상태공간 계산기
A, B, C, D를 입력하거나 전달함수를 변환하면 고유값, 전달함수, 가제어 표준형, 제어가능성·관측가능성 판별, 애커만 공식으로 구한 상태 피드백 이득, 쌍대성으로 구한 관측기 이득, 폐루프 계단응답을 계산합니다.
- A의 고유값(개루프 극점)
- −2−10
- 직류 이득 G(0)
- ∞
- 전달함수
- G(s) =1s³ + 3s² + 2s
- 안정성
- 개루프 임계 안정: 허수축 위에 고유값이 있습니다.
제어가능성
| 0 | 0 | 1 |
| 0 | 1 | −3 |
| 1 | −3 | 7 |
rank M_c = 3 (n = 3) · det M_c = −1
제어가능합니다: 모든 극점을 배치할 수 있습니다.
관측가능성
| 1 | 0 | 0 |
| 0 | 1 | 0 |
| 0 | 0 | 1 |
rank M_o = 3 (n = 3) · det M_o = 1
관측가능합니다: 관측기 극점을 모두 배치할 수 있습니다.
가제어 표준형
| 0 | 1 | 0 |
| 0 | 0 | 1 |
| 0 | −2 | −3 |
| 0 |
| 0 |
| 1 |
| 1 | 0 | 0 |
| 0 |
| 2 | 3 | 1 |
| 3 | 1 | 0 |
| 1 | 0 | 0 |
| 1 | 0 | 0 |
| 0 | 1 | 0 |
| 0 | 0 | 1 |
전달함수는 같습니다. 모델이 제어가능하면 x = T·x̄, T = M_c·W로 상태 x̄를 잇습니다.
상태 피드백 u = −Kx + N·r
원하는 φ(s) = s³ + 14s² + 48s + 80
- K
- [80, 46, 11]
- K̄ = K·T
- [80, 46, 11]
- N
- 80
A − BK의 고유값: −10−2 ± 2j
관측기 x̂′ = Ax̂ + Bu + L(y − Cx̂)
원하는 φ(s) = s³ + 18s² + 108s + 216
- Lᵀ
- [15, 61, 3]
A − LC의 고유값: −6 (3중근)
폐루프 계단응답, r = 1
- 최종값
- 1
- 상승시간(10–90%)
- 0.7934 s
- 최대 오버슈트
- 4.102%
- 정착시간(2%)
- 2.21 s
같은 결과를 내는 코드
% G(s) = (1) / (s^3 + 3s^2 + 2s)의 가제어 표준형
% (tf2ss와 ss(G)는 다른 상태 좌표를 씁니다)
A = [0 1 0; 0 0 1; 0 -2 -3];
B = [0; 0; 1];
C = [1 0 0];
D = 0;
sys = ss(A, B, C, D);
eig(A)
G = tf(sys)
Mc = ctrb(A, B); rank(Mc), det(Mc)
Mo = obsv(A, C); rank(Mo), det(Mo)
p = [-2+2i, -2-2i, -10];
K = acker(A, B, p) % 서로 다른 극점이면 place(A, B, p)도 됩니다
N = 1/(D - (C - D*K)*((A - B*K)\B))
T = ss(A - B*K, B*N, C - D*K, D*N);
step(T); stepinfo(T)
po = [-6, -6, -6];
L = acker(A', C', po)' % 쌍대성으로 구한 관측기 이득
eig(A - L*C)import numpy as np
import control as ct
# G(s) = (1) / (s^3 + 3s^2 + 2s)의 가제어 표준형
# (tf2ss와 ss(G)는 다른 상태 좌표를 씁니다)
A = np.array([[0, 1, 0], [0, 0, 1], [0, -2, -3]])
B = np.array([[0], [0], [1]])
C = np.array([[1, 0, 0]])
D = np.array([[0]])
sys = ct.ss(A, B, C, D)
print(np.linalg.eigvals(A))
print(ct.ss2tf(sys))
Mc = ct.ctrb(A, B); print(np.linalg.matrix_rank(Mc), np.linalg.det(Mc))
Mo = ct.obsv(A, C); print(np.linalg.matrix_rank(Mo), np.linalg.det(Mo))
K = ct.acker(A, B, [-2+2j, -2-2j, -10])
N = 1 / (D - (C - D @ K) @ np.linalg.solve(A - B @ K, B))
T = ct.ss(A - B @ K, B @ N, C - D @ K, D @ N)
print(K, N, ct.step_info(T))
L = ct.acker(A.T, C.T, [-6, -6, -6]).T
print(L, np.linalg.eigvals(A - L @ C))MATLAB은 Control System Toolbox, Python은 python-control 0.10 이상(pip install control)을 사용합니다.
이 계산기가 계산하는 것
상태가 네 개 이하인 단일 입력·단일 출력 모델 ẋ = Ax + Bu, y = Cx + Du입니다. 전달함수를 입력하면 강의실의 약속대로 A의 맨 아래 행에 −a₀ … −aₙ₋₁, B = [0 … 0 1]ᵀ인 가제어 표준형으로 먼저 옮깁니다.
기본 예제는 상태 피드백 설계·관측기 설계 강의의 위치 구동계이며, 두 강의의 풀이 예제를 그대로 재현합니다. det M_c = −1, 극점 −2 ± 2j와 −10에 대한 K = [80, 35, 11](표준형 좌표에서는 K̄ = [80, 46, 11]), det M_o = 1, 관측기 극점 셋을 −6에 둔 L = [15, 61, 64]ᵀ입니다.
결과를 읽는 법
- A의 고유값이 개루프 극점입니다. 전달함수는 C(sI − A)⁻¹B + D이며, 제어가능하지 않거나 관측가능하지 않은 모드는 전달함수에서 상쇄되어 보이지 않습니다. 그래서 두 판별이 모두 필요합니다.
- 제어가능하다는 것은 M_c = [B AB … Aⁿ⁻¹B]의 rank가 n이라는 뜻입니다. rank가 모자라면 입력으로 움직일 수 없는 모드를 PBH 판별로 찾아 보여 줍니다. 어떤 상태 피드백으로도 이 모드는 옮길 수 없습니다. 관측가능성은 [C; CA; …]에 같은 판별을 적용합니다.
- 애커만 공식 K = [0 … 0 1]·M_c⁻¹·φ(A)는 u = −Kx + N·r에서 A − BK의 고유값을 고른 극점에 놓고, N은 y가 r에 정착하게 합니다. 관측기 이득 L은 (Aᵀ, Cᵀ)에 같은 공식을 적용해 구하며 A − LC의 고유값을 배치합니다.
계산 방법과 약속
- 특성다항식은 정수 행렬에서 정확한 Faddeev–LeVerrier 점화식으로, G(s)의 분자는 MATLAB ss2tf처럼 det(sI − A + BC) − det(sI − A) + D·det(sI − A)로 구합니다. 고유값은 균형화와 QR 반복으로 구합니다.
- rank는 각 열의 길이를 1로 맞춘 뒤 특이값으로 정하며, 가장 큰 특이값의 10⁻¹⁰배보다 작은 특이값은 0으로 봅니다. 모든 이득은 A − BK와 A − LC의 고유값을 다시 계산해 확인하고, 요청한 극점 옆에 함께 보여 줍니다.
- 폐루프 계단응답은 한 걸음씩 적분하지 않고 행렬 지수로 매 샘플에서 정확히 계산하며, 상승시간·오버슈트·정착시간은 계단응답 계산기와 같은 정의를 씁니다.
입력과 출력은 하나씩이고 상태는 네 개까지입니다. 애커만 공식은 이론적으로 정확하지만 M_c가 특이행렬에 가까우면 정확도가 떨어집니다. 큰 모델에는 수치적으로 더 안전한 MATLAB place가 낫지만, place는 극점이 서로 달라야 합니다. 이 계산기에서는 관측기 극점 셋을 모두 −6에 두는 것처럼 겹치는 극점도 쓸 수 있습니다.