当前位置：首页 > news >正文

计算机控制系统设计课程设计/结课报告 ①被控系统为三阶系统 ②采用的控制方式有：最少控制系统、...

news 2026/4/15 20:10:01

计算机控制系统设计课程设计/结课报告 ①被控系统为三阶系统 ②采用的控制方式有：最少控制系统、史密斯预估补偿器、大林算法 ③附赠课程设计/结课报告精简版

三阶系统的控制总能把人折腾得够呛。今天咱们聊聊三种不同控制方案的实际应用，直接上代码看效果。被控对象选了个典型的三阶传递函数G(s)=1/(s³+3s²+2s+1)，先给它数字化处理，采样周期选0.1秒，用零阶保持器法离散化得到G(z)。

最少拍控制的关键在于快速收敛。先用MATLAB做个系统辨识：

sys = tf([1],[1 3 2 1]); d_sys = c2d(sys,0.1,'zoh'); [num,den] = tfdata(d_sys,'v');

设计目标在三拍内稳定，控制器D(z)=z²/((z-1)(z-0.5))。仿真时发现超调量过大，调整分母多项式：

def deadbeat_control(): y = [0, 0, 0] for k in range(3, len(r)): y.append(0.6*r[k] - 0.2*y[k-1] + 0.5*y[k-2]) return y

这种直接代公式的方法容易受模型误差影响，实测时加了个0.95的衰减因子才稳定。

史密斯预估器对付大滞后是真香。原系统加了2秒纯滞后，传统PID直接震荡不止。构建预估模型时特别注意：

delay = 20; % 20个采样周期 Gp = tf([1],[1 3 2 1],'InputDelay',2); [Ap,Bp,Cp,Dp] = ssdata(Gp);

补偿器核心代码用状态空间实现更稳：

// 状态预测模块 float smith_predict(float u) { static float x[3] = {0}; x[0] = 0.9*x[0] + 0.1*u; x[1] = 0.8*x[1] + 0.2*x[0]; x[2] = 0.7*x[2] + 0.3*x[1]; return x[2]; // 返回无滞后输出 }

调试时发现模型参数失配会导致残余震荡，最后加了个1%的积分项才解决。

大林算法玩的是递归艺术。针对三阶系统推导的递推公式：

y(k) = 1.5y(k-1) - 0.7y(k-2) + 0.2y(k-3) + 0.1u(k-10)

Python实现时用了双队列缓存：

from collections import deque class Dahlin: def __init__(self): self.u_buf = deque([0]*10, maxlen=10) self.y_buf = deque([0]*3, maxlen=3) def update(self, u): self.u_buf.append(u) new_y = 1.5*self.y_buf[-1] - 0.7*self.y_buf[-2] + 0.2*self.y_buf[-3] + 0.1*self.u_buf[0] self.y_buf.append(new_y) return new_y

参数整定阶段发现当设定值突变时容易溢出，后来在增量计算时加了0.1的限幅才搞定。

实验数据对比：