死区时间的帕德近似模拟器 返回
控制工程

死区时间的帕德近似模拟器

纯死区时间 e^(−sT) 用有理传递函数近似的「帕德近似」体验工具。改变近似阶次或死区时间,相位特性、有效带宽以及由右半平面零点引起的阶跃响应初期欠调量会实时显示。

参数设置
死区时间 T
s
输入出现在输出的纯时间延迟
帕德近似的阶次 n
[n/n] 近似。越大越精确但右半平面零点越多
工厂时常数 τ
s
与死区时间串联的一阶工厂的时常数
工厂增益 K
一阶工厂的稳态增益(阶跃响应的最终值)
计算结果
近似阶次 n
右半平面零点数
相位误差 @ω=1/T (deg)
有效带宽 误差<5° (rad/s)
阶跃响应的二乘方均值误差
初期欠调量
阶跃响应动画 — 真实死区时间 vs 帕德近似

蓝色虚线是真实延迟响应(t=T 前平坦→指数上升),橙色是帕德近似的响应。上升前的「凹陷」是右半平面零点导致的初期欠调量。

相位特性 — 真实死区时间与帕德近似的相位
阶跃响应 — 真实延迟响应与帕德近似响应
理论·主要公式

$$e^{-sT}\approx\frac{N_n(s)}{D_n(s)},\qquad e^{-sT}\approx\frac{1-sT/2}{1+sT/2}\ \ (n=1)$$

死区时间 e^(−sT) 的 [n/n] 帕德近似。分子 Nₙ(s) 和分母 Dₙ(s) 都是 n 次多项式。当 n=1 时变为一次/一次的有理函数。

$$e^{-sT}\approx\frac{1-sT/2+(sT)^2/12}{1+sT/2+(sT)^2/12}\ \ (n=2)$$

二阶帕德近似。系数由 c_k = (2n−k)!·n! / ((2n)!·k!·(n−k)!) 给出,Dₙ(s)=Σ c_k(sT)^k、Nₙ(s)=Σ c_k(−sT)^k。

$$\left|\frac{N_n(j\omega)}{D_n(j\omega)}\right|=1,\qquad \angle e^{-j\omega T}=-\omega T$$

帕德近似是全通(各频率增益均为1),含有 n 个右半平面零点。误差完全体现在相位上,频率越高偏离真值 −ωT 越大。

死区时间的帕德近似是什么

🙋
「死区时间」就是输入到输出的延迟时间吧。这个能用传递函数表示吗?
🎓
可以。死区时间 T 的传递函数就是 e^(−sT) 这个形式。问题在于,这是一个「指数函数」。比如测量管道中流动的水的温度,从加热器到温度计需要几秒时间,这个延迟就是 e^(−sT)。但它不是分子和分母都是多项式的「有理函数」,而是「无理函数」,拥有无限多个极点和零点,所以不能直接用根轨迹法、伯德图设计或状态空间模型这些以「有理传递函数为前提」的控制设计方法。
🙋
那么帕德近似是把 e^(−sT) 强制转换为多项式的比吗?
🎓
完全正确。帕德近似用「分子 Nₙ(s) ÷ 分母 Dₙ(s)」这个有理函数来近似 e^(−sT)。分子和分母都是 n 次多项式,当 n=1 时就是最有名的 (1−sT/2)/(1+sT/2)。把左边的滑块设成 n=1,就能在分母中看到这个公式。这样极点和零点就是有限个,可以纳入普通的控制器设计中。
🙋
我看上面的阶跃响应图,帕德近似的曲线在上升之前会向下「凹陷」一下,这不是bug吗?真实死区时间只是平坦的。
🎓
这不是bug,而是帕德近似的本质特性。[n/n] 帕德近似的分子中有 n 个「右半平面零点」。拥有右半平面零点的系统叫做「非最小相位系统」,加入阶跃输入后,输出会先向反方向运动,这叫做「逆响应」。真实死区时间在 t
🙋
那提高阶次 n,那个「凹陷」就会消失,变得接近真实的吗?
🎓
对,提高 n,欠调量会变小、持续时间会缩短,阶跃响应和相位特性都会接近真实死区时间。你可以在左边把 n 从1改到5,会看到上面「有效带宽」的数字(相位误差首次超过5°的频率)单调增加。但提高 n 的代价是右半平面零点也增加,系统阶次变高。所以实际中应该选择「在所需控制带宽内相位足够精确的最小阶次」。对大多数PID设计,一阶或二阶就够了。
🙋
为什么相位图会有很大的偏差,但没有出现增益的变化?
🎓
因为死区时间是「只改变相位、不改变振幅」的元件。e^(−jωT) 的大小永远是1,只是角度改变 −ωT。帕德近似也正确继承了这个特性,|Nₙ/Dₙ|=1 严格成立,这叫「全通(全域通过)」。所以近似误差完全体现在相位上,增益图中看不到任何变化。

常见问题

纯死区时间 e^(−sT) 是 s 的指数函数,不是分母和分子都是多项式的有理传递函数。由于它是没有根和极点的无理函数,不能直接应用根轨迹法、伯德图设计、状态空间模型等以「有理传递函数为前提」的控制设计方法。帕德近似用分子 Nₙ(s) 和分母 Dₙ(s) 的比来近似 e^(−sT)。这样就能定义出极点和零点,从而把死区时间纳入常规的控制器设计和数值模拟。
提高阶次 n,可以在更宽的频率范围内准确再现真实死区时间的相位 −ωT。本工具的「有效带宽」是相位误差首次超过5°的频率。将 n 从1增加到5,有效带宽会单调增加。另一方面,[n/n] 帕德近似导入 n 个右半平面(不稳定)零点,所以阶次越高,阶跃响应的初期欠调量(逆响应)的形状就越复杂。在实际应用中,应选择使死区时间的相位在所需控制带宽内足够准确的最小阶次。对于大多数PID设计,一阶或二阶就足够了。
[n/n] 帕德近似在分子中有 n 个右半平面零点(s 平面右侧的零点)。具有右半平面零点的系统称为「非最小相位系统」,在加入阶跃输入后,输出会在初期向目标的反方向运动,表现出「逆响应(欠调量)」。而真正的死区时间在 t
全通是指在所有频率 ω 上增益(振幅比)都等于1的特性。[n/n] 帕德近似 Nₙ(jω)/Dₙ(jω) 的分子和分母互为共轭关系,所以 |Nₙ/Dₙ|=1 严格成立。这与真实死区时间 e^(−jωT) 的 |e^(−jωT)|=1 相符,体现了死区时间「只改变相位、不改变振幅」的本质。即帕德近似正确捕捉了死区时间「振幅不变、只有纯相位延迟」的本质,近似误差完全体现在相位上。

实际应用

过程控制(化工厂·温度控制):管道的传输延迟、热交换器的响应延迟、分析仪的采样延迟等,过程系统中总会出现死区时间。在PID调试或模型预测控制的设计中,把死区时间用帕德近似有理化,然后评估稳定余度和增益交叉频率。死区时间越长,越会侵蚀相位余度,所以近似的精度直接影响控制性能的估计精度。

伺服系统·包含通信延迟的控制:网络远程控制或传感器和执行器的计算延迟等含有死区时间的数字控制系统,环路内的死区时间会导致振荡。在设计阶段把死区时间换成帕德近似,用奈奎斯特线图或伯德图定量评估「死区时间消耗多少相位」,安全地确定控制带宽。

理解Smith预测器等死区时间补偿器:学习死区时间补偿器(Smith预测器)的最佳方式是先体验「死区时间用有理传递函数表示会怎样」。帕德近似也被用作补偿器的内部模型,了解改变近似阶次时闭环行为如何变化,对补偿器的设计和调试至关重要。

控制工程教育·CAE的前期检讨:含有死区时间的系统的根轨迹和频率响应,在分析软件中通常「先转换为帕德近似再计算」。像本工具这样可视化阶次与误差关系,可以理解分析工具在内部做什么,为什么高阶时逆响应会变复杂,有助于正确阅读结果。

常见误解与注意事项

首先常见误解是「阶次 n 越高越好」。虽然相位的准确帯宽会扩大,但 [n/n] 帕德近似必然导入 n 个右半平面零点。用包含这些零点的模型设计控制器时,会试图补偿近似带来的非最小相位特性,反而使设计变难。而且模型阶次上升会增加计算负荷。原则是选择「在目标控制带宽内死区时间相位足够准确的最小阶次」,盲目高阶化是禁忌。

其次是「帕德近似与死区时间完全相同」这个误解。帕德近似终究是有理函数的近似,与真实死区时间特别在高频时相位差异很大。本工具的相位特性图可以看到,超过某频率后帕德近似的相位偏离真值 −ωT。信得过的近似只在「有效带宽」范围内。如果控制带宽超出有效带宽,稳定余度的估计会过于乐观,实机可能出现预期外的振荡。

最后是把初期欠调量(逆响应)误认为是「数值误差」或「模拟bug」。阶跃响应在上升前反向运动,是右半平面零点的非最小相位系统的正确行为。这是帕德近似用有理系统表现「死区时间的等待时间」时不可避免的代价。提高阶次可以减小但不能消除。理解这一点是死区时间系统分析的关键。

使用指南

  1. 用滑块设置死区时间T(秒)和近似阶次n(1~6)。例如:T=0.5秒、n=3阶
  2. 调整增益k和时常数τ,确认闭环系统的稳定性。当k=2、τ=0.1秒时,可以观察右半平面零点的产生
  3. 点击「模拟」按钮描绘帕德近似的频率响应和阶跃响应。相位误差在5°以下的有效带宽用rad/s单位显示

具体计算示例

将死区时间T=1.0秒用n=4阶帕德近似,传递函数变为e^(-sT)≈(s⁴-20s³+180s²-840s+1680)/(s⁴+20s³+180s²+840s+1680)。在ω=1rad/s处相位误差约2.8°,有效带宽为0~0.4rad/s。同样T=1.0秒用n=2阶近似,相位误差扩大到12.5°,控制系统响应性大幅下降。在过程控制中,如果T=2秒的阀门死区时间用n=5阶帕德近似,阶跃响应的二乘方均值误差可以抑制在0.015以下

实际使用注意事项

  1. 当n≥3提高近似阶次时,右半平面零点出现,设定控制增益时容易产生欠调量(-15~-25%)。PID控制必须增加微分项
  2. 有效带宽较窄的情况下(T=2秒、n=2阶时为0.2rad/s以下),应考虑引入Smith预测器或死区时间补偿器
  3. 当阶跃响应的二乘方均值误差超过0.05时,对于实装应该考虑采用高阶帕德近似(n=5~6)或切换到模型预测控制