1. 从一个实际需求说起：为什么要用Matlab建控制系统模型

很多刚接触控制理论的朋友，第一次看到传递函数、状态空间表达式这些概念时，脑子里全是问号。课本上给你一个弹簧阻尼系统，让你写出微分方程，再拉普拉斯变换，再整理成传递函数——一套流程走下来，手算倒是能算，但一旦系统稍微复杂一点，比如多输入多输出、有非线性环节、有延迟，手算基本就废了。更关键的是，你算完了想看看这个系统到底表现如何，阶跃响应长什么样，超调量多大，调节时间多久，靠手画根轨迹或者伯德图，精度和效率都堪忧。

这就是Matlab进入视野的原因。它不是一个“帮你算数”的计算器，而是一整套控制系统建模、分析、设计的工具链。你可以在里面用几行代码就把一个物理系统的数学模型搭出来，然后直接调step()看阶跃响应，调bode()看频域特性，调rlocus()画根轨迹，甚至直接上pidtune()帮你自动整定PID参数。整个过程从建模到验证到调参，闭环非常短。

这篇内容适合谁看？如果你正在学自动控制原理、现代控制理论，或者做课程设计、毕业设计，需要把课本上的理论落到实际仿真上，那这篇就是写给你的。如果你已经工作，偶尔需要快速验证一个控制方案的可行性，不想从零推导，那这篇也能帮你省不少时间。我默认你有最基本的Matlab操作基础——知道怎么新建脚本、怎么运行代码、怎么看工作区变量，这些就够了，不需要你精通Matlab编程。

接下来我会从建模思路、核心函数、实操步骤、常见坑四个维度，把“用Matlab建立控制系统模型”这件事讲透。不是照搬帮助文档，而是把我自己踩过的坑和总结的技巧都揉进去。

2. 控制系统建模的整体思路与方案选型

2.1 三种建模方式的适用场景对比

在Matlab里建立控制系统模型，本质上就是把物理系统的动态特性翻译成Matlab能理解的数学对象。翻译的方式有三种，分别对应不同的系统描述方法：

这三种模型在Matlab里是可以互相转换的。比如你用tf()建了一个传递函数，随时可以用ss()把它转成状态空间，反过来也行。所以选哪种方式入手，主要看你的系统描述习惯和分析需求。

传递函数最直观，适合经典控制理论那套东西——你手上有微分方程，拉氏变换一搞，整理成分子分母多项式的形式，直接往tf()里填系数就行。状态空间更适合多变量系统，或者你要用现代控制理论的方法（比如极点配置、LQR）来设计控制器。零极点增益模型则在频域设计里用得比较多，因为伯德图和根轨迹本质上就是在零极点平面上做文章。

2.2 为什么我建议从传递函数入手

虽然状态空间更“现代”，但我个人建议初学者先从传递函数建模开始。原因有三：

第一，传递函数的物理意义更直观。分子分母的系数直接对应微分方程的各项系数，你写出来的东西和课本上的公式是一一对应的，不容易搞错。第二，传递函数的阶次和零极点分布可以直接读出系统的动态特性——比如一阶系统没有超调，二阶系统看阻尼比就知道振荡程度，这些直觉在状态空间里需要额外计算才能获得。第三，经典控制理论的分析工具（根轨迹、伯德图、奈奎斯特图）都是基于传递函数的，你先用tf()建好模型，后面调rlocus()、bode()都是水到渠成的事。

当然，如果你的系统天生就是多输入多输出的，比如一个四旋翼飞行器的姿态控制，那直接上状态空间更合适，没必要硬拆成多个传递函数。选型的原则就一条：用最贴近系统物理本质的描述方式。

2.3 建模前必须想清楚的三个问题

在打开Matlab之前，先问自己三个问题：

1. 系统的输入和输出分别是什么？这决定了你建模的边界。比如一个电机控制系统，输入是电压，输出是转速，那传递函数就是转速对电压的传递函数。如果你搞错了输入输出，后面所有分析都是白搭。

2. 系统是线性的还是非线性的？Matlab的tf()和ss()只能建线性时不变模型。如果你的系统有非线性环节（比如饱和、死区、摩擦），要么先在工作点附近线性化，要么用Simulink搭非线性模型。这一点很多人容易忽略，拿一个非线性系统硬套传递函数，结果仿真和实际对不上。

3. 系统的参数是确定的还是不确定的？如果你知道精确的参数值，直接建标称模型就行。如果参数有波动范围，可能需要建多个模型或者用鲁棒控制的方法。初学者一般先建标称模型，后面再考虑不确定性。

这三个问题想清楚了，建模就是几分钟的事。想不清楚，后面反复改模型，浪费的时间远不止几分钟。

3. 核心函数与实操要点详解

3.1 传递函数建模：tf函数的使用细节

tf()是Matlab里建传递函数最基础的函数。它的调用格式很简单：

sys = tf(num, den)

其中num是分子多项式的系数向量，den是分母多项式的系数向量，都按降幂排列。比如一个二阶系统：

% G(s) = (2s + 1) / (s^2 + 3s + 2) num = [2 1]; den = [1 3 2]; sys = tf(num, den);

运行之后，Matlab会输出：

sys = 2 s + 1 ------------- s^2 + 3 s + 2

这里有几个细节值得注意：

系数向量的长度决定了阶次。分子向量长度是2，对应一阶分子；分母向量长度是3，对应二阶分母。如果某一项系数是0，不能省略，必须补0。比如s^2 + 2的分母向量是[1 0 2]，中间的0不能省。

可以指定采样时间建离散模型。如果你要建离散传递函数，加一个采样时间参数：

Ts = 0.01; % 采样周期10ms sys_d = tf(num, den, Ts);

这样建出来的就是离散模型，后面做数字控制器设计时直接用。

变量名不要用s。很多人习惯把传递函数变量命名为s，但Matlab里s不是保留变量，你赋值之后可能会覆盖掉。建议用sys、G、H这类名字。如果你确实想用s来写表达式，需要先定义：

s = tf('s'); G = (2*s + 1) / (s^2 + 3*s + 2);

这种方式更直观，适合写复杂的传递函数表达式，但要注意s变量一旦定义，后面就不能再当普通变量用了。

3.2 状态空间建模：ss函数的参数含义

状态空间模型的Matlab表示是：

sys = ss(A, B, C, D)

其中A是状态矩阵，B是输入矩阵，C是输出矩阵，D是直接传递矩阵。对于一个n阶系统、m个输入、p个输出，A是n×n，B是n×m，C是p×n，D是p×m。

举个例子，一个二阶系统：

A = [0 1; -2 -3]; B = [0; 1]; C = [1 0]; D = 0; sys = ss(A, B, C, D);

这个系统对应的传递函数是1/(s^2 + 3s + 2)。你可以用tf(sys)验证一下：

tf(sys)

输出应该是：

ans = 1 ------------- s^2 + 3 s + 2

D矩阵什么时候不为零？当系统有直接传递项时，D不为零。比如G(s) = (s+1)/(s+2)，写成状态空间形式时D就是1。大部分物理系统的D矩阵是零，因为输入到输出之间没有瞬时通路。但如果你不确定，可以先设D=0，后面用tf()转换验证一下。

状态变量的选择不唯一。同一个传递函数可以对应无穷多组状态空间实现，A、B、C矩阵都不一样，但传递函数相同。Matlab的ss()函数接受你给的任意一组矩阵，不会帮你做规范化。如果你想让Matlab自动生成一组标准形式，可以先用tf()建传递函数，再用ss()转换：

sys_tf = tf([1], [1 3 2]); sys_ss = ss(sys_tf);

这样Matlab会自动选择一种可控标准型或可观标准型。

3.3 模型转换：tf、ss、zpk之间的互转

三种模型之间的转换是控制系统建模中最常用的操作之一。转换函数很直观：

sys_tf = tf(sys_ss); % 状态空间转传递函数 sys_ss = ss(sys_tf); % 传递函数转状态空间 sys_zpk = zpk(sys_tf); % 传递函数转零极点增益 sys_tf = tf(sys_zpk); % 零极点增益转传递函数

转换过程中Matlab会自动处理约分和规范化。但有一个坑要注意：数值精度问题。当系统阶次较高时，传递函数的分子分母系数可能非常大或非常小，转换过程中容易出现数值误差。比如一个六阶系统，转换后可能出现极点和零点几乎抵消但又不完全抵消的情况，导致传递函数看起来阶次很高但实际上可以降阶。这时候可以用minreal()函数做最小实现：

sys_min = minreal(sys);

minreal()会自动消去对消的零极点，给出最简模型。我建议每次做完模型转换后都跑一下minreal()，养成习惯。

3.4 模型连接：串联、并联、反馈

实际控制系统往往由多个环节组成，需要把多个模型连接起来。Matlab提供了几种连接方式：

串联：两个系统前后相连，总传递函数是乘积。

sys_series = series(sys1, sys2); % 或者直接用乘法 sys_series = sys1 * sys2;

并联：两个系统输入相同，输出相加。

sys_parallel = parallel(sys1, sys2); % 或者直接用加法 sys_parallel = sys1 + sys2;

反馈：前向通道和反馈通道构成闭环。

sys_cl = feedback(sys_forward, sys_feedback);

feedback()默认是负反馈。如果是正反馈，加第三个参数：

sys_cl = feedback(sys_forward, sys_feedback, +1);

这里有一个非常容易犯的错误：反馈通道的传递函数不要写成1。很多人以为单位负反馈就是feedback(G, 1)，这没错，但如果你实际系统里传感器有动态特性（比如一阶滞后），反馈通道就不是1了，必须把传感器模型也建进去。我见过不少课程设计，传感器明明有延迟，学生直接按单位负反馈做，仿真结果和实际差了一大截。

4. 完整实操流程：从物理系统到仿真验证

4.1 案例背景：一个直流电机速度控制系统

为了把上面的知识点串起来，我用一个直流电机速度控制的例子走一遍完整流程。这个例子在课程设计和实际工程中都很典型。

假设我们有一个直流电机，输入是电枢电压，输出是电机转速。根据电机学原理，电机的微分方程可以写成：

J * dω/dt = Kt * i - B * ω L * di/dt = V - R * i - Ke * ω

其中J是转动惯量，B是阻尼系数，Kt是转矩常数，Ke是反电动势常数，L是电枢电感，R是电枢电阻，V是输入电压，ω是转速，i是电枢电流。

这是一个二阶系统，两个状态变量：转速ω和电流i。输入是电压V，输出是转速ω。

4.2 参数设定与状态空间建模

先设定一组典型的参数值：

J = 0.01; % 转动惯量 kg·m^2 B = 0.1; % 阻尼系数 N·m·s/rad Kt = 0.01; % 转矩常数 N·m/A Ke = 0.01; % 反电动势常数 V·s/rad L = 0.5; % 电枢电感 H R = 1; % 电枢电阻 Ω

把这些参数代入微分方程，整理成状态空间形式。选择状态变量x1 = ω，x2 = i，输入u = V，输出y = ω。

状态方程：

dx1/dt = (-B/J) * x1 + (Kt/J) * x2 dx2/dt = (-Ke/L) * x1 + (-R/L) * x2 + (1/L) * u

输出方程：

y = x1

写成矩阵形式：

A = [-B/J, Kt/J; -Ke/L, -R/L]; B = [0; 1/L]; C = [1, 0]; D = 0; motor_ss = ss(A, B, C, D);

运行之后，Matlab会输出状态空间模型。你可以用tf(motor_ss)看看对应的传递函数：

motor_tf = tf(motor_ss);

输出大概是：

motor_tf = 0.01 ---------------------- 0.005 s^2 + 0.06 s + 0.1

这个传递函数的分母是二阶的，对应电机的机械时间常数和电气时间常数。分子是常数，说明输入到输出没有微分项。

4.3 从状态空间到传递函数的转换与验证

得到传递函数后，我习惯做两件事：一是检查极点和零点，二是画阶跃响应看看基本特性。

% 查看零极点 zpk(motor_tf) % 画阶跃响应 figure; step(motor_tf); grid on; title('直流电机速度控制系统阶跃响应');

从零极点分布可以看到，系统有两个实极点，都在左半平面，说明系统是稳定的。阶跃响应应该是一条单调上升的曲线，没有超调，最终稳定在某个值。

这里有一个细节：稳态值是多少？根据终值定理，阶跃响应的稳态值等于传递函数在s=0处的值。对于上面的传递函数：

G(0) = 0.01 / 0.1 = 0.1

所以阶跃响应的稳态值是0.1。这意味着如果输入1V电压，电机最终转速是0.1 rad/s。这个值看起来很小，但这是因为我们设定的参数里阻尼系数相对较大。实际电机参数不同，稳态值也会不同。

4.4 加入PID控制器后的闭环仿真

开环系统虽然稳定，但稳态值只有0.1，而且响应速度可能不够快。实际应用中通常会加一个PID控制器来改善性能。

在Matlab里加PID控制器很简单：

% 设计PID控制器 Kp = 10; Ki = 5; Kd = 0.1; C = pid(Kp, Ki, Kd); % 构建闭环系统 sys_cl = feedback(C * motor_tf, 1); % 画阶跃响应 figure; step(sys_cl); grid on; title('加入PID控制器后的闭环阶跃响应');

运行之后你会看到，闭环系统的阶跃响应稳态值变成了1（因为积分环节消除了稳态误差），响应速度也快了很多。但超调量可能比较大，需要调整PID参数。

PID参数怎么调？如果你不想手动试凑，可以用Matlab的pidtune()函数：

[C_tuned, info] = pidtune(motor_tf, 'pid');

pidtune()会自动给你一组满足默认性能指标（比如相位裕度60度）的PID参数。你可以把C_tuned替换到闭环系统里再仿真，对比效果。

4.5 仿真结果的分析与模型修正

仿真跑完之后，不能只看曲线好看就完事了。我一般会做以下几项检查：

第一，检查稳态误差。如果闭环阶跃响应的稳态值不是1，说明系统有稳态误差。对于有积分环节的PID控制器，稳态误差应该为零。如果不是零，可能是积分增益太小或者仿真时间不够长。

第二，检查超调量和调节时间。用stepinfo()函数可以直接获取这些指标：

info = stepinfo(sys_cl); disp(info);

输出会包含上升时间、调节时间、超调量、峰值等。你可以根据这些指标判断是否需要继续调参。

第三，检查抗扰动能力。实际系统会有扰动，比如负载转矩变化。你可以在仿真里加一个扰动输入，看看闭环系统能不能抑制。这需要建一个扰动通道的模型，稍微复杂一点，但思路是一样的。

第四，检查模型是否过于简化。如果仿真结果和实际测试差距很大，可能是建模时忽略了一些因素，比如电机的非线性摩擦、电枢反应、PWM驱动器的延迟等。这时候需要回到建模阶段，把忽略的因素补进去，或者用Simulink搭更详细的模型。

5. 常见问题与排查技巧实录

5.1 模型转换后阶次异常怎么办

这是最常见的问题之一。你建了一个三阶传递函数，转成状态空间再转回来，发现变成四阶了，或者零极点对消不干净。原因通常是数值精度问题。

排查方法：用minreal()做最小实现，看看能不能降阶。如果minreal()之后阶次正常了，说明原来的模型里有对消的零极点，只是数值上没完全对消。

sys_min = minreal(sys); order(sys_min) % 查看最小实现后的阶次

如果minreal()也解决不了，可能是模型本身就有问题，比如你建传递函数时系数填错了，导致零极点位置不对。

5.2 阶跃响应不收敛或发散怎么查

阶跃响应发散，说明系统不稳定。排查步骤：

1. 检查极点位置：pole(sys)，如果有极点在右半平面（实部大于零），系统就是不稳定的。
2. 检查反馈极性：如果你建的是闭环系统，检查feedback()函数用的是正反馈还是负反馈。正反馈容易导致不稳定。
3. 检查控制器参数：如果加了PID控制器后发散，可能是增益太大。先把Kp调小，再逐步增加。
4. 检查模型连接：串联、并联、反馈连接时，检查有没有把该连的通道连错。比如把反馈通道接到了前向通道上。

5.3 仿真速度慢的优化思路

当模型阶次很高或者仿真时间很长时，Matlab的仿真可能会很慢。几个优化思路：

• 降阶：用balred()或minreal()降低模型阶次。很多高阶系统实际上可以用低阶模型近似。
• 用离散模型：如果只是做数字控制仿真，用离散模型比连续模型快。
• 减少输出点数：step()函数可以指定时间向量，减少仿真点数。
• 用lsim()代替step()：对于复杂输入，lsim()更灵活，也可以控制仿真步长。

5.4 常见问题速查表

5.5 几个我踩过的坑和独家技巧

坑一：用s变量写传递函数时忘了定义。直接写G = 1/(s^2+1)会报错，因为s没有定义。必须先s = tf('s')。这个坑我踩过不止一次，尤其是从其他语言转过来的时候。

坑二：feedback()的第二个参数是反馈通道，不是反馈增益。很多人以为feedback(G, 1)里的1是增益，其实它是反馈通道的传递函数。单位负反馈就是1，但如果反馈通道有动态特性，必须把传递函数写进去。

坑三：离散模型的采样时间单位是秒，不是毫秒。如果你写Ts = 10，Matlab会认为是10秒，不是10毫秒。这个错误在数字控制器设计里很常见，会导致仿真结果完全不对。

技巧一：用ltiview交互式查看响应。ltiview可以同时显示多个系统的阶跃响应、伯德图、奈奎斯特图等，方便对比。在调参阶段特别有用。

技巧二：用stepinfo批量获取性能指标。如果你有多个候选控制器，可以写一个循环，对每个控制器计算stepinfo，然后对比超调量、调节时间等指标，快速筛选。

技巧三：保存模型用save，不要用saveas。save保存的是Matlab的工作区变量，下次可以直接load回来继续用。saveas保存的是图片，不能继续仿真。

技巧四：模型命名要有规律。比如motor_tf、motor_ss、motor_cl分别表示电机的传递函数、状态空间、闭环模型。这样后面代码多了不容易搞混。

6. 从建模到设计的延伸思路

模型建好之后，其实只是第一步。后面还有控制器设计、性能验证、鲁棒性分析等一系列工作。但建模是所有这些工作的基础，模型不对，后面全错。

如果你已经能熟练用tf()和ss()建模型，下一步可以尝试这几个方向：

一是用Simulink搭更复杂的系统。Matlab的命令行建模适合线性时不变系统，但如果你有非线性环节、逻辑判断、状态机，Simulink会更合适。而且Simulink可以直接把Matlab工作区的模型导入进去，两者配合使用效率很高。

二是尝试系统辨识。如果你没有系统的物理参数，但有输入输出数据，可以用Matlab的系统辨识工具箱（System Identification Toolbox）从数据里估计模型。这在实验建模中非常有用。

三是做鲁棒性分析。实际系统的参数不会一成不变，用robustcontrol工具箱可以分析参数波动对系统性能的影响，设计出对参数变化不敏感的控制器。

四是做降阶处理。高阶模型虽然精确，但计算量大、控制器设计复杂。用balred()或modred()可以把高阶模型降到低阶，同时保持主要动态特性。这在实时控制里很重要。

我个人在实际操作中的体会是，建模这件事，快就是慢，慢就是快。花十分钟想清楚系统的输入输出、线性与否、参数确定与否，比后面花两小时改模型要划算得多。另外，每次建完模型都跑一下minreal()和step()，确认模型没有异常，这个习惯能帮你省掉很多莫名其妙的调试时间。

最后再分享一个小技巧：如果你不确定自己的模型对不对，可以先用一个你熟悉的简单系统验证一下。比如一阶系统1/(s+1)的阶跃响应应该是1 - exp(-t)，稳态值是1，时间常数是1秒。用Matlab跑一下，看看结果对不对，确认自己的建模流程没问题，再去建复杂系统。这个“用已知验证未知”的思路，在控制系统里永远好用。