上篇聊了反馈控制的基本原理，讲了闭环为什么比开环好。但在你设计任何控制器之前，有一件事必须先做——给你的被控对象建一个数学模型。

说白了，你得先搞清楚"你要控制的东西到底是怎么动的"，才能设计控制器让它按你的意愿动。

系统建模这件事，很多教科书讲得特别枯燥——一上来就是拉格朗日方程、哈密顿原理。今天我们换个思路，从最直观的物理系统出发，一步步把数学模型推出来，让你理解建模到底在干嘛，面试的时候能讲清楚。

为什么要建模

你可能觉得建模是多此一举——我直接调PID不就行了？

讲真，不调模型直接调PID确实能跑，但效果往往不好。为什么？因为你不知道你的系统响应有多快、惯量有多大、阻尼是多少。你调参数全靠试，试到一组能用的参数可能要花几个小时甚至几天。

如果你有一个靠谱的模型，你可以先用仿真确定一组初始参数，然后在实际系统上微调。这个流程比盲调快得多。

之前做一个机械臂关节的控制，同事直接上PID盲调，搞了两天还是震荡。我花了一个下午测了关节的转动惯量和摩擦系数，建了一个简单的二阶模型，在仿真里算了一组参数，上去之后十分钟就调好了。建模不是浪费时间，是省时间。

从牛顿定律到微分方程

建模的第一步，是列物理方程。对于机械系统，最基础的工具就是牛顿第二定律：F=ma。

拿一个简单的弹簧-质量-阻尼系统来说。一个质量块m，连着一个弹簧（弹性系数k），连着一个阻尼器（阻尼系数b），你施加一个外力F(t)。

根据牛顿第二定律，对质量块列力平衡方程：

m*a = F(t) - k*x - b*v

其中a是加速度，v是速度，x是位移。把a写成x的二阶导数，v写成x的一阶导数：

# 弹簧-质量-阻尼系统的微分方程
# m*x'' + b*x' + k*x = F(t)
# 这就是一个二阶线性常微分方程

import numpy as np
from scipy.integrate import solve_ivp
import matplotlib.pyplot as plt

m = 1.0   # 质量 (kg)
b = 0.5   # 阻尼系数 (N·s/m)
k = 2.0   # 弹簧系数 (N/m)

def mass_spring_damper(t, y, F):
    """状态方程: y = [x, v]"""
    x, v = y
    dxdt = v
    dvdt = (F - b*v - k*x) / m
    return [dxdt, dvdt]

# 施加1N的阶跃力
sol = solve_ivp(mass_spring_damper, [0, 20], [0, 0],
                args=(1.0,), max_step=0.01)
print(f"稳态位移: {sol.y[0, -1]:.3f}m")

这个微分方程就是系统的数学模型。它描述了输入F(t)和输出x(t)之间的关系。有了这个方程，你就可以分析系统的特性——响应速度、超调量、稳态误差。

状态空间表示法

上面那个二阶微分方程，可以拆成两个一阶微分方程，写成矩阵形式。这就是状态空间表示法。

选状态变量x1=x（位移），x2=v（速度），则：

# 状态空间模型
# x1' = x2
# x2' = (-k/m)*x1 + (-b/m)*x2 + (1/m)*F

import numpy as np

m, b, k = 1.0, 0.5, 2.0

A = np.array([[0, 1],
              [-k/m, -b/m]])   # 系统矩阵
B = np.array([[0],
              [1/m]])           # 输入矩阵
C = np.array([[1, 0]])          # 输出矩阵（观测位移）
D = np.array([[0]])              # 直通矩阵

# 状态方程: dx/dt = Ax + Bu
# 输出方程: y = Cx + Du

# 仿真
x = np.array([0, 0])  # 初始状态
u = 1.0                # 输入力
dt = 0.01
for i in range(2000):
    x_dot = A @ x + B * u
    x = x + x_dot * dt

print(f"稳态状态: 位移={x[0]:.3f}m, 速度={x[1]:.3f}m/s")

状态空间表示法的好处是通用——任何阶数的微分方程都能转化为一阶矩阵方程，计算机处理矩阵运算非常高效。而且多输入多输出系统也能用同样的框架描述，只需要扩展矩阵的维度。

模型简化：别追求完美

实际工程中，一个重要的原则是：模型够用就行，别追求完美。

你建一个极其精确的模型，考虑了摩擦非线性、弹性变形、温度效应、齿轮间隙，结果模型本身复杂到你根本没法用它设计控制器。这种模型除了发论文，没啥实际用处。

工程建模的核心思路是"抓主要矛盾"。对于低频运动，高频的动态特性可以忽略。对于小范围运动，非线性可以线性化。对于耦合很弱的通道，可以解耦成独立的单变量系统。

比如一个机械臂，完整的动力学模型包含科里奥利力、离心力、重力项，非常复杂。但如果你只关心单个关节在小范围内的运动，可以把其他关节锁定，把这个关节简化成一个弹簧-质量-阻尼系统。这个简化模型虽然不完美，但足够你设计一个能用的控制器了。

记住一个原则：控制器设计用的模型不需要完美，但需要抓住系统的主要动态特性。什么叫"主要动态特性"？就是决定系统响应速度和稳定性的那些因素——惯量、阻尼、刚度。次要因素（比如微小的非线性摩擦）可以先忽略，等控制器跑起来了再补偿。

之前面试一家做四足机器人的公司，面试官问"你怎么给机器人的腿建模"。我说先用简化的单腿模型（一个二阶系统）来设计控制器，然后在完整的多体动力学模型上验证和微调。面试官点头说这就是他们实际的做法。

系统辨识：当物理建模太难的时候

有些系统你很难用物理定律直接建模——比如一个液压系统、一个化学反应过程、甚至一个复杂的电路。这时候可以用系统辨识的方法：给系统施加已知的输入信号，测量输出响应，然后用数学方法拟合出模型参数。

最常见的做法是施加一个阶跃信号，记录系统的阶跃响应曲线，然后从曲线的特征（上升时间、超调量、稳态值）反推出模型参数。这个方法在工业界用得非常多，后面讲PID调参的时候还会提到。

# 简单的系统辨识：从阶跃响应估计一阶系统参数
# 假设系统是一阶的: G(s) = K / (tau*s + 1)
# 从阶跃响应中可以估计K和tau

import numpy as np

# 假设测量的阶跃响应数据
t_data = np.array([0, 0.5, 1.0, 1.5, 2.0, 3.0, 5.0, 10.0])
y_data = np.array([0, 0.39, 0.63, 0.78, 0.86, 0.95, 0.99, 1.0])

# 稳态增益K = y_ss / u_step
K = y_data[-1] / 1.0  # 假设阶跃幅值为1

# 时间常数tau: y(tau) = 0.632 * y_ss
# 从数据中插值找到y=0.632对应的时间
tau = np.interp(0.632 * K, y_data, t_data)

print(f"估计增益K={K:.2f}, 时间常数tau={tau:.2f}s")

面试的时候，如果面试官问"你怎么给一个未知系统建模"，你可以说两条路：一是物理建模，从牛顿定律或基尔霍夫定律出发列方程；二是系统辨识，从输入输出数据拟合模型。两条路各有适用场景，实际工程中经常结合使用。

分享一个我在项目中做系统建模的经验。当时给一台差速移动机器人建运动学模型，一开始用理想差速运动学（两个轮子纯滚动无滑动），模型很简单但预测精度不够——机器人走直线时预测轨迹和实际轨迹偏差越来越大。排查后发现主要原因是轮子有轻微打滑，尤其是转弯时内侧轮会滑动。我们在理想模型基础上加了一个滑动补偿系数——通过实验测量不同转弯半径下的实际位移和理论位移的比值，拟合出一个补偿函数。加上补偿后，轨迹预测精度提升了约40%。这个经验告诉我，建模不能追求完美——先用简单模型跑起来，再根据实际数据逐步添加修正项，这种渐进式的建模方法在工程中最实用，面试时候讲出来也能体现你的工程思维。

下一篇讲传递函数——用拉普拉斯变换把微分方程变成代数方程，这是经典控制理论最核心的工具之一，也是面试中经常考到的知识点。

---

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列 上一篇：第177篇 反馈控制原理——闭环为什么比开环好 下一篇预告：第178篇 系统建模——从物理方程到数学模型

有任何问题欢迎评论区留言，我会尽量回复。