4. 离散化与采样：连续系统离散化方法及采样周期选择对算法性能的影响

数字控制器与模拟被控对象之间必然存在一个“翻译”过程：将连续时间域中的微分方程、传递函数或状态空间模型，转换为数字处理器能够逐拍执行的差分方程。这一过程称为离散化，而离散化的质量直接决定了数字控制系统的稳定性、动态响应与稳态精度。本章围绕三种经典离散化方法——前向欧拉、后向欧拉与双线性变换（Tustin变换），深入剖析其数学原理、适用边界与工程代价，并系统讨论采样周期选择对控制算法性能的深层影响。理解这些内容，是后续进行代码实现、参数整定与算法优化的前提。

4.1 离散化的本质与数学基础

离散化的本质，是用一个差分方程去逼近微分方程的行为。连续系统通常以拉普拉斯变换传递函数 G(s) 或状态空间方程描述，而数字控制器只能处理离散序列。从数学角度看，离散化是在“给定采样周期 T”的前提下，寻找一个脉冲传递函数 G(z)，使得在采样时刻 kT 处，G(z) 的输出序列尽可能逼近 G(s) 在相同采样时刻的响应。

这一逼近过程并非唯一。不同的数值积分方法对应不同的 s 域到 z 域的映射关系，从而产生不同的离散模型。三种最常用的映射关系如下表所示：

从数值积分的视角理解更为直观：前向欧拉相当于用矩形面积近似积分（显式方法），后向欧拉也是矩形近似但取右端点（隐式方法），双线性变换则等价于梯形面积近似（隐式方法）。梯形法在几何上更接近真实积分，因此精度更高。这一几何直觉在后续分析频率畸变时非常有用。

4.2 三种离散化方法的详细推导与代码实现

4.2.1 前向欧拉法

前向欧拉法基于一阶导数的前向差分近似。对于连续传递函数中的 s，直接用 (z-1)/T 替换。例如，一个一阶惯性环节 G(s) = 1/(τs+1)，替换后得到：

G(z) = 1 / (τ·(z-1)/T + 1) = T / (τ(z-1) + T)

对应的差分方程为：

y[k] = (T/(τ+T))·u[k] + (τ/(τ+T))·y[k-1]

前向欧拉的主要问题在于稳定性。连续系统的稳定条件是极点位于 s 左半平面，而映射 z = 1 + sT 将 s 左半平面映射到 z 平面上以 (1,0) 为圆心、半径为 1 的圆内。这意味着，如果连续系统的极点实部值较大（即系统响应较快），离散化后极点可能落在单位圆外，导致数字系统不稳定。实际使用中，前向欧拉要求采样周期 T 足够小，使得所有极点都落在稳定圆内。

4.2.2 后向欧拉法

后向欧拉法使用后向差分近似，映射关系为 s = (z-1)/(T·z)。同样对一阶惯性环节：

G(z) = 1 / (τ·(z-1)/(T·z) + 1) = T·z / (τ(z-1) + T·z)

差分方程为：

y[k] = (T/(τ+T))·u[k] + (τ/(τ+T))·y[k-1]

有趣的是，对于一阶系统，前向和后向欧拉得到的差分方程形式相同，但系数含义不同。后向欧拉的稳定性映射保证：s 左半平面映射到 z 平面单位圆内，因此稳定的连续系统离散化后必然稳定。然而，后向欧拉会压缩频率轴，导致离散模型的频率响应在高频段与连续系统偏差较大。例如，连续积分器 1/s 经后向欧拉离散化为 T·z/(z-1)，其频率响应在接近奈奎斯特频率时幅值衰减比连续积分器更快。

4.2.3 双线性变换（Tustin 变换）

双线性变换采用梯形积分近似，映射关系为 s = 2(z-1)/(T(z+1))。这是工程中最常用的方法。对一阶惯性环节：

G(z) = 1 / (τ·2(z-1)/(T(z+1)) + 1) = T(z+1) / (2τ(z-1) + T(z+1))

整理后得到差分方程：

y[k] = (T/(2τ+T))·(u[k] + u[k-1]) + ((2τ-T)/(2τ+T))·y[k-1]

双线性变换的优点是：

• 稳定性保持：s 左半平面精确映射到 z 平面单位圆内，连续稳定系统离散化后必然稳定。
• 频率响应保真度较高：虽然存在频率压缩（s = jω 映射到 z = e^(jωT) 时，实际数字频率 ω_d 与连续频率 ω 满足 ω_d = (2/T)·arctan(ωT/2)），但在低频段（ωT << 1）近似线性。
• 代数精度高：梯形积分对一阶系统精确，对高阶系统也有较好的逼近效果。

双线性变换的代价是频率畸变。如果需要在某个特定频率点（如谐振频率、截止频率）精确匹配，可以使用频率预畸变技术：先对连续频率进行预畸变处理，再进行双线性变换。具体做法是将连续传递函数中的 s 替换为 (ω_actual/ω_prewarp)·s，其中 ω_prewarp = (2/T)·tan(ω_actual·T/2)。

4.3 采样周期选择对算法性能的影响

采样周期 T 是数字控制系统中最关键的“超参数”之一。它同时影响系统的稳定性、动态响应、抗干扰能力和计算负载。采样周期的选择需要遵循以下原则：

1. 香农采样定理：采样频率 f_s = 1/T 必须大于信号最高频率分量的两倍。对于控制系统，这里的“信号”指的是闭环系统的带宽频率，而非被控对象的自然频率。工程上通常取 f_s 为闭环带宽的 10~20 倍。
2. 相位裕度约束：采样保持器（ZOH）引入的相位滞后为 ωT/2。当 T 增大时，相位滞后增加，系统的相位裕度下降，可能导致系统振荡甚至不稳定。
3. 计算负载约束：T 过小意味着单位时间内需要执行更多次控制算法，对处理器性能、ADC/DAC 转换速度、通信带宽都提出更高要求。
4. 数值精度约束：T 过小时，差分方程中的系数可能变得非常接近 1 或 0，导致数值灵敏度增加，量化误差被放大。

从频域角度理解，采样周期 T 决定了数字控制器的“有效频率范围”。当 T 较大时，奈奎斯特频率 f_N = 1/(2T) 较低，控制器无法有效处理高于 f_N 的频率分量。这会导致高频噪声混叠到低频段，污染控制信号。因此，在采样之前通常需要模拟抗混叠滤波器（低通滤波器），其截止频率应设置为 f_N 附近。

4.4 案例拆解：伺服电机速度环的离散化与采样周期优化

下面通过一个完整的工程案例，展示离散化方法选择和采样周期调整对实际系统性能的影响。

背景与约束：某直流伺服电机速度环，被控对象传递函数为 G(s) = 2 / (0.5s + 1)(0.05s + 1)，即一个双惯性环节。控制器采用 PI 控制，连续域设计参数为 Kp = 3.5，Ki = 12。目标闭环带宽约为 20 rad/s。处理器为 32 位定点 MCU，ADC 采样精度 12 位，控制周期可配置为 1ms、2ms、5ms、10ms。

初始现象：工程师最初选择采样周期 T = 10ms（f_s = 100Hz），并使用前向欧拉法离散化 PI 控制器。调试时发现系统在转速 1500rpm 附近出现持续振荡，振荡频率约为 8Hz，且控制量输出存在明显抖动。

分析过程：

1. 首先检查采样周期：闭环带宽 20 rad/s ≈ 3.2Hz，f_s = 100Hz 约为带宽的 31 倍，理论上满足采样定理。但考虑到速度环中存在机械谐振（约 25Hz），10ms 采样周期对应的奈奎斯特频率为 50Hz，谐振频率虽未混叠，但相位滞后已较明显。
2. 检查离散化方法：前向欧拉法将 PI 控制器中的积分项 1/s 离散化为 T·z/(z-1)，微分项（此处无）不涉及。前向欧拉对积分项的离散化在 T 较大时会产生较大相位误差。
3. 计算相位裕度：连续 PI 控制器在穿越频率处提供约 55° 相位裕度。采样保持器引入的相位滞后为 ω_c·T/2 = 20 × 0.01 / 2 = 0.1 rad ≈ 5.7°。前向欧拉离散化额外引入约 3° 相位滞后。合计约 8.7°，理论上不应导致振荡。
4. 进一步检查发现，前向欧拉法离散化后的积分器极点位于 z = 1，但零点位置偏移导致积分增益在高频段被放大，实际等效的相位裕度下降更多。通过仿真对比，前向欧拉离散化后的系统相位裕度实际只有约 38°，接近临界稳定。

解决方案：

1. 将离散化方法改为双线性变换，PI 控制器的离散化公式为：

积分项: I(z) = (T/2)·(z+1)/(z-1)·Ki
比例项: P(z) = Kp
数字 PI 输出: u[k] = Kp·e[k] + Ki·(T/2)·(e[k] + e[k-1]) + I[k-1]

2. 将采样周期从 10ms 缩短至 2ms（f_s = 500Hz），此时采样保持器相位滞后仅为 20 × 0.002 / 2 = 0.02 rad ≈ 1.1°。
3. 在 ADC 前端增加一阶 RC 低通滤波器，截止频率 100Hz，抑制高频噪声混叠。

结果对比：

风险与代价：缩短采样周期至 2ms 后，MCU 的中断负载从 10% 上升至 45%，但仍在可接受范围内。如果进一步缩短至 0.5ms，则中断负载将超过 80%，且 12 位 ADC 的量化噪声在高速采样下会引入新的抖动。因此，2ms 是本系统的最优折中。

复盘经验：

• 前向欧拉法在采样周期较大时，其相位误差不可忽略，应避免在工程产品中使用。
• 采样周期的选择不应仅满足香农定理，还要考虑相位裕度预算和计算负载。
• 离散化方法改变后，控制器的增益可能需要重新微调，因为等效的连续频率响应发生了变化。

4.5 常见误区与总结复盘

总结复盘：离散化方法的选择本质上是“精度 vs 复杂度”的权衡。双线性变换在精度和稳定性之间取得了最佳平衡，是工程首选。采样周期的选择则应遵循“带宽匹配”原则：f_s = 10~20 × 闭环带宽，同时兼顾计算负载和数值精度。在实际项目中，建议通过仿真对比不同离散化方法和采样周期组合下的相位裕度、超调量和调节时间，以数据驱动的方式确定最优参数。

最后需要强调的是，离散化并非一劳永逸的步骤。当系统参数变化、采样周期调整或处理器升级时，应重新审视离散化模型的准确性。在代码实现层面，建议将离散化系数作为可配置参数，便于在线调整和优化。