特征模型(3)证明全系数之和等于1

摘要 证明线性系统的特征模型的系数之和为1，使用直接离散化方法。
专栏全部文章见 基于特征模型的全系数自适应控制。

引言

  被控对象用微分方程
$$y^{(n)}=a_{n-1}{y}^{(n-1)}+\cdots +a_{0}y+b_{n-1}{u}^{(n-1)}+\cdots +b_{0}u\text{\hspace{1em}(1)}$$
描述，其相应的差分方程为
$$y(k)={\alpha }_{1}y(k-1)+\cdots +{\alpha }_{n}y(k-n)+{\beta }_{1}u(k-1)+\cdots +{\beta }_{n}u(k-n)\text{\hspace{1em}(2)}$$
对应的系统拉氏变换和z变换分别为
$$\begin{array}{rl}G(s)=& \frac{b_{n-1}{s}^{n-1}+\cdots +b_{1}s+b_0}{s^n+a_{n-1}{s}^{n-1}+\cdots +a_{1}s+a_0}\\ G(z)=& \frac{{\beta }_1{z}^{-1}+\cdots +{\beta }_{n-1}{z}^{n-1}+{\beta }_n{z}^{-n}}{1-{\alpha }_1{z}^{-1}-\cdots -{\alpha }_{n-1}{z}^{n-1}-{\alpha }_n{z}^{-n}}\end{array}$$
式(2)中的 $\alpha$ 和 $\beta$ 参数在下面两种情况下等于或近似等于1。

第一种情况

  系统静态增益 $D=b_0/a_0$，则差分方程系数之间满足
$$\sum _{i=1}^n{a}_i+\frac{b_0}{a_0}\sum _{i=0}^{n-1}{\beta }_i=1$$
且当 $b_0/a_0=1$ 时，所有系数之和为1。
  证明：拉氏变换和z变换的终值定理分别为，当终值存在时，
$$\begin{array}{rl}{f}_s(\infty )=& \underset{s\to 0}{\lim }sF(s)\\ f_z(\infty )=& \underset{z\to 1}{\lim }(z-1)F(z)\end{array}$$
阶跃信号的拉氏变换和z变换分别为
$$U(s)=\frac{1}{s},U(z)=\frac{1}{1-z^{-1}}$$
所以连续系统和离散系统的终值分别为
$$\begin{array}{rl}{f}_s(\infty )=& \underset{s\to 0}{\lim }sU(s)G(s)=\frac{b_0}{a_0}\\ f_z(\infty )=& \underset{s\to 0}{\lim }(z-1)U(z)G(z)=\frac{\sum {\beta }_i}{1-\sum {\alpha }_i}\end{array}$$
当终值 $f_z(\infty )=f_s(\infty )=\frac{b_0}{a_0}=1$ 时，$\sum {\alpha }_i+\sum {\beta }_i=1$。

第二种情况

  采样周期 $\Delta t\to 0$，且 $a_0,b_0$ 为有限值，则所有参数的和
$$\underset{\Delta t\to 0}{\lim }\sum {\alpha }_i+\sum {\beta }_i=\underset{\Delta t\to 0}{\lim }\left[1+(1+D){\left(\frac{\Delta t}{T^{\prime }}\right)}^n\right]=1$$
其中 $T^{\prime }$ 为等效时间常数，且 $a_0=(\frac{1}{T^{\prime }}{)}^n$。
  证明：当 $\Delta t\to 0$ 时，将微分方程使用一阶差分法离散化
$$\begin{array}{rl}\dot{y}(t)=& \frac{y(k)-y(k-1)}{\Delta t}\\ \ddot{y}(t)=& \frac{y(k)-2y(k-1)+y(k-2)}{(\Delta t{)}^2}\\ y^{(3)}(t)=& \frac{y(k)-3y(k-1)+3y(k-2)-y(k-3)}{(\Delta t{)}^3}\\ ⋮& \\ y^{(n)}(t)=& \frac{\sum _{i=0}^n(-1{)}^i{C}_n^{i}y(k-i)}{(\Delta t{)}^n}\end{array}$$
分子的各系数呈杨辉三角。将上述关系代入式(1)得（先以二阶系统为例）
$$\begin{array}{rl}& \ddot{y}=a_1\dot{y}+a_{0}y+b_1\dot{u}+b_{0}u\\ & \frac{y(k)-2y(k-1)+y(k-2)}{(\Delta t{)}^2}=a_1\frac{y(k-1)-y(k-2)}{\Delta t}+a_{0}y(k-2)+b_1\frac{u(k-1)-u(k-2)}{\Delta t}+b_{0}u(k-2)\end{array}$$
$$\begin{array}{rl}y(k)=& 2y(k-1)-y(k-2)+a_1[y(k-1)-y(k-2)]\Delta t+b_1[u(k-1)-u(k-2)]\Delta t+[a_{0}y(k-2)+b_{0}u(k-2)](\Delta t{)}^2\\ =& (a_1\Delta t+2)y(k-1)+(a_0{\Delta }^{2}t-a_1\Delta t-1)y(k-2)+b_1\Delta tu(k-1)+(b_0{\Delta }^{2}t-b_1\Delta t)u(k-2)\\ =& {\alpha }_{1}y(k-1)+{\alpha }_{2}y(k-2)+{\beta }_{1}u(k-1)+{\beta }_{2}u(k-2)\end{array}$$
$$\begin{array}{rl}\sum {\alpha }_i+\sum {\beta }_i=& (a_1\Delta t+2)+(a_0{\Delta }^{2}t-a_1\Delta t-1)+b_1\Delta t+(b_0{\Delta }^{2}t-b_1\Delta t)\\ =& (a_0+b_0){\Delta }^{2}t+2-1\\ \underset{\Delta t\to 0}{\lim }\sum {\alpha }_i+\sum {\beta }_i=& 1\end{array}$$
可见不包含 $\Delta t$ 的一阶项。再推广到n阶，省略包含 $\Delta t$ 的高阶项
$$\begin{array}{rl}y(k)=& \sum _{i=1}^n(-1{)}^i{C}_n^{i}y(k-i)+a_{n-1}\Delta t\left(\sum _{i=0}^{n-1}(-1{)}^i{C}_n^{i}y(k-i)\right)+a_{n-2}{\Delta }^{2}t\left(\sum _{i=0}^{n-2}(-1{)}^i{C}_n^{i}y(k-i)\right)\\ & +\cdots +b_{n-1}\Delta t\left(\sum _{i=0}^{n-1}(-1{)}^i{C}_n^{i}u(k-i)\right)+b_{n-2}{\Delta }^{2}t\left(\sum _{i=0}^{n-2}(-1{)}^i{C}_n^{i}u(k-i)\right)\end{array}$$
进一步观察得到杨辉三角各行元素的和为0，而第一个元素为1，所以等号右边第一项的系数和 $\sum _{i=1}^n(-1{)}^i{C}_n^i=1$，剩下的每一项中的系数都是完整的杨辉三角中的一行，系数和都是0，只剩下杨辉三角第一行的 $a_{0}y(k-n){\Delta }^{n}t$ 和 $b_{0}u(k-n){\Delta }^{n}t$，都是 $\Delta t$ 的高阶小量，可以忽略。
  这种推导方法用的是欧拉离散化方法，特征模型(1)简介 文末的第一个参考文献证明了用其他方法离散化的系数和也是1。
  根据微分方程系数 $a_i$ 与极点 $p_i$、一阶系统的时间常数 $T_i$ 的关系可以知道，当 $a_0\ne 0$ 时
$$a_0=\prod _{i=1}^n-p_i=\prod _{i=1}^n\frac{1}{T_i}>0$$
举个例子，
$$G(s)=\frac{1}{(s+2)(s+3)}=\frac{1}{s^2+5s+6}=\frac{1}{s^2+a_{1}s+a_0}$$
其中极点为 $p_1=-2,p_2=-3$，$a_0=6$，$T_i=\frac{1}{2}.\frac{1}{3}$。
定义等效时间常数
$$T^{\prime }=\sqrt[n]{\prod _{i=1}^n{T}_i}$$
于是有 $a_0={\left(\frac{1}{T^{\prime }}\right)}^n$，又因为 $b_0/a_0=D$ 为等效静态增益，所以如果不忽略 $\Delta t$ 的两个高阶小量，则
$$\begin{array}{rl}\sum _{i=1}^n{\alpha }_i+\sum _{i=0}^{n-1}{\beta }_i=& 1+a_0{\Delta }^{n}t+b_0{\Delta }^{n}t\\ =& 1+a_0(1+D){\Delta }^{n}t\\ =& 1+(1+D){\left(\frac{\Delta t}{T^{\prime }}\right)}^n\end{array}$$

全系数之和等于1的作用

由于引入全系数之和等于1的算法，从而可以推出一组新的参数递推算法，这在工程上解决了自校正调节器需事先一次性确定一个输入系数 ${\beta }_0$ 的问题，并简化了复杂的算法。在理论上解决了线性闭环反馈控制时参数辨识不唯一性的问题。