离散控制系统 Digital Control

计算机无法连续作用，只能在时间轴上离散打点。任何「读传感器 → 计算 → 写执行器」的固定周期循环，结构上就是一个采样控制系统——本文从软件工程师的原生视角讲清采样与保持、z 域描述、离散稳定域，以及采样周期这个最容易被忽视的设计变量。

循环即采样控制系统

反馈控制 Feedback 的连续理论假设误差与控制量随时间连续演化，而 CPU 的现实是：每 $T$ 秒（一拍）醒来一次，读一组数、算一个结果、写出去。游戏帧循环、TCP 拥塞控制、Kubernetes autoscaler、空调温控，全是这个结构——被控对象在连续时间里演化，控制器只在采样时刻发力。

离散化带来三个必答问题，构成本文主线：

采样点之间的信息去哪了——采样定理与混叠
控制律如何描述——差分方程与 z 域
回路性质如何改变——半拍延迟、稳定域迁移

采样与保持

采样把连续信号 $y (t)$ 变成序列 $y [k] = y (k T)$ 。Nyquist–Shannon 定理划出信息底线：采样频率 $ω_{s} = 2 π / T$ 必须超过信号最高频率的两倍，否则发生混叠（aliasing）——高于 $ω_{s} /2$ 的分量折叠成低频假信号，控制器追着一个不存在的扰动跑。工程解法是在采样前加模拟抗混叠滤波器把带外成分压掉；信息一旦混叠，软件层面无法事后恢复。

零阶保持（Zero-Order Hold, ZOH）是 DAC 的默认行为：输出 $u [k]$ 在整个周期内保持不变，形成阶梯信号，等效传递函数

$G_{ZO H} (s) = \frac{1 - e ^{- s T}}{s}$

代价有二：高频段幅值按 sinc 包络衰减，且平均引入半拍相位滞后 $\approx e^{- s T /2}$ 。纯延迟最伤稳定裕度——哪怕控制器与连续设计完全相同，采样本身就吃掉一份相位裕度，这是数字回路与连续回路的核心差异。

z 域：差分方程的代数

$z = e^{s T}$ 定义了 s 平面到 z 平面的映射， $z^{- 1}$ 对应「延迟一拍」： $y [k - 1] \leftrightarrow z^{- 1} Y (z)$ 。差分方程就此变为代数方程，传递函数 Transfer Function 在 s 域的全套方法——方块图化简、闭环特征方程、零极点分析——原样平移到 z 域。对象离散化有两条正路：

ZOH 精确离散化： $G (z) = (1 - z^{- 1}) Z {\frac{G ( s )}{s}}$ ，单变量回路的标准做法
矩阵指数法：状态空间表示 State-Space 的 $\overset{x}{˙} = A x + B u$ 离散为 $x [k + 1] = e^{A T} x [k] + (\int_{0}^{T} e^{A τ} d τ) B u [k]$ ，多变量系统的标准做法

把连续设计好的控制器 $C (s)$ 搬进代码，同样要选离散化方法：

方法	近似	左半平面映到	保稳定
前向差分	$s \approx \frac{z - 1}{T}$	圆心 $1$ 、半径 $T$ 的圆，可越出单位圆	否
后向差分	$s \approx \frac{z - 1}{T z}$	单位圆内偏心圆	是（畸变大）
Tustin 双线性	$s \approx \frac{2}{T} \frac{z - 1}{z + 1}$	单位圆内	是（频率翘曲）

前向差分能把稳定的连续极点映出单位圆——实现连续设计默认用 Tustin 不是风格偏好，是稳定性要求。

离散稳定域：单位圆

极点 $s = σ + jω$ 映到 $z = e^{s T}$ ，模长 $∣ z ∣ = e^{σ T}$ ，于是系统稳定性 Stability 的左半平面判据迁移为：闭环极点全部位于单位圆内。 $z = 1$ 对应临界位置（连续的 $s = 0$ ），辐角对应每拍振荡角。Routh–Hurwitz 的离散对应是 Jury 判据，工程上更常见的是 Tustin 变换后沿用连续工具，或直接数值求极点。

一个结构性事实：稳定的连续系统经 ZOH 离散化后必然仍稳定（指数映射保域）。但闭环稳定性还取决于 $T$ ——采样太慢可以让连续视角下毫无风险的回路翻车：

import math
 
def simulate(T, K=2.0, r=1.0, steps=40):
    a = math.exp(-T)                 # 对象 1/(s+1) 的 ZOH 精确离散化
    y = 0.0
    for _ in range(steps):
        u = K * (r - y)              # P 控制：每拍算一次
        y = a * y + (1 - a) * u      # u 保持一整拍（ZOH）
    return y
 
for T in (0.05, 0.5, 1.0, 1.5):
    print(f"T={T:>4}: y={simulate(T): .4f}")
# T=0.05 / 0.5：收敛到 2/3（P 控制固有稳态误差）
# T=1.0：剧烈振荡后勉强收敛（超调约 90%）
# T=1.5：发散。闭环极点 z = 3e^{-T} - 2，临界 T = ln 3 ≈ 1.10
# 连续时间下该一阶回路对任意 K > 0 都稳定，失稳纯粹由采样太慢造成

采样周期的工程权衡

经验准则： $ω_{s} \geq (10 \sim 30) ω_{c}$ （ $ω_{c}$ 为闭环带宽），等价地，闭环阶跃的上升时间内至少约 10 拍。两头都有代价：

方向	收益	代价
加快	信息完整、ZOH 滞后小、连续设计近似成立	算力与通信负载；差分增益 $\frac{K _{d}}{T}$ 放大高频噪声；量化步长相对变大
放慢	负载低、对传感器噪声天然钝感	相位滞后累积、信息丢失、混叠，直至失稳

$T$ 不是越快越好的免费参数，而是带宽、噪声、算力的三方折中——它在软件架构上对应的正是「循环频率」这一决策。

数字 PID 的实现要点

离散公式（位置式/增量式）与三项标准改进——微分先行、微分滤波、积分抗饱和——见 PID 控制，此处不重复。采样视角补充的是实时循环的架构约束：

定拍执行：每拍恰好调用一次 update，由硬件定时器或 RTOS 周期任务驱动，不用 sleep 忙等——周期抖动（jitter）等效 $T$ 的随机波动，直接污染微分项
计算延迟：读入到写出的耗时是额外回路滞后；传感、计算、执行在同一拍内完成，算完立刻写执行器
$T$ 与滤波耦合：微分滤波时间常数接近 $T$ 时微分项已名存实亡； $\frac{K _{d}}{T}$ 是噪声放大器， $T$ 越小越凶
量化效应：ADC 位数与定点截断在慢回路里可能与测量噪声同量级，积分器的累加精度需要单独关注

采样视角看 AI

强化学习的 agent–environment 循环就是一个采样控制系统：决策频率即采样率。frame-skip / action repeat 是显式的 $T$ 选择—— $T$ 太小则样本相关性高、credit assignment 模糊；太大则环境状态欠采样，信息被混叠掉。「循环频率本身就是设计变量」这一直觉，正是数字控制理论通往控制理论与强化学习 Control and Reinforcement Learning 的接口。

知识花园

探索