企业官网建设流程全解析

简介：一份基于MATLAB的状态观测器设计PDF文档，面向自动控制、现代控制理论方向的学生与工程师，系统讲解状态观测器的基本概念、极点配置原理、MATLAB中acker()与place()函数的调用格式，以及从系统能控性判断到观测器增益矩阵求解的完整设计步骤。文档以具体数值例子串联知识，比如使观测器两个极点均为-2的增益计算、通过编写秩判据验证能控性与能观性、按照“观测器极点比系统极点快2～5倍”的经验法则选取期望极点、在Simulink中搭建模型观察单路和各路跟踪效果，并进一步利用分离性原理构造输出反馈控制器，将理论分析和仿真操作结合起来。资源为单个PDF文件，大小619KB，结构清晰，便于打印阅读；目前已有268人学习浏览，适合作为相关课程设计、实验报告或自学入门的参考资料。

1. 写观测器之前，先把“为什么用”这件事想透

状态观测器是状态反馈控制落地前必须跨过的一道坎。现代控制理论里的极点配置、LQR、MPC，前提都是“状态可测”，但工程现场里状态几乎总是不可全测的——电机只能测转速和电流，倒立摆只能测角度和角速度，且这些测量还被噪声淹没。基于MATLAB的状态观测器设计，本质上就是一件事：拿一段时长为 t 的输出序列 y(t)，把不可直接测量的状态 x(t) 实时估计出来，让反馈控制有的放矢。这篇文针对的是正在做现代控制理论课程设计、或者刚接手运动控制/过程控制项目的人，你手里已经有一组状态空间方程系数，但还没想清楚观测器增益矩阵怎么算、怎么在仿真里跑通、离散化以后为什么效果走样。读完你至少能独立搭出 Luenberger 观测器和稳态卡尔曼滤波两条路线，并知道怎么在 MATLAB 里验证它们各自的上限。

2. 从可观测性到观测器增益：MATLAB 里先做“能不能观测”的预检

把观测器设计拆成三个阶段：判定可观测性、推观测器增益、做闭环仿真。MATLAB 里最常见的做法是先用秩判据做理论校验，再调用place或acker求增益矩阵，最后用lsim或 Simulink 验证估计效果。这里有个新手特别容易忽略的点：先检查系统是否完全可观测，再谈设计观测器。如果连可观测性都不满足，后面所有步骤都是无效计算。

2.1 状态不可测但可观测：Luenberger 观测器的核心思想

给定连续线性时不变系统：

dx/dt = Ax + Bu y = Cx + Du

实际状态 x 不可测，只能拿到输出 y。Luenberger 观测器的思路是构造一个与原始系统同结构的仿真器，再用输出误差做反馈校正：

d(x̂)/dt = A x̂ + Bu + L(y - C x̂)

其中 x̂ 是状态估计值，L 是观测器增益矩阵。估计误差 e = x - x̂ 的动力学为：

de/dt = (A - LC)e

当且仅当 (A - LC) 的特征值全部具有负实部时，e 会渐近收敛到零。也就是说，设计观测器归根结底是在为 (A - LC) 选择一组期望极点，然后反求 L。

可观测性的数学判据是能观性矩阵的秩等于系统阶次：

O = [C; CA; CA^2; ...; CA^(n-1)]

MATLAB 里直接用rank(obsv(A,C))就能得到结论。但注意一件事：能观性矩阵满秩只代表“理论上能重构状态”，不代表“工程上重构得准”。如果能观性矩阵条件数很大——也就是系统本身接近不可观——那么即使满秩，观测器也可能会被测量噪声放大得不成样子。判断条件数的做法是cond(obsv(A,C))，超过 1e8 基本就需要重新审视传感器布局了。

2.2 用 place 和 acker 算增益的 MATLAB 最小脚本

下面给出一段可以直接复制运行的最小脚本，场景是双积分器系统的观测器设计。

% 状态观测器增益设计：双积分器示例 % 状态方程: dx/dt = Ax + Bu, y = Cx A = [0 1; 0 0]; % 双积分器，状态1为位置，状态2为速度 B = [0; 1]; % 输入为加速度 C = [1 0]; % 只测位置，速度不可测 D = 0; % 检查可观测性 O = obsv(A, C); fprintf('能观性矩阵的秩: %d\n', rank(O)); % 期望极点的选择：比控制器极点快5倍左右 poles = [-8, -10]; L = place(A', C', poles)'; % place要求行向量，转置后再转回来

这段代码的逻辑分两步。第一步用obsv构造能观性矩阵并rank判定，这是设计前必做的预检；第二步，place函数接受的是 (A', C') 形式，因为原系统的对偶系统 (A', C') 的极点配置问题与原系统的观测器设计是等价的，最后再转置换算出 L。poles选择 [-8, -10] 是有讲究的：观测器极点必须比系统主导极点更快，通常快 3～10 倍，这样估计误差的衰减速度不会拖累整个闭环控制回路的响应。如果系统本身有右半平面零点，极点位置的选择会更敏感，这点我们在第 5 章细说。

acker与place的区别在于：acker只适用于单输入系统，并且采用 Bass-Gura 公式，数值上不够稳定；place支持多输入系统且鲁棒性更好。多变量系统里状态个数多、输入维度高，place往往是首选。

2.3 能观性差时怎么办：先看输出矩阵，再考虑降维观测器

能观性有问题时，首先要检查的是 C 矩阵。工程上一个非常常见的现象是：C 矩阵里某一列全为零，意味着对应状态对任何输出都没有贡献，这个状态在原理上就不可能被观测。此时无论怎么调增益都无济于事，必须增加传感器或者重构状态方程。另一种情况是系统能观，但某些模态的可观度极低——对应能观性格拉姆矩阵接近奇异。这时可以改用降维观测器，只估计不可测的那部分状态。MATLAB 里做降维观测器设计的原生支持不直接，一般做法是手写变换矩阵，把系统分解成可测子系统和不可测子系统，再对后者单独设计。核心代码片段如下：

% 假设状态1可测，状态2不可测，构造降维观测器 % 参考坐标变换: z = Tx，T 的选取要让 C*T^-1 = [I 0] % 这里以2阶系统为例 T = eye(2); % 实际项目中需要按C的结构构造变换阵 A11 = A(1,1); A12 = A(1,2); A21 = A(2,1); A22 = A(2,2); Lr = place(A22', A12', [-12])'; % 降维观测器增益

降维观测器增益的公式是 Lr = place(A22', A12', desired_pole)'，因为待观测子系统的输出映射就是 A12。这一段的要点是：降维观测器的收敛速度只由不可测子系统的极点和所选期望极点共同决定，与可测部分无关，所以理论上可以设得非常快。但实际工程里观测器极点太快会放大噪声，这与全维观测器是同样的道理，极点位置的选取永远是“快速性”和“抗噪性”之间的折中。

3. 在 Simulink 里搭观测器仿真：矩阵参数与代数环问题

理论算完增益，下一步是把观测器放到 Simulink 里跟被控对象一起跑仿真，验证估计状态是否收敛到真实状态。这一步跳过去直接上硬件是不现实的，因为观测器对模型误差的敏感程度必须先在仿真中量化评估。

3.1 用 State-Space 模块搭被控对象和观测器的关键配置

Simulink 里搭观测器仿真的典型结构是：被控对象用 State-Space 模块，观测器用另一个 State-Space 模块，输入分别是 u 和 [u; y]，观测器的状态方程写成增广形式：

d(x̂)/dt = A x̂ + [B, L] * [u; y - C x̂]

有一个细节值得注意：State-Space 模块的 A、B、C、D 矩阵参数都是按行展开填入的，矩阵维数必须严格匹配。B 矩阵这里要写成 [B, L] 的形式，输入端口就有两路信号。具体设置如下：

A: [0 1; 0 0] B: [0 0; 1 8] % 第一列是B，第二列是观测器增益L C: [1 0; 0 1] D: [0 0; 0 0]

上面 B 矩阵里第二列 [0; 8] 是L=[8; 8]的转置写法，代表观测器增益的作用通道。C 矩阵写成 [1 0; 0 1] 是为了让两个状态估计同时输出。如果只关心第一个状态的估计值，C 写 [1 0] 即可。

这种搭法存在一个隐蔽的坑：如果直接把 y 接到观测器的修正项，Simulink 会在仿真时报代数环错误，因为观测器的输出 x̂ 通过 C x̂ 反过来影响了观测器的输入 y。解决办法是在反馈路径上加一个 Memory 模块或者 Unit Delay，把代数环打断。更优雅的方式是直接把观测器写成 S-Function 或 MATLAB Function 块，用离散递推公式实现，跳过代数环问题。对于课程设计级别的仿真，在反馈线上放一个 Memory 块是最快的解决办法。

3.2 用 MATLAB 脚本驱动 Simulink 仿真的统一入口

推荐的做法是：把所有的系统参数（A、B、C、L）都定义在 MATLAB 工作区，Simulink 模型里的 State-Space 模块参数直接填变量名。这样修改参数不需要打开模型，跑批量仿真也方便。脚本如下：

% 统一参数入口 A = [0 1; -2 -3]; % 一个带阻尼的2阶系统 B = [0; 1]; C = [1 0]; D = 0; L = place(A', C', [-8, -10])'; % 生成初始状态并跑Simulink x0 = [0.2; -0.3]; % 被控对象初始状态 xe0 = [0; 0]; % 观测器初始状态（估计从0开始） sim('observer_model'); % 模型文件名根据实际情况修改

注意sim()调用前要确保模型文件在 MATLAB 搜索路径下，且所有变量都已在工作区定义。仿真结束后，观测器的输出会保存在yout变量或者模型配置的输出端口里，用plot(tout, yout)就能直接绘制状态和估计值的对比曲线。比较真实的观测器效果要做一件事：给被控对象的状态初始值与观测器的初始估计设成不一致，这样能直观看到收敛过程，把 x0 和 xe0 的差值拉大就是给观测器出难题。

3.3 状态估计效果验证：三条曲线缺一不可

仿真结果怎么看？至少要画三条曲线：真实状态 x、估计状态 x̂、误差 e = x - x̂。误差曲线的衰减速率应当与预设极点决定的指数衰减速率基本一致。理论上的误差衰减包络线是 exp(real(pole)*t)，比如极点 -8 对应的时间常数是 0.125 秒，大约 0.5 秒收敛到稳态值的 2% 以内。如果实际仿真中误差衰减速率明显慢于这个预期，排查方向有三个：

• 第一，观测器 A 矩阵写错：多数是把 A 的符号抄错，尤其是有交叉耦合项的系统
• 第二，B 矩阵的输入通道不对：u 没有作用到观测器的正确状态通道
• 第三，L 增益方向搞反：L 的行列维数与 A 不匹配，MATLAB 会报维度错误，这反而是好事，最怕不报错但结果是错的

4. 用 kalman 和 lqe 做含噪系统的状态估计：从观测器到滤波器

确定性系统的 Luenberger 观测器有个致命短板：它对测量噪声毫无招架之力。增益 L 越大，噪声被放大得越厉害。真实系统的传感器输出一定带噪声，工程上解决这个问题要用卡尔曼滤波——本质上是让增益矩阵随噪声统计特性自适应变化的最优观测器。

4.1 稳态卡尔曼滤波的误差协方差递推与增益计算

连续系统的卡尔曼滤波核心方程分两步。预测步：

d(x̂)/dt = A x̂ + B u dP/dt = AP + PA' + Q

更新步：

L = PC'R^(-1) x̂ += L(y - C x̂) P -= P C' R^(-1) C P

其中 Q 是过程噪声协方差矩阵，R 是测量噪声协方差矩阵。注意 Q 不是标量，它的维数与状态数一致，对角线元素代表每个状态通道上的噪声强度；R 的维数与输出数一致。Q/R 的比值直接决定了观测器增益的整体大小。Q 设得比 R 大，代表你认为“模型不可靠，测量更可靠”，此时增益变大，估计值更倾向于跟随测量；反过来，R 远大于 Q 时增益变小，估计值更平滑但响应变慢。

MATLAB 里求稳态卡尔曼增益的核心函数是lqe或kalman。lqe是线性二次估计器的原生函数，语法如下：

[Kest, P] = lqe(A, B, C, Q, R);

这里 Kest 就是连续系统的稳态卡尔曼增益，P 是稳态误差协方差矩阵。与place不同，lqe不需要指定极点位置，它基于 Riccati 方程自动计算最优增益，这是频率域整定法和时域整定法的根本差别。

4.2 一段完整的离散卡尔曼滤波 MATLAB 实现

实际工程中，观测器最终都要在 DSP 或 MCU 里以离散递推形式落地。直接在 MATLAB 里写离散卡尔曼滤波更贴近部署逻辑。以一个简单的目标跟踪问题为例：

% 离散卡尔曼滤波示例：匀速运动目标的位置/速度估计 dt = 0.1; A = [1 dt; 0 1]; % 离散状态转移矩阵 B = [dt^2/2; dt]; C = [1 0]; % 只测位置 Q = [0.01 0; 0 0.01]; % 过程噪声协方差 R = 0.1; % 测量噪声协方差 % 初始化 x_hat = [0; 0]; P = eye(2); N = 200; % 仿真步数 true_state = zeros(2, N); meas = zeros(1, N); est = zeros(2, N); for k = 1:N % 真实状态：位置 + 加速度扰动 w = 0.1 * randn(1); if k == 1 x_true = [0; 1]; else x_true = A * x_true + B * w; end true_state(:, k) = x_true; % 量测输出 v = sqrt(R) * randn(1); y = C * x_true + v; meas(k) = y; % 卡尔曼滤波预测 x_pred = A * x_hat + B * 0; % 此处假设过程噪声均值为0 P_pred = A * P * A' + Q; % 卡尔曼滤波更新 K = P_pred * C' / (C * P_pred * C' + R); x_hat = x_pred + K * (y - C * x_pred); P = (eye(2) - K * C) * P_pred; est(:, k) = x_hat; end % 对比真实状态和估计值 figure; subplot(2,1,1); plot(true_state(1,:), 'b', est(1,:), 'r--'); subplot(2,1,2); plot(true_state(2,:), 'b', est(2,:), 'r--');

这段代码的关键点有三个：预测步里过程噪声的均值按零处理，但它在 Q 中体现方差；卡尔曼增益 K 的计算不需要每次都写手算公式，对非线性系统再用扩展卡尔曼，这里线性系统直接套公式；P 的初始值设成单位阵会影响前几步的增益大小，但经过约 10 个步长后会收敛到稳态值，不会影响最终效果。/运算符在 MATLAB 里是右除，C * P_pred * C' + R的维度如果是 1×1，直接右除没问题；输出是多维时建议写成inv(C * P_pred * C' + R)或使用\运算符避免数值问题。

4.3 Q 和 R 的工程取值：没有“标准答案”，但有起点

Q 和 R 的取值是整个卡尔曼滤波设计里最容易被问的问题。我的建议是：R 优先从传感器精度指标出发。假设位置传感器的标准差是 0.1 米，那 R 就取 0.01（方差等于标准差的平方）。Q 的取值更难，因为它描述的是你对模型本身的信任程度——模型误差来源包括未建模动态、参数摄动、外部扰动。工程上常用的做法是先令 Q 为对角阵，对角线量级从 B 矩阵对应项的平方量级出发试凑：如果位置通道的过程噪声方差取 0.01，速度通道取 0.01，那么相当于假设每步加速度扰动标准差为 0.1 m/s²。

调参的经验法则是：先固定 R，从小到大调整 Q，观察估计曲线的平滑度与滞后之间的权衡。如果估计值毛刺多，说明 Q/R 偏大，降低 Q；如果估计值过于平滑且跟踪滞后明显，增大 Q。这个调参过程没有标准答案，只有相对最优，在 MATLAB 里写成批量循环仿真，把 20 组 Q 值跑一遍对比误差均方根，效率远高于手动一个个试。

5. 观测器设计的工程坑点：模型误差、噪声放大与离散化偏差

把观测器从仿真搬到工程现场，问题会接踵而至。这些坑在 MATLAB 仿真里往往不会暴露，因为仿真用的是精确模型、伪随机噪声、理想传感器，但硬件上的模型误差与离散化误差是不可避免的。

5.1 输出矩阵 C 要精确校准：一个数看错整个观测器失效

观测器增益 L 的设计只依赖 A 和 C，但实际运行时 C 的参数偏差会直接导致估计误差存在稳态偏差。例如转速测量通道的标定系数偏了 5%，观测器输出的转速估计就会有大约 5% 的稳态误差。这一点与控制器设计完全不同：反馈控制器对 C 的偏差相对不敏感，而观测器做的是“模型反向推演”，对模型参数的敏感度天然偏高。

在 MATLAB 里验证 C 摄动对观测器影响的做法是对比仿真。把真实系统的 C_true 设为 C*(1+0.05)，但观测器内部的 C 保持原设计值，观察估计误差是否收敛到 0。如果稳态误差不为零，说明系统对 C 的摄动敏感。缓解手段包括：在观测器增益设计中留裕量（极点不要设太靠近左半平面边缘）；或者改用自适应观测器；更直接的手段是定期在线校准 C 矩阵，这在伺服系统里通常与编码器零位校准合并完成。

5.2 离散化不是简单替换：指数矩阵必须用 expm

连续域设计的观测器在 Simulink 仿真里跑得通，但在 DSP 上实现时要转成离散递推形式。离散化的标准做法是用零阶保持器离散化：

Ad = expm(A*Ts) Bd = A\(Ad - I)*B

这里有一个高频错误：把exp(A*Ts)当成expm(A*Ts)用。MATLAB 里exp是对矩阵每个元素求指数，expm才是矩阵指数。状态维数大于 1 时，用exp算出来的Ad完全错误，仿真时状态会在几步内发散。此外，观测器增益 L 的离散化不能用 Ld = L*Ts 这种近似，正确的思路是先把误差动力学离散化，再重新计算离散增益 Ld：

% 离散化并计算离散域观测器增益 Ts = 0.01; Ad = expm(A*Ts); Bd = (Ad - eye(size(A))) / A * B; % 离散域观测器极点设置 pd = exp(poles*Ts); % 把连续极点映射到z平面 Ld = place(Ad', Cd', pd)';

离散域极点的映射公式 pd = exp(s*Ts) 是连续域极点到 z 平面的标准映射，注意place的极点输入必须是单位圆内（严格小于 1）。采样时间 Ts 的选取对离散化精度影响显著，经验法则是让 Ts 小于最快观测器时间常数的 1/10。如果观测器极点是 -20，时间常数为 0.05 秒，Ts 应不大于 0.005 秒。采样时间太大时，即使离散化公式正确，估计性能也会与连续域设计有明显出入。

5.3 模型误差对观测器性能的极限约束

观测器的鲁棒性边界在理论上并不乐观：如果真实系统是 A + ΔA 而观测器用的是 A，那么期望极点与实际极点的偏差可以近似估计为特征值对 ΔA 的敏感度。这个敏感度用特征向量条件数来描述，MATLAB 里可以用cond(V)得到模态矩阵的条件数。条件数过大说明系统接近奇异，此时 L 的任何选择都会在某个模态通道上产生过大的估计误差。这类系统在工程上对应弱阻尼结构、接近刚体模态的多体系统。对策是：优先保证观测器对模型误差不敏感，再看收敛速度。这意味着极点不要放得太左——极点太左要求 L 很大，大增益把建模误差直接放大进状态估计里。

6. 用最终状态误差评价观测器设计质量：两个指标一个实验

收敛速度和噪声抑制能力永远无法兼得，所以实战中需要一套可量化的验证方法。这里给一个最后落地的验收流程，核心指标两个：状态误差的收敛时间和稳态误差的均方根值。

收敛时间定义为误差首次进入 ±5% 最终值区间后不再超出的时刻。在 MATLAB 里直接从仿真数据提取：

% t_vec 为时间向量，err为误差向量 idx = find(abs(err) < 0.05 * abs(err(1)), 1, 'first'); settling_time = t_vec(idx);

稳态误差的均方根值计算更直接：

% 取最后的20%数据点计算RMS steady_err = err(round(0.8*length(err)):end); rms_err = rstd(steady_err); % rms函数需要Statistics工具箱，没有可手写 rms_err_manual = sqrt(mean(steady_err.^2));

有了这两个指标，就可以做一组对照实验来评价设计质量。固定 A、B、C，改变观测器极点的位置，分别记录收敛时间和稳态误差，画出两者的 trade-off 曲线。在 MATLAB 里写成循环脚本，一次跑完，结果直接可视化。曲线的典型形态是：极点越靠左，收敛越快，但稳态误差越大；曲线拐点附近就是工程上的可用区域。如果整个曲线的稳态误差都很大，需要回到 Q/R 的设定或者传感器的硬件选型上去找原因。

进阶一点的验证方式是把观测器与控制器一起接成闭环：用估计状态 x̂ 做状态反馈，控制真实对象，然后对比“全状态反馈理想情况”和“基于观测器的输出反馈情况”的系统响应差异。这个差异包含了观测器动态对整个闭环的影响，是评判观测器设计是否适合该控制任务的最终标准。MATLAB 里实现这个对比只需要在 Simulink 里搭两个模型，分别从真实状态和估计状态引出反馈通道，其他参数完全一致。状态观测器的设计功力，最终就是体现在这个差异能够被你控制到多小。

本文还有配套的精品资源，点击获取