深入理解控制系统稳定性、可控性和可观性-CSDN博客

本文链接：https://blog.csdn.net/xiaoyuting999/article/details/147448085

控制系统稳定性
可控性与可观性

参考：What is stability of control system ?

控制系统稳定性

稳定性的基本概念

稳定性指的是 闭环系统维持平衡状态或在被施加扰动或变化后返回该状态的能力。

内部（Lyapunov）稳定性：考察系统状态 $\dot x = Ax$ 在 没有外部输入下的固有动态，
- 渐近稳定（Asymptotic Stability）：所有解 $x (t)$ 随 $t\to\infty$ 都趋于零。
- 李雅普诺夫稳定（Lyapunov Stability）：初始扰动足够小，状态始终保持在小范围内（但不一定趋于零）。
- 不稳定：存在初始条件使得 $\|x(t)\|\to\infty$ 。
BIBO 稳定性（Bounded-Input Bounded-Output Stability）
有界输入和有界输出（BIBO）稳定性，通常称为输入输出稳定性，评估系统对有界（有限）输入的响应。如果一个系统 $\;y(t)=G(s)u(t)$ 对于任何有界输入信号，其输出都保持有界，即不会无限增长，则该系统被认为是 BIBO 稳定的。

注意：内部稳定 ⇔ BIBO 稳定（当系统是可控可观且最小实现时） ，否则两者可能不同。

若系统包含不可控或不可观测极点，这些极点在输入—输出传递函数中会被零点抵消，看不到（它们属于内部模态，不影响 BIBO）。
最小实现（Minimal Realization）通过 minreal 或可控/可观子空间剔除这些“被抵消”的模态，使得传递函数中的极点集真正反映系统动态。

一个稳定的控制系统是指 输出保持有界，并且 即使受到外部力量或输入变化的干扰，也不会表现出不受控制的或振荡的行为。

相位裕度 和 增益裕度 等数学表达式用于量化 负反馈系统的稳定性。

系统稳定性分类

判定	条件（连续时域）	根据
渐近稳定	$\Re(s_i)<0$	极点位置
边界稳定	$\Re(s_i)\le0$ ，无重根	极点位置
不稳定	存在 $\Re(s_i)>0$ 或重根	极点位置
零点	任意位置	不影响稳定性
非最小相位	零点在右半平 $\Re(z_j)>0$	零点位置影响瞬态

极点决定指数衰减/增长与振荡，是真正的稳定性指标；
零点决定输入—输出路径上的局部“抑制”或相位/幅度畸变，但不改变是否收敛。

举个简单的例子，假设我们有一个传递函数 $G (s)$ ，
$G(s)=\frac{1}{s+a}$
所以 $- a$ 就是我们的极点，为了理解这在时间域中意味着什么，取系统的逆拉普拉斯变换 $\mathcal L^{-1}$ ，得到系统：
$f(t) = e^{-at}u(t)$
假设初始条件为 0，可以将 $u$ 设为 1，我们的系统就变成了
$f(t) = e^{-at}$

在这里插入图片描述

稳定系统

如果 系统的传递函数的极点位于 s 平面的左侧，则认为 系统是稳定的。但随着极点靠近原点，系统的稳定性会降低。

在这里插入图片描述

脉冲响应显示，

位于实轴上的极点具有过阻尼响应。
对于第二和第三象限的极点，瞬态响应是正弦波但指数衰减（欠阻尼响应）。

接近原点的极被称为主导极（Dominant Poles）。因此，如果一个稳定系统的极位于 $p_1$ 和 $p_2$ （如上图），则 $p_1$ 被认为是该系统的主导极。 $p_2$ 被认为是该系统的非主导极（Non-dominant Poles）。在瞬态响应中，由于 $p_2$ 的贡献衰减得更快，响应将由主导极 $p_1$ 主导。

边界稳定系统

一个系统如果其 极点位于虚轴上且不重复，则称为边界稳定。

时域脉冲响应显示在恒定幅度下的振荡。初始条件（输入幅度）定义了幅度。

在这里插入图片描述

不稳定系统

如果一个系统 在 s 平面的右侧有任何极点，则称为 不稳定。即使只有一个极点在右侧，也可能使系统不稳定。

输出随时间增长，振荡幅度随时间指数增长。在 实际系统中，振幅会上升到电源电压。

在这里插入图片描述

可控性与可观性

理解并检验可控性与可观测性，是状态空间设计的第一步，也是保证反馈与估计器有效性的核心前提。

状态反馈：只有在可控系统上，才能通过反馈 $u = - K x$ 任意配置闭环极点。
状态估计：只有在可观测系统上，才能用观测器（如卡尔曼滤波、Luenberger 观测器）准确重建状态。
最小实现：不可控或不可观测的模态在输入—输出上无贡献，可用 minreal 删除，得到最小等价系统。

考虑 LTI 系统的状态空间描述：

$\begin{cases} \dot x(t) = A\,x(t) + B\,u(t),\\[5pt] y(t) = C\,x(t) + D\,u(t),\\ \end{cases}$

其中 $x\in\mathbb R^n$ 、 $u\in\mathbb R^m$ 、 $y\in\mathbb R^p$ 。

在这里插入图片描述

可控性（Controllability）

可控性（Controllability） 系统从 任意初始状态 $x(0)=x_0$ 在 有限时间 $T$ 内，通过恰当选择输入 $u (t)$ ，能否将状态驱动到 任意目标状态 $x(T)=x_f$ 。。

判断条件：Kalman 可控性矩阵法则
$\mathcal{C} = [\,B\;\;A B\;\;A^2B\;\dots\;A^{n-1}B\,]\in\mathbb R^{n\times nm}$

判据：若 $\mathrm{rank}(\mathcal C)=n$ ，则系统完全可控；否则存在不可控子空间。

定义可控 Gramian 判据：

$W_c(T) = \int_{0}^{T} e^{A\tau} B B^\top e^{A^\top \tau}\,\mathrm d\tau.$

若对某 $T > 0$ ， $W_c(T)$ 是可逆的（正定矩阵），系统可控。
物理／几何意义：
- 每个列向量 $A^k B$ 表示“从输入作用一次、两次……到第 $k + 1$ 次，对状态的影响方向”。
- $\mathcal C$ 的列空间若能张满整个状态空间，就说明输入足够“驱动”到任何方向。

可观测性（Observability）

可观性（Observability） 能否通过观测输出 $y (t)$ 在有限时间内唯一重构系统初始状态 $x(0)=x_0$ 。

判断条件：Kalman 可观测性矩阵法则
$\mathcal{O} = \begin{bmatrix} C\\ C\,A\\ C\,A^2\\ \vdots\\ C\,A^{n-1}\\ \end{bmatrix} \in\mathbb R^{pn\times n}$

判据：若 $\mathrm{rank}(\mathcal O)=n$ ，则系统完全可观测；否则存在不可观测子空间。

定义可观测 Gramian 判据：
$W_o(T) = \int_{0}^{T} e^{A^\top \tau} C^\top C e^{A\,\tau}\,\mathrm d\tau.$

若对某 $T > 0$ ， $W_o(T)$ 是可逆的，系统可观测。
物理／几何意义：
- $\mathcal O$ 的行向量 $C A^k$ 表示“状态向第 $k$ 次演化后，对输出的映射”。
- 若行空间张满状态空间，说明每个状态分量都能在某个时刻对输出产生可区分影响。

简单示例：二阶质量-弹簧系统

状态空间（无阻尼）：

$A=\begin{bmatrix}0&1\\-k/m&0\end{bmatrix},\quad\\[10pt] B=\begin{bmatrix}0\\1/m\end{bmatrix},\quad\\[10pt] C=\begin{bmatrix}1&0\end{bmatrix}$

可控性： $\mathcal C=[B,\;AB] = \bigl[\,[0;1/m],\;[-k/m;0]\,\bigr]$ $\operatorname{rank}(\mathcal C)=2$ ，完全可控。
可观测性： $\mathcal O=\begin{bmatrix}C\\CA\end{bmatrix} = \bigl[\,[1,0];\;[0,1]\bigr]$ $\operatorname{rank}(\mathcal O)=2$ ，完全可观测。