2. 运动控制模型基础：数学模型、传递函数、状态空间与PID

各位好，欢迎来到第二章。说实话，很多做运动控制的工程师，一听到「数学模型」四个字就头大。我当年也一样，觉得能调参跑起来就行，搞什么数学？直到有一次，我负责一个高速贴片机的项目，电机在高速下疯狂震荡，怎么调PID都没用。最后老老实实把模型拉出来分析，才发现是系统谐振频率没考虑进去。

嗯，从那以后我明白了——数学模型不是纸上谈兵，它是你和机器对话的语言。这一章，我们就来把这门语言学透。

2.1 数学模型：把物理世界装进公式里

什么叫数学模型？说白了，就是用数学式子描述一个系统的行为。比如一个直流电机，你给它电压，它转起来。电压和转速之间的关系，就是模型。

我习惯把数学模型分成三类，看表：

模型类型	描述方式	典型用途
机理模型	物理定律（牛顿、基尔霍夫）	设计阶段，参数已知
辨识模型	实验数据拟合	现场调试，黑箱系统
混合模型	机理+数据修正	工程中最常用

举个例子。一个简单的质量-弹簧-阻尼系统，它的运动方程是：

m * x''(t) + b * x'(t) + k * x(t) = F(t)

其中 m 是质量，b 是阻尼系数，k 是弹簧刚度，F 是外力。这就是一个典型的机理模型。我在做机器人关节控制时，经常用这个模型来估算负载变化。

2.2 传递函数：从时域到频域的「翻译器」

传递函数，是控制工程里最经典的工具。它把微分方程变成了代数方程，用拉普拉斯变换把时间域的问题扔到复数域去解。

定义很简单： 在零初始条件下，输出拉氏变换与输入拉氏变换之比。

G(s) = Y(s) / U(s)

比如上面那个质量-弹簧-阻尼系统，它的传递函数是：

G(s) = 1 / (m*s² + b*s + k)

为什么用传递函数？我个人觉得有三大好处：

• 直观：看分母的阶数就知道系统是几阶的。
• 可串并联：多个环节串联，传递函数直接相乘。
• 频域分析：波特图、奈奎斯特图，全是从传递函数来的。

2.3 状态空间方程：现代控制的「瑞士军刀」

传递函数有个局限——它只能处理单输入单输出（SISO）系统，而且假设初始条件为零。但实际运动控制中，多轴联动、初始状态非零的情况比比皆是。这时候，状态空间方程就派上用场了。

状态空间方程的标准形式：

ẋ = A·x + B·u
y = C·x + D·u

其中：

• x：状态向量（比如位置、速度）
• u：输入向量（比如电压、力矩）
• y：输出向量（比如编码器读数）
• A、B、C、D：系统矩阵

拿直流电机举例，状态变量选为电流 i 和转速 ω：

d/dt [i]   = [ -R/L   -Ke/L ] [i]   + [ 1/L ] * V
     [ω]     [ Kt/J   -b/J  ] [ω]     [  0  ]

y = [0  1] * [i]
             [ω]

你看，状态空间方程可以同时处理多个变量，而且能直接反映系统内部的动态。我在做多轴同步控制时，几乎都用状态空间建模，因为耦合项可以放在A矩阵里统一处理。

2.4 PID控制原理：最经典的「老司机」

聊完模型，咱们说说控制。PID——比例、积分、微分——这三个字母，做运动控制的没人不知道。但你真的理解它吗？

PID控制器的输出：

u(t) = Kp·e(t) + Ki·∫e(t)dt + Kd·de(t)/dt

拆开来看：

环节	作用	我的比喻
P（比例）	根据当前误差调整，反应快	「看到偏差就推一把」
I（积分）	消除稳态误差，累积历史	「欠的账慢慢还」
D（微分）	预测误差趋势，抑制超调	「看到要撞墙提前刹车」

调PID有没有口诀？有。我总结的「三步法」：

1. 先调P：从小到大，直到系统开始震荡，然后退回一半。
2. 再加I：消除静差，但注意积分饱和。我习惯加个抗积分饱和（anti-windup）。
3. 最后D：抑制超调，但D对噪声敏感。如果编码器分辨率不够，D反而坏事。

2.5 知识体系总览

说了这么多，咱们用一张图把本章的核心逻辑串起来。下面这张SVG图，展示了从物理系统到数学模型，再到控制方法的完整链路。

这张图你看懂了吗？从上到下，就是从物理世界到数学世界，再到控制实现的过程。每个环节都有它的工具和坑，后面几章我们会一个一个拆开来讲。