热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

matlabT型失真矫正,用matlab的guide写了个滞后校正的

不知道有没有用stf(s);gsinput(请输入原开环传递函数\n例如:1(s*(0.1*s1)*(0.05*s1))\ngs);%稳态误差Ninput(请输入给定信号表达式\n

不知道有没有用

417358cb8bc016728205cd34469265e4.png

s = tf('s');

gs = input('请输入原开环传递函数\n 例如: 1/(s*(0.1*s+1)*(0.05*s+1)) \ngs =');

% 稳态误差

N = input('请输入给定信号表达式\n 例如: 1/s^2 \n N = ');

E =s*N/(1+gs);

G1 = E;

clear s

syms s

[num,den] = tfdata(G1);%开始转换类型 tf->sym

Na = size(den);

for i=1:Na(1)

for k=1:Na(2)

Num=poly2sym(num{i,k},s);

Den=poly2sym(den{i,k},s);

sym_G1(i,k)=Num/Den;

end

end

assignin('base','sym_G1',sym_G1);

E = sym_G1;

ess2 = limit(E,s,0,'right');

ess = input('请输入期望的稳态误差 ess = ');

K = double(ess2)/ess ;%求得满足稳态误差的最小开环增益

clear s

s = tf('s');

disp(['最小开环增益K = ',num2str(K)])

K = input('请输入开环增益K = ');

gs=K*gs%更新系统传递函数

figure(1)

margin(gs);

[gm0 pm0 wg0 wp0] = margin(gs);

gm0=20*log10(gm0);

disp(['原系统幅值裕度Lg = ',num2str(gm0),'dB ','相角裕度γ = ',num2str(pm0)])

lg = input('请输入目标幅值裕度Lg = ');

gama = input('请输入目标相角裕度γ = ');

disp(['选用滞后校正 '])

% 截止频率

gama1=gama+5;

[mu pu w]=bode(gs);

wc=spline(pu,w,(gama1-180));%相对于pu的w的值的规律插值得到相对于(gama1-180)的值

disp(['截止频率wc = ',num2str(wc)]);

% 计算β

na=polyval(gs.num{1},j*wc);

da=polyval(gs.den{1},j*wc);

g=na/da;

g1=abs(g);

h=20*log10(g1);

beta=10^(h/20);

disp(['β = ',num2str(beta)]);

% 计算校正环节参数

T=10/wc

disp('校正环节:')

gc=(T*s+1)/(beta*T*s+1)

disp('校正后系统传递函数:')

g=gs*gc

disp('校正后系统传伯德图:')

figure(2)

bode(g);

[gm pm wg wp]=margin(g);

disp(['校正后系统幅值裕度Lg = ',num2str(gm),'dB ','相角裕度γ = ',num2str(pm)])

%阶跃响应

sys1=feedback(gs,1);

sys2=feedback(g,1);

figure(3)

hold on

step(sys1)

step(sys2)

hold off

figure(4)

hold on

bode(gs)

bode(g)

hold off

程序写的比较烂

f517952484858ffe5e69b4feaec3523c.png

滞后校正参数计算.mlappinstall

111.09KB

MLAPPINSTALL

28次下载



推荐阅读
  • 通过Web界面管理Linux日志的解决方案
    本指南介绍了一种利用rsyslog、MariaDB和LogAnalyzer搭建集中式日志管理平台的方法,使用户可以通过Web界面查看和分析Linux系统的日志记录。此方案不仅适用于服务器环境,还提供了详细的步骤来确保系统的稳定性和安全性。 ... [详细]
  • 尽管使用TensorFlow和PyTorch等成熟框架可以显著降低实现递归神经网络(RNN)的门槛,但对于初学者来说,理解其底层原理至关重要。本文将引导您使用NumPy从头构建一个用于自然语言处理(NLP)的RNN模型。 ... [详细]
  • 基于KVM的SRIOV直通配置及性能测试
    SRIOV介绍、VF直通配置,以及包转发率性能测试小慢哥的原创文章,欢迎转载目录?1.SRIOV介绍?2.环境说明?3.开启SRIOV?4.生成VF?5.VF ... [详细]
  • 本题探讨如何通过最大流算法解决农场排水系统的设计问题。题目要求计算从水源点到汇合点的最大水流速率,使用经典的EK(Edmonds-Karp)和Dinic算法进行求解。 ... [详细]
  • 本文介绍了如何通过配置 Android Studio 和 Gradle 来显著提高构建性能,涵盖内存分配优化、并行构建和性能分析等实用技巧。 ... [详细]
  • 优化局域网SSH连接延迟问题的解决方案
    本文介绍了解决局域网内SSH连接到服务器时出现长时间等待问题的方法。通过调整配置和优化网络设置,可以显著缩短SSH连接的时间。 ... [详细]
  • 卷积神经网络(CNN)基础理论与架构解析
    本文介绍了卷积神经网络(CNN)的基本概念、常见结构及其各层的功能。重点讨论了LeNet-5、AlexNet、ZFNet、VGGNet和ResNet等经典模型,并详细解释了输入层、卷积层、激活层、池化层和全连接层的工作原理及优化方法。 ... [详细]
  • 本文将深入探讨如何在不依赖第三方库的情况下,使用 React 处理表单输入和验证。我们将介绍一种高效且灵活的方法,涵盖表单提交、输入验证及错误处理等关键功能。 ... [详细]
  • 深入解析 Vue 的 Transition 组件与第三方动画库的结合使用
    本文详细介绍了 Vue 中的 Transition 组件,探讨其内置类名机制、触发时机及自定义类名的应用。同时,结合 animate.css 和 GSAP 等第三方库,展示了如何实现复杂的动画效果。 ... [详细]
  • 本文详细介绍了Java中的访问器(getter)和修改器(setter),探讨了它们在保护数据完整性、增强代码可维护性方面的重要作用。通过具体示例,展示了如何正确使用这些方法来控制类属性的访问和更新。 ... [详细]
  • MySQL 数据库迁移指南:从本地到远程及磁盘间迁移
    本文详细介绍了如何在不同场景下进行 MySQL 数据库的迁移,包括从一个硬盘迁移到另一个硬盘、从一台计算机迁移到另一台计算机,以及解决迁移过程中可能遇到的问题。 ... [详细]
  • 本文详细介绍了在Android 8.x中,GMS认证新增的CTS和VTS测试,特别是如何在VTS环境下测试GSI版本。文章涵盖了详细的测试环境配置和具体操作步骤。 ... [详细]
  • 根据最新发布的《互联网人才趋势报告》,尽管大量IT从业者已转向Python开发,但随着人工智能和大数据领域的迅猛发展,仍存在巨大的人才缺口。本文将详细介绍如何使用Python编写一个简单的爬虫程序,并提供完整的代码示例。 ... [详细]
  • 本文介绍了一种从与src同级的config目录中读取属性文件内容的方法。通过使用Java的Properties类和InputStream,可以轻松加载并获取指定键对应的值。 ... [详细]
  • 本文介绍了 Winter-1-C A + B II 问题的详细解题思路和测试数据。该问题要求计算两个大整数的和,并输出结果。我们将深入探讨如何处理大整数运算,确保在给定的时间和内存限制下正确求解。 ... [详细]
author-avatar
我思故我在
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有