离散到连续时间传递函数答案

【问题标题】：Discrete to continuous time transfer function离散到连续时间传递函数
【发布时间】：2018-05-23 11:01:00
【问题描述】：

我在 Python 中实现了一个类来识别 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，
调整 LQR 方法以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。有谁知道Matlab是如何实现d2c的，有参考吗？

【问题讨论】：

标签： python continuous control-theory system-identification

【解决方案1】：

有几个选项可以使用python-control 包或scipy.signal 模块或使用harold（无耻插件：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

【讨论】：

感谢您的回答。现在，我转向了一个不同的话题，但我肯定会研究harold。非离散化功能听起来很有趣。我认为使用python-control 或scipy.signal 是不可能的。