离散到连续时间传递函数

Question

我实现了 class 来识别 Python 中的 ARX 模型。下一步是基于 LQR 计算最优 PID 参数。显然需要一个连续时间模型，我有以下可能性：

将离散时间模型转换为连续时间模型，
识别连续时间模型，
采用 LQR 方法来确定离散时域的最佳 PID 参数。

在 Matlab 中，前两种方法很容易完成，但我在 Python 中需要它们。有人知道 Matlab 是如何实现的 d2c 并有参考资料吗？

Answer 1

有几个选项可以使用 python-control 包或 scipy.signal 模块或使用 harold （无耻的插件：我是作者）。

这是一个例子

import harold

G = harold.Transfer(1, [1, 2, 1])

H_zoh = harold.discretize(G, dt=0.1, method='zoh')

H_tus = harold.discretize(G, dt=0.1, method='tustin')

H_zoh.polynomials
Out[5]: 
(array([[0.00467884, 0.00437708]]),
 array([[ 1.        , -1.80967484,  0.81873075]]))

H_tus.polynomials
Out[6]: 
(array([[0.00226757, 0.00453515, 0.00226757]]),
 array([[ 1.        , -1.80952381,  0.8185941 ]]))

目前支持 zoh、foh、tustin、forward euler、backward euler，包括非离散化。文档位于 http://harold.readthedocs.io/en/latest/index.html

离散到连续时间传递函数

Discrete to continuous time transfer function

python

continuous

system-identification

control-theory