企业官网建设流程全解析

学《计算机控制理论与应用》这门课的时候，我最大的感受是：公式推导能看懂，Z变换也能算，但一到“让我设计一个数字控制器”就发懵。后来花了不少时间在MATLAB里把书上的例子一个个复现，才真正把连续域和离散域之间那层窗户纸捅破。这篇文章就把我在这门课里折腾MATLAB示例的经验整理一下，从建模、离散化、数字PID、状态空间设计到Simulink验证，每个环节我都会给出能直接跑的代码和踩坑记录，给正在学这门课或者想重温的朋友做个参考。

1. 为什么这门课必须配合MATLAB来学

1.1 从连续到离散，核心变化在哪里

传统自动控制原理里的很多东西，都是建立在拉普拉斯变换和s平面基础上的。你习惯用s = jω看频率特性，习惯用根轨迹在左半平面找极点，习惯用相位裕度判断系统稳不稳。

但计算机控制理论一上来就把画面换成了采样器、A/D转换器、数字处理器、D/A转换器和零阶保持器。系统的连续信号只在采样时刻被处理器看见，控制器输出的数字量也要经过保持器转成模拟量再去驱动对象。这一套过程导致我们分析的平台从s域搬到了z域，研究对象从微分方程变成了差分方程，稳定性判据从“极点必须在s左半平面”变成了“极点必须在单位圆内”。

听课的时候我觉得这无非是数学工具的替换，真正动手写MATLAB才发现，麻烦的不是公式本身，而是“采样时间”“保持器怎么等效”“离散化用哪种方法”这些在公式推导里容易被跳过的环节。它们对最终控制器性能的影响，比你在连续域里多调两个零点还要大。

1.2 MATLAB在这门课里真正解决的痛点

这门课的作业和考试，典型套路是：给一个连续被控对象，要求设计数字控制器，分析稳定性，验证闭环响应。手算当然可以，但有两个痛点非常突出。

第一个痛点是需要反复对比连续系统和离散系统。你设计完连续控制器，还要再看离散化之后是否有性能损失；换一种离散化方法，又要重新比较一次。手算一次还行，反复迭代就很痛苦。MATLAB里有现成的c2d、step、bode、rlocus，几行代码就能把两种域的曲线叠在一起看。

第二个痛点是数字控制器在真实仿真环境里是否有效，光靠纸上推特征方程不可靠。Simulink可以把连续被控对象、采样器、保持器、离散控制器按真实结构搭出来，看采样周期、执行时序、信号类型在闭环里到底怎么互相影响。

我把这门课的知识点对应到MATLAB工具上，大致是这么一张表：

我建议初学者不要只把MATLAB当计算器使，而是当一个“可以在动手写代码之前先想清楚系统结构”的模拟平台。后面我会按一条完整的主线走一遍，从连续对象建模开始，一直到Simulink验证结束。

2. 建模与离散化：一切误差从这里开始

2.1 连续被控对象怎么放进程序里

计算机控制理论里最常见的被控对象，不是电池、电机，就是倒立摆一类的简化二阶模型。我这次以直流电机转速系统为例，传递函数用：

P = tf(10, [1 2 0]);

注意这个写法，[1 2 0]对应的是1*s^2 + 2*s + 0，也就是P(s) = 10/(s^2 + 2s)。分母里最后一项是0，说明系统有一个积分环节，转速对电压输入表现为一阶惯性加积分。这类电机模型很简单，却是理解“连续设计转数字设计”的很好载体。

建模之后先看连续系统的阶跃响应和频率特性，这一步被我称为“基准线”。因为后续所有离散控制器的好坏，都要回到连续闭环性能去对比：

step(P); grid on;

也可以顺便看看连续开环裕度：

margin(P);

这行命令会画出波特图，并自动标出增益裕度、相位裕度和穿越频率。记住这些数值，因为后面做完数字控制器之后要用同样的方法再看一遍，判断离散化带来的损失有多大。

2.2 采样时间怎么定，这步必须认真

采样时间是计算机控制里最关键的“隐藏参数”。它不是你随便填一个数就行，而是要先从系统本身动态特性出发去选。

工程上有个常用经验：闭环期望带宽是ωbw，采样频率至少取10~20倍的ωbw。换算成采样周期大概是：

Ts = (1/10 ~ 1/20) * 2*pi/ωbw

如果期望闭环带宽大约是3 rad/s，那么2π/3大约是2.1秒，采样周期取它的十分之一到二十分之一，也就是0.1~0.2秒比较合理。我这次取Ts = 0.1秒，这样既符合经验规则，又能在根轨迹和z域分析中看到离散采样的典型影响。

真正做仿真时会发现，采样周期取得太大会让系统等效成纯延迟环节，相位裕度明显下降，甚至出现极限环；取得太小又会让计算量和字长问题变得明显，而且把系统工作点附近的离散特性掩盖掉。我个人的习惯是先用经验公式定一个初值，再围绕它做一组对比，看闭环阶跃响应是否出现振荡。

2.3 c2d离散化方法的选择与对比

MATLAB的c2d支持很多离散化方法，常见的有zoh、foh、tustin和matched。很多同学喜欢默认用zoh，但不知道为什么要用它，也不知道tustin和matched什么时候更合适。

我建议先把四种方法都跑出来，直观感受差异：

Ts = 0.1; Pzoh = c2d(P, Ts, 'zoh'); Pfoh = c2d(P, Ts, 'foh'); Ptus = c2d(P, Ts, 'tustin'); Pmat = c2d(P, Ts, 'matched'); bode(P, Pzoh, Pfoh, Ptus, Pmat, {0.01, 100}); legend('连续', 'zoh', 'foh', 'tustin', 'matched');

从这个波特图能看到几个规律。

zoh对应实际D/A转换器最常见的零阶保持行为，也就是控制器算出一个数字量，在下一个采样周期内保持恒定输出。它把连续模型精确地等价成“采样器 + 零阶保持器 + 连续对象”的离散模型，所以只要实际系统D/A确实是零阶保持，zoh就是最贴近真实情况的。

tustin也叫双线性变换，它的优点是代数映射简单，稳定的连续极点总会映射到单位圆内，适合把连续域的控制器离散化。但它对频率轴有压缩效应，高频段的频率特性会和连续系统有明显偏差，所以用它离散控制器时，要注意高频段是否仍然满足设计裕度。

matched是零极点匹配法，适合离散化那些以零极点形式给出的控制器，可以保持直流增益对齐。

我在课程仿真里用得最多的组合是：连续被控对象用c2d(P, Ts, 'zoh')离散化，因为物理过程的D/A保持器就是零阶保持；连续控制器用c2d(C, Ts, 'tustin')离散化，因为控制器本身就是代数结构，用双线性变换能得到比较好的频域保真。

3. 数字控制器设计：从连续PID到离散PID的完整闭环

3.1 为什么建议先做连续域设计再做离散化

设计数字控制器，很多人会一上来就扎进z平面，用根轨迹去凑数字极点和零点。不是说这条路不对，而是对初学者来说，直接在z平面用根轨迹设计，有几个很不直观的地方。

第一，z平面的“稳定区域”是单位圆，而性能指标如阻尼比、自然频率，映射到z平面之后是一族变形的曲线，肉眼判断不如在s平面直观。第二，数字控制器的极点零点会和采样时间纠缠在一起，同一个连续控制器，换一个Ts，离散化出来的零点位置差别很大。

所以我个人更推荐“连续设计-再离散化”的路线：先在s平面用经典方法设计好连续控制器，比如PID或超前滞后校正，确保连续闭环性能满足要求；再用c2d把这个连续控制器离散化；最后把离散控制器和离散被控对象放在一起仿真，检查性能是否仍然达标。这条路径的每一步都有明确物理意义，出了问题也知道去哪里排查。

3.2 一个能跑通的数字PI设计流程

我们继续用电机模型P(s) = 10/(s^2 + 2s)做例子，目标是设计一个数字PI控制器，让闭环系统稳定，阶跃响应没有大的超调。

先在连续域设计PI。我给出一个手工调出来的可用参数：Kp = 1，Ki = 1，也就是：

Ccont = tf([1 1], [1 0]);

这个PI的零点在s = -1附近，比例系数适中，期望穿越频率在3 rad/s左右，线性化计算相位裕度大约在50度附近。接着用双线性变换把它离散化：

Cs = tf([1 1], [1 0], Ts); Cd = c2d(Cs, Ts, 'tustin');

注意，如果你写成tf([1 1], [1 0])然后直接c2d也可以，但更规范的做法是给tf传入采样时间作为第三个参数，这样模型本身就携带采样时间信息。

然后把离散控制器和离散被控对象串起来，看开环频率特性：

Ps = c2d(P, Ts, 'zoh'); G = series(Cd, Ps); margin(G);

margin对离散系统依然有效，它会基于z平面上的频率响应计算增益裕度和相位裕度。你会发现离散化之后相位裕度比连续域的略低，这就是零阶保持器带来的额外相位滞后。如果裕度掉得太多，解决方案是提高采样频率，或者把连续控制器设计得更保守一点。

再看闭环阶跃响应：

sys_cl = feedback(G, 1); step(sys_cl);

这行代码默认会按离散模型的采样时间出图。你看一下超调量和调节时间，和连续闭环做对比。

这个流程里最容易犯的错是：用c2d离散化控制器之后，忘了离散化被控对象，直接把连续被控对象接在离散控制器后面。MATLAB里这样也能仿真，但系统变成了连续域里的混合信号结构，没有体现采样和保持的影响，结果会过分乐观。

3.3 用rlocus观察数字系统的根轨迹，别拿连续域的老思路直接套

如果你想把控制器参数调得更精细，或者你想理解“为什么这个PI参数在连续域没问题，离散化之后会出现轻微振荡”，那就必须回到z平面看根轨迹。

figure; rlocus(Cd * Ps); zgrid;

zgrid会在z平面上画出等阻尼比和等自然频率的网格，这些曲线是s平面的等性能线映射过来的。你在根轨迹上选择增益时，要保证所有闭环极点都在单位圆内，并且尽量落在阻尼比网格线以内。

有个常见误区是把连续根轨迹的分离点、渐近线公式直接背到z平面。z平面的几何关系和s平面差异很大，特别是系统在z=0附近会有很多离散化带来的零点，这些零点会改变根轨迹走向。建议大家用rlocus先观察整体形状，再用rlocfind交互式点选增益，直观看到闭环极点往哪个方向跑。

还可以用damp来查看离散闭环系统的极点和等效阻尼比：

damp(sys_cl, Ts)

输出会列出极点在单位圆内的位置、频率和阻尼比，比直接看阶跃响应曲线更能定位问题。

3.4 数字PID实现时的位置式与增量式

仿真层面我们用c2d得到的PID控制器，写出来通常是一个z传递函数。如果后面要往单片机或实时系统里移植，一般会转成位置式或者增量式的差分方程。

假设通过c2d得到的数字PID是：

D(z) = (b0 + b1*z^-1 + b2*z^-2) / (1 + a1*z^-1 + a2*z^-2)

位置式PID就是直接根据当前误差计算输出，误差的积累体现在传递函数的积分项里。增量式PID则是只计算输出变化量Δu，每次更新用u(k) = u(k-1) + Δu(k)。增量式的优势是输出不会突变，而且对积分饱和的防止更自然，因此在工程里更常见。

MATLAB里可以做反向验证：把离散PID的传递函数用filter实现，然后和lsim仿真的输出对比。如果两串数字完全一样，说明你的离散控制器实现没有写错。这一步虽然耗时，但能大大减少后面移植到真实硬件时的调试痛苦。

4. 状态空间与极点配置：考试里常考的MATLAB玩法

4.1 从传递函数转成状态空间，先检查能控性与能观性

计算机控制理论的另一半内容，是建立在状态空间模型上的。平时我们用传递函数做题，考试却经常给状态方程。这两者之间切换在MATLAB里非常快：

sys = ss(P); sysd = c2d(sys, Ts, 'zoh'); A = sysd.A; B = sysd.B; C = sysd.C; D = sysd.D;

得到离散状态方程之后，先别急着设计，第一件事是检查能控性和能观性。MATLAB里分别是两行：

rank(ctrb(A, B)) rank(obsv(A, C))

对二阶系统，如果秩是2，说明系统完全能控且完全能观。离散系统的能控性因为采样时间的关系，偶尔会出现“连续能控但离散不能控”的情况，特别当采样时间落在系统谐振相关的时间点上时会出现这种尴尬场景。所以直接用离散模型检查更可靠。

4.2 用place做数字极点配置

极点配置设计的目标是：把闭环极点放到指定位置。考试时你可能会被要求把连续闭环极点设计成某个自然频率和阻尼比，比如ωn = 4 rad/s，ζ = 0.7，对应的连续极点位置是：

s1,2 = -ζωn ± jωn*sqrt(1-ζ^2)

映射到z平面，用公式z = e^(s*Ts)：

Ts = 0.1; s1 = -4 + 4j; % 4rad/s附近，阻尼比约0.707 z1 = exp(s1 * Ts); z2 = conj(z1); p_des = [z1, z2]; K = place(A, B, p_des);

注意place要求期望极点严格在单位圆内，而且不能有重复极点。如果你只想配置一个极点，或者期望极点是重根，place会报错，这时改用acker。对于单输入系统，acker比place更宽松，也更适合课堂教学。

得到反馈增益K之后，仿真闭环响应：

sys_cl_ss = ss(A - B*K, B, C, D, Ts); step(sys_cl_ss);

这里如果你把初始状态设为非零，比如x0 = [1; 0]，就能看到控制器如何把状态从偏差拉回零点。用initial更好：

x0 = [1; 0]; % 位置偏差为1，速度为0 initial(sys_cl_ss, x0, 2);

initial的输出是零输入响应，适合看状态反馈的调节效果。很多同学一上来就用step，如果输入设成零，step看不到任何东西；用initial才符合“从初始偏差恢复”这个实际场景。

4.3 LQR离散化与权重选择的经验

极点配置的问题是，它对极点位置的“主观性”很强，极点放远一点，控制量就大，极点靠近原点，响应就慢，但到底怎么取舍没有一个系统化的答案。LQR给出了答案：设计一个状态反馈增益，让一个二次型性能指标最小。

离散LQR在MATLAB里用dlqr：

Q = diag([10 1]); % 位置偏差权重大，速度权重小 R = 0.5; % 控制量权重 K_lqr = dlqr(A, B, Q, R);

dlqr内部的原理是求解离散代数黎卡提方程（DARE），这也就是这门课考试里经常出现的名词。你不需要手推方程，但你要能解释清楚：Q越大，系统越重视状态偏差，反馈增益越大；R越大，系统越舍不得用控制能量，反馈增益越小。

权重怎么选？实操经验是先让Q对角线上的元素和被控变量的实际量纲对应。比如这里状态的第一维是位置，误差0.1相对于速度误差1来说可能没那么重要，那Q(1,1)就可以比Q(2,2)大。这只是初始值，真正的判断标准是看仿真出来的控制量有没有超出范围，以及状态响应是否符合预期。如果阶跃响应的超调太大，就提高R；如果响应太慢，就提高Q(1,1)。

很多同学的误区是把LQR当作一个“调参数黑盒”，只会把Q和R随便填进去然后看响应。更合理的做法是观察闭环极点位置和控制量两条曲线，理解为什么增大Q会让极点往单位圆内更深处移动。

4.4 状态观测器设计别写成两套模型

如果系统状态不是全部可测，就需要设计状态观测器。离散状态观测器的增益L可以用place配置在A'和C'上：

p_obs = [0.4; 0.6]; % 观测器极点要比控制器极点收敛更快 L = place(A', C', p_obs)';

有个细节我要特别提醒：place(A', C', p_obs)'这个转置操作很容易写错。矩阵对偶原理要求先对A和C转置，完成极点配置后再转置回来。如果漏掉最后的转置，L的维度就完全错了。

学生在仿真状态反馈加观测器的时候，经常把真实系统和估计系统分开建模，然后手动连线，其实MATLAB里可以更简洁：

sys_est = ss(A-L*C, [B L], eye(2), 0, Ts);

用lsim同时输入控制量和输出测量值，就能得到状态估计的响应。把真实状态和估计状态画在一起，看观测器误差怎么收敛，这个验证过程对理解全维观测器非常有帮助。

5. Simulink仿真：把理论模型搬到一个“更像真实系统”的环境里

5.1 模型搭建怎么组织：连续被控对象 + 离散控制器

前面几节用的都是MATLAB脚本仿真的纯离散模型。离散模型把采样器、保持器、控制器都“封装”在传递函数里了，好处是计算快，坏处是看不到真实信号流。Simulink的价值在于，它能按物理结构搭出连续对象和离散控制器混连的系统。

我搭建这类仿真的一般结构是：

1. 用积分器、增益模块搭连续被控对象，不上层封装。
2. 用“Zero-Order Hold”模块做误差采样，采样时间填Ts。
3. 用“Discrete Transfer Fcn”模块放数字控制器，采样时间也填Ts。
4. 再放一个“Zero-Order Hold”在控制器输出端，相当于D/A转换器。
5. 输出端接“Scope”或“To Workspace”记录数据。

为什么要连两个ZOH？第一个ZOH模拟A/D采样之前的信号保持，第二个ZOH模拟D/A转换器输出保持。但实际上，很多模型里第一个ZOH可以不做，因为离散传递函数模块本身就有采样特性。第二个ZOH则一定不能省，因为它决定了实际送给被控对象的控制信号是分段常数。

如果忘了放输出端的ZOH，Simulink会默认离散模块输出和连续积分器直接相连，这样仿真仍然能跑，但系统结构已经不符合真实情况，控制器的输出会在每个采样间隔内被连续积分器当阶跃输入使用，误差很隐蔽。

5.2 采样时间和执行时序最容易忽略的细节

离散控制器模块的“Sample Time”要填采样周期Ts，连续对象积分器则保持连续的0。很多人填错成-1，-1代表继承，但如果模块在连续子系统和离散子系统的边界上，继承会造成意想不到的数据步长。

Simulink里还有一个隐藏的执行顺序问题：离散控制器读取误差、计算输出、更新ZOH，这三个动作发生在同一步还是分两步，会影响结果。默认情况下，Simulink会在每个采样时刻先更新离散模块的输出，再更新积分器。如果控制器计算需要一拍延迟，你需要在控制器传递函数里体现这个延迟，或者显式加一个“Unit Delay”模块。理论课上学“数字控制器多一个采样周期的滞后”时，说的就是这件事。

为了验证时序是否合理，我建议在仿真里把“从误差产生到控制器输出更新之间是否有一拍延迟”显式建模出来。比如你可以把控制器传递函数改成分子上多一个z^-1的形式，对比两次仿真的超调差异。这个小实验能让你对“离散化带来额外延迟”的理解深很多。

5.3 怎么用Scope快速验证离散设计成果

Simulink仿真跑完之后，不要只盯着Scope看曲线就算了。我习惯的做法是，把关键信号用“To Workspace”存下来，回到MATLAB工作区做定量分析：

simOut = sim('my_model', 'StopTime', '5'); y = simOut.y; u = simOut.u;

然后用sprintf或者纯脚本计算超调量、峰值时间、调节时间，和连续域设计时的指标做对比。这一步会让你发现很多肉眼不容易发现的问题，比如超调量只差几个百分点时，曲线看起来差不多，但指标其实已经不达标。

Simulink模型如果跑出来的结果和脚本仿真完全对不上，先检查每个离散模块的采样时间是否一致，再看有没有隐式的连续/离散转换器。这两个地方是90%不一致问题的根源。

6. 常见问题与排查技巧实录

6.1 为什么数字控制器一上Simulink就发散

仿真发散的原因通常不在控制器本身，而在系统结构。最常见的是输出端少了ZOH，或者连续被控对象和离散控制器之间被Simulink自动插入了隐含的采样器。如果你看到输出信号在以采样周期为间隔的锯齿波上叠加高频振荡，先去检查模块采样时间。

另一个常见原因是控制器传递函数的极点离散化之后跑到了单位圆外。比如你用双线性变换离散化连续控制器时，如果原连续控制器有位于右半平面极点，离散化后就会映射到单位圆外。所以做c2d之前先看一下pole(Cs)，确认连续控制器本身稳定。

6.2 c2d的结果和自己按Z变换手算不一样

这个我在课上见过太多次。手算脉冲传递函数时，教材用Z变换表和部分分式；MATLAB用zoh方法时，等价的是“先加零阶保持器，再取Z变换”。如果你的手算过程默认了输入信号是一个理想脉冲序列，而没有考虑零阶保持器本身具有(z-1)/z的保持器算式，就会对不上。

举个例子，连续系统1/s用zoh离散化，结果是Ts*z/(z-1)，而不是1/(z-1)。那个多出来的z因子就是零阶保持器在离散时间上的“一步超前”效应。记住结论：c2d(P, Ts, 'zoh')得到的传递函数，是把被控对象和零阶保持器一起离散化后的结果。

如果手算时必须和MATLAB一致，就把步骤拆成：先算保持器的拉普拉斯表达式(1-e^{-sTs})/s，乘上被控对象，再做Z变换。这在考试里也是最稳妥的推导方式。

6.3 采样周期不合理导致震荡

采样周期太大会让系统出现“数字式震荡”，本质是离散化相位滞后把系统原本的相位裕度吃光了。判断方法是看闭环阶跃响应里有没有一个周期等于2Ts的高频振荡。

我做过一个对比实验：同一套PI参数，取Ts=0.1和Ts=0.5，后者会出现明显的振荡。把采样周期改成0.05反向控制效果又没有进一步的提升。所以采样周期不是越小越好，而是要和系统期望闭环带宽匹配。经验范围参考前文，实际工程中还把处理器负载和传感器更新率考虑进去。

6.4 离散系统的幅值裕度和相位裕度怎么读

margin对离散系统是可以直接用的，它计算的是离散开环系统在单位圆对应频率上的裕度。只是要注意，离散系统在奈奎斯特频率以上没有定义，所以波特图只画到π/Ts为止。如果连续设计时把穿越频率定得很高，超过了奈奎斯特频率，离散化后系统可能根本不满足设计目标，因为你试图在一个“采样频率不够”的频段里做控制。

这类问题在margin(G)报出“无法找到相位裕度”或者裕度为负时，优先检查采样频率，不要急着调PID参数。

我把上面这些常见问题整理成一个速查表格：

6.5 数字控制器实现时的字长问题

课程仿真用双精度浮点，一切都很理想。但如果你做的是课程设计，想把控制器部署到模拟硬件上，就会遇到字长问题。c2d算出来的系数往往是长小数，比如0.04762，定点实现时的低位截断会在慢速系统里产生极限环。

这不算MATLAB仿真本身的问题，但我建议在课程设计阶段就把“量化误差”考虑进去。一个简单的做法是在写差分方程时，用fi对象模拟定点运算，把浮点系数量化成16位或32位，然后重新仿真，看闭环响应是否仍然稳定。这门课能学到这一步，基本就能把理论和工程串起来了。

7. 一些个人实操建议

说几点我在反复练习这门课MATLAB示例时的体会。

第一，不要急着跳进z平面去设计。先把连续域的系统摸清楚，极点在哪，带宽是多少，相位裕度怎么样，然后再离散化。连续域设计工具成熟、直观，离散化只是把这个设计移植到数字世界，而不是推翻重来。当然，如果你的采样频率真的一点点，出现数字特有的问题，那就必须回到z平面去处理，与连续设计有出入的地方往往是高频零点。

第二，把“解析计算、脚本仿真、Simulink仿真”三者对照着做。课堂上你可能会觉得手算才有安全感，但实际项目里，手算是为了理解结构，脚本是为了快速迭代，Simulink是为了验证底层真实结构。三者对不上的地方，正是你对概念理解模糊的地方。花一个下午把这个对不上的环节找出来，比刷十道题都管用。

第三，调参数时看着控制量曲线，不要只盯着被控量。很多初学朋友调PID只关注阶跃响应超调，完全不看控制器输出有没有频繁饱和、有没有发抖。计算机控制里，控制量曲线才是反映“数字味道”的地方。比如你发现控制量在每个采样点上都大幅振荡，但系统输出看起来还挺稳，这说明系统某处存在数字振荡或非最小相位零点，需要在设计上处理，而不是靠调PID压下去。

最后再分享一个小习惯：每次跑仿真之前，我都先固定随机种子，固定模型参数，把连续域响应、离散域响应、Simulink响应三个结果存在同一个文件里。反复调整采样时间和控制器参数的过程中，这个对比基线能让我很清楚知道每一步改动带来的实际影响，也方便最后写报告时直接引用数据，而不是临时重跑一遍仿真。做课程设计、做比赛、甚至以后做真正的实时控制系统，这个习惯都能让你少走很多弯路。