「计算机控制系统」4. 计算机控制系统分析

news2024/11/22 23:34:30

Z平面
稳定性分析
稳态误差分析
动态过程分析
频率特性

文章目录

  • Z平面与S平面的映射关系
  • 稳定性分析
    • 离散Routh判据
    • Jury判据
    • 离散Nyquist判据
  • 稳态误差
    • 静态误差系数
  • 动态过程
  • 频率特性


Z平面与S平面的映射关系

在这里插入图片描述

  1. S平面虚轴的映射
    在这里插入图片描述

  2. ω \omega ω θ \theta θ的映射
    在这里插入图片描述
    可以看出从S平面到Z平面并不是一一映射

  3. 主带与旁带
    在这里插入图片描述
    S平面上宽度 ω s \omega_s ωs的一条可以映射到整个Z平面,具体的情况如下:

  4. 主带的映射
    在这里插入图片描述
    S平面主带左半平面可以映射到Z平面单位圆内。
    在这里插入图片描述
    右半平面可以映射到Z平面单位圆外。

  5. 等频率线的映射
    等频率即 ω \omega ω为常数,在S平面与实轴平行
    在这里插入图片描述

  6. 等衰减率线的映射
    等衰减率即是 ξ ω n \xi \omega_n ξωn乘积为定值,对应平行于虚轴的直线
    在这里插入图片描述

  7. 等阻尼比轨迹
    cos ⁡ β = ξ \cos \beta=\xi cosβ=ξ,等阻尼比即是S平面过原点的射线
    在这里插入图片描述

稳定性分析

连续系统稳定:闭环特征根都在S平面的左半平面
根据映射关系:
离散系统稳定:闭环特征根都在Z平面单位圆内

利用特征根判别系统稳定性:
在这里插入图片描述

离散Routh判据

Routh判据是用来判断极点是否位于复平面左半平面的。因此需要引入一个新的变换,将Z平面的单位圆内,映射到某个平面的左半平面:
W变换 z = 1 + w 1 − w \displaystyle z=\frac{1+w}{1-w} z=1w1+w
运用W变换以后,就可以像之前连续系统一样运用Routh判据了。

两种特殊情况的处理方法:

  1. 某行第一列为0:
    用足够小的正数 ε \varepsilon ε替代0参与运算
    用因子 ( w + a ) (w+a) (w+a)乘以原特征方程,其中 a a a为任意正数

  2. 某行全为0:
    用全0行的上一行构造辅助方程,求导后用其系数替代全0行

看一个综合性的例题:
在这里插入图片描述
在这里插入图片描述
可以看出,采样使得系统的稳定区间变小,不稳定性增加。
但采样周期减小,系统更加接近连续,则这种影响也就减小。

对于特征方程二次的系统, D ( z ) = z 2 + A z + B = 0 D(z)=z^2+Az+B=0 D(z)=z2+Az+B=0,
如果满足:
∣ D ( 0 ) ∣ = ∣ B ∣ < 1 D ( 1 ) = 1 + A + B > 0 D ( − 1 ) = 1 − A + B > 0 \begin{aligned} &|D(0)|=|B|<1\\ &D(1)=1+A+B>0\\ &D(-1)=1-A+B>0 \end{aligned} D(0)=B<1D(1)=1+A+B>0D(1)=1A+B>0
则系统稳定。

Jury判据

相比与劳斯判据,不需要进行W变换。但缺点是只能判断是否稳定,而无法给出不稳定极点的个数。

在这里插入图片描述
「图源:刘建昌_计算机控制系统」

离散Nyquist判据

(了解)
特征方程: 1 + k D ( z ) G ( z ) = 0 1+kD(z)G(z)=0 1+kD(z)G(z)=0

  1. 确定 k D ( z ) G ( z ) kD(z)G(z) kD(z)G(z)的不稳定极点数p
  2. 代入 z = e j ω T z=e^{j \omega T} z=eT,在 0 ≤ ω T ≤ 2 π 0 \le \omega T \le2\pi 0ωT2π范围内,画出开环幅相频率特性曲线
  3. 计算曲线顺时针包围 z = − 1 z=-1 z=1的圈数 n n n
  4. q = p − n q=p-n q=pn,若 q = 0 q=0 q=0,则稳定

稳态误差

离散系统的稳态误差和连续系统的非常相近,可以对照进行理解
在这里插入图片描述
由此可以看出,稳态误差与以下因素都有关:

  1. 系统本身的结构参数
  2. 输入的形式和幅值
  3. 采样周期T

通过定义和终值定理求稳态误差:
在这里插入图片描述

静态误差系数

型别的划分:
系统开环传递函数分母包含 ( z − 1 ) (z-1) (z1)的阶数称为型别( z = 1 z=1 z=1的极点数)
因此开环传递函数可以写成:
1 ( z − 1 ) v A ( z ) B ( z ) \displaystyle \frac{1}{(z-1)^v}\frac{A(z)}{B(z)} (z1)v1B(z)A(z),其中v为系统型别

稳态误差:

型别vesspessvessa
0 A 1 + K p \frac{A}{1+K_p} 1+KpA ∞ \infty ∞ \infty
10 A K v \frac{A}{K_v} KvA ∞ \infty
200 A K a \frac{A}{K_a} KaA

需要注意的是,静态误差系数的计算不能直接读取增益了,而要根据Z变换的结果来求:
K p = lim ⁡ z → 1 G F ( z ) K v = lim ⁡ z → 1 ( 1 − z − 1 ) G F ( z ) T K a = lim ⁡ z → 1 ( 1 − z − 1 ) 2 G F ( z ) T 2 \begin{aligned} &K_p=\lim_{z\to 1}GF(z)\\ &K_v=\lim_{z\to 1} \frac{(1-z^{-1})GF(z)}{T}\\ &K_a=\lim_{z\to 1} \frac{(1-z^{-1})^2GF(z)}{T^2} \end{aligned} Kp=z1limGF(z)Kv=z1limT(1z1)GF(z)Ka=z1limT2(1z1)2GF(z)

解释:

  1. 只有系统稳定才能求稳态误差(计算之前先判稳)
  2. 稳态误差为 ∞ \infty ,并不表示系统不稳定。而是表示系统无法跟踪输入

在这里插入图片描述

动态过程

动态特性主要考虑单位阶跃响应。
和连续情况相似,时域的动态性能指标也包括超调量、上升时间、峰值时间、调节时间等等。
但是各个指标的取值是从系统阶跃响应的采样中得到的,因此根据采样的不同,各个值也会不同。

和连续情况类似,时间响应由闭环极点在Z平面的位置决定。
闭环极点与单位脉冲响应:
在这里插入图片描述
其中 φ ( k ) = ∑ i = 0 n Res [ ϕ ( z ) z k − 1 ] z = z i \displaystyle \varphi(k)=\sum_{i=0}^n \text{Res}[\rm \phi(z)z^{k-1}]_{z=z_i} φ(k)=i=0nRes[ϕ(z)zk1]z=zi
因此求出 φ ( k ) \varphi(k) φ(k),再用Z反变换,就可以求出时间响应。

  1. 脉冲传函只有一个简单的实极点
    在这里插入图片描述
    在这里插入图片描述
    极点越靠近0,衰减越快

  2. 脉冲传函仅含一对共轭复极点
    在这里插入图片描述
    ρ 1 = ∣ a ∣ \rho_1=|a| ρ1=a,两个极点越靠近原点, ρ 1 \rho_1 ρ1越小,衰减越快,过渡过程影响越小。
    θ \theta θ增大,震荡频率增大。 θ = 180 ° \theta=180 \degree θ=180°震荡频率最高。

  3. 脉冲传函所有极点都在Z平面原点
    在这里插入图片描述
    φ ( k ) \varphi(k) φ(k)只有有限项,也即在单位脉冲作用下,响应在 n T nT nT内结束。
    当采样频率一定,该系统具有最短的过渡过程,称为时间最优系统或者最小拍系统
    所有极点都在原点,稳定性最高。但该条件苛刻,且系统参数变化会使控制性能变差。

频率特性

(了解)
连续系统频率特性:沿虚轴看, s = j ω s=j\omega s=
离散系统频率特性:沿单位圆看, z = e j ω T z=e^{j\omega T} z=eT
在这里插入图片描述

  1. ω T \omega T ωT沿单位圆转一圈,频率特性重复一次
  2. ∣ G ( e j ω T ) ∣ |G(e^{j\omega T})| G(eT) ω \omega ω的偶函数,且沿 ω s 2 \frac{\omega_s}{2} 2ωs对称
  3. ∠ G ( e j ω T ) \angle G(e^{j \omega T}) G(eT) ω \omega ω的奇函数
  4. G ( e j ω T ) G(e^{j\omega T}) G(eT)不是 ω \omega ω的有理分式函数,不能画出对数幅频特性。但频率轴仍可以用对数座标。
  5. 离散环节频率特性形状与连续环节相差较大。尤其是T较大时

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/425716.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

远程组态管理的好处

远程组态管理可以简化管理工作&#xff0c;帮助您节省时间和金钱。远程组态管理可以通过各种应用程序来实现&#xff0c;包括&#xff1a; •监控所有设备的状态&#xff0c;以确保它们正常工作。 •记录现场数据&#xff0c;例如温度&#xff0c;压力或流量。 •快速、轻松地…

自动驾驶「时过境迁」,这家头部出行服务平台再出发

滴滴自动驾驶复活了&#xff1f; 昨日&#xff0c;滴滴正式发布了首个自动驾驶自动运维中心&#xff0c;以及首款未来服务概念车DiDi Neuron&#xff0c;同时还公布了在技术、硬件、量产以及新业务探索方面的进展。 按照计划&#xff0c;滴滴自动驾驶正在结合新能源整车企业能…

【单链表】的增删查改

&#x1f58a;作者 : Djx_hmbb &#x1f4d8;专栏 : 数据结构 &#x1f606;今日分享 : “Onc in a blu moon” : “罕见的,千载难逢的” (出现在19世纪,指的是"在一个月内出现的第二次圆月”&#xff0c;这种现象每隔32个月发生一次。) 文章目录✔单链表的功能实现:&…

大前端突围之路:从RN跨平台到大前端全栈统一

本文首发自「慕课网」(imooc.com)&#xff0c;想了解更多IT干货内容&#xff0c;程序员圈内热闻&#xff0c;欢迎关注"慕课网"&#xff01; 作者&#xff1a;FE大公爵|慕课网讲师 前言 不知不觉&#xff0c;在大前端领域也混迹十年了&#xff0c;一路的经历不敢说…

接口自动化测试yaml+requests+allure技术,你学会了吗?

目录 前言 一、什么是接口自动化测试 二、为什么要进行接口自动化测试 三、接口自动化测试的流程 四、yaml语言介绍 五、requests库介绍 六、allure技术介绍 七、总结 前言 接口自动化测试是在软件开发过程中常用的一种测试方式&#xff0c;通过对接口进行自动化测试&a…

SQL Sever 单表数据查询(下)

提示&#xff1a;本篇文章是在上篇文章的基础上进行单表数据查询操作的补充,主要以例题的方式呈现. 文章目录前言1.分组&#xff1a;统计各门课程的选修人数2.分别统计男女生的平均年龄3.查询所有科目成绩在85分以上的学生的学号及其平均分4.查询平均年龄大于18岁的系部和平均年…

Linux复习 / 动静态库QA梳理 | 如何使用第三方库?

文章目录前言Q&A概念Q&#xff1a;使用静态库和使用动态库的程序有什么区别&#xff1f;Q&#xff1a;什么是静态链接/动态链接&#xff1f;使用与制作Q&#xff1a;如何制作动静态库&#xff1f;Q&#xff1a;如何使用第三方库&#xff1f;Q&#xff1a;程序加载时&#x…

C语言-实现顺序二叉树和平衡二叉树AVL

1. 结构体 在实现二叉树之前先看下结构体的一些使用方法 数组是保存一系列相同的数据。在实际问题中&#xff0c;一组数据往往有很多种不同的数据类型。例如&#xff0c;登记学生的信息&#xff0c;可能需要用到 char型的姓名&#xff0c;int型或 char型的学号&#xff0c;in…

4.6--计算机网络之TCP篇之TCP的基本认识--(复习+深入)---好好沉淀,加油呀

1.TCP 头格式有哪些&#xff1f; 序列号&#xff1a; 在建立连接时由计算机生成的随机数作为其初始值&#xff0c;通过 SYN 包传给接收端主机&#xff0c;每发送一次数据&#xff0c;就「累加」一次该「数据字节数」的大小。 用来解决网络包乱序问题。 确认应答号&#xff1a; …

MySQL优化——Explain分析执行计划详解

文章目录前言一. 查看SQL执行频率二. 定位低效率执行SQL三. explain分析执行计划3.1 id3.2 select_type3.3 table3.4 type3.5 key3.6 rows3.7 extra四. show profile分析SQL前言 在应用的的开发过程中&#xff0c;由于初期数据量小&#xff0c;开发人员写 SQL 语句时更重视功能…

酷炫的3D智慧工厂不会打造?这40+可视化大屏模板千万别错过!

数字化已成为各行各业的重要趋势&#xff0c;因为数字化能够带来精准的效益提升。小米公司最近推进了黑灯工厂业务。”24小时熄灯操作&#xff0c;全程无人工干预”&#xff0c;这是小米智能工厂的重要特征。走进工厂&#xff0c;闪烁的灯带提示生产正在进行&#xff0c;机器通…

【Spring从成神到升仙系列 四】从源码分析 Spring 事务的来龙去脉

&#x1f44f;作者简介&#xff1a;大家好&#xff0c;我是爱敲代码的小黄&#xff0c;独角兽企业的Java开发工程师&#xff0c;CSDN博客专家&#xff0c;阿里云专家博主&#x1f4d5;系列专栏&#xff1a;Java设计模式、数据结构和算法、Kafka从入门到成神、Kafka从成神到升仙…

【ChatGPT】Prompt Engineering入门

Prompt Engineering入门一、什么是 Prompt Engineering&#xff1f;二、我们还需要学习 PE 吗&#xff1f;三、Prompt基础原则一、什么是 Prompt Engineering&#xff1f; 简单的理解它是给 AI 模型的指令。它可以是一个问题、一段文字描述&#xff0c;甚至可以是带有一堆参数的…

数据结构 - 排序 | C (插入、希尔、选择、堆、冒泡)

目录0.排序思维导图&#xff08;总&#xff09;一、插入排序1.直接插入排序思路分析代码实现时间复杂度2.希尔排序思路分析代码实现时间复杂度二、选择排序1.选择排序思路分析代码实现时间复杂度2.堆排序思路分析代码实现时间复杂度三、交换排序冒泡排序思路分析代码实现时间复…

如何基于vue实现倒计时效果

如何基于vue实现倒计时效果基于vue2 element实现画面效果代码基于vue2 element 实现画面效果 代码 <template><div><div class"Box"><div style"position: relative;"><el-progress type"circle" :width"30…

pytorch注意力机制

pytorch注意力机制 最近看了一篇大佬的注意力机制的文章然后自己花了一上午的时间把按照大佬的图把大佬提到的注意力机制都复现了一遍&#xff0c;大佬有一些写的复杂的网络我按照自己的理解写了几个简单的版本接下来就放出我写的代码。顺便从大佬手里盗走一些图片&#xff0c…

Vue3使用触摸滑动插件(Swiper)

Vue2使用触摸滑动插件&#xff08;Swiper&#xff09; 参考文档&#xff1a; Swiper官方 Swiper Vue Swiper Demos 本文使用的是最新版本&#xff1a;Swiper9.2.2 安装插件&#xff1a;yarn add swiper 本文基于Swiper插件进行封装&#xff0c;主要实现两种形式的轮播图展示…

电脑自带远程桌面和远程控制软件哪个好?

随着科技的不断发展和普及&#xff0c;越来越多的公司和个人开始关注远程控制软件的使用。我们常常需要在不同的地方工作&#xff0c;但工作需要的文件和软件却只能在一个地方使用&#xff0c;这时候远程控制电脑软件就变得尤为重要咯。但是&#xff0c;许多人分不清楚&#xf…

Windows远程连接工具有哪些

Windows远程连接工具&#xff0c;一般称为远程桌面软件&#xff0c;更准确的叫远程访问软件或远程控制软件&#xff0c;可以让你从一台电脑远程控制另一台电脑。远程桌面软件允许您控制连接的计算机&#xff0c;就好像它就在您面前一样。 远程桌面工具可用于技术支持、远程工作…

单TYPE-C口 可支持快充又可传输USB2.0数据方案

虽然现在有不少厂商也采用了Type-C接口&#xff0c;但是只作为一个充电接口&#xff0c;对于跨时代的type-c接口来说&#xff0c;多少有点大材小用&#xff0c; 那么有没有办法&#xff0c;让一个type-c接口既可以充电&#xff0c;又可以接OTG&#xff1f;比如不充电的时候可以…