Khalil《非线性系统》第3版：平衡点计算与线性化实战 3 步法

Khalil《非线性系统》第3版：平衡点计算与线性化实战3步法

在工程实践中，非线性系统的分析往往让初学者感到无从下手。Hassan K. Khalil的经典教材《非线性系统》第3版虽然提供了严谨的数学推导，但如何将这些理论转化为可操作的步骤，仍是许多工程师和学生面临的挑战。本文将聚焦非线性系统分析中最基础也最关键的环节——平衡点计算与雅可比线性化，通过三个清晰的步骤和Python代码实现，带您完成从数学定义到实际计算的完整链路。

1. 非线性系统基础与状态方程构建

非线性系统与线性系统的本质区别在于叠加原理的失效。一个典型的非线性系统可以用以下状态方程描述：

dx/dt = f(x,u)

其中x是状态向量，u是输入向量，f是非线性函数。对于自洽系统（即不显含时间t的系统），方程可简化为：

dx/dt = f(x)

平衡点的定义是系统状态不再随时间变化的点，即满足f(x*)=0的x*。理解这一点至关重要，因为平衡点分析是研究系统稳定性和动态特性的起点。

在实际工程中，我们常遇到以下几类典型非线性特性：

• 饱和特性：如放大器输出达到电源电压限制
• 死区特性：如机械传动中的间隙
• 继电特性：如开关控制中的ON-OFF行为
• 摩擦特性：低速运动时的不平滑现象

这些非线性特性使得系统表现出丰富的行为模式，如：

• 多重平衡点
• 极限环振荡
• 混沌现象
• 频率响应中的谐波生成

2. 平衡点计算的数值方法

2.1 解析法求解平衡点

对于简单的非线性系统，可以直接解方程f(x)=0得到平衡点。例如，考虑一个单摆系统：

d²θ/dt² + sin(θ) = 0

将其转化为状态空间形式：

x1 = θ x2 = dθ/dt

则状态方程为：

dx1/dt = x2 dx2/dt = -sin(x1)

平衡点满足x2=0且sin(x1)=0，即x1=nπ（n为整数），对应单摆垂直向下（稳定）和垂直向上（不稳定）的位置。

2.2 数值迭代法

当解析解难以求得时，可采用牛顿迭代法等数值方法。下面是用Python的SymPy库实现平衡点计算的示例：

from sympy import symbols, Matrix, sin, cos, solve import sympy as sp # 定义状态变量 x1, x2 = symbols('x1 x2') # 定义非线性系统 f = Matrix([x2, -sin(x1)]) # 求解平衡点 equilibrium_points = solve(f, [x1, x2]) print("平衡点:", equilibrium_points)

这段代码会输出单摆系统的所有平衡点，验证我们之前的解析结果。

2.3 多平衡点系统的处理

对于可能存在多个平衡点的系统，可以结合以下策略：

1. 物理直觉：根据系统物理意义推测可能的平衡点范围
2. 网格搜索：在合理范围内生成初始猜测点
3. 连续性方法：跟踪参数变化时平衡点的演变路径

例如，在化学反应工程中，一个反应器可能在低温下有一个稳定平衡点，在高温下出现三个平衡点（两个稳定，一个不稳定）。

3. 雅可比线性化与局部近似

3.1 雅可比矩阵计算

雅可比线性化的核心是在平衡点附近对非线性系统进行一阶泰勒展开。雅可比矩阵A的计算公式为：

A = ∂f/∂x|x=x*

继续以单摆系统为例，计算其在x1=0（向下位置）的雅可比矩阵：

# 计算雅可比矩阵 J = f.jacobian([x1, x2]) # 在平衡点x1=0, x2=0处求值 A = J.subs({x1: 0, x2: 0}) print("雅可比矩阵A:", A)

输出结果应为：

[0, 1] [-1, 0]

3.2 线性化系统的性质分析

得到雅可比矩阵后，可以通过其特征值判断平衡点的局部稳定性：

• 所有特征值实部为负：渐近稳定
• 至少一个特征值实部为正：不稳定
• 特征值实部为零：需要更高阶分析

对于单摆系统在x1=0处，特征值为±i，对应临界稳定情况（实际上考虑阻尼后会变为稳定）。

3.3 自动化线性化流程

将上述步骤整合为一个完整的Python函数：

def linearize_system(f, state_vars, equilibrium): """ 非线性系统自动线性化函数 参数: f: 非线性系统的状态方程(符号表达式) state_vars: 状态变量列表 equilibrium: 平衡点字典{变量:值} 返回: A: 雅可比矩阵(数值) """ # 计算符号雅可比矩阵 J = f.jacobian(state_vars) # 在平衡点处求值 A = J.subs(equilibrium) return A # 使用示例 state_vars = [x1, x2] equilibrium = {x1: 0, x2: 0} A_matrix = linearize_system(f, state_vars, equilibrium) print("线性化系统矩阵:", A_matrix)

4. 工程应用中的注意事项与技巧

4.1 线性化有效性的评估

雅可比线性化只在平衡点附近有效，其近似精度取决于：

1. 非线性强度：系统偏离线性程度
2. 工作范围：状态偏离平衡点的距离
3. 高阶导数：泰勒展开中忽略的高阶项影响

一个实用的验证方法是比较非线性系统和线性化系统对相同初始条件的响应。在Python中可以使用数值积分进行仿真对比：

import numpy as np from scipy.integrate import odeint import matplotlib.pyplot as plt def nonlinear_pendulum(x, t): return [x[1], -np.sin(x[0])] def linearized_pendulum(x, t): return [x[1], -x[0]] # 初始条件 x0 = [0.1, 0] # 小角度 t = np.linspace(0, 10, 1000) # 数值解 sol_nonlinear = odeint(nonlinear_pendulum, x0, t) sol_linear = odeint(linearized_pendulum, x0, t) # 绘图比较 plt.plot(t, sol_nonlinear[:,0], label='非线性') plt.plot(t, sol_linear[:,0], label='线性化') plt.legend() plt.xlabel('时间') plt.ylabel('角度') plt.title('小角度下线性化近似效果') plt.show()

4.2 常见问题与解决方法

在实际应用中常遇到以下挑战及应对策略：

4.3 高阶近似方法

当一阶线性化不足时，可考虑以下高阶近似技术：

1. 二次近似：包含Hessian矩阵项
2. 中心流形定理：降维处理临界情况
3. 正规形理论：简化非线性项的形式

例如，对于单摆系统，若考虑x1=π（向上位置）附近的动态，线性化会预测不稳定性，但实际物理系统由于能量守恒会呈现周期运动。这时就需要更高阶分析或能量方法来判断稳定性。

在工程实践中，掌握这些非线性系统分析的基本工具，能够帮助我们在控制系统设计、稳定性分析和故障诊断等任务中建立更准确的模型。虽然线性化方法有其局限性，但它仍然是理解复杂非线性系统行为的首要步骤和有力工具。