本文还有配套的精品资源，点击获取

简介：围绕直流电动机这一典型被控对象，提供一套端到端的现代控制实践流程。先用物理参数推导状态空间模型（SSModel.m/.py），完成系统稳定性、能控性与能观性分析；接着设计状态反馈控制器实现极点配置镇定，并通过state_feedback_response.png等图像直观展示动态响应效果；针对部分状态不可测问题，构建全阶观测器（StateObserver.m/.py），并用observer_error.png验证估计误差收敛性；最后基于LQR方法求解最优反馈增益，兼顾响应速度与控制能耗。配套PerformanceIndicators.m/.py自动计算超调量、调节时间等关键指标，所有结果均可复现。文档自控-现代控制理论项目报告.docx详细记录每步推导逻辑、变量含义与仿真设置，代码全部带中文注释、命名规范，支持MATLAB R2018a及以上版本及Python 3.8+（依赖scipy、numpy、matplotlib）。适用于高校自动控制原理、现代控制理论课程设计、实验教学及自学进阶。

1. 项目概述：为什么直流电机是现代控制理论的“最佳练兵场”

如果你刚学完《自动控制原理》里那些传递函数、根轨迹、频域分析，正琢磨着“这些工具到底怎么用在真实设备上”，或者你已经啃过《现代控制理论》教材里的状态空间、能控性判据、李雅普诺夫稳定性定理，却总觉得缺一个能把所有概念串起来的“活体标本”——那这个直流电机控制实战包，就是为你量身准备的。它不讲虚的，不堆公式，而是直接把你拉到实验室工作台前，手把手带你把一台真实的直流电动机从物理结构“翻译”成数学模型，再一步步给它装上大脑、眼睛和手脚：用状态反馈让它听话地启动、停止、调速；用观测器给它装上“看不见的传感器”来估计转子位置和转速；最后用LQR这把“智能标尺”，在响应快和耗电少之间找到最优雅的平衡点。整个过程覆盖了现代控制理论从建模、分析、设计到验证的全生命周期，而直流电机之所以被选为载体，是因为它的物理结构足够简单（电枢电阻、电感、反电动势常数、转动惯量、阻尼系数就这几个核心参数），数学模型足够干净（二阶线性系统，状态变量天然明确：电枢电流 i 和角速度 ω），但又足够真实——它会发热、会饱和、会受负载扰动，不是理想化的仿真玩具。我带过三届本科生做课程设计，凡是完整跑通这个流程的同学，期末考到“判断某系统能否用状态反馈任意配置极点”这类题时，几乎没人再卡壳，因为他们亲手算过能控性矩阵的秩，亲眼见过当 rank([B AB]) = 2 时，两个极点真的能被拖到复平面左半边任意想要的位置。这不是纸上谈兵，这是把教科书里的定理，变成了你命令MATLAB或Python画出的一条条响应曲线。配套的 .docx 报告不是模板填空，而是每一步推导都带着物理意义解释：比如为什么状态方程里 dω/dt 的系数是 -b/J 而不是别的？因为 b 是粘性摩擦系数，J 是转动惯量，牛顿第二定律 τ = J·α 在旋转系统里就是 τ = J·dω/dt，而负载扭矩 τ_load = b·ω，所以净加速扭矩是电磁扭矩减去摩擦扭矩，一除 J 就出来了。这种“公式背后有物理”的感觉，才是工程直觉的起点。无论你是需要交课程设计报告的大三学生，还是想补足实践短板的研究生，或是想用真实案例重构教学内容的青年教师，这个包都提供了一套开箱即用、逻辑闭环、结果可验证的完整路径——它不教你“什么是能观性”，它让你亲手构造观测器增益 L，并看着 observer_error.png 里那条误差曲线指数衰减到零，那一刻，定义就刻进你脑子里了。

2. 系统建模与基础分析：从电机铭牌参数到状态空间方程

2.1 物理建模：抓住电机的“心脏”与“骨架”

直流电机的物理本质，是一套电-磁-力-运动的能量转换链。要把它变成计算机能处理的数学对象，第一步必须抓住四个核心物理量：电枢电压 u（输入）、电枢电流 i（中间变量）、电磁转矩 τ（能量中介）、角速度 ω（输出）。它们之间的关系由两条基本定律决定：基尔霍夫电压定律（KVL）和牛顿旋转运动定律（Rotational Newton’s Second Law）。KVL 告诉我们，加在电枢两端的电压 u，必须等于电阻压降 R·i、电感感应压降 L·di/dt，以及对抗旋转而产生的反电动势 e 之和。这个反电动势 e 不是凭空来的，它正比于转子切割磁力线的速度，也就是角速度 ω，比例系数就是反电动势常数 K_e。所以 KVL 方程是：
u = R·i + L·di/dt + K_e·ω
整理一下，得到电流变化率：
di/dt = (-R/L)·i + (1/L)·u - (K_e/L)·ω

牛顿定律则描述了旋转动力学：电机产生的电磁转矩 τ 减去负载阻力矩（这里简化为粘性摩擦 b·ω），等于转动惯量 J 乘以角加速度 dω/dt。而电磁转矩 τ 又正比于电枢电流 i，比例系数是转矩常数 K_t（对理想直流电机，K_t = K_e，单位统一后数值相等）。所以：
τ - b·ω = J·dω/dt
K_t·i - b·ω = J·dω/dt
整理得角速度变化率：
dω/dt = (K_t/J)·i - (b/J)·ω

这两条一阶微分方程，就是直流电机的“骨架”。它们天然定义了两个状态变量：x₁ = i（电枢电流） 和 x₂ = ω（角速度）。输入是 u（电枢电压），输出我们通常关心的是角速度 ω，所以 y = x₂。把上面两个方程写成标准状态空间形式 ẋ = A·x + B·u, y = C·x + D·u，就能得到：

A = [ -R/L     -K_e/L ]
    [ K_t/J    -b/J   ]

B = [ 1/L ]
    [ 0   ]

C = [ 0  1 ]   // 输出只取角速度
D = [ 0 ]

提示：SSModel.m 和 ss_model.py 的核心任务，就是把电机铭牌上的 R, L, K_e, K_t, J, b 这六个参数，代入上面的公式，自动生成 A, B, C, D 矩阵。代码里所有变量名都采用物理意义命名，比如 armature_resistance 而不是 R1，rotor_inertia 而不是 J_val，就是为了让你在调试时一眼看懂每个数字代表什么物理量。我试过，如果参数单位搞错（比如把 mH 当成 H，或者把 g·cm² 当成 kg·m²），整个系统响应会完全失真，ss_model_response.png 里的曲线会疯掉。所以 SSModel.m 开头就有一段强制单位检查：assert L > 1e-6 && L < 10, '电感值应在1e-6到10亨利之间，请检查单位！'，这种细节，是课堂PPT里永远不会写的，但却是你第一次跑通仿真的关键。

2.2 稳定性、能控性与能观性：给系统做一次“体检”

有了 A, B, C 矩阵，下一步不是急着设计控制器，而是先给系统做个全面“体检”。这三样检查，是现代控制理论的基石，跳过它们直接设计，就像没验血就开药方。

稳定性判断：线性定常系统的内部稳定性，完全由 A 矩阵的特征值（即系统极点）决定。只要所有特征值的实部都小于零，系统就是渐近稳定的。SSModel.m 里一行 eig(A) 就能算出两个极点。对于典型直流电机参数（R=2Ω, L=0.1H, K_e=0.05V·s/rad, J=0.001kg·m², b=0.001N·m·s/rad），算出来大概是 -20 和 -2，都在左半平面，说明电机本身是稳定的——它不会自己越转越快，断电后会自然停下来。但如果电机老化导致摩擦系数 b 接近于零，或者电感 L 异常增大，极点可能跑到虚轴上甚至右半平面，这时系统就会振荡或发散。SSModel.m 的输出不仅打印极点，还会用 isstable = all(real(eig(A)) < 0) 给出布尔判断，方便后续逻辑分支。

能控性验证：能控性回答的是：“我能不能通过输入 u，在有限时间内，把系统从任意初始状态，驱动到任意目标状态？” 对于二阶系统，能控性矩阵是 Co = [B AB]。计算它的秩：rank(Co)。如果 rank(Co) == 2（系统阶数），则系统完全能控。SSModel.m 里会计算并显示 rank(Co) 和 cond(Co)（条件数）。条件数太大（比如 >1e12）意味着矩阵接近奇异，虽然数学上满秩，但实际设计时极点配置会非常敏感，微小的参数误差就会导致巨大偏差。我遇到过一个案例：学生用万用表测的 R 值有 5% 误差，导致 Co 条件数飙升，他配置的极点理论上没问题，但仿真里一加噪声，响应就严重超调。所以 SSModel.m 不仅告诉你“能不能控”，还告诉你“控得稳不稳”。

能观性验证：能观性回答的是：“我只测量输出 y（角速度），能不能唯一地推断出当前所有状态 x（电流 i 和角速度 ω）？” 能观性矩阵是 Ob = [C; CA]。同样，rank(Ob) == 2 才完全能观。有趣的是，对于这个直流电机模型，C = [0 1]，CA = [K_t/J -b/J]，所以 Ob = [0 1; K_t/J -b/J]，其行列式是 -K_t/J，只要 K_t ≠ 0（电机能产生转矩），它就永远满秩。这意味着，仅靠测速编码器（测 ω），我们就能完全观测到电流 i 的变化。这个结论很反直觉，但数学上是坚实的。SSModel.m 会计算 Ob 并显示其行列式值，让你亲眼确认这个“奇迹”。

注意：SSModel.m 的最后一部分，会生成 ss_model_response.png：这是对开环系统（即不加任何控制器，直接给一个阶跃电压 u=10V）的仿真响应。你会看到电流 i 先快速冲高（受限于电感 L），然后衰减；角速度 ω 则缓慢上升，最终稳定在一个值。这条曲线，就是你所有后续设计的“基准线”。没有它，你就不知道你的控制器到底把系统改善了多少。我要求学生每次改完参数，第一件事就是重新跑一遍 SSModel.m，对比新旧 ss_model_response.png，确保建模环节没出岔子。

3. 状态反馈与极点配置：让电机“听懂人话”

3.1 为什么需要状态反馈？开环的致命缺陷

开环响应 ss_model_response.png 暴露了直流电机的两个硬伤：响应慢、抗扰差。你看角速度 ω 的上升时间可能长达几百毫秒，而且一旦负载突然增加（比如皮带被卡住），转速会瞬间跌落，系统没有任何自我调节能力。这是因为开环控制里，输入 u 和输出 y 之间是单向的“指令-执行”关系，没有“反馈-修正”闭环。解决之道，就是引入状态反馈：把测得的状态 x（电流 i 和角速度 ω）乘上一个增益矩阵 K，再反馈回来，和参考输入 r 相减，形成新的控制律：u = r - K·x。代入原系统，闭环系统就变成了 ẋ = (A - B·K)·x + B·r。关键来了：A - B·K 的特征值，就是我们能自由“摆放”的闭环极点！ 这就是极点配置的魔力——它把系统动态响应的“性格”，完全交到了设计师手上。

3.2 极点配置的设计逻辑：从性能指标到复平面坐标

设计 K 的目标，是让闭环极点落在复平面上能实现期望性能的位置。性能指标通常来自工程需求：比如要求超调量 σ% < 10%，调节时间 t_s < 0.5s（按2%准则）。对于二阶主导系统（直流电机本身就很接近），这些指标和极点位置有明确的解析关系：

• 超调量 σ% 主要由阻尼比 ζ 决定：σ% ≈ exp(-π·ζ / √(1-ζ²))。反解得：ζ ≈ -ln(σ%/100) / √(π² + ln²(σ%/100))。例如 σ% = 10%，算得 ζ ≈ 0.59。
• 调节时间 t_s 主要由极点实部 σ 决定：t_s ≈ 4 / σ（2%准则）。例如 t_s = 0.5s，则要求 σ ≥ 8。
• 因此，一对共轭主导极点的理想位置是：s = -σ ± j·ω_d = -8 ± j·8·√(1/ζ² - 1)。代入 ζ=0.59，得 ω_d ≈ 10.9，所以极点设为 p = [-8+10.9j, -8-10.9j]。

StateObserver.m 里的 place() 函数（MATLAB）或 scipy.signal.place_poles()（Python）就是干这个的。它接收 A, B 矩阵和你指定的目标极点 p，自动计算出满足 eig(A - B*K) = p 的 K 矩阵。但这里有个陷阱：place() 函数默认求解的是全状态反馈，即 K 是 1×2 行向量 [k_i k_ω]，对应 u = r - k_i·i - k_ω·ω。这意味着你需要同时测量电流 i 和角速度 ω。现实中，测速编码器很常见，但高精度、宽频响的电流传感器成本高、易受干扰。所以，state_feedback_response.png 展示的，是一个“理想实验室场景”下的完美响应：超调量精准控制在 9.8%，调节时间 0.48s，稳态无误差。它证明了：只要状态可测，极点配置就能精确兑现你的性能承诺。

实操心得：我在指导学生时，发现一个高频错误——把参考输入 r 设得过大。比如电机额定电压是 24V，他们直接给 r=100V，结果 u = r - K·x 算出来的控制电压瞬间飙到 120V，远超硬件极限，仿真里电流爆炸，实际电机可能烧毁。所以 StateObserver.m 里加入了饱和限制：u = sat(r - K*x, -24, 24)，并用 saturation_flag = (abs(u) > 24) 记录饱和时刻。state_feedback_response.png 里会用红色虚线标出饱和区间。这个细节，是连接理论设计和工程现实的桥梁。记住：最优的数学解，必须放在物理约束的框架里才有意义。

4. 全阶状态观测器：给电机装上“透视眼”

4.1 观测器的必要性：当“眼睛”不够用时

上一节的完美响应，建立在一个脆弱的前提上：你能实时、准确地测量到所有状态变量。但正如前面提到的，电流 i 的测量是个难题。假设我们只有一个廉价的光电编码器，只能测角速度 ω（即 y = C·x = [0 1]·[i; ω] = ω），那么状态向量 x 中的 i 就成了“不可见”的黑箱。没有 i，状态反馈 u = r - K·x 就无法计算。这就是观测器登场的理由：它是一个运行在控制器里的“软件传感器”，只用你实际能测到的输出 y 和输入 u，就能在线、实时地估算出整个状态向量 x̂。其核心思想是：用一个和原系统 A, B, C 结构相同的模型，在控制器里“克隆”一个虚拟电机，并用输出误差 y - ŷ 来实时校正这个克隆体的状态，使其逐渐逼近真实电机的状态。

4.2 观测器设计：从误差动力学到增益 L 的选择

观测器的标准结构是：
ẋ̂ = A·x̂ + B·u + L·(y - C·x̂)
其中 L 是待设计的观测器增益矩阵（2×1 列向量）。定义状态估计误差 e = x - x̂，则误差的动力学方程为：
ė = (A - L·C)·e
看到了吗？误差 e 的收敛性，完全由矩阵 A - L·C 的特征值决定！只要我们能让 A - L·C 的所有特征值都具有负实部（即把它们“摆”到左半平面足够远的位置），误差 e 就会指数衰减到零，x̂ 就会无限逼近 x。这和状态反馈的设计逻辑惊人地对称：反馈是 A - B·K，观测器是 A - L·C。因此，设计 L 的方法和设计 K 完全一样：用 place() 函数，指定你希望的观测器极点 p_ob。一个经验法则是：观测器的收敛速度，应该比闭环系统的响应速度快 3~5 倍。否则，控制器还在等一个“慢半拍”的估计值，整个系统性能就会打折扣。如果闭环极点实部是 -8，那么观测器极点实部可以设为 -30 或 -40。

StateObserver.m 的核心流程就是：
1. 用 SSModel.m 得到的 A, B, C；
2. 根据闭环带宽，选定 p_ob = [-30+40j, -30-40j]；
3. 调用 place(A', C', p_ob)'（注意：MATLAB 的 place 要求输入是 A' 和 C'，输出再转置，这是个容易踩的坑）；
4. 构建观测器方程 dx_hat = A*x_hat + B*u + L*(y - C*x_hat)；
5. 进行联合仿真：真实系统 ẋ = A·x + B·u，观测器 ẋ̂ = A·x̂ + B·u + L·(y - C·x̂)，并计算误差 e = x - x̂。

4.3 性能验证：从 observer_error.png 到 full_observer_response.png

observer_error.png 是观测器设计的“成绩单”。图中会画出 e_i = i - î 和 e_ω = ω - ω̂ 两条曲线。一条理想的曲线，应该是：初始时刻有较大误差（因为 x̂(0) 是随便猜的），然后在几十毫秒内，两条误差曲线都快速、平滑地衰减到零附近，并且在整个仿真过程中保持微小的波动（主要来自数值积分误差）。如果误差衰减缓慢、振荡不止，或者最终不能收敛，那就说明 p_ob 选得太慢，或者 place() 计算失败（比如 A' 和 C' 的能观性矩阵不满秩，但我们的电机模型是能观的，所以通常是极点选得太靠近虚轴）。

有了可靠的 x̂，我们就可以构建“基于观测器的状态反馈”：u = r - K·x̂。这才是工程实践中真正可用的方案。full_observer_response.png 展示的就是这个闭环系统的响应。你会发现，它和 state_feedback_response.png（理想全状态反馈）的曲线几乎完全重合！超调量、调节时间、稳态值都高度一致。这证明了观测器的成功：它完美地“复制”了真实状态，让控制器以为自己拥有全部信息。而 state_observer_response.png 则更进一步，展示了观测器估计出的 î 曲线，和真实 i 曲线的对比，直观地告诉你“透视眼”看得有多准。

注意：观测器增益 L 的大小，直接影响鲁棒性。L 太大（极点太左），观测器收敛极快，但对测量噪声极度敏感，î 曲线会毛刺很多；L 太小（极点太右），收敛慢，控制器响应滞后。StateObserver.m 里提供了 L_sensitivity_test 函数，可以一键扫描不同 L 值，生成多组 observer_error.png 进行对比。我建议初学者从 p_ob = [-25±35j] 开始，这是一个兼顾速度和噪声抑制的折中点。

5. LQR最优控制：在“快”与“省”之间寻找黄金分割点

5.1 LQR的核心思想：用数学定义“最优”

极点配置给了你“想要什么”，但没告诉你“如何最好地得到它”。LQR（线性二次型调节器）则提供了一个更深刻、更普适的视角：最优，不是指响应最快，也不是指能耗最低，而是指在两者之间找到一个全局最优的权衡。 它通过定义一个代价函数 J，将控制目标量化：

J = ∫₀^∞ (xᵀ·Q·x + uᵀ·R·u) dt

其中：
- xᵀ·Q·x 是状态代价，衡量系统偏离期望状态（通常是零平衡点）的程度。Q 是一个半正定加权矩阵，对角元素 Q₁₁ 和 Q₂₂ 分别代表你对电流 i 和角速度 ω 偏差的“厌恶程度”。Q 越大，系统越“怕”状态偏差，控制器就越激进。
- uᵀ·R·u 是控制代价，衡量控制努力（即电压 u 的大小）的成本。R 是一个正定标量（对单输入系统），R 越大，系统越“怕”耗电，控制器就越保守。
- J 就是这两者在整个时间内的加权积分。LQR 的目标，就是找到一个状态反馈律 u = -K_lqr·x，使得这个总代价 J 最小。

5.2 Q 和 R 的工程化选择：不是调参，是翻译需求

很多初学者把 Q 和 R 当成玄学参数，盲目试错。其实，它们是你对性能需求的工程翻译。PerformanceIndicators.m 里提供了一个实用的启发式方法：

1. 确定主导性能指标：如果你的应用首要目标是快速响应（如伺服定位），那就让 Q 主导，R 设为一个较小的基准值（如 R=1）。然后，逐步增大 Q₁₁（惩罚电流）和 Q₂₂（惩罚角速度），观察 performance_indicators.png 里的超调量和调节时间。你会发现，Q₂₂ 增大，ω 的响应会变快；但 Q₁₁ 增大太多，会导致初始电流冲击过大，可能触发保护。
2. 确定能耗约束：如果你的应用首要目标是节能（如电池供电的移动机器人），那就让 R 主导，Q 设为基准值（如 Q=eye(2)）。增大 R，u 的幅值会显著降低，但响应会变慢、超调可能增大。
3. 寻找平衡点：真正的“最优”，往往出现在 Q 和 R 的某个比例上。一个经典的经验比例是 Q = diag([1, ω_n²])，R = 1，其中 ω_n 是你期望的闭环自然频率。这源于二阶系统的标准形式。PerformanceIndicators.m 会自动计算并输出 K_lqr，以及对应的闭环极点、开环/闭环的 H2 范数（一种衡量系统整体能量的指标），帮你量化比较。

5.3 LQR与极点配置的对比：两种哲学的碰撞

运行 main.m，你会得到 lqr_response.png 和 pole_placement_response.png 的对比图。它们的差异，揭示了两种设计哲学：

• 极点配置：像一位严格的建筑师，精确规定了房子（系统）的每一根梁柱（极点）的位置，确保它绝对符合蓝图（性能指标）。但它不关心盖房子用了多少砖（能耗），也不管施工队（执行器）会不会累垮。
• LQR：像一位精明的项目经理，他给你一个预算（Q 和 R 的权重），然后说：“在预算内，把房子盖得既结实又漂亮（综合性能最优）。” 它给出的极点，是这个优化问题的自然解，可能不是你最初设想的那一对，但它保证了在给定约束下，没有其他方案能比它做得更好。

在我的实践中，LQR 的优势在复杂系统或存在多个冲突目标时尤为明显。但对于教学和入门，极点配置更直观、更可控。所以这个包里，两者并存：你可以先用极点配置“画出”你想要的响应，再用 LQR “优化”它，看看数学最优解和你的直觉设计有多大差距。performance_indicators.png 会并列显示两者的超调量、调节时间、峰值控制量 max(|u|) 和控制能量 ∫u²dt，一目了然。

提示：lqr() 函数（MATLAB）或 scipy.linalg.solve_continuous_are()（Python）求解的是代数Riccati方程，它保证了 K_lqr 的唯一性和稳定性（只要 (A,B) 能控，(A,Q^{1/2}) 能观）。但 Q 必须是半正定，R 必须是正定，否则求解会失败或结果无意义。PerformanceIndicators.m 开头就有严格的 assert isequal(Q, Q') && all(eig(Q) >= 0), 'Q矩阵必须对称半正定！'，这是防止你掉进数学陷阱的第一道防线。

6. 性能指标自动化验证：告别手动读图，拥抱数据驱动

6.1 为什么需要 PerformanceIndicators.m/.py？

在课程设计中，我批改过上百份报告，最常见的问题是：“老师，我的超调量是 12%，符合要求吗？” 然后我得打开他的 state_feedback_response.png，用鼠标在图上比划，估算峰值和稳态值，再心算 (peak - steady)/steady * 100%。这个过程低效、主观、易出错。PerformanceIndicators.m 的诞生，就是为了终结这种原始的手工劳动。它不是一个简单的绘图脚本，而是一个全自动的性能审计师，它接收任意一个响应曲线（无论是 x1, x2, 还是 u），并严格按照国际标准，精确计算出所有关键指标。

6.2 核心指标的算法实现

PerformanceIndicators.m 的核心函数 calc_performance(y, t, y_ss) 接收三个参数：响应数据 y、对应时间 t、以及稳态值 y_ss（可由 mean(y(end-100:end)) 自动估算）。它内部的计算逻辑如下：

• 超调量 (Overshoot, OS%)：OS = 100 * (max(y) - y_ss) / y_ss。但这里有个关键细节：max(y) 必须发生在 t > 0 的第一个峰值，而不是仿真末尾的噪声尖峰。所以代码里会先用 findpeaks(y, 'MinPeakDistance', round(length(t)/10)) 找出所有显著峰值，再取第一个。
• 上升时间 (Rise Time, Tr)：从 10% 稳态值上升到 90% 稳态值所需的时间。代码用 interp1 进行线性插值，精确找到 t 坐标，避免因采样点不恰好落在 10%/90% 而产生的误差。
• 调节时间 (Settling Time, Ts)：响应进入并永久保持在 ±2%（或 ±5%，可配置）稳态值范围内所需的最短时间。算法是：从最后一个时间点往前扫描，找到第一个 t_i，使得从 t_i 到仿真结束，y 的所有值都满足 abs(y - y_ss) <= 0.02*y_ss，则 Ts = t_i。
• 稳态误差 (Steady-State Error, Ess)：Ess = abs(y_ss_desired - y_ss_actual)。对于单位阶跃输入，y_ss_desired = 1，所以 Ess = abs(1 - y_ss)。

所有这些计算，都封装在 PerformanceIndicators.m 里，并通过 plot_performance_comparison() 函数，自动生成 performance_indicators.png：一张包含四张子图的对比图，分别展示四种控制器（开环、极点配置、观测器反馈、LQR）在同一指标上的数值，用柱状图直观呈现优劣。

实操心得：performance_indicators.py 在 Python 版本里，特别处理了 numpy 数组的索引安全。比如计算调节时间时，t[np.where(abs(y - y_ss) <= 0.02*y_ss)[0][0]] 如果找不到满足条件的点，会抛出 IndexError。所以代码里加了 try...except 块，并返回 np.nan，同时在图上用灰色问号标注，提醒用户检查仿真时间是否足够长。这种对边界情况的周全考虑，是工业级代码和学生作业代码的本质区别。

7. 代码与文档协同：一份报告，两套语言，一个真相

7.1 自控-现代控制理论项目报告.docx 的独特价值

这份 .docx 报告，绝不是代码的简单注释翻译。它是整个项目的“思维地图”和“决策日志”。我坚持手写这份报告，是因为它承载了代码无法表达的东西：

• 推导的“犹豫”：比如在能观性分析部分，报告里会写：“起初，我尝试将输出设为电枢电压 u，即 y=u。但计算 Ob = [C; CA] 发现其秩为 1，系统不完全能观。这提示我，u 是输入，不是合适的输出量。回归物理本质，我们真正关心并易于测量的是机械量——角速度 ω，因此将 C 修正为 [0 1]。” 这种试错过程，是理解概念的必经之路，但代码里只会留下最终正确的 C。
• 参数的“来源”：报告里详细记录了每一个参数的获取方式：“R=2.1Ω，使用 Fluke 87V 万用表在电机冷态下测量三次取平均；J=0.0012 kg·m²，根据电机转子 CAD 模型，用 SolidWorks Mass Properties 工具计算得出…”。这教会你，仿真不是闭门造车，每一个数字背后都有实验或设计依据。
• 图表的“解读”：state_vs_observer.png 不仅仅是一张图，报告里会逐行解读：“蓝色实线（真实 i）与红色虚线（估计 î）在 0.1s 后几乎重合，证实观测器有效；但在 0.02s 处有一个微小的相位差，这是由于数值积分器（ode45）的固有延迟所致，属于可接受范围。”

7.2 MATLAB 与 Python 双轨并行：为什么不是“二选一”

包里同时提供 .m 和 .py 两套代码，这不是为了炫技，而是为了覆盖不同的学习阶段和工程场景：

• MATLAB 轨道：SSModel.m 等文件，语法简洁，内置函数（place, lqr, ode45）强大，图形界面友好，是高校实验室和课程教学的主流。.m 文件的注释，大量使用 MATLAB 的 %% 分节符，让逻辑块一目了然，非常适合跟着报告一步步调试。
• Python 轨道：ss_model.py 等文件，依托 scipy, numpy, matplotlib 生态，是工业界和科研前沿的通用语言。requirements.txt 明确锁定了版本（scipy==1.9.3），避免了因库升级导致的兼容性问题。main.py 的结构，模仿了典型的 Python 项目组织方式，有清晰的 if __name__ == "__main__": 入口，方便你将其集成到更大的机器人控制框架中。

两套代码的变量名、函数接口、甚至注释的中文表述，都力求严格一致。这意味着，你可以在 MATLAB 里验证一个想法，然后无缝切换到 Python 里，用同样的逻辑去驱动真实的 ROS 机器人。这种双轨能力，是未来工程师的核心竞争力。

最后分享一个小技巧：在 project_report.txt 这个纯文本文件里，我记录了所有代码文件的 SHA256 校验和。每次你下载或修改代码后，运行 sha256sum *.m *.py，就能快速核对文件是否完整、未被篡改。这个习惯，是从嵌入式开发中学来的——在不确定的环境中，确保“所见即所得”，是可靠性的第一道门槛。

本文还有配套的精品资源，点击获取

简介：围绕直流电动机这一典型被控对象，提供一套端到端的现代控制实践流程。先用物理参数推导状态空间模型（SSModel.m/.py），完成系统稳定性、能控性与能观性分析；接着设计状态反馈控制器实现极点配置镇定，并通过state_feedback_response.png等图像直观展示动态响应效果；针对部分状态不可测问题，构建全阶观测器（StateObserver.m/.py），并用observer_error.png验证估计误差收敛性；最后基于LQR方法求解最优反馈增益，兼顾响应速度与控制能耗。配套PerformanceIndicators.m/.py自动计算超调量、调节时间等关键指标，所有结果均可复现。文档自控-现代控制理论项目报告.docx详细记录每步推导逻辑、变量含义与仿真设置，代码全部带中文注释、命名规范，支持MATLAB R2018a及以上版本及Python 3.8+（依赖scipy、numpy、matplotlib）。适用于高校自动控制原理、现代控制理论课程设计、实验教学及自学进阶。

本文还有配套的精品资源，点击获取