传递函数的推导和理解

传递函数的推导和理解

假设有一个线性系统,在一般情况下,它的激励 x ( t ) x(t) x(t)与响应 y ( t ) y(t) y(t)所满足的的关系,可用下列微分方程来表示:
a n y ( n ) + a n − 1 y ( n − 1 ) + a n − 2 y ( n − 2 ) + ⋯ + a 1 y ′ + a 0 y = b m x ( m ) + b m − 1 x ( m − 1 ) + b m − 2 x ( m − 2 ) + ⋯ + b 1 x ′ + b 0 x (1) \begin{array}{l}{a_n}{y^{(n)}} + {a_{n - 1}}{y^{(n - 1)}} + {a_{n - 2}}{y^{(n - 2)}} + \cdots + {a_1}y' + {a_0}y\\ = {b_m}{x^{({\rm{m}})}} + {b_{m - 1}}{x^{({\rm{m - 1}})}} + {b_{m - 2}}{x^{({\rm{m - 2}})}} + \cdots + {b_1}x' + {b_0}x\end{array}\tag1 any(n)+an1y(n1)+an2y(n2)++a1y+a0y=bmx(m)+bm1x(m1)+bm2x(m2)++b1x+b0x(1)
其中, a 0 , a 1 , ⋯ , a n , b 0 , b 1 , ⋯ , b m {a_0},{a_1}, \cdots ,{a_n},{b_0},{b_1}, \cdots ,{b_m} a0,a1,,an,b0,b1,,bm均为常数, m , n m,n m,n为正整数, n ≥ m n \ge m nm

L [ y ( t ) ] = Y ( s ) , L [ x ( t ) ] = X ( s ) \mathscr{L}[y(t)]=Y(s),\mathscr{L}[x(t)]=X(s) L[y(t)]=Y(s),L[x(t)]=X(s),根据Laplace变换的微分性质,有

L [ a k y ( k ) ] = a k s k Y ( s ) − a k [ s k − 1 y ( 0 ) + s k − 2 y ′ ( 0 ) + s k − 3 y ′ ′ ( 0 ) + ⋯ + s k − ( k − 1 ) y ( k − 2 ) ( 0 ) + s 0 y ( k − 1 ) ( 0 ) ] ( k = 0 , 1 , 2 , ⋯ , n ) {\mathscr L}[{a_k}{y^{(k)}}] = {a_k}{s^k}Y(s) - {a_k}[{s^{k - 1}}y(0) + {s^{k - 2}}y'(0) + {s^{k - 3}}y''(0) + \cdots + {s^{k - (k - 1)}}{y^{(k - 2)}}(0) + {s^0}{y^{(k - 1)}}(0)]\\(k = 0,1,2, \cdots ,n) L[aky(k)]=akskY(s)ak[sk1y(0)+sk2y(0)+sk3y′′(0)++sk(k1)y(k2)(0)+s0y(k1)(0)](k=0,1,2,,n)

L [ b k x ( k ) ] = b k s k X ( s ) − b k [ s k − 1 x ( 0 ) + s k − 2 x ′ ( 0 ) + s k − 3 x ′ ′ ( 0 ) + ⋯ + s k − ( k − 1 ) x ( k − 2 ) ( 0 ) + s 0 x ( k − 1 ) ( 0 ) ] ( k = 0 , 1 , 2 , ⋯ , m ) {\mathscr L}[{b_k}{x^{(k)}}] = {b_k}{s^k}X(s) - {b_k}[{s^{k - 1}}x(0) + {s^{k - 2}}x'(0) + {s^{k - 3}}x''(0) + \cdots + {s^{k - (k - 1)}}{x^{(k - 2)}}(0) + {s^0}{x^{(k - 1)}}(0)] \\(k = 0,1,2, \cdots ,m) L[bkx(k)]=bkskX(s)bk[sk1x(0)+sk2x(0)+sk3x′′(0)++sk(k1)x(k2)(0)+s0x(k1)(0)](k=0,1,2,,m)

对式子(1)两边进行Laplace变换并通过整理,可得:
D ( s ) Y ( s ) − M h y ( s ) = M ( s ) X ( s ) − M h x ( s ) D(s)Y(s) - {M_{hy}}(s) = M(s)X(s) - {M_{hx}}(s) D(s)Y(s)Mhy(s)=M(s)X(s)Mhx(s)
即:
Y ( s ) = M ( s ) D ( s ) X ( s ) + M h y ( s ) − M h x ( s ) D ( s ) (2) Y(s) = \frac{{M(s)}}{{D(s)}}X(s) + \frac{{{M_{hy}}(s) - {M_{hx}}(s)}}{{D(s)}}\tag2 Y(s)=D(s)M(s)X(s)+D(s)Mhy(s)Mhx(s)(2)
其中,
D ( s ) = a n s n + a n − 1 s n − 1 + ⋯ + a 1 s + a 0 , D(s) = {a_n}{s^n} + {a_{n - 1}}{s^{n - 1}} + \cdots + {a_1}s + {a_0}, D(s)=ansn+an1sn1++a1s+a0,
M ( s ) = b m s m + b m − 1 s m − 1 + ⋯ + b 1 s + b 0 , M(s) = {b_m}{s^m} + {b_{m - 1}}{s^{m - 1}} + \cdots + {b_1}s + {b_0}, M(s)=bmsm+bm1sm1++b1s+b0,

M h y ( s ) = a n y ( 0 ) s n − 1 + [ a n y ′ ( 0 ) + a n − 1 y ( 0 ) ] s n − 2 + [ a n y ′ ′ ( 0 ) + a n − 1 y ′ ( 0 ) + a n − 2 y ( 0 ) ] s n − 3 + ⋯ + [ a n y ( n − 2 ) ( 0 ) + a n − 1 y ( n − 3 ) ( 0 ) + ⋯ + a 2 y ( 0 ) ] s + [ a n y ( n − 1 ) ( 0 ) + a n − 1 y ( n − 2 ) ( 0 ) + ⋯ + a 1 y ( 0 ) ] , {M_{hy}}(s) = {a_n}y(0){s^{n - 1}} + [{a_n}y'(0) + {a_{n - 1}}y(0)]{s^{n - 2}} + [{a_n}y''(0) + {a_{n - 1}}y'(0) + {a_{n - 2}}y(0)]{s^{n - 3}} + \cdots + [{a_n}{y^{(n - 2)}}(0) + {a_{n - 1}}{y^{(n - 3)}}(0) + \cdots + {a_2}y(0)]s + [{a_n}{y^{(n - 1)}}(0) + {a_{n - 1}}{y^{(n - 2)}}(0) + \cdots + {a_1}y(0)], Mhy(s)=any(0)sn1+[any(0)+an1y(0)]sn2+[any′′(0)+an1y(0)+an2y(0)]sn3++[any(n2)(0)+an1y(n3)(0)++a2y(0)]s+[any(n1)(0)+an1y(n2)(0)++a1y(0)],

M h x ( s ) = b m x ( 0 ) s m − 1 + [ b m x ′ ( 0 ) + b m − 1 x ( 0 ) ] s m − 2 + [ b m x ′ ′ ( 0 ) + b m − 1 x ′ ( 0 ) + b m − 2 x ( 0 ) ] s m − 3 + ⋯ + [ b m x ( m − 2 ) ( 0 ) + b m − 1 x ( m − 3 ) ( 0 ) + ⋯ + b 2 x ( 0 ) ] s + [ b m x ( m − 1 ) ( 0 ) + b m − 1 x ( n − 2 ) ( 0 ) + ⋯ + b 1 x ( 0 ) ] , {M_{hx}}(s) = {b_m}x(0){s^{m - 1}} + [{b_m}x'(0) + {b_{m - 1}}x(0)]{s^{m - 2}} + [{b_m}x''(0) + {b_{m - 1}}x'(0) + {b_{m - 2}}x(0)]{s^{m - 3}} + \cdots + [{b_m}{x^{(m - 2)}}(0) + {b_{m - 1}}{x^{(m - 3)}}(0) + \cdots + {b_2}x(0)]s + [{b_m}{x^{(m - 1)}}(0) + {b_{m - 1}}{x^{(n - 2)}}(0) + \cdots + {b_1}x(0)], Mhx(s)=bmx(0)sm1+[bmx(0)+bm1x(0)]sm2+[bmx′′(0)+bm1x(0)+bm2x(0)]sm3++[bmx(m2)(0)+bm1x(m3)(0)++b2x(0)]s+[bmx(m1)(0)+bm1x(n2)(0)++b1x(0)],

若令 G ( s ) = M ( s ) G ( s ) G(s) = \frac{{M(s)}}{{G(s)}} G(s)=G(s)M(s) G h ( s ) = M h y ( s ) − M h x ( s ) D ( s ) {G_h}(s) = \frac{{{M_{hy}}(s) - {M_{hx}}(s)}}{{D(s)}} Gh(s)=D(s)Mhy(s)Mhx(s),则式(2)可写为:
Y ( s ) = G ( s ) X ( s ) + G h ( s ) (3) Y(s) = G(s)X(s) + {G_h}(s)\tag3 Y(s)=G(s)X(s)+Gh(s)(3)

式子中:
G ( s ) = b m s m + b m − 1 s m − 1 + ⋯ + b 1 s + b 0 a n s n + a n − 1 s n − 1 + ⋯ + a 1 s + a 0 (4) G(s) = \frac{{{b_m}{s^m} + {b_{m - 1}}{s^{m - 1}} + \cdots + {b_1}s + {b_0}}}{{{a_n}{s^n} + {a_{n - 1}}{s^{n - 1}} + \cdots + {a_1}s + {a_0}}}\tag4 G(s)=ansn+an1sn1++a1s+a0bmsm+bm1sm1++b1s+b0(4)
我们称 G ( s ) G(s) G(s)为系统的传递函数。它表达了系统本身的特性,而与激励及系统的初始状态无关。
但是 G h ( s ) G_{h}(s) Gh(s)则由激励和系统本身的初值条件所决定。若这些初始条件全为0,即 G h ( s ) G_{h}(s) Gh(s)=0时,式子(3)可写成:
Y ( s ) = G ( s ) X ( s ) 或 G ( s ) = Y ( s ) X ( s ) (5) \begin{array}{l}Y(s) = G(s)X(s) 或 G(s) = \frac{{Y(s)}}{{X(s)}}\end{array}\tag5 Y(s)=G(s)X(s)G(s)=X(s)Y(s)(5)

式子(5)表明,在零初值条件下,系统的传递函数等于其响应的Laplace变换与其激励的Laplace变换之比。

因此,当我们知道系统的传递函数后,就可以由系统的激励按照式子(3)或式子(5)求出其响应的拉普拉斯变换 Y ( s ) Y(s) Y(s),再通过求逆变换可得其响应 y ( t ) y(t) y(t)

系统的激励 x ( t ) x(t) x(t),系统的响应 y ( t ) y(t) y(t),以及它们的拉普拉斯变换 X ( s ) X(s) X(s), Y ( s ) Y(s) Y(s)和传递函数的关系如图1所示。

图1 系统激励、响应以及传递函数之间的关系
图1 系统激励、响应以及传递函数之间的关系

需要说明的是,传递函数不表明系统的物理性质。许多性质不同的物理系统,可以有相同的传递函数。而传递函数不同的物理系统,即使系统的激励相同,其响应也是不相同的,因此,对传递函数的分析和研究,就能统一处理各种物理性质不同的额线性系统。
简而言之,通过对系统微分方程进行拉普拉斯变换,推导出了系统的传递函数 G ( s ) G(s) G(s)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/146881.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

k8s上Pod生命周期、重启策略、容器探测简介

目录 一.Pod的创建过程 二.Pod的终止过程 三.Pod的重启策略(restartPolicy) 1.Always 2.OnFailture 3.Never 4.示例 四.Pod生命周期内的5种状态(相位) 1.Pending 2.Running 3.Succeeded 4.Failed 5.Unknown 五.初始…

Pytorch reshape用法

这里-1是指未设定行数,程序自动计算,所以这里-1表示任一正整数 example reshape(-1, 1) 表示(任意行,1列),4行4列变为16行1列reshape(1, -1) 表示(1行,任意列)&#xf…

微内核操作系统

微内核操作系统 采用微内核结构的操作系统与传统的操作系统相比,其优点是提高了系统的灵活性、可扩充性,增强了系统的可靠性,提供了对分布式系统的支持。其原因如下: ① 灵活性和可扩展性:由于微内核OS的许多功能是由…

SpringCache

1、基本信息 Spring缓存方案:JDK内置的缓存(ConcurrentHashMap)、第三方缓存组件(Caffeine)、分布式的缓存实现(Memcahed、Redis)。 ConcurrentHashMap是JUC之中提供最为重要的技术实现。SpringCache之中为了便于缓存结构的管理,在“org.s…

flutter TabBar指示器

第一层tabView import package:jade/configs/PathConfig.dart; import package:jade/customWidget/MyCustomIndicator.dart; importpackage:jade/homePage/promotion/promotionPost/MyPromotionListMainDesc.dart; import package:jade/homePage/promotion/promotionPost/MyPr…

C++入门(1)—命名空间、缺省参数

目录 一、什么是C 1、C关键字(C98) 2、C兼容C 二、C程序预处理指令 三、命名空间 1、命名冲突 第一种: 第二种: 2、域作用限定符 3、实现命名空间 4、命名空间冲突 5、访问命名空间 6、命名空间“std” 四、输入输出 1、定义 2、自动识…

生活总是自己的,请尽情打扮,尽情可爱,,

同色系拼接羽绒服了解一下 穿上时尚感一下子就突显出来了 90白鸭绒填充,不仅时尚还保暖 设计感满满的羽绒服不考虑一下吗?

腾讯云服务器租用价格,腾讯云服务器价格流量怎么算?

首先,让我们来看看腾讯云服务器租用价格。根据您的需求不同,腾讯云提供了多种不同的配置选项,从轻量级应用服务器到高性能的GPU服务器,都可以满足您的需求。以下是一些常见的腾讯云服务器租用价格: 一、腾讯云服务器租…

探讨MySQL存储过程返回记录集

探讨MySQL存储过程返回记录集 1.问题描述 通过存储过程计算统计后,返回程序一个记录集。如果使用表,把记录集保存在过渡表中,在多用户访问的时候,表的数据可能不可控。 使用MySQL 的临时内存表,可以实现在独立会话之…

Mysql-复合查询

实际开发中往往数据来自不同的表,所以需要多表查询。 1.笛卡尔积 通俗来讲就是两个表的每一列都组合一遍,也就是穷举法。 穷举出来的数据表会有大量重复数据,而我们只需要加上一些限定条件就可以完成有效数据的筛选。 select EMP.ename, EM…

解决:虚拟机远程连接失败

问题 使用FinalShell远程连接虚拟机的时候连接不上 发现 虚拟机用的VMware,Linux发行版是CentOs 7,发现在虚拟机中使用ping www.baidu.com是成功的,但是使用FinalShell远程连接不上虚拟机,本地网络也ping不通虚拟机&#xff0c…

STM32 I2C详解

STM32 I2C详解 I2C简介 I2C(Inter IC Bus)是由Philips公司开发的一种通用数据总线 两根通信线: SCL(Serial Clock)串行时钟线,使用同步的时序,降低对硬件的依赖,同时同步的时序稳定…

Rust7.2 More About Cargo and Crates.io

Rust学习笔记 Rust编程语言入门教程课程笔记 参考教材: The Rust Programming Language (by Steve Klabnik and Carol Nichols, with contributions from the Rust Community) Lecture 14: More About Cargo and Crates.io main.rs //Customizing Builds with Release Pro…

Pandas数据分析开发实战博文集锦

本文为最近年来使用Pandas进行数据分析的实践笔记集锦,为了便于博主与爱好者查找相关内容,以及学习、应用过程,进行了初步简单梳理。内容包括:数据分析处理、可视化分析、数据库相关(ClickHouse、MongoDB、CSV、MySQL、…

力扣刷题第二十五天--二叉树

前言 二叉树的第一天,掌握前序中序后序遍历,及对应的递归迭代,morris写法。难度一个比一个高是吧。。。 内容 一、二叉树的前序遍历 144.二叉树的前序遍历 给你二叉树的根节点 root ,返回它节点值的 前序 遍历。 递归 每次…

TensorFlow C++编译及推理

TensorFlow环境配置: Tensorflow c源码编译(踩坑版) tensorflow C服务开发指南 预测推理代码: C运行TensorFlow模型

【UE5】显示或隐藏物体轮廓线

效果 步骤 1. 先下载所需的材质文件“M_Highlight.uasset” 材质下载链接: 链接:https://pan.baidu.com/s/1rxmRhkUoXVq6-DkIKyBhAQ 提取码:55bv 2. 在视口中拖入后期处理体积 根据需求设置后期处理体积的大小或者直接设置无限范围&…

python爬取网站数据,作为后端数据

一. 内容简介 python爬取网站数据,作为后端数据 二. 软件环境 2.1vsCode 2.2Anaconda version: conda 22.9.0 2.3代码 链接: 三.主要流程 3.1 通过urllib请求网站 里面用的所有的包 ! pip install lxml ! pip install selenium ! pip install…

德迅云安全带您了解什么是虚拟内存 - 103.88.35.X

虚拟内存是一种内存管理技术,可以像主内存的一部分一样使用辅助内存。虚拟内存是计算机操作系统 (OS) 中使用的常用技术。 虚拟内存是用硬盘空间做内存来弥补计算机RAM空间的缺乏。当实际RAM满时(实际上,在RAM满之前),…

【Linux】U盘安装的cfg引导文件配置

isolinux.cfg文件 default vesamenu.c32 timeout 600display boot.msg# Clear the screen when exiting the menu, instead of leaving the menu displayed. # For vesamenu, this means the graphical background is still displayed without # the menu itself for as long …