线性时不变系统(定常系统)
以下讨论线性定常齐次状态方程解:即自由解
对于 $\dot x=Ax$,若开始时刻 $t_0$ 状态若定为 $x(t_0)=x_0$,则
$$ x(t)=e^{A(t-t_0)}x_0,\quad t\ge t_0 $$考虑从0开始,即 $t_0=0$ 则
$$ x(t)=e^{At}x_0,\quad t\ge0 $$这是 $e^{At}$ 的定义,有题目会让我们求 $e^{At}$,通常也称其为状态转移矩阵 $\Phi(t)=e^{At}$
系统例子:
例 对于无重根,例为
$$ A=\begin{bmatrix}0&1\\-2&-3\end{bmatrix} $$①根据定义求
$$ e^{At}=I+At+\frac{1}{2!}A^2t^2+\dots+\frac{1}{n!}A^nt^n+\dots $$注:定理有若 $A=P\Lambda P^{-1}$ 即对角化,那么 $e^{At}=Pe^{\Lambda t}P^{-1}$ 或 $e^{\Lambda t}=P^{-1}e^{At}P$ 。这很好证明,只要知道 $A^n=P\Lambda^nP^{-1}$
这个前提代上式即求得
$$ e^{At}= \begin{bmatrix}1&0\\0&1\end{bmatrix}+ \begin{bmatrix}0&1\\-2&-3\end{bmatrix}t+ \begin{bmatrix}0&1\\-2&-3\end{bmatrix}^2\frac{t^2}{2!}+ \begin{bmatrix}0&1\\-2&-3\end{bmatrix}^3\frac{t^3}{3!}+\dots $$$$ =\begin{bmatrix} 1-t^2+t^3+\dots & t-\frac{3}{2}t^2-\frac{7}{6}t^3+\dots\\ -2t+3t^2-\frac{7}{3}t^3+\dots & 1-3t+\frac{7}{2}t^2-\frac{5}{2}t^3+\dots \end{bmatrix} $$②对角化求
快速求得 $A$ 矩阵特征值为 $\lambda_1=-1,\ \lambda_2=-2$ 对应于
$$ \Lambda=\begin{bmatrix}-1&0\\0&-2\end{bmatrix},\quad P=\begin{bmatrix}2&1\\-2&-2\end{bmatrix},\quad P^{-1}=\begin{bmatrix}1&\frac12\\-1&-1\end{bmatrix} $$$$ e^{At}=Pe^{\Lambda t}P^{-1}= \begin{bmatrix}2&1\\-2&-2\end{bmatrix} \begin{bmatrix}e^{-t}&0\\0&e^{-2t}\end{bmatrix} \begin{bmatrix}1&\frac12\\-1&-1\end{bmatrix} $$$$ =\begin{bmatrix} 2e^{-t}-e^{-2t} & e^{-t}-e^{-2t}\\ -2e^{-t}+2e^{-2t} & -e^{-t}+2e^{-2t} \end{bmatrix} $$③解耦求通解
从解耦的角度思考,可求出他的通解形式 取 $x=Py$,则 $\dot x=Ax\Rightarrow P\dot y=APy$ 左右乘 $P^{-1}$,得 $\dot y=P^{-1}APy \Rightarrow \dot y=\Lambda y$
$$ \begin{cases} \dot y_1=-y_1\\ \dot y_2=-2y_2 \end{cases} \Rightarrow \begin{cases} y_1=C_1e^{-t}\\ y_2=C_2e^{-2t} \end{cases} $$回到 $x=Py$ 得
$$ \begin{bmatrix}x_1\\x_2\end{bmatrix}= \begin{bmatrix}2&1\\-2&-2\end{bmatrix} \begin{bmatrix}y_1\\y_2\end{bmatrix} $$$$ \begin{cases} x_1=2y_1+y_2=2C_1e^{-t}+C_2e^{-2t}\\ x_2=-2y_1-2y_2=-2C_1e^{-t}-2C_2e^{-2t} \end{cases} $$验证把 $t=0$ 代入,
$$x_1(0)=2C_1+C_2,\ x_2(0)=-2C_1-2C_2$$$$C_1=x_1(0)+\frac12x_2(0),\quad C_2=-(x_1(0)+x_2(0))$$故
$$ x_1(t)=2\big(x_1(0)+\frac12x_2(0)\big)e^{-t}+\big(-x_1(0)-x_2(0)\big)e^{-2t} $$$$ x_2(t)= -2\big(x_1(0)+\frac12x_2(0)\big)e^{-t}-2\big(-x_1(0)-x_2(0)\big)e^{-2t} $$写成矩阵形式,其中中间的 $2\times2$ 矩阵正是 $e^{At}$:
$$\begin{bmatrix}x_1(t)\\ x_2(t)\end{bmatrix}= \begin{bmatrix} 2e^{-t}-e^{-2t} & e^{-t}-e^{-2t}\\ -2e^{-t}+2e^{-2t} & -e^{-t}+2e^{-2t} \end{bmatrix} \begin{bmatrix}x_1(0)\\x_2(0)\end{bmatrix}$$与定义完全对应。
对于有重根的情况,例为
$$ A=\begin{bmatrix}0&1&0\\0&0&1\\2&-5&4\end{bmatrix} $$快速求出 $\lambda_1=\lambda_2=1,\ \lambda_3=2$
约当标准型:
$$ J=\begin{bmatrix} 1&1&0\\ 0&1&0\\ 0&0&2 \end{bmatrix} $$所以
$$ e^{Jt}= \begin{bmatrix} e^t & te^t & 0\\ 0 & e^t & 0\\ 0 & 0 & e^{2t} \end{bmatrix} $$(这个特殊形式看书)
对应于
$$ P=\begin{bmatrix} 1&-1&1\\ 1&0&2\\ 1&1&4 \end{bmatrix},\quad P^{-1}= \begin{bmatrix} -2&5&-2\\ -2&3&-1\\ 1&-2&1 \end{bmatrix} $$那么也可由 $e^{At}=Pe^{Jt}P^{-1}$ 求出 $e^{At}$
再考虑拉氏反变换法:
$$ e^{At}=\Phi(t)=\mathcal L^{-1}\big[(sI-A)^{-1}\big] $$对应于
$$ A=\begin{bmatrix}0&1\\-2&-3\end{bmatrix},\quad sI-A=\begin{bmatrix}s&-1\\2&s+3\end{bmatrix} $$$$ (sI-A)^{-1}=\frac{1}{|sI-A|}(sI-A)^* =\frac{1}{s(s+3)+2}\begin{bmatrix}s+3&1\\-2&s\end{bmatrix} $$$$ =\begin{bmatrix} \frac{2}{s+1}-\frac{1}{s+2} & \frac{1}{s+1}-\frac{1}{s+2}\\[4pt] \frac{-2}{s+1}+\frac{2}{s+2} & \frac{-1}{s+1}+\frac{2}{s+2} \end{bmatrix} $$$$ e^{At}=\mathcal L^{-1}\big[(sI-A)^{-1}\big]= \begin{bmatrix} 2e^{-t}-e^{-2t} & e^{-t}-e^{-2t}\\ -2e^{-t}+2e^{-2t} & -e^{-t}+2e^{-2t} \end{bmatrix} $$在线性齐次系统的基础上加入输入的卷积,即线性定常系统非齐次方程的解
对于 $\dot x=Ax+Bu$,初态时刻为 $t_0=0$,初为状态 $x(t_0)$ 时,其解为
$$ x(t)=\Phi(t)x(0)+\int_{0}^{t}\Phi(t-\tau)Bu(\tau)d\tau $$分别对应 零输入响应 零状态响应
或写成
$$ x(t)=e^{At}x(0)+\int_{0}^{t}e^{A(t-\tau)}Bu(\tau)d\tau $$在特定控制作用下,如脉冲函数、阶跃函数和斜坡函数的激励下,系统解式可简化
脉冲:$u(t)=K\delta(t),\ x(0_{-})=x_0$ 时,
$$ x(t)=e^{At}x_0+e^{At}BK $$阶跃:$u(t)=K\cdot 1(t)$ , $x(0_{-})=x_0$ 时,
$$ x(t)=e^{At}x_0+A^{-1}(e^{At}-I)BK $$斜坡:$u(t)=Kt\cdot 1(t),\ x(0_{-})=x_0$ 时,
$$ x(t)=e^{At}x_0+\big[A^{-2}(e^{At}-I)-A^{-1}t\big]BK $$注:这里用 $x(0_{-})$ 不是 $x(0_{+})$,这是因为冲激要发挥作用只能在 $x(0_{-})$ 也就是冲激发生前一时刻开始算。
线性时变系统
在此基础上再加入线性时变的条件,则一般写不出解析形式的状态方程的解
先考虑一个标量系统
$$ \frac{dx(t)}{dt}=a(t)x(t) $$可解出
$$ x(t)=e^{\int_{t_0}^{t}a(\tau)d\tau}x(t_0) $$这个也能表示为状态矩阵
用 $\Phi(t,t_0)$ 表示,即
$$ \Phi(t,t_0)=\exp\Big(\int_{t_0}^{t}a(\tau)d\tau\Big) $$如果要推广到矢量方程 $\dot x=A(t)x(t)$ 使之有
$$ x(t)=\exp\Big[\int_{t_0}^{t}A(\tau)d\tau\Big]x(t_0) $$则要求 $A(t)$ 和 $\int_{t_0}^{t}A(\tau)d\tau$ 满足交换律,即
$$ A(t)\int_{t_0}^{t}A(\tau)d\tau=\int_{t_0}^{t}A(\tau)d\tau\,A(t) $$这条件很严苛,可满足的情况有
- $A$ 是定常矩阵,可以交换
- $A(t)=K(t)\cdot M$,即 $A(t)$ 是时变标量乘以矩阵
- $A(t)=f_1(t)M_1+f_2(t)M_2+\dots+f_r(t)M_r$,$M_1,M_2\dots M_r$ 全为常数矩阵
对于不满足这个条件的时变系统,一般采用级数近似法,即
$$ \Phi(t,t_0)=I+\int_{t_0}^{t}A(\tau_0)d\tau_0 +\int_{t_0}^{t}A(\tau_0)\int_{t_0}^{\tau_0}A(\tau_1)d\tau_1d\tau_0 +\int_{t_0}^{t}A(\tau_0)\int_{t_0}^{\tau_0}A(\tau_1)\int_{t_0}^{\tau_1}A(\tau_2)d\tau_2d\tau_1d\tau_0+\dots $$验证只需证
$$ \dot\Phi(t,t_0)=A(t)\Phi(t,t_0) $$