(时域和频域)控制系统响应速度和稳定性分析

2023-12-10 12:04

本文主要是介绍(时域和频域)控制系统响应速度和稳定性分析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

水平有限,如有错误恳请指正。


目录

相位与增益

控制系统性能分析

响应速度分析

稳定性分析

仿真示例

参考文献


相位与增益

在任意频率下,一个正弦波输入总是产生一个正弦波输出,输入与输出之间可能的差别仅在于相位与增益。

相位:用于描述输入与输出之间的时间移动。延迟可以用时间Tdelta表示,但更多是用度表示。

增益:用于测量输入与输出的幅值之间的差异,用分贝或dB表示。

相位与增益可由传递函数计算出

示例:输入正弦波1V,10Hz,输出0.7V,延迟12.5ms,则

示例:求输入信号10Hz的低通滤波器传递函数的相位与增益

控制系统性能分析

响应速度分析和稳定性分析,都采用阶跃响应进行测量。因为阶跃响应有丰富的高频成分,它有因陡峭的边沿带来的高频分量,也有边沿之间数值恒定所表征的低频分量,是一个在大频率范围内的激励系统。

响应速度分析

时域,测量系统跟随指令信号的速度,通过分析阶跃响应的建立时间。建立时间上升时间)表示从阶跃的初始值到目标值的95%或98%时刻之间的时间。

频域,测量系统跟随指令信号的速度,通过分析阶跃响应的伯德图增益增益越大,响应速度越快。多数控制系统,在低频段指令响应良好,但是在高频段反应迟钝。在低频段,控制器有足够快的速度调节系统,但是随着频率的增加,控制器跟不上。从传递函数的角度,在低频段增益接近1,但是在高频段增益远小于1。

频域,常用带宽来度量闭环系统的响应速度,与带宽对应的频率,增益下降到-3dB或下降到原来增益的70%,带宽越大,响应速度越快。系统的时间常数近似表示为

其中,时间常数的单位秒,fB带宽的单位Hz

稳定性分析

时域,测量系统的稳定性,通过分析阶跃响应的超调量。超调量表示系统的最大值减去稳态值与稳态值的比再乘100%。实际应用中,超调量可接受范围0-30%

频域,测量系统的稳定性,通过分析阶跃响应的伯德图增益。多数系统,在低频段的增益为0dB,随着频率的增加,增益减小。如果增益在开始减小前增大了,这种现象称为凸峰,表明系统临界稳定。实际应用中,凸峰值可接受范围0-4dB

仿真示例

PI控制的无静差直流调速系统为例,对其响应速度和稳定性进行分析。

1、在Matlab的Simulink仿真中绘制控制系统仿真图,设置两组对照组,一组Kp=Ki=0.05,另一组Kp=Ki=0.01。

2、响应速度分析,时域分析,将仿真输入放到示波器中观察,增益系数为0.05的系统上升时间更短,响应速度更快。

3、响应速度分析,频域分析,生成闭环伯德图,选择输入,右键Linear Analysis Points->Input Perturbation;选择输出,右键Linear Analysis Points->Output Measurement;选择分析,Analysis->Control Design->Linear Analysis。增益0.05时,带宽为6.98Hz;增益为0.01时,带宽为1.22Hz,所以增益0.05响应速度更快。

4、稳定性分析,时域分析,比较增益0.05和0.5的系统稳定性,从示波器波形的超调量可以看出,增益0.5超调量为65%,增益0.05超调量为10%,所以增益0.05更稳定。

5、稳定性分析,频域分析,比较增益0.05和0.5的系统稳定性,从伯德图的凸峰值可以看出,增益0.5凸峰值为12.8dB,增益0.05凸峰值为0dB,所以增益0.05更稳定。

参考文献

《Control System Design Guide》George Ellis

这篇关于(时域和频域)控制系统响应速度和稳定性分析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/477069

相关文章

python panda库从基础到高级操作分析

《pythonpanda库从基础到高级操作分析》本文介绍了Pandas库的核心功能,包括处理结构化数据的Series和DataFrame数据结构,数据读取、清洗、分组聚合、合并、时间序列分析及大数据... 目录1. Pandas 概述2. 基本操作:数据读取与查看3. 索引操作:精准定位数据4. Group

MySQL中EXISTS与IN用法使用与对比分析

《MySQL中EXISTS与IN用法使用与对比分析》在MySQL中,EXISTS和IN都用于子查询中根据另一个查询的结果来过滤主查询的记录,本文将基于工作原理、效率和应用场景进行全面对比... 目录一、基本用法详解1. IN 运算符2. EXISTS 运算符二、EXISTS 与 IN 的选择策略三、性能对比

MySQL 内存使用率常用分析语句

《MySQL内存使用率常用分析语句》用户整理了MySQL内存占用过高的分析方法,涵盖操作系统层确认及数据库层bufferpool、内存模块差值、线程状态、performance_schema性能数据... 目录一、 OS层二、 DB层1. 全局情况2. 内存占js用详情最近连续遇到mysql内存占用过高导致

深度解析Nginx日志分析与499状态码问题解决

《深度解析Nginx日志分析与499状态码问题解决》在Web服务器运维和性能优化过程中,Nginx日志是排查问题的重要依据,本文将围绕Nginx日志分析、499状态码的成因、排查方法及解决方案展开讨论... 目录前言1. Nginx日志基础1.1 Nginx日志存放位置1.2 Nginx日志格式2. 499

Olingo分析和实践之EDM 辅助序列化器详解(最佳实践)

《Olingo分析和实践之EDM辅助序列化器详解(最佳实践)》EDM辅助序列化器是ApacheOlingoOData框架中无需完整EDM模型的智能序列化工具,通过运行时类型推断实现灵活数据转换,适用... 目录概念与定义什么是 EDM 辅助序列化器?核心概念设计目标核心特点1. EDM 信息可选2. 智能类

Olingo分析和实践之OData框架核心组件初始化(关键步骤)

《Olingo分析和实践之OData框架核心组件初始化(关键步骤)》ODataSpringBootService通过初始化OData实例和服务元数据,构建框架核心能力与数据模型结构,实现序列化、URI... 目录概述第一步:OData实例创建1.1 OData.newInstance() 详细分析1.1.1

Olingo分析和实践之ODataImpl详细分析(重要方法详解)

《Olingo分析和实践之ODataImpl详细分析(重要方法详解)》ODataImpl.java是ApacheOlingoOData框架的核心工厂类,负责创建序列化器、反序列化器和处理器等组件,... 目录概述主要职责类结构与继承关系核心功能分析1. 序列化器管理2. 反序列化器管理3. 处理器管理重要方

SpringBoot中六种批量更新Mysql的方式效率对比分析

《SpringBoot中六种批量更新Mysql的方式效率对比分析》文章比较了MySQL大数据量批量更新的多种方法,指出REPLACEINTO和ONDUPLICATEKEY效率最高但存在数据风险,MyB... 目录效率比较测试结构数据库初始化测试数据批量修改方案第一种 for第二种 case when第三种

解决1093 - You can‘t specify target table报错问题及原因分析

《解决1093-Youcan‘tspecifytargettable报错问题及原因分析》MySQL1093错误因UPDATE/DELETE语句的FROM子句直接引用目标表或嵌套子查询导致,... 目录报js错原因分析具体原因解决办法方法一:使用临时表方法二:使用JOIN方法三:使用EXISTS示例总结报错原

MySQL中的LENGTH()函数用法详解与实例分析

《MySQL中的LENGTH()函数用法详解与实例分析》MySQLLENGTH()函数用于计算字符串的字节长度,区别于CHAR_LENGTH()的字符长度,适用于多字节字符集(如UTF-8)的数据验证... 目录1. LENGTH()函数的基本语法2. LENGTH()函数的返回值2.1 示例1:计算字符串