0
   y2   0   0
 
Continuous-time state-space model.

在这里插入图片描述
这里的线性状态空间模型，需要使用 linmod 函数进行使用

%% 传递函数 线性状态空间模型化
[A, B, C, D] = linmod('Demo4_9');  % 连续系统线性化 转化为状态空间模型

零极点模型：该传递函数的零点为 -5，极点为 0和-3，增益为 2；
在这里插入图片描述

系统模型转换及连接

模型转换

在不同的场景下，使用的模型表示也不尽相同，所以，我们需要将模型之间进行相互的模型转换；转换关系图如下：xx2xx(sys)
在这里插入图片描述
其中，tf表示传递函数，zp表示零极点模型；ss表示传递函数模型

clear;
clc
%% 将零极点模型转换为 传递函数模型和状态空间模型
% 使用的函数为：zp2tf(sys); zp2ss(sys)
z = -2;
p = [-1, -3, -5];
k = 6;

[num, den] = zp2tf(z, p, k);
[A, B, C, D] = zp2ss(z, p, k);

% 建立对应的模型
g_zpk = zpk(z, p, k)
g_tf = tf(num, den)
g_ss = ss(A, B, C, D)


% 执行结果

g_zpk =
 
       6 (s+2)
  -----------------
  (s+1) (s+3) (s+5)
 
Continuous-time zero/pole/gain model.


g_tf =
 
         6 s + 12
  -----------------------
  s^3 + 9 s^2 + 23 s + 15
 
Continuous-time transfer function.


g_ss =
 
  A = 
           x1      x2      x3
   x1      -1       0       0
   x2       1      -8  -3.873
   x3       0   3.873       0
 
  B = 
       u1
   x1   1
   x2   1
   x3   0
 
  C = 
          x1     x2     x3
   y1      0      0  1.549
 
  D = 
       u1
   y1   0
 
Continuous-time state-space model.

模型连接

串联连接

在这里插入图片描述
串联传递函数为相乘

% num1, den1：第一个传递函数的分子和分母
% num2， den2：第二个传递函数的分子和分母
% num， den：串联后的传递函数的分子和分母
[num, den] = series(num1, den1, num2, den2);

并联连接

在这里插入图片描述

[num, den] = parallel(num1, den1, num2, den2);

反馈连接

在这里插入图片描述
当系统为正反馈的时候， $\frac{G(s)H(s)}{1 - G(s)H(s)}$
当系统为负反馈的时候， $\frac{G(s)H(s)}{1 + G(s)H(s)}$

% sign 表示G(s)输入的连接符号，默认为 负值；表示系统H(s)输出到系统G(s)输入的连接符号
[num, den] = feedback(num1, den1, num2, den2, sign);

闭环连接

单位反馈连接，即 H(s) = 1 的一个特例

% sign 表示G(s)输入的连接符号，默认为 负值；表示系统H(s)输出到系统G(s)输入的连接符号
[numc, denc] = cloop(num, den, sign);

模型连接的 Matlab 实现

在这里插入图片描述

z1 = -2;
p1 = [-1, -3. -5];
k1 = 6;
[num1, den1] = zp2tf(z1, p1, k1);

z2 = -2.5;
p2 = [-1, -4];
k2 = 1;
[num2, den2] = zp2tf(z2, p2, k2);

[numS, denS] = series(num1, den1, num2, den2);
[numP, denP] = parallel(num1, den1, num2, den2);

GS = tf(numS, denS)
GP = tf(numP, denP)


% 执行结果
GS =
 
               6 s^2 + 27 s + 30
  --------------------------------------------
  s^5 + 14 s^4 + 72 s^3 + 166 s^2 + 167 s + 60
 
Continuous-time transfer function.


GP =
 
   s^4 + 17.5 s^3 + 87.5 s^2 + 156.5 s + 85.5
  --------------------------------------------
  s^5 + 14 s^4 + 72 s^3 + 166 s^2 + 167 s + 60
 
Continuous-time transfer function.

在这里插入图片描述

%% 反馈函数
num1 = [1, -1];
den1 = [1, -5, -2];

num2 = [1, 1];
den2 = [1, 3, 2];


H = 1;

% 闭环连接
[numc, denc] = cloop(num1, den1)
c_tf = tf(numc, denc)
% 负反馈函数
[numf, denf] = feedback(num1, den1,num2, den2);
f_tf = tf(numf, denf)


% 执行结果

c_tf =
 
      s - 1
  -------------
  s^2 - 4 s - 3
 
Continuous-time transfer function.


f_tf =
 
        s^3 + 2 s^2 - s - 2
  -------------------------------
  s^4 - 2 s^3 - 14 s^2 - 16 s - 5
 
Continuous-time transfer function.

非线性数学模型的线性化

线性系统满足叠加性和齐次性，反之则为非线性模型。我们需要将非线性系统进行线性化，方便我们处理。

在控制工程中，如果系统的运行是围绕平衡点进行的，并且系统中的信号是围绕平衡点变化的小信号，那么就可以用线性系统去近似非线性系统。这种线性系统在有限的工作范围内等价于原来的非线性系统。在控制工程中，这种线性化模型是很重要的。

线性化过程是用数学方法来处理，将一个非线性函数 $y = f (x)$ ，在其工作点 $x_0, y_0)$ 处展开成泰勒级数，然后忽略其二次以上的高阶项得到线性化方程，并以此代替原来的非线性函数。

单输入单输出的函数：

设系统的输入量为 x(t), 输出量为y(t), 系统正常工作点为 $y_0 = f(x_0)$ ，则：
展开为： $f(x_0) + ( \frac{\mathrm{d} f(x) }{\mathrm{d} x})_{x=x_0} (x- x_0) = y_0 + K (x- x_0)$ 该式表明， $y-y_0$ 与 $x-x_0$ 成正比

对于多输入多输出的函数：
下面是两个输入变量的函数 $y = f(x_1, x_2)$ 在工作点 $x_1 = x_{10}$ , $x_2 = x_{20}$ 处的线性化为例进行介绍：
方程 $y = f(x_1, x_2)$ 在工作点附近展开成泰勒级数如下：
在这里插入图片描述
忽略高阶项：

在这里插入图片描述

需要注意的是：
上面的线性化，只有在工作状态附近才是正确的。当工作状态的变化范围很大的时候，线性化方程就不合适了，这个时候，就必须使用非线性方程。

综合实例及matlab/simulink应用

在这里插入图片描述

第一步：从数学上求出系统的传递函数：

将上面的三个式子带入第一个微分方程中，得到：

在零初始条件下，对上式去拉普拉斯变换，整理可得：

第二步：使用 matlab 建立系统模型：

clear all;
clc

num = [0 1];
den = [1 2 2];
sys_tf = tf(num, den)
[z, p, k] = tf2zp(num, den)
sys_zpk = zpk(z, p, k)
[A, B, C, D] = zp2ss(z, p, k);
sys_ss = ss(A, B, C, D)

%% 执行结果

sys_tf =
 
        1
  -------------
  s^2 + 2 s + 2
 
Continuous-time transfer function.


z =

  空的 0×1 double 列向量


p =

  -1.0000 + 1.0000i
  -1.0000 - 1.0000i


k =

     1


sys_zpk =
 
        1
  --------------
  (s^2 + 2s + 2)
 
Continuous-time zero/pole/gain model.


sys_ss =
 
  A = 
           x1      x2
   x1      -2  -1.414
   x2   1.414       0
 
  B = 
       u1
   x1   1
   x2   0
 
  C = 
           x1      x2
   y1       0  0.7071
 
  D = 
       u1
   y1   0
 
Continuous-time state-space model.

第三步：求取阶跃响应：

%% 画出任意一个动态系统模型sys的阶跃响应。这个模型可以是连续的或离散的,和单输入单输出或多输入多输出。
step(sys_tf);
grid on;

在这里插入图片描述
采用 simulink 动态结构图仿真的思路是：利用 simulink 提供的提取线性模型的函数 linmod() 或 linmod2(), 得到状态空间模型，然后就可以对状态空间模型进行各种仿真

步骤一：建立 simulink 动态结构图
在这里插入图片描述
步骤二：求取系统的线性状态空间模型

%% 求取线性状态空间模型
[A, B, C, D] = linmod('Demo4_14')

步骤三：求系统的传递函数模型

%% 求系统的传递函数模型
[num, den] = ss2tf(A, B, C, D);
% prints the transfer function as a ratio of two polynomials in the transform variable 's' or 'z'. 将传递函数打印为转换变量's'或'z'中两个多项式的比率。
printsys(num, den, 's');    % 以传递函数形式显示出来

% 执行结果
A =

   1.0e+03 *

   -0.0781         0         0         0    1.7964
         0   -0.5000         0         0         0
    0.0141         0   -0.5000         0         0
         0    0.5000   -0.5000         0         0
         0    0.1600   -0.1600    0.0250   -0.0599


B =

     0
     1
     0
     0
     0


C =

  195.3125         0         0         0         0


D =

     0

 
num/den = 
 
             56137724.5509 s^2 + 32454622005.988 s + 2192879865269.461
   -----------------------------------------------------------------------------
   s^5 + 1138.0052 s^4 + 392683.3832 s^3 + 43221369.7605 s^2 + 3506268712.5748 s

   + 157887350299.401

fengxuewei123

关注

1
点赞
踩
21

收藏

觉得还不错? 一键收藏
0
评论
matlab simulink chapter4：控制系统的数学模型

本文参阅《Matlab/Simulink与控制系统仿真》一书，做一些笔记，帮助自己学习。系统的数学模型 ----> 系统的仿真处理 —> 设计一个合适的控制器，使系统响应到预期效果线性系统中，常见的线性模型有：传递函数模型状态方程模型零极点增益模型部分分式模型等动态过程微分方程描述微分方程是控制系统模型的基础动态微分方程描述的是被控制量与给定量或扰动量之间的函数关系，给定量和扰动量可以看成系统的输入量，被控制量看成输出量。建立微分方程的时候，一般从系.
复制链接

扫一扫