企业官网建设流程全解析

搞控制的人应该都经历过这样一个阶段：经典控制理论学得越熟，越觉得传递函数像一扇只开了半扇的窗户——能看见输入输出，却看不见系统内部。我也是在用频域方法做了好几年实际项目之后，才真正体会到状态空间描述的分量。这一章是几乎所有现代控制理论教材的第一课，但也是最容易"只见树木不见森林"的一章：状态空间到底在描述什么？为什么非要选一组状态变量？它和传递函数究竟什么关系？文章就把"控制系统的状态空间描述"掰开揉碎讲一遍，结合我这些年建模、仿真和调试的实操经验，争取让你看完之后既能透彻理解概念，也能独立上手列方程、解方程。

1. 从传递函数到状态空间：现代控制理论到底补上了什么

1.1 传递函数解决不了的问题

先聊个实际场景。刚接触控制系统那会儿，我习惯用传递函数去分析一切，毕竟经典控制理论那一套确实顺手：给个输入，算个输出，看看频率响应，设计个校正环节，基本就能交差。但真正开始做多变量系统和复杂对象的时候，传递函数的短板就越来越明显。

举个例子。一个双输入双输出的系统，传递函数矩阵虽然也能写出来，但你要想分析某个内部物理量（比如电机电流、机械环节的形变量）对输出的影响，就非常吃力。传递函数描述的是系统外部端口上的输入输出映射关系，它把系统内部的所有动态过程都"压缩"掉了，只留下从输入到输出的外部等效。换句话说，它天生是"黑箱"视角。

更麻烦的是，传递函数严格来说只适用于零初始条件。实际工程里系统启动时往往带着初始储能：电容上有电压、机械结构有初速度、热工过程有初始温度。这些初始条件对后续响应的影响，在传递函数框架里很难统一处理。你当然可以用叠加原理硬凑，但每换一组初始条件就要重新算一遍，繁琐且容易出错。

还有一类问题是经典控制理论几乎没法入手的：系统内部状态的可观测性。举一个直观例子，一个倒立摆系统，你能测量到的可能只有摆杆角度和小车位移，但系统内部状态还包括小车速度、摆杆角速度，以及一些更隐蔽的摩擦环节变量。你光靠输入输出数据，能不能反推出这些内部状态？这个问题在传递函数框架里没有系统化的答案，而状态空间描述出现之后，可控性与可观测性都有了严格判据。

1.2 状态空间描述的定位

状态空间描述换了一套视角：不再只盯着输入到输出的外部映射，而是把系统看成一组一阶微分方程的集合，用一组"状态变量"完整记录系统的内部行为。这套思路在20世纪50年代末、60年代初逐步系统化，随后在航空航天、过程控制、机器人等领域大规模应用。

它带来的直接好处有三个。

第一，多变量系统和单变量系统在描述方式上完全统一。系统的输入、输出、状态都写成向量和矩阵，形式上不再区分单输入单输出和多输入多输出，分析算法和计算工具可以通吃。

第二，初始条件被自然纳入模型。状态方程本身就是一个带初值的一阶向量微分方程，初值直接作为方程的初始条件出现，求解过程逻辑统一，不需要像经典方法那样逐项叠加。

第三，系统的"内部结构"被保留下来。状态变量可以代表物理量，也可以代表数学抽象量，但它让系统内部的动态过程显式可见，为可控性分析、可观测性分析、状态反馈设计、状态观测器设计打下了基础。

一句话概括：传递函数是系统的"外部护照"，状态空间描述是系统的"内部档案"。两个工具各有各的用武之地，没有谁完全替代谁，但要深入现代控制理论，状态空间这套语言是绕不开的。

2. 状态空间描述的四个基本件：状态、状态变量、状态方程与输出方程

2.1 状态和状态变量：系统的"记忆"

在正式建模之前，得先把概念理清楚。所谓"状态"，是指系统在某一时刻的完整信息集合，它既要包含当前的表现，也要包含对未来的影响能力。严格一点说：系统的状态是能够完全确定系统未来行为（给定未来输入的情况下）所必需的最少一组信息。

举个例子。一个弹簧-质量-阻尼系统，运动方程是二阶微分方程，为什么状态要选两个变量？因为它是二阶系统，只知道位移x只能确定当前的位置，无法确定下一秒的运动方向——必须同时知道位移和速度，才能完整推算未来的轨迹。位移和速度合在一起，就是系统在某一时刻的状态。

状态变量就是构成状态的那些具体变量。它们不一定是物理量，可以是经过数学变换得到的量，但必须满足两个条件：一是给定这些变量的初值和未来输入，系统未来的响应能唯一确定；二是这些变量之间应当独立，不能由彼此线性表示，否则信息冗余，状态就不"最少"了。

把所有状态变量排成一个列向量，就是状态向量，一般记作x(t)。它的维数叫系统的阶数，这个数字和微分方程的阶数直接对应：n阶系统就有n个状态变量。注意，这个n不一定等于物理部件的个数，因为有些状态变量在物理结构上可能对应同一个部件的不同运动模态。

2.2 状态方程与输出方程：系统的"骨架"

状态空间描述由两类方程组成。

第一类是状态方程，它描述状态变量本身的动态演化规律。线性时不变系统的状态方程可以写成：

[ \dot{x}(t) = A x(t) + B u(t) ]

其中x是n维状态向量，u是m维输入向量，A是n×n系统矩阵，B是n×m输入矩阵。它的物理意义非常直白：状态的导数由当前状态和当前输入共同决定。A刻画了系统内部各状态之间的相互耦合，B刻画了外部输入如何进入各状态通道。

第二类是输出方程，它描述我们能测量到的输出变量与状态和输入的关系：

[ y(t) = C x(t) + D u(t) ]

其中y是p维输出向量，C是p×n输出矩阵，D是p×m直接传递矩阵。D项代表输入绕过状态瞬时就出现在输出上，这种通道在物理系统中通常由比例环节或者直接耦合产生。

把这两组合起来，就是完整的线性时不变状态空间描述，通常写作：

[ \begin{cases} \dot{x}(t) = A x(t) + B u(t) \ y(t) = C x(t) + D u(t) \end{cases} ]

它就好比人体的骨架和神经：A、B、C、D四个矩阵确定了系统的全部动态结构，状态变量是体内流动的信息，输入是外部刺激，输出是你能观测到的表象。四个矩阵里，A是最核心的，它决定了系统的自然动态；B决定控制作用如何影响状态；C决定哪些状态、以什么方式被观测到；D则是一个容易被忽略的"直通"通道。

2.3 为什么状态变量可以不唯一

初学状态空间最容易困惑的一点是：同一个系统，为什么课本上这个例子选位移和速度，那个例子却选位移和动量的组合？甚至同一个电路，有人选电容电压和电感电流，有人选电容电荷和磁链？

答案是：状态变量的选取不唯一，只要满足那两条基本条件，任何一组线性无关、能完全描述系统动态的变量都可以作为状态变量。

举个例子。一个二阶系统，你可以选状态向量为[x₁, x₂]，也可以选为[x₁+x₂, x₁-x₂]，这个新向量仍然是描述系统状态的一组完整变量。这种选取自由度不是坏事，反而给了我们极大的设计空间——后面会看到，通过坐标变换可以把系统矩阵变到对角形、约当形，让动态结构一目了然。

但是要注意，状态变量不唯一，不代表系统的本质属性会变。系统的特征值、传递函数、可控性、可观测性这些属性，在坐标变换下保持不变。这一点是整个状态空间方法的理论基础，后面第5章会详细展开。

3. 从物理系统到状态方程：一条能直接套用的建模主线

3.1 选状态变量的通用原则

很多同学拿到一个物理系统，第一反应是列微分方程，然后想方设法消元，搞出一个只含输入输出的高阶微分方程。这个思路在经典控制里没错，但做状态空间建模时，建议换过来：先选状态变量，再列一阶微分方程组。

选状态变量的原则，我总结成一句话：优先选系统中储能元件的独立变量。机械系统选位移和速度，电路系统选电容电压和电感电流，热工系统选各容性节点的温度，流体系统选容器的液位。因为这些变量直接对应系统的"记忆"——储能元件能把过去的输入影响保留下来，正是这些记忆决定了系统未来的走向。

具体操作上有个经验法则：系统的阶数等于独立储能元件的个数。比如弹簧-质量-阻尼系统中，弹簧储存势能（对应位移变量），质量储存动能（对应速度变量），这是两个独立储能元件，所以系统是二阶的。

另一个经验是：列状态方程时，不要急着追求高阶微分方程，而是把每一个储能变量的导数用其他状态变量和输入来表达。这样列出来的方程组天然就是状态方程的形式，物理意义也非常明确。

3.2 一个完整的例子：弹簧-质量-阻尼系统

下面用一个教科书级的例子，把全程走一遍：质量m、弹簧刚度k、阻尼系数c构成的弹簧-质量-阻尼系统，外力f为输入，位移x为输出。

第一步，取状态变量。系统是二阶的，取：

[ x_1 = x, \quad x_2 = \dot{x} ]

第二步，列物理方程。由牛顿第二定律：

[ m \ddot{x} = f - c\dot{x} - kx ]

第三步，把物理方程改写成一阶方程组。因为x₁的导数就是x₂，这一步直接得到状态方程的第一行：

[ \dot{x}_1 = x_2 ]

然后从牛顿方程解出x₂的导数：

[ \dot{x}_2 = -\frac{k}{m}x_1 - \frac{c}{m}x_2 + \frac{1}{m}f ]

把两行合起来写成矩阵形式：

[ \begin{bmatrix} \dot{x}_1 \ \dot{x}_2 \end{bmatrix}

\begin{bmatrix} 0 & 1 \ -k/m & -c/m \end{bmatrix} \begin{bmatrix} x_1 \ x_2 \end{bmatrix} + \begin{bmatrix} 0 \ 1/m \end{bmatrix} f ]

输出方程就非常简单，因为我们选位移作为输出：

[ y = \begin{bmatrix} 1 & 0 \end{bmatrix} \begin{bmatrix} x_1 \ x_2 \end{bmatrix} ]

这就是一个完整的状态空间描述。我刻意没有消元，直接保留了物理结构：系统矩阵A的第一行是"位移的导数等于速度"，第二行是"速度的导数由惯性、阻尼、弹簧和外力共同决定"。这种物理可解释性是状态空间方法的巨大优势——你随时能知道某个状态变量代表什么物理量，做仿真监控和故障诊断时极其方便。

3.3 建模实操中的常见坑

第一个坑：把输出方程和状态方程的作用搞混。有些系统，输出并不是某个状态变量本身，而是状态变量的线性组合。比如位移经过传感器变成电压信号，那输出方程里的C矩阵就不再是简单的[1 0]，而需要包含传感器增益和偏移。有人建模到这里就开始糊涂，把传感器的静态增益直接乘到输入通道里，这是不对的。传感器的测量关系应该放在输出方程里，而不是去改状态方程的B矩阵。

第二个坑：忽略直接传递矩阵D。有些系统输入会瞬时影响输出，比如电压控制的电机，电枢电压通过电枢电阻会瞬间影响电枢电流，而电流恰是输出之一。此时D就不是零矩阵。教材为了省事常以D=0的系统为例，导致初学者默认D恒为零，实际建模时遇到就懵了。判断是否需要D项，只需要看输出中是否包含输入的瞬时成分。

第三个坑：状态变量选取不当导致结构混乱。有的同学喜欢把高阶微分方程的各阶导数直接当状态变量，这在数学上没错，但物理含义模糊，系统内部耦合关系也被掩盖。我建议优先选有物理意义的储能变量，让状态方程的每一行都有明确的物理来源。后面做状态反馈、观测器设计时，这种清晰性会省下大量脑力。

4. 由传递函数反推状态空间：可控规范型、可观测规范型与对角型

4.1 为什么要做"实现"

从物理系统建模是一回事，但工程上经常遇到另一种情况：我们手里只有传递函数，没有现成的物理结构图。比如从实验数据辨识出一个传递函数，或者从经典设计工具里得到一个校正器的传递函数，下一步要放进现代控制框架里做状态反馈或观测器设计，就得先把传递函数转换成状态空间形式。

这个过程在控制理论里叫"实现"。实现要解决的问题是：给定一个传递函数G(s)，找出一个状态空间描述(A, B, C, D)，使它的传递函数恰等于G(s)。只要传递函数是正则的（分子阶次不超过分母阶次），就一定能找到实现，且实现不唯一。不唯一这件事既是便利也是陷阱，关键在于选择合适的规范型。

4.2 可控规范型实现

考虑单输入单输出系统，传递函数为：

[ G(s) = \frac{b_{n-1}s^{n-1} + \cdots + b_1 s + b_0}{s^n + a_{n-1}s^{n-1} + \cdots + a_1 s + a_0} ]

最常见的写法是可控规范型。它的状态方程是：

[ \dot{x} = \begin{bmatrix} 0 & 1 & 0 & \cdots & 0 \ 0 & 0 & 1 & \cdots & 0 \ \vdots & \vdots & \vdots & \ddots & \vdots \ 0 & 0 & 0 & \cdots & 1 \ -a_0 & -a_1 & -a_2 & \cdots & -a_{n-1} \end{bmatrix} x + \begin{bmatrix} 0 \ 0 \ \vdots \ 0 \ 1 \end{bmatrix} u ]

输出方程为：

[ y = \begin{bmatrix} b_0 & b_1 & \cdots & b_{n-1} \end{bmatrix} x ]

为什么叫可控规范型？因为在这样的结构下，系统的可控性矩阵秩是满的，输入信号有能力支配所有状态。从结构上看，除了最后一行以外，A是移位矩阵，状态链式串联；输入只注入最后一个状态，再通过链式结构逐个向前传递。这种结构在推导可控性判据、极点配置公式时极其顺手。

具体记忆方法我总结为：分母多项式的系数取负号后填入A矩阵最后一行，分子多项式的系数按升幂顺序填进C矩阵，B矩阵固定为末位为1的单位向量。这套规则不用背公式，多写两个例子就能自然记住。

4.3 可观测规范型与对角型

既然有可控规范型，自然就有对偶的可观测规范型。它的A是可控规范型A的转置，B是可控规范型C向量的转置，C则变成单位行向量。可观测规范型的可观测性矩阵是满秩的，这意味着系统的全部状态都能从输出中重构出来。设计状态观测器时，这种实现形式非常自然。

另一种常见实现是对角型，适用于传递函数分母只有相异实根的情况。把G(s)做部分分式分解：

[ G(s) = \frac{r_1}{s-\lambda_1} + \frac{r_2}{s-\lambda_2} + \cdots + \frac{r_n}{s-\lambda_n} ]

对角型实现为：

[ A = \operatorname{diag}(\lambda_1, \lambda_2, \ldots, \lambda_n), \quad B = \begin{bmatrix} 1 \ 1 \ \vdots \ 1 \end{bmatrix}, \quad C = \begin{bmatrix} r_1 & r_2 & \cdots & r_n \end{bmatrix} ]

这个结构的优点一目了然：状态之间完全解耦，每个状态就是一个独立模态。分析模态响应、计算脉冲响应、研究主导极点时，对角型是首选。

如果分母有重根，对角型就失效了，需要换成约当规范型。每个重根对应一个约当块，块内状态之间存在耦合，但块与块之间解耦。构造约当型时要先求特征值的代数重数和几何重数，再决定约当块的个数和尺寸，比对角型繁琐不少。

4.4 三种实现怎么选

拿一个具体例子对比。设：

[ G(s) = \frac{s+3}{s^2 + 3s + 2} ]

分母可以分解为(s+1)(s+2)。按可控规范型公式写：

[ A = \begin{bmatrix} 0 & 1 \ -2 & -3 \end{bmatrix}, \quad B = \begin{bmatrix} 0 \ 1 \end{bmatrix}, \quad C = \begin{bmatrix} 3 & 1 \end{bmatrix} ]

如果按部分分式分解做对角型：

[ G(s) = \frac{2}{s+1} - \frac{1}{s+2} ]

对角型实现是：

[ A = \begin{bmatrix} -1 & 0 \ 0 & -2 \end{bmatrix}, \quad B = \begin{bmatrix} 1 \ 1 \end{bmatrix}, \quad C = \begin{bmatrix} 2 & -1 \end{bmatrix} ]

两种实现的传递函数相同，但内部结构差异明显。实际选择时我的经验是：做极点配置和状态反馈，优先可控规范型，反馈增益公式最规整；做状态重构和观测器设计，优先可观测规范型；做模态分析和响应解释，优先对角型或约当型。

还有一个必须提醒的坑：如果G(s)分子分母存在公因子，按规范型公式直接套会得到不可控或不可观的实现，某些模态会从外部特性里"消失"。这种隐藏模态在理论分析上无伤大雅，但如果你拿它去设计观测器，就会失败。遇到这种情况，先做零极点相消，再用约简后的传递函数去实现，更稳妥。

5. 坐标变换不改变本质：线性变换与系统的不变量

5.1 线性变换的本质：换坐标

前面多次提到状态变量不唯一，现在把它严格化。设原有状态空间描述为(A, B, C, D)，引入非奇异变换矩阵T，定义新状态向量：

[ \bar{x}(t) = T x(t) ]

因为T非奇异，x和x̄之间是一一对应的。把x = T⁻¹x̄代入原状态方程，得到：

[ \dot{\bar{x}}(t) = T A T^{-1} \bar{x}(t) + T B u(t) ]

于是新系统的四个矩阵变为：

[ \bar{A} = T A T^{-1}, \quad \bar{B} = T B, \quad \bar{C} = C T^{-1}, \quad \bar{D} = D ]

这种变换叫相似变换。表面上矩阵全变了，但系统本质属性完全没变。打个比方：同一个物体，从不同角度拍照，照片里的坐标不同，但物体的几何形状没变。相似变换的本质，就是给系统换了一套坐标系来观察。

5.2 特征值、传递函数如何保持不变

先看特征值。矩阵A和TAT⁻¹有相同的特征多项式，因为：

[ \det(sI - TAT^{-1}) = \det(T(sI - A)T^{-1}) = \det(sI - A) ]

特征值决定了系统自由运动的动态特性——稳定性、振荡频率、衰减快慢都来自特征值，所以特征值不变意味着系统的动态本质完全不变。

再看传递函数。变换后系统的传递函数为：

[ \bar{G}(s) = \bar{C}(sI - \bar{A})^{-1}\bar{B} + \bar{D} = C T^{-1}(sI - TAT^{-1})^{-1} T B + D ]

利用矩阵恒等式(sI - TAT⁻¹)⁻¹ = T(sI - A)⁻¹T⁻¹，代入后立即得到原系统的G(s)。传递函数在相似变换下完全不变。

可控性和可观测性同样保持不变。以可控性矩阵为例：

[ [\bar{B}, \bar{A}\bar{B}, \ldots, \bar{A}^{n-1}\bar{B}] = T[B, AB, \ldots, A^{n-1}B] ]

右边矩阵的秩和非奇异T相乘后的秩一致，所以可控性不变。可观测性矩阵同理。

这三条不变性是状态空间方法稳健性的根基：无论你用什么坐标描述系统，它的客观动态属性不会因为描述方式的改变而改变。反过来，这也意味着如果两个状态空间描述可以通过相似变换相互转换，它们描述的就是同一个系统。

5.3 对角化变换的计算实例

相似变换最经典的应用，就是把A矩阵对角化，让系统变成一组解耦的一阶系统。只要A有n个线性无关的特征向量，就能做到。

具体步骤：求A的特征值λ₁, ..., λn和对应特征向量v₁, ..., vn，把特征向量按列排成矩阵P = [v₁, ..., vₙ]，取T⁻¹ = P，则TAT⁻¹ = P⁻¹AP为对角矩阵，对角线元素就是特征值。

还拿刚才的例子，A = [[0, 1], [-2, -3]]。特征方程是λ² + 3λ + 2 = 0，特征值为λ₁ = -1，λ₂ = -2。求对应特征向量：λ₁ = -1时，A + I的特征向量可取[1, -1]；λ₂ = -2时，A + 2I的特征向量可取[1, -2]。于是：

[ P = \begin{bmatrix} 1 & 1 \ -1 & -2 \end{bmatrix} ]

计算P⁻¹AP，结果就是diag(-1, -2)。配合B和C的变换，整个系统的动态结构一眼看清：一个状态按e⁻ᵗ衰减，另一个按e⁻²ᵗ衰减，输出是这两个模态的线性组合。

如果A没有足够多的线性无关特征向量，就不能对角化，只能化为约当标准型。约当标准型中，每个重特征值对应一个约当块，块内对角线是特征值，副对角线是1。它虽然不是对角阵，但已经把耦合降到最低，同样能揭示系统模态结构。

这类变换在现代控制中应用极广：模态分解、解耦控制、模型降阶都离不开它。我建议初学者一定要亲手算两三次完整对角化，把特征向量排列和相似变换计算彻底练熟，后面学状态反馈、观测器、乃至卡尔曼滤波都会顺畅很多。

6. 状态方程不是摆着看的：状态转移矩阵与系统响应求解

6.1 零输入响应：状态转移矩阵的引入

很多同学学到状态空间描述就停了，以为列完方程就算学完。其实列方程只是第一步，更核心的问题是：给定初始状态和输入，系统的状态和输出如何随时间演化？这才是状态方程的使用价值所在。

标量微分方程ẋ = ax的解是x(t) = e^{at}x(0)。矩阵方程ẋ = Ax的解法在形式上完全类比，把标量指数推广成矩阵指数：

[ e^{At} = I + At + \frac{1}{2!}A^2t^2 + \cdots + \frac{1}{k!}A^k t^k + \cdots ]

这个无穷级数叫矩阵指数。零输入时，状态方程的解就是：

[ x(t) = e^{At}x(0) ]

矩阵指数e^{At}也叫状态转移矩阵，通常记为Φ(t)。它的物理含义非常直观：把t=0时刻的状态"搬运"到t时刻的状态，期间系统的动态特性完全由A决定。它不依赖输入，只由系统自身结构决定。

状态转移矩阵有三个重要性质，建议记牢：

第一，Φ(0) = I，意思是"状态在零时刻搬到零时刻，原封不动"。

第二，Φ(t₁ + t₂) = Φ(t₁)Φ(t₂)，这意味着状态转移可以分段进行：先搬到t₁，再从t₁搬到t₁+t₂，与一次搬到位结果相同。

第三，Φ(t)的逆等于Φ(-t)，说明状态转移过程可逆——从t时刻的状态能反推0时刻的状态。这背后的数学前提是系统的状态方程在连续时间框架内是确定性的。

这三个性质在后面积分求解、稳定性分析、离散化推导中会反复用到，建议理解记忆而非死背。

6.2 拉普拉斯变换法求状态转移矩阵

矩阵指数用无穷级数定义最简洁，但实际手算时，级数往往很难写出闭式表达式。工程上更常用的求解方法是拉普拉斯变换。

对状态方程两边做拉普拉斯变换：

[ sX(s) - x(0) = AX(s) + BU(s) ]

整理得到：

[ (sI - A)X(s) = x(0) + BU(s) ]

于是：

[ X(s) = (sI - A)^{-1}x(0) + (sI - A)^{-1}BU(s) ]

做拉普拉斯反变换，就得到时域解：

[ x(t) = \mathcal{L}^{-1}{(sI - A)^{-1}}x(0) + \int_0^t e^{A(t-\tau)}Bu(\tau),d\tau ]

对比就能发现一个重要结论：

[ e^{At} = \mathcal{L}^{-1}{(sI - A)^{-1}} ]

所以实际计算时，我喜欢先把(sI - A)求逆，得到一个有理函数矩阵，再对矩阵每个元素做部分分式分解和反变换。这比硬算无穷级数高效得多。

再用A = [[0, 1], [-2, -3]]验证一遍。先算：

[ sI - A = \begin{bmatrix} s & -1 \ 2 & s+3 \end{bmatrix} ]

求逆：

[ (sI - A)^{-1} = \frac{1}{s^2+3s+2} \begin{bmatrix} s+3 & 1 \ -2 & s \end{bmatrix} ]

分母(s+1)(s+2)，对每个元素做部分分式分解。第一个元素(s+3)/((s+1)(s+2)) = 2/(s+1) - 1/(s+2)，反变换得到2e^{-t} - e^{-2t}。其余三个元素同理，最后汇总得到：

[ e^{At} = \begin{bmatrix} 2e^{-t} - e^{-2t} & e^{-t} - e^{-2t} \ -2e^{-t} + 2e^{-2t} & -e^{-t} + 2e^{-2t} \end{bmatrix} ]

这个结果既可用于零输入响应，也可作为卷积积分的核函数去算任意输入下的响应。我强烈建议至少手算一遍这个过程，把拉普拉斯反变换、部分分式分解和矩阵运算串起来，比看十遍推导都有效。

6.3 完整解与模态分解

加上输入项之后，系统的完整状态响应由两部分组成：零输入响应和零状态响应。零输入响应是初始状态引起的自由运动，零状态响应是外部输入通过卷积积分引起的受迫运动。它们是线性叠加关系，这正是线性系统最本质的特征。

从模态分解的角度看，如果A可对角化，经过相似变换后系统每个状态独立演化，那么完整解的物理意义就非常清楚：系统响应是若干一阶模态的线性组合，每个模态的衰减率由对应特征值决定，幅值由初始状态和输入共同决定。用这套语言再去看主导极点、模态可控性、模态可观性，就会有直观的落脚点。

这里还有一个我踩过的坑：计算矩阵指数时，如果直接截断级数或用数值积分，尤其是状态矩阵维数高、系统存在快慢模态差异时，很容易遇到精度问题。更稳妥的做法是先对A做特征分解或约当分解，再利用特征值构造解析的矩阵指数。现代数值计算库普遍有成熟的矩阵指数算法，但你自己做仿真验证时，理解原理仍是前提——遇到刚性问题时，不同算法之间的差异非常明显。

到这里，控制系统的状态空间描述基本框架就完整了：从为什么需要这套描述，到怎么从物理模型建立状态空间，再到传递函数与状态空间的互相转换，最后到状态方程的求解方法。这套工具链是后面一切现代控制方法的地基。

最后说点个人体会。状态空间描述刚学时容易觉得矩阵符号多、公式抽象，但只要坚持把每个物理例子改成状态方程，亲手算一遍矩阵指数，再做几次对角化和仿真对照，这些概念会很快变得具体起来。遇到状态变量怎么选、变换矩阵怎么构造这类问题，多动手画系统结构图、列储能元件清单，比死记硬背公式有效得多。现代控制理论的难度不在于某一个知识点，而在于能不能把线性代数、微分方程和控制系统的物理意义真正打通。打通了，后面的可控性、可观性、状态反馈设计，都是一条顺理成章的路。