Python-Control 中非线性系统 Dirac 输入响应的数值积分问题分析

引言

在使用 Python-Control 库进行控制系统仿真时，开发者可能会遇到一个有趣的数值计算问题：当对非线性系统施加 Dirac 脉冲输入时，如果脉冲出现时间较晚，系统响应可能完全丢失这一输入的影响。本文将深入分析这一现象的技术原因，并提供可靠的解决方案。

问题现象

考虑一个由 NonlinearIOSystem 描述的二阶线性系统：

def dynamic_function(t, x, u, param=None):
    A = np.array([[0, 1], [-1, -1]])
    B = np.array([[0], [1]])
    return A @ x + B @ u

sys = control.NonlinearIOSystem(dynamic_function, ...)

当我们在不同时间点（如 t=0.6s 和 t=2.7s）施加 Dirac 脉冲时，发现：

1. 早期脉冲（t=0.6s）能产生预期的系统响应
2. 延迟脉冲（t=2.7s）则完全不被系统"感知"，输出始终为零

技术分析

底层数值积分机制

Python-Control 的 forced_response 函数在处理非线性系统时，会调用 scipy.integrate.solve_ivp 进行常微分方程数值求解。这里存在几个关键点：

1. 自适应步长算法：solve_ivp 默认使用自适应步长控制，会根据系统动态调整积分步长
2. 离散事件处理：Dirac 脉冲作为瞬时事件，需要被积分器准确捕获
3. 数值容差设置：默认的相对容差(rtol)和绝对容差(atol)可能不适合处理瞬时输入

问题根源

当 Dirac 脉冲出现时间较晚时，由于系统初始阶段处于静止状态，积分器会：

1. 不断增大步长以提高计算效率
2. 可能"跨过"脉冲发生的时刻
3. 由于脉冲宽度为零，在较大步长下完全被忽略

这种现象在数值计算中被称为"事件丢失"，是处理不连续输入时的常见挑战。

解决方案

方法一：更换积分算法

resp = control.input_output_response(
    sys, T=t, U=u, solve_ivp_method='LSODA')

LSODA 算法能自动在 stiff 和非 stiff 问题间切换，对不连续输入的处理通常更鲁棒。

方法二：调整积分参数

resp = control.input_output_response(
    sys, T=t, U=u, solve_ivp_kwargs={'rtol': 1e-4})

降低相对容差可以强制积分器使用更小的步长，增加捕获瞬态事件的概率。

方法三：限制最大步长

resp = control.input_output_response(
    sys, T=t, U=u, solve_ivp_kwargs={'max_step': 0.1})

直接限制最大步长确保积分器不会跨过脉冲时刻，是最可靠的解决方案。

工程实践建议

1. 对于包含瞬态输入的系统，建议总是显式设置 max_step 参数
2. 将 max_step 设置为不超过输入信号最小特征时间的1/10
3. 结合使用 LSODA 算法和中等级别的容差(如 rtol=1e-6)
4. 对于关键应用，应通过减小步长进行收敛性验证

结论

Python-Control 中非线性系统对延迟 Dirac 脉冲无响应的问题，本质上是数值积分算法与瞬时事件处理的匹配问题。通过合理选择积分方法和参数设置，特别是控制最大步长，可以确保仿真结果的准确性。这一案例也提醒我们，在使用高级控制系统工具箱时，理解底层数值计算方法同样重要。