主要内容

汇集

将模型从连续时间转换为离散时间

折叠所有页面

语法

sysd =汇集(sysc Ts)
sysd=c2d（sysc，Ts，方法）
sysd=c2d（sysc、Ts、opts）
(sysd G) =汇集(___)

描述

实例

sysd=c2d(sysc,Ts)离散化连续时间动态系统模型sysc对输入和采样时间使用零阶保持Ts.

实例

sysd=c2d(sysc,Ts,方法)指定离散化方法。

实例

sysd=c2d(sysc,Ts,选择)指定离散化的其他选项。

[sysd,G]=c2d(___),在那里sysc是一个状态空间模型，返回一个矩阵，G它映射了连续的初始条件x0和U0状态空间模型对离散时间初始状态向量的改进x[0].

例子

全部崩溃

打开实时脚本

将以下连续时间传递函数离散化:

H ( s ) = E - 0 . 3. s s - 1. s 2. + 4. s + 5. .

该系统的输入延迟为0.3秒。使用三角形（一阶保持）近似和采样时间离散系统Ts=0.1秒。

H = tf([1 -1]，[1 4 5]，“InputDelay”，0.3）；Hd=c2d（H，0.1，“福”);

比较了连续时间和离散时间系统的阶跃响应。

步骤(H,'-'高清,'--')

图中包含一个轴对象。轴对象包含两个类型为line的对象。这些物体代表H, Hd。

打开实时脚本

离散以下延迟传递函数使用零阶保持输入，和一个10-Hz的采样率。

H ( s ) = E - 0 . 2. 5. s 1. 0 s 2. + 3. s + 1. 0 . 

h=tf（10，[1,3,10]，“IODelay”, 0.25);高清=汇集(h, 0.1)
高清z ^ 2 = 0.01187 + 0.06408 + 0.009721 z ^ (3 ) * ---------------------------------- z z ^ 2 - 1.655 + 0.7408样品时间:0.1秒的离散传递函数。

在这个例子中，离散模型高清有三个采样周期的延迟。离散化算法将剩余的半周期延迟吸收到系数中高清.

比较连续时间模型和离散模型的阶跃响应。

步骤(h,'--'高清,'-')

图中包含一个轴对象。轴对象包含两个类型为line的对象。这些对象代表h hd。

打开实时脚本

创建一个具有两个状态和一个输入延迟的连续时间状态空间模型。

sys = ss (tf ([1,2], [1 4 2]));sys。InputDelay = 2.7
sys=A=x1-x2-x1-4-2 x2 10 B=u1 x1 2 x2 0 C=x1 x2 y1 0.5 1 D=u1 y1 0输入延迟（秒）：2.7连续时间-状态空间模型。

使用Tustin离散化方法对模型进行离散化，并使用Thiran滤波器对分数阶延迟建模。样品时间Ts= 1秒。

opt=c2掺杂(“方法”,“塔斯汀”,“FractDelayApproxOrder”3);sysd1 =汇集(sys, 1,选择)
sysd1=A=x1 x2 x3 x4 x5 x1-0.4286-0.00265-0.06954 2.286 x2 0.2857 0.7143-0.001325 0.03477 1.143 x3 0-0.2432 0.1449-0.1153 x4 0 0.25 0 X50 0.125 0 B=u1 x1 0.002058 x2 0.001029 x3 8 x4 0 X50 Y10 C=x1 x2 x3 x3 x4 x4 x5 Y10.2857 0.710.7143-0.031 0.037状态空间：0.019秒德尔。

离散模型现在包含了另外三种状态x3,x4和x5对应于三阶Thiran滤波器。由于时间延迟除以样本时间为2.7，三阶Thiran滤波器(“FractDelayApproxOrder”= 3)可以近似整个时延。

这个示例使用:

打开实时脚本

估计一个连续时间传递函数，并将其离散化。

负载iddata1sys1c =特遣部队(z1, 2);sys1d =汇集(sys1c, 0.1,“佐伊”);

估计二阶离散时间传递函数。

sys2d=tfest（z1,2，“t”,0.1);

比较离散连续时间传递函数模型的响应，sys1d，以及直接估计的离散时间模型，sys2d.

比较(z1, sys1d sys2d)

图中包含一个轴对象。轴对象包含3个类型为line的对象。这些对象代表z1 (y1)， sys1d: 70.77%， sys2d: 69.3%。

这两个系统几乎完全相同。

这个示例使用:

打开实时脚本

将已识别的状态空间模型离散化，以建立其响应的一步超前预测。

使用估计数据创建连续时间识别的状态空间模型。

负载iddata2sysc = ss (z2, 4);

提前一步预测预测的反应sysc.

预测（sysc，z2）

图中包含一个Axis对象。Axis对象包含一个line类型的对象。这些对象表示z2（y1），sysc。

将模型离散化。

sysd =汇集(sysc, 0.1,“佐伊”);

根据离散化模型建立预测模型，sysd.

[A，B，C，D，K]=idssdata（sysd）；预测器=ss（A-K*C[kb-K*D]，C[0d]，0.1）；

预测是一个使用测量输出和输入信号的双输入模型吗([z1。y z1.u])计算的一步预测响应sysc.

模拟预测模型，以获得与预测模型相同的响应预测命令。

lsim（预测器[z2.y，z2.u]）

图中包含一个轴对象。轴对象包含3个line类型的对象。这些对象表示驱动输入、预测器。

对预测模型进行了仿真，得到了与模型相同的响应预测（sysc，z2）.

输入参数

全部崩溃

连续时间模型，指定为动态系统模型例如特遣部队,党卫军,或zpk.sysc不能是频率响应数据模型。sysc可以是SISO或MIMO系统，但“匹配”离散化方法仅支持SISO系统。万博1manbetx

sysc可以有输入/输出或内部时间延迟;然而,“匹配”,“冲动”和“最小二乘法”方法不支持具有内部时间延迟的状万博1manbetx态空间模型。

下列已识别的线性系统不能直接离散：

  • idgrey模特儿FunctionType是“c”.皈依智能决策支持系统先做模型。

  • idproc模型。转换为idtf或idpoly先做模型。

采样时间，指定为一个正标量，表示由此产生的离散时间系统的采样周期。Ts是在TimeUnit，也就是sysc。TimeUnit所有物

离散化方法，指定为以下值之一:

  • “佐伊”-零阶保持（默认）。假设控制输入在采样时间内是分段常数Ts.

  • “福”-三角形逼近(修正的一阶保持)。假设控制输入在样本时间内是分段线性的Ts.

  • “冲动”-脉冲不变离散化

  • “塔斯汀”-双线性(Tustin)方法。用频率预翘曲(以前称为“预扭曲”方法），使用PrewarpFrequency选择c2掺杂.

  • “匹配”-零极匹配法

  • “最小二乘法”——最小二乘法

  • “阻尼”-阻尼Tustin近似基于TRBDF2仅适用于稀疏模型的公式。

有关每个转换方法的算法的信息，请参见连续-离散转换方法.

离散化选项，指定为c2掺杂对象例如，指定预扭曲频率、Thiran滤波器的顺序或离散化方法作为选项。

输出参数

全部崩溃

离散时间模型，返回为与输入系统类型相同的动态系统模型sysc.

当sysc是已识别(IDLTI)模型，sysd:

  • 包括测量和噪声成分sysc.创新差异λ连续时间辨识模型sysc，贮存于NoiseVariance性质，被解释为噪声谱的谱密度的强度。的噪声方差sysd因此,λ/Ts.

  • 不包括的估计参数协方差sysc。如果要在离散模型时转换协方差，请使用translatecov.

连续时间初始条件的映射x0和U0状态空间模型sysc对于离散时间初始状态向量x［0］，以矩阵形式返回。初始条件到初始状态向量的映射如下:

x [ 0 ] = G ⋅ [ x 0 U 0 ]

对于具有时滞的状态空间模型，汇集垫矩阵G用零来表示离散这些延迟所引入的额外状态。看到连续-离散转换方法讨论离散化系统中的时滞建模。

另见

||||（系统识别工具箱）|

话题

在R2006a之前引入

控制系统工具箱文档

万博1manbetx

了解如何自动调整PID控制器增益

了解如何自动调整PID控制器增益

下载代码示例