如何在Matlab系统动力学中嵌入传感器模型？兼论传感器分辨率影响

阿华AIGC实验室

2026-5-7

传感器分辨率对系统动力学的影响及Matlab嵌入实现方案

刚好做过类似的多状态闭环系统传感器建模，给你梳理下核心问题和具体落地的方案：

一、先聊聊传感器分辨率对系统动力学的影响

传感器的分辨率本质是给系统引入了量化非线性环节，这可不是只影响单个状态的小事，主要会带来这几个关键影响：

稳态精度损失：低分辨率下，量化误差会让系统的稳态状态在量化步长附近来回波动，没法精准收敛到目标值，比如你的th1、th2角度，可能会卡在相邻两个量化档位之间振荡
动态特性畸变：量化环节的非线性会引入谐波分量，要是系统本身有未建模的高频模态，很可能被激发出来，甚至在闭环增益较高时引发极限环振荡
状态耦合反馈：你之前只在仿真后量化单个状态，完全没考虑闭环的反馈逻辑——实际传感器是对测量信号（可能是多个状态的组合或全状态）量化后，再反馈给控制器，进而影响所有状态的动态响应，这才是你之前方法的核心缺陷

二、Matlab里把传感器模型嵌入系统的具体实现

针对你的开环系统xdot = A x + B u，y = C x + D u，传感器必须加在测量反馈路径上（也就是控制器的输入之前），而不是仿真结束后再处理。下面分两种常用的实现方式：

1. Simulink可视化搭建（最直观，适合调试）

第一步：用State-Space模块搭建你的开环系统G_p，输入A、B、C、D矩阵
第二步：在State-Space的输出端（也就是测量信号y的路径上）加量化模块：可以直接用Simulink自带的Quantizer模块，设置好你的传感器分辨率步长；如果要自定义量化逻辑（比如floor而非round），就用Matlab Function模块写y_q = floor(y/step)*step
第三步：把量化后的信号y_q接入你的控制器G_c，再把控制器的输出u接回开环系统的输入端，这样整个信号流是：系统状态x → 测量y → 传感器量化y_q → 控制器G_c → 输入u → 系统x，完美还原了传感器对所有状态的耦合影响

2. 纯Matlab脚本自定义ODE（适合批量仿真或代码化部署）

如果你习惯用ode45这类函数做仿真，需要把量化环节融入闭环状态方程的逻辑里：

首先明确：控制器的输入是量化后的测量值，所以每一步仿真都要先计算测量值，再量化，再算控制输入，最后更新状态

写一个自定义的闭环ODE函数，把量化逻辑嵌进去，示例代码如下：

% 先定义系统和控制器参数
A = [你的4x4状态矩阵];
B = [你的4x1输入矩阵];
C = eye(4); % 假设是全状态测量（th1, th2, th1_dot, th2_dot）
D = zeros(4,1);
K = [你的控制器增益矩阵]; % 比如LQR求解得到的K
sensor_step = 0.01; % 传感器分辨率步长，根据实际硬件调整

% 仿真设置
tspan = [0 10];
x0 = [0; 0; 0; 0]; % 初始状态

% 调用ode45仿真
[t,x] = ode45(@(t,x) closed_loop_ode(t,x,A,B,C,D,K,sensor_step), tspan, x0);

% 自定义闭环ODE函数
function xdot = closed_loop_ode(t,x,A,B,C,D,K,step)
    % 1. 计算当前测量值
    y = C*x + D*0; % 这里D=0，先算无输入时的测量值
    % 2. 传感器量化
    y_q = floor(y/step)*step; % 向下取整，可根据传感器类型换成round/ceil
    % 3. 计算控制器输出
    u = K*y_q;
    % 4. 更新系统状态
    xdot = A*x + B*u;
end

这里因为引入了量化非线性，系统变成了非线性ODE，但ode45完全可以处理，只要仿真步长设置得足够小，就能捕捉到量化的跳变细节