拉普拉斯终值定理在自控中的运用

一. 终值定理

拉普拉斯变换终值定理公式如下：
$$\underset{t\to \infty }{\lim }f(t)=\underset{s\to 0}{\lim }sF(s)$$
要知道这个公式在自控中的用途，还得从它的意义讲起。
如公式的左边，我们知道这个公式的目标是求$f(t)$的终值，由于在自动控制原理中，大部分函数都是在一个值的附近不断波动的，但波动会随着时间不断减小最后变为0，因此，这个公式可以直接求得$f(t)$函数稳定后不受波动变化时的稳定值。
那么，这个公式的意义在于简化了繁琐的求解过程。为什么这样说呢？我们知道，为了解一个复杂的微分方程，普遍方法是使用拉普拉斯变换辅助求解获得目标函数，但是此方法比较容易获得到的是$F(s)$也就是$L[f(t)]$，而距离获得目标函数，还要对其进行拉普拉斯反变化来获得，最后才进行极限求解。而这一个公式，直接省去了拉普拉斯反变换的过程，直接进行极限求解，因此说这个公式简化了求解过程。

1.1 终值定理求解稳态值

我们用一个简单的例子来讲述终值定理如何运用：
假设一个系统的闭环传递函数为：
$$\Phi (s)=\frac{1}{Ts+1}$$
若给一个单位阶跃信号，求其稳态值。
求其复域响应：
$$C(s)=R(s)\cdot \Phi (s)=\frac{1}{s}\cdot \frac{1}{Ts+1}$$

1.1.1 普通方法

使用拉普拉斯反变换求时间响应;
$$c(t)=L^{-1}\left[C(s)\right]=1-e^{-\frac{1}{T}t}$$
利用极限求稳态值;
$$\underset{t\to \infty }{\lim }c(t)=\underset{t\to \infty }{\lim }1-e^{-\frac{1}{T}t}=1$$
由此可知,稳态值为1。

1.1.2 终值方法

由拉普拉斯终值定理公式，可写：
$$\begin{array}{rl}\underset{t\to \infty }{\lim }c(t)& =\underset{s\to 0}{\lim }sC(s)\\ & =\underset{s\to 0}{\lim }s\cdot \frac{1}{s}\frac{1}{Ts+1}\\ & =\underset{s\to 0}{\lim }\frac{1}{Ts+1}\\ & =1\end{array}$$
与普通方法对比，结果相同，但其计算过程却简便了不少。

1.2 终值定理求解稳态误差

我们继续用上一个例子来讲述终值定理：
假设一个系统的闭环传递函数为：
$$\Phi (s)=\frac{1}{Ts+1}$$
若给一个单位斜坡信号，求其稳态误差。
求其复域响应：
$$C(s)=R(s)\cdot \Phi (s)=\frac{1}{s^2}\cdot \frac{1}{Ts+1}$$
则误差复域信号为：
$$\begin{array}{rl}E(s)& =R(s)-R(s)\cdot \Phi (s)=R(s)\cdot [1-\Phi (s)]\\ & =\frac{1}{s^2}(1-\frac{1}{Ts+1})\\ & =\frac{1}{s^2}\frac{Ts}{Ts+1}\end{array}$$

1.2.1 普通方法

求误差时间响应：
$$\begin{array}{rl}e(t)& =L^{-1}[E(s)]=T-T{e}^{-\frac{t}{T}}\end{array}$$
同样，利用极限：
$$\underset{t\to \infty }{\lim }e(t)=\underset{t\to \infty }{\lim }T-T{e}^{-\frac{t}{T}}=T$$
即，稳态误差为$T$。

1.2.2 终值方法

由拉普拉斯终值定理公式，可写：
$$\begin{array}{rl}\underset{t\to \infty }{\lim }e(t)& =\underset{s\to 0}{\lim }sE(s)\\ & =\underset{s\to 0}{\lim }s\cdot \frac{1}{s^2}\frac{Ts}{Ts+1}\\ & =\underset{s\to 0}{\lim }\frac{T}{Ts+1}\\ & =T\end{array}$$
由此，比较两方法发现结果相同。