Python 自动控制原理 control的详细解说

 更新时间:2022年07月25日 14:30:09   作者:荷碧·TongZJ  
这篇文章主要介绍了Python自动控制原理control的详细解说,文章围绕主题展开对Python control的介绍,具有一定的参考价值,需要的朋友可以参考一下

传递函数

创建传递函数有两种方式:

import control as ctrl
 
# 方式 1
s = ctrl.tf('s')
sys = 100 / (s ** 2 + 10 * s + 100)
 
# 方式 2
sys = ctrl.tf([100], [1, 10, 100])

对 tf 这个类,它内置的方法可求解 零点、极点、特征参数、特征根

# 求零点
sys.zero()
 
# 求极点
sys.pole()
 
# 特征参数、特征根
sys.damp()

输入响应

# 阶跃动态指标
step_info(sys)
# 阶跃响应
t, response = step_response(sys, T)
 
# 脉冲响应
t, response = impulse_response(sys, T)
 
t, response = initial_response(sys, T)
t, response = forced_response(sys, T)

T 是响应的时间,可以是 float (即时间上限),也可以是数组

阶跃动态指标是 dict 类型,包括:'RiseTime', 'SettlingTime', 'SettlingMin', 'SettlingMax', 'Overshoot', 'Undershoot', 'Peak', 'PeakTime', 'SteadyStateValue'

系统绘图

# Nyquist图, 可传入列表
nyquist_plot(sys)
 
# Bode图, 可传入列表
bode_plot(sys)
 
# 根轨迹图
root_locus(sys)

绘图使用的是 matplotlib.pyplot,所以执行完函数后,要加上 plt.show() 才会显示图像

Laplace 逆变换

可能是我太弱找不到这个包的 Laplace 逆变换函数,也可能是这个包真的没有这个函数

于是我利用 sympy 这个包求解:定义时域响应这个类,__call__ 使其可以计算时间数组 (np.array) 的响应

import sympy
class Time_Response:
    ''' 时域响应'''
    s, t = sympy.symbols('s, t')
 
    def __init__(self, fun, doprint=False):
        ''' fun: 返回关于s的传递函数的 function
            doprint: 输出公式'''
        sys = fun(self.s)
        self.f_t = sympy.integrals.inverse_laplace_transform(sys, s=self.s, t=self.t)
        if doprint:
            sympy.pprint(self.f_t)
 
    def __call__(self, time):
        ''' 使自身可作为函数被调用'''
        response = list(map(lambda i: float(self.f_t.subs({self.t: i})), time))
        return np.array(response)

设置 doprint 为 True,则可以输出时域响应的方程 —— 但是问题在于,自动控制原理里面的 Laplace 变换是默认 F(s) 各阶导数的初始值均为 0 的,这个条件我没有办法加入到 sympy 的求解过程里,所以结果看起来就有些奇怪

import control as ctrl
import matplotlib.pyplot as plt
import numpy as np
 
# 自定义类所在的模块
from mod.math_model import Time_Response
orange = 'orange'
blue = 'deepskyblue'
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
f_t = Time_Response(lambda s: 100 / (s ** 2 + 10 * s + 100) / s, doprint=True)
t = np.linspace(0, 1, 100)
plt.subplot(1, 2, 1)
plt.title('sympy 计算')
plt.plot(t, f_t(t), c=orange)
s = ctrl.tf('s')
sys = 100 / (s ** 2 + 10 * s + 100)
t, response = ctrl.step_response(sys, T=1)
plt.subplot(1, 2, 2)
plt.title('control 计算')
plt.plot(t, response, c=blue)
plt.show()

对比 sympy 和 control 求解的响应曲线:一毛一样

到此这篇关于Python 自动控制原理 control的详细解说的文章就介绍到这了,更多相关Python control内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • Jupyter Notebook如何导入python文件时的问题

    Jupyter Notebook如何导入python文件时的问题

    这篇文章主要介绍了Jupyter Notebook如何导入python文件时的问题,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教
    2023-07-07
  • Linux下Pycharm、Anaconda环境配置及使用踩坑

    Linux下Pycharm、Anaconda环境配置及使用踩坑

    这篇文章主要介绍了Linux下Pycharm、Anaconda环境配置及使用踩坑,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2018-12-12
  • python反射机制内置函数及场景构造详解

    python反射机制内置函数及场景构造详解

    这篇文章主要为大家介绍了python反射机制内置函数及场景构造示例详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪
    2022-11-11
  • matplotlib之属性组合包(cycler)的使用

    matplotlib之属性组合包(cycler)的使用

    这篇文章主要介绍了matplotlib之属性组合包(cycler)的使用,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2021-02-02
  • 用Python程序抓取网页的HTML信息的一个小实例

    用Python程序抓取网页的HTML信息的一个小实例

    这篇文章主要介绍了用Python程序抓取网页的HTML信息的一个小实例,用到的方法同时也是用Python编写爬虫的基础,需要的朋友可以参考下
    2015-05-05
  • 基于Python实现计算纳什均衡的示例详解

    基于Python实现计算纳什均衡的示例详解

    纳什均衡是一种博弈论中的概念,它描述了一种平衡状态,其中每个参与者都不能通过独立改变其决策来提高自己的利益。本文就来用Python中的Nashpy和PuLP实现计算纳什均衡,感兴趣的可以了解一下
    2023-02-02
  • 详解Pytorch如何利用yaml定义卷积网络

    详解Pytorch如何利用yaml定义卷积网络

    大多数卷积神经网络都是直接通过写一个Model类来定义的,这样写的代码其实是比较好懂,也很方便。但是本文将介绍另一个方法:利用yaml定义卷积网络,感兴趣的可以了解一下
    2022-10-10
  • python文本数据相似度的度量

    python文本数据相似度的度量

    这篇文章主要为大家详细介绍了python文本数据相似度的度量,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2018-03-03
  • Python的爬虫包Beautiful Soup中用正则表达式来搜索

    Python的爬虫包Beautiful Soup中用正则表达式来搜索

    这篇文章主要介绍了Python的爬虫包Beautiful Soup中用正则表达式来搜索的技巧,包括使用正则表达式去搜索多种可能的关键字以及查找属性值未知的标签等,需要的朋友可以参考下
    2016-01-01
  • Python利用3D引擎写一个Pong游戏

    Python利用3D引擎写一个Pong游戏

    之前,我们尝试过用pygame做了一个2D的Pong游戏。本文将利用强大的3D引擎Ursina制作一个3D版的Pong游戏。文中的示例代码讲解详细,感兴趣的可以了解一下
    2023-01-01

最新评论